基于遥控潜水器（ROV）的大西洋鲑网箱拥挤强度监测及其水下风险分级体系构建（v0.1）

为解决传统水面观测难以全面评估鲑鱼网箱 crowding（聚集操作）过程中水下福利风险的问题，研究人员开发了首个基于ROV水下观测的 crowding intensity risk scale（拥挤强度风险等级量表）。该研究通过多专家评分确立了5级风险标准，为水下实时监测与风险干预提供了关键工具，对提升鲑鱼养殖福利管理具有重要意义。

　　

在大西洋鲑（Salmo salar）的网箱养殖过程中，crowding（聚集操作）是一项常见但高风险的生产环节。为了进行寄生虫处理或运输屠宰，养殖人员需要将鱼群聚集到网箱的特定区域。传统的操作依赖水面观察——通过观察鱼鳍露出、鱼体翻转或水面活动变化来判断鱼群状态。然而，水面之下的情况往往与表面所见不符，鱼群可能已面临缺氧、挤压、碰撞或被困于网袋等严重风险，而这些情况从水面上难以察觉。近年来，虽然遥控潜水器（ROV）开始被用于水下监测，但一直缺乏一套系统、可靠的水下风险评估标准。

为此，来自挪威海洋研究所动物福利研究组的Lars Helge Stien等人开展了一项研究，旨在建立全球首个基于ROV观测的大西洋鲑 crowding 强度风险分级体系（v0.1），该成果发表于《Aquaculture Reports》。研究团队从挪威四个商业养殖场收集了8段 crowding 过程的ROV影像，并从中截取100段10秒短视频片段。通过邀请33位养殖从业人员、9位鱼类福利研究人员和12位鱼类健康专业学生对这些视频进行风险等级评分（0–6分），最终筛选出15段最具代表性的视频，对应5个风险等级（1–5级），并据此总结出每一等级的关键行为特征与风险指标。

关键技术方法包括：利用ROV拍摄商业养殖场 crowding 过程；通过专家问卷调查（涵盖养殖从业者、研究人员和学生）进行视频风险评级；采用修剪均值（trimmed mean）及百分位数统计进行一致性分析；基于视频内容提取关键行为指标如鱼群间距、机动性、碰撞频率、网衣接近度等，建立分级描述体系。

研究结果通过以下部分呈现：

3.1. Selecting candidate films：

通过专业人员评分筛选出符合1–5级风险阈值的视频候选集，其中Level 5视频数量较少，且评分未达到“灾难性”（6分）水平。

3.2.–3.6. 各等级影片筛选：

从所有候选视频中，依据评分一致性、视频质量、群体间评价差异等标准，最终为每一风险等级选定3段代表性视频。例如，Level 1代表视频显示鱼群游动 calm（平静），个体间距大，可见水面；而Level 5视频则显示鱼群停滞、相互挤压、紧贴网衣甚至被困。

3.7. Summarising observations from the selected films：

研究总结了每一风险等级的关键行为指标，包括队列行为、鱼间距离、碰撞频率、水面可见度、机动性、爆发式游动、方向改变能力以及与网衣的接近程度。结果发现，随着等级升高，鱼群流动性下降，碰撞和网衣接触增加，空间逐渐减少，直到Level 5时鱼群完全失去移动能力。

3.8. Suggested five-level ROV-crowding scale：

据此提出ROV crowding 风险分级标准：

• •

  Level 1：鱼群 calm，远离网衣，个体间距大，可自如移动；

• •

  Level 2：鱼群仍较 calm，但间距减小，接近网衣，偶有爆发游动；

• •

  Level 3：游动受限，间距更小，常发生碰撞和网衣接触，机动性下降；

• •

  Level 4：游动显著缓慢，频繁接触网衣和相互碰撞，难以机动；

• •

  Level 5：鱼群停滞，相互挤压，紧贴或陷入网衣，无法移动，风险极高。

在讨论部分，作者指出该尺度是首次尝试基于水下行为制定 crowding 风险分级工具，其优势在于能够发现水面观测无法识别的风险（如网袋 trapped fish）。但当前版本（v0.1）仍存在主观性较强、未与实际福利 outcome（如损伤、应激）直接关联等局限。未来需通过更多现场验证、自动化分析（如计算机视觉）和行业培训来提高其可靠性。该尺度为养殖现场提供了实时监测与风险干预的依据，有助于在保证生产效率的同时最大限度保障鱼类福利，是鲑鱼养殖向更精准、更人性化方向发展的重要一步。