综述：人工智能与数字创新在精准水产养殖中的应用：进展、应用及未来发展方向

《Franklin Open》：Artificial Intelligence and Digital Innovations in Precision Aquaculture: Advancements, Applications, and Future Directions

　　里希凯什·拉坦 | 阿什温尼·M | 迪比延杜·卡米利亚 | 维什瓦纳特·纳加拉詹
印度理工学院卡尔阿格普尔分校农业与食品工程系，西孟加拉邦卡尔阿格普尔

**摘要**
水产养殖行业正在经历快速的数字化转型，这一变革主要由人工智能（AI）技术的加速发展推动。本文探讨了AI如何与物联网（IoT）和大数据相结合，通过智能自动化、实时决策和预测分析重塑智能水产养殖系统。机器学习、深度学习、基于注意力的模型以及混合算法等AI方法在水质预测、疾病检测、饲料优化和行为分析方面取得了显著进展。此外，本文还探讨了超越传统AI应用的创新技术，如联邦学习、可解释AI、边缘AI部署和迁移学习，这些技术解决了动态水产养殖环境中数据与系统可扩展性的关键问题。特别强调了AI与IoT系统的集成以及数字孪生的开发，用于模拟和优化水产养殖过程以实现预测控制。同时，本文还评估了量子AI和区块链技术在未来的水产养殖系统中的潜力。最后，本文对阻碍AI广泛应用的社会经济障碍、基础设施限制、伦理考量和监管空白进行了批判性分析，尤其是在农村和资源匮乏的地区。这一分析为开发由下一代AI技术支持的可扩展、有韧性和可持续的水产养殖系统提供了框架。

**1. 引言**
随着野生渔业资源逐渐枯竭和全球人口持续增长，水产养殖在满足对安全、营养且价格合理的蛋白质需求方面发挥着至关重要的作用[1,2]。2022年，全球渔业和水产养殖产量达到2.232亿吨，其中水生动物产量为1.854亿吨，藻类产量为3780万吨。首次出现水产养殖在水生动物产量上超过捕捞渔业的情况，占比达到94.4%，占人类消费总量的57%[3]。预计到2050年，包括印度、中国、美国、巴西、墨西哥、尼日利亚和秘鲁在内的十个国家鱼类消费量将增加80%以上，这十个国家将占全球鱼类消费总量的55%[4]。水产养殖对粮食安全、农村生计和经济发展具有重要意义，尤其是在亚洲和非洲[5,6]。近几十年来，由于野生鱼类资源趋于稳定，水产养殖已成为人类消费水产品的最主要来源，占比超过一半[7]。然而，该行业也面临着疾病爆发、饲料转化效率低、栖息地退化以及技术劳动力短缺等复杂问题。需要创新、可扩展且持久的解决方案来应对这些挑战。

在过去几十年中，水产养殖经历了多个技术阶段，通常被称为水产养殖1.0至4.0[8]。传统的人工密集型方法依赖于人工投喂、水交换和观察管理，这是水产养殖1.0的特点。随着全球对水生蛋白质需求的增加，水产养殖2.0开始采用机械化系统和配方饲料，实现了工业化与生产集约化。为了平衡生产和环境责任，水产养殖3.0引入了可持续集约化实践，并得到了认证计划、监管框架和生物安全控制的支撑[9]。当前的水产养殖4.0阶段标志着向自动化、精准化和互联化的转变，这一变革得益于数字技术的发展，强调可扩展的数据集成以实现智能实时决策。例如，智能传感器、自动喂食器、机器视觉系统、基于卫星的远程监控和基于云的分析技术[10]。这些技术进步使水产养殖4.0成为稳健和可持续食品生产的支柱，反映了农业食品系统的重大转变。

近年来，这些智能技术在水产养殖领域的实际应用日益增多。例如，基于AI的系统被用于分析鱼类行为，以减少饲料浪费并优化投喂计划[11, [12], [13]]。集成物联网（IoT）的智能农场通过pH值、溶解氧和温度传感器网络实时监测水质，帮助农民主动应对环境变化[14, [15], [16]]。在东南亚和欧洲，边缘计算架构和数字孪生模型正在被测试，以模拟水产养殖操作并实现低延迟的预测决策[17, [18], [19]]。美国的NeuroAqua等项目将AI与IoT结合，用于监督鱼菜共生系统和海洋养殖箱，展示了适用于陆上和海上生产的可扩展解决方案。这些改进提高了生产效率，减少了疾病爆发、资源过度开发和运营延误带来的风险。通过促进可持续集约化、降低环境影响和增强食品系统的韧性，AI驱动的智能水产养殖与联合国的可持续发展目标（SDG）密切相关，特别是SDG 2（零饥饿）、SDG 9（产业、创新和基础设施）、SDG 12（负责任消费和生产）和SDG 14（水下生命）[20, [21], [22], [23], [24], [25], [26]]。

AI、IoT和大数据分析的融合带来了变革机遇。AI有助于疾病预防和饲料优化；IoT通过智能传感器提供实时监测；大数据平台则支持基于大量异构信息的决策制定[27, [28], [29], [30]]。这些工具共同提高了准确性，减少了人为错误，并促进了可持续集约化，成为水产养殖4.0的核心组成部分。

尽管技术进步迅速，但仍需系统地评估这些数字工具如何重塑水产养殖实践以及阻碍其广泛采用的障碍。本文概述了AI和数字创新在水产养殖中的进展、应用和未来方向，分为几个部分，讨论了AI在水产养殖中的主要用途、其与IoT框架的集成以及大数据分析如何支持决策制定。随后探讨了实际应用、接受障碍和社会经济因素，并提出了未来研究的建议及遥感的额外功能。为了帮助学者、工程师和政策制定者创建可扩展、高效和可持续的水产养殖系统，本文提出了AI驱动的水产养殖转型战略路线图。

**2. 人工智能在水产养殖中的应用**
**2.1 机器学习和深度学习在水产养殖中的应用**
机器学习（ML）是AI的一个子领域，使计算机系统能够从大量数据中学习模式，并利用这些见解对新数据做出预测或决策。与依赖显式编程不同，这些算法会随着数据的增加而自我调整并提升性能[31]。作为ML的一个子领域，深度学习（DL）在特征提取和数据处理方面具有卓越能力。随着其持续发展和广泛应用，包括水产养殖在内的农业领域在作物监测、疾病诊断和产量估计等复杂任务中取得了成功应用[32,33]。此外，DL在水产养殖中也被用于鱼类疾病预测、藻类检测与计数、鱼类物种识别和水质预测等领域，取得了有希望的结果[34]。随着DL在水产养殖中的研究不断深入及其在计算机视觉、自然语言处理和诊断等领域的广泛应用，应用场景的多样性推动了DL框架的快速创新和迭代[35,36]。目前，DL架构大致可分为三类：（1）用于监督或判别学习的深度网络（如卷积神经网络CNN和循环神经网络RNN）；（2）用于无监督或生成学习的深度网络（如生成对抗网络GAN和自编码器AE）；（3）结合这两种方法的混合学习网络（如深度迁移学习和深度强化学习[37]。

在水产养殖中，ML和DL在常规和高级操作中都有重要应用。例如，基于图像和传感器读数的模型现在可以更高效准确地估计鱼类大小和数量[38,39]。这些创新不仅节省了时间和劳动力，还提供了更可靠的资源管理。除了这些核心应用外，先进的水产养殖系统和循环系统越来越多地使用机器学习来优化关键水质参数，通过持续分析传感器数据流实现及时调整，从而维持最佳生长条件并降低疾病或压力风险[24]。AI技术的应用还使水产养殖操作能够建立具有自我优化和决策机制的模型，实现实时感知和分析，促进科学管理[40]。因此，AI不仅是一种监测工具，还是提升现代水产养殖运营效率、可持续性和韧性的主动决策支持系统。

**2.2 ML和DL在水产养殖管理中的实际应用**
基于基本原理，ML和DL在水产养殖管理中实现了许多实际解决方案[41,42]。例如，自动化分析传感器和摄像头数据可用于评估鱼类大小、重量和生物量，并精确计数池塘和养殖箱中的个体数量[38, [43], [44], [45], [46]]。这些自动化系统减少了人工劳动的需求，增强了库存监测，并为运营规划提供了实时信息[8,47]。在水质管理中，预测模型利用连续的传感器数据流预测关键参数的变化，包括溶解氧、温度和氨浓度。基于长短期记忆（LSTM）和卷积神经网络（CNN）模型的早期预警系统可以及时干预，维持最佳水质并减少压力或死亡事件[48, [49], [50], [51]]。

最近的研究应用了多种AI技术，如表1所示。在健康监测方面，基于深度学习的计算机视觉系统可以识别疾病的早期迹象，检测异常行为，并通过水下图像和视频流追踪感染传播[52, [53], [54], [55], [56]]。这提供了非侵入性的高频健康评估，减少了对人工评估的依赖。图1展示了水产养殖中的完整AI工作流程，包括多源数据采集（如卫星、浮标、便携设备、船舶信号、水下相机、AUV）、数据处理（包括清洗、转换、缩放、增强、降维和整合），最终应用于鱼类种群和行为监测、疾病检测、水质评估、饲料优化、栖息地映射和环境影响分析等决策导向的应用。值得注意的是，每个阶段都受到特定于水产养殖的约束条件的影响，如浑浊度、变化的水下光照、鱼类遮挡、传感器生物污染/漂移和间歇性连接，这些因素直接影响数据质量和模型可靠性。

**表1. AI在水产养殖中的应用**
| 模型/算法 | 输入 | 输出 | 性能指标 | 应用 | 参考文献 |
|---------------|------------------|------------------|----------------------------------|----------------------------------|----------------|
| CNN + GRU | 温度、鱼类大小、溶解氧、氨浓度、时间、喂食记录 | 最优/预测喂食率 | R2、RMSE、MAPE、MAE | 智能喂食 | [76] |
| YOLO/实例分割 | 水下视频帧 | 鱼类计数 | mAP、MAE/MAPE | 自动计数 | [77] |
| 立体/单目CV + DL | 双/单目相机、尺度线索 | 生物量/大小分布 | 重量/长度 MAE/RMSE；偏差 | 生物量估计 | [78] |
| 深度CNN | 水下视频帧（BRUVS调查） | 鱼类检测 | 召回率、F1分数 | 物种识别 | [79] |
| 双流3D CNN（RGB + 光流） | RAS水箱中的鱼群水下视频 | 鱼群的行为状态 | 精确度、召回率、特异性、准确性 | 健康和福利监测 | [80] |
| CNN | 病变/鳃/皮肤图像 | 疾病分类 | 准确性、F1分数 | 早期疾病检测 | [81] |
| ANN | DO、pH、氨浓度、温度 | 鱼类重量/长度 | R2、MSE、RMSE、MAE | 水质监测 | [82] |
| ANN + PSO | 增氧器设计/操作参数（文丘里喉部长度、出口管道、流速） | 增氧效率 | R2、RMSE | |
| GRUNT | 温度、溶解氧、盐度、pH、饲料率 | 预测TAN、NO2、NH3 | R2、RMSE、MAPE、MAE | 氨和亚硝酸盐风险预测 | [84] |
| 混合RL + 元启发式（RL-AMIS: Taguchi + 强化学习 + Pareto/TOPSIS） | 环境和操作因素 | 多因素最优设置（成本与增长的权衡解决方案） | 成本降低15.3%，生长效率提高17.8% | [85] |
| CNN VGG16 + Transformer | 鱼类行为图像 + 水参数 | 增氧器控制计划（自适应氧气供应） | RAS中的优化增氧调度 | [86] |
| LightGBM | 温度、浑浊度、溶解氧、pH、氨浓度 | 预测鱼类生长参数 | R2、MSE | |
| LSTM | LSTM | 温度、溶解氧、盐度、pH | 氨和硝酸盐风险预测 | [87] |
| XGBoost | SNP基因组标记 | 鱼类性别（雄性/雌性） | 性别识别 | [89] |
| LSTM | 叶绿素-a、浑浊度 | 水生生物风险 | MAE、MSE、RMSE、MAPE | 水质管理 | [90] |

**3. 数据处理机制与应用**
下一部分描述了利用ML技术的数据处理机制，最后展示了这些处理后的数据和ML模型如何应用于各种场景，强调了其在水产养殖领域的实际应用和益处。AI彻底改变了喂食操作[57]。机器学习（ML）算法结合实时视频分析，可以评估鱼类的食欲和活动情况，从而优化喂养计划和喂养量，进而提高生长性能并减少浪费[58]。除了这些领域，机器学习和深度学习（DL）还促进了收获预测、亲鱼选择、供应链可追溯性和风险评估等系统的开发，从而增强了水产养殖行业的知情和主动管理[59,60]。

2.3. 先进的AI模型：卷积神经网络（CNNs）、长短期记忆网络（LSTMs）、U-Net和注意力机制
AI的显著进步导致了强大神经网络架构的发展，这些架构特别擅长处理水产养殖管理中发现的复杂多样数据[28,61]。其中最突出的模型包括CNNs、LSTM网络、U-Net架构和注意力机制（AM）。每种模型为不同的水产养殖活动提供了特定的好处，有助于运营监督和决策支持[52,62,63]。

2.3.1. 卷积神经网络（CNNs）
由于CNNs能够自动提取层次化和多尺度特征，它们已成为水产养殖中处理和分析图像数据的基本工具[64]。通过从水下图像和视频中学习空间模式和视觉线索，CNNs能够高度准确和自动化地评估鱼类健康状况、测量生长情况以及检测早期疾病迹象，这些任务在其他情况下需要大量人力和时间，尤其是在大规模操作中[65]。在实际应用中，CNNs被用作骨干网络中的特征提取器，通过增加网络深度或优化卷积核的大小来提高检测精度[[66], [67], [68]]。值得注意的是，在水下鱼类识别和计数任务中，使用不同大小的卷积核可以提取多尺度特征，从而应对繁殖池中多样化的视觉条件和鱼类重叠带来的挑战[69,70]。因此，基于CNN的方法显著提高了现代水产养殖系统中自动监测的效率和可靠性。在实际的水产养殖监测中，CNN的性能通常受限于水下图像质量下降和鱼类聚集的影响较小[71]。浑浊度和不均匀的照明会降低鱼类与背景之间的区分度，而群游行为会导致严重的遮挡现象，如果仅使用单帧推理而不考虑时间一致性，则可能导致计数不足和误检测[72]。对水下视频中深度检测器的大规模现场评估表明，真实的背景和可见度变化仍然是错误的主要来源，这促使人们开发出更健壮的检测流程，而不仅仅是依赖“通用CNN分类”框架[73]。最近针对水产养殖的检测模型明确针对这些挑战（如水质变化、动态背景和照明），表明经过领域调整的YOLO/CNN变体在类似农场条件下比标准基线模型具有更高的鲁棒性[74]。

2.3.2. 长短期记忆网络（LSTM）
LSTM是一种用于研究时间序列数据的AI模型。作为循环神经网络（RNN）的杰出版本，LSTM能够有效捕捉序列输入中的长期依赖性[75]。LSTM网络利用记忆单元和门控机制选择性地遗忘或保留信息，从而有效捕捉时间序列数据中的复杂模式[75]。例如，将气候测量数据与水质数据结合使用LSTM来预测废水处理后的氨氮和硝酸盐浓度。最终实验表明，氨氮浓度的准确率为99%，硝酸盐浓度的准确率为90%[91]。通过实现及时干预，LSTM模型有助于改善水质管理、鱼类健康和环境可持续性，突显了它们在先进水产养殖操作中的实际价值。
基于DL的双LSTM模型被开发用于预测印度亚穆纳河的水质。该方法包括缺失值填充、双LSTM架构的实现以及优化损失函数的设计。该模型在预测准确性和误差最小化方面均优于其他方法。其在处理缺失数据和优化损失函数方面的有效性显著提升了其学习能力。这些优势共同使模型能够精确监测和预测水质趋势[92]。
溶解氧是湖泊水质的关键指标，但由于非线性动态和多种相互作用因素，其预测具有挑战性。通过结合小波变换进行信号分解和噪声处理、双挤压-激励注意力模块来重新加权信息特征并加强长距离依赖性，以及LSTM网络进行时间学习，开发了一种混合WT–DSE–LSTM模型。该模型取得了较高的准确率，MAE为0.011，RMSE为0.015，R2为0.9746，并且据报道其MAE和RMSE大幅降低，R2显著提高[93]。
集成深度学习框架的物联网（IoT）技术，特别是LSTM网络的作用，通过持续收集、分析和预测关键水质参数，实现了水产养殖中的实时水质评估，从而促进了及时决策和系统管理的改进[94]。他们的Temporal FlexNet（TFN）模型结合了2D CNN进行空间特征提取和LSTM进行时间依赖性建模，有效捕捉了水生环境中的动态和复杂相互作用。这种架构在公共数据集上的准确率高达99.38%[95]。这表明基于LSTM的时间分析对于水质的早期检测和主动管理至关重要，突显了其在智能水产养殖系统中的价值。
开发了一种混合CNN-LSTM模型用于长期水温预测。通过结合CNN的空间特征提取和LSTM的时间序列学习，该模型在预测准确性方面优于传统方法，支持更有效和主动的水产养殖系统环境管理[96]。
为了在单一模型中实现多种虾类疾病的早期和可靠检测，本研究开发了一种增强型循环胶囊网络，该网络结合了基于胶囊的特征学习、循环层和注意力机制。该模型使用动态胶囊路由来捕捉虾类图像中的空间疾病模式，整合空间和通道注意力以聚焦于信息丰富的区域，并应用双层特征融合来合并局部和全局线索进行分类。采用混合优化策略（Harris Hawks优化与海洋捕食者算法结合）来微调分类器参数。所提出的方法取得了优异的结果，准确率为95.2%，精确率为94.9%，召回率为93.5%，F1分数为94.6%，优于基线RNN、CNN、GRU和LSTM模型[97]。
在一项比较LSTM和门控循环单元（GRU）网络的研究中，发现GRU网络与LSTM网络类似，但参数较少，计算效率更高。当与先进的特征重建方法结合使用时，这些网络可以实现水产养殖系统中溶解氧的高精度多步预测[98]。
对于水产养殖操作来说，主要的技术挑战不仅仅是预测本身，而是在传感器缺失或故障、传感器漂移以及昼夜循环、喂养和曝气事件、季节性变化等条件下进行预测。因此，LSTM/GRU系列模型在包含数据质量保证和质量控制、插补、预测以及警报或控制动作的操作工作流中最为有用，而不仅仅是作为独立的预测器[99]。最近一项关于溶解氧预测的研究提出了一种针对水产养殖的增强型LSTM流程，强调了时间深度模型在主动管理决策中的作用[100]。此外，比较研究经常报告称，GRU可以用更少的参数实现类似的准确率，这对于计算和电力资源有限的农场边缘部署非常相关[101,102]。

2.3.3. U-Net架构
U-Net最初是为生物图像分割开发的CNN架构[103]，尽管其有效性使其在水产养殖应用中得到了广泛使用。U-Net以其带有跳跃连接的编码器-解码器架构而著称，在精确的像素级分割任务中表现出色，特别适用于对象边界可能模糊或重叠的水下图像分析[104,105]。
在水产养殖中，U-Net拓扑已被用于分割密集鱼群中的单个鱼类或虾类，识别受疾病影响的区域，以及使用空中或水下数据绘制水产池塘或笼子的地图[[106], [107], [108]]。跳跃连接的使用使U-Net能够保留早期层的重要空间上下文，增强了其在复杂视觉环境中区分相似特征的能力并实现高精度[109,110]。因此，基于U-Net的模型显著改善了自动化监测、疾病监测和资源分配在当代水产养殖系统中的效果。U-Net及其衍生模型（如Attention U-Net和U-Net++）的持续改进增强了它们在复杂分割任务中的有效性，促进了智能水产养殖管理中更准确和可靠的决策[106,111]。

2.3.4. 注意力机制（AM）
注意力机制（AM）显著提升了深度学习（DL）的性能，使模型在预测任务中能够选择性地关注输入数据中最相关的元素。通过为不同特征、时间步骤或空间区域分配不同的权重，注意力机制帮助模型优先处理重要信息，同时最小化不太相关细节的影响[112]。
技术发展要求分割模型能够准确关注照片中的关键元素，考虑到不同的场景和目标维度。AM增强了模型对显著输入的关注度，从而提高了其性能和精度[113,114]。最初由自然语言处理中的变换器设计推广的基于注意力的模型现在被广泛用于水产养殖中的序列和空间数据。注意力模块通过为特定属性或时间点分配不同的权重，提高了模型辨别多传感器和时间序列数据中复杂关系的能力[115]。
最近的研究表明，将注意力机制集成到神经网络中可以提高鱼类行为分析、异常检测和多源数据融合等任务的性能，从而实现更准确和可解释的预测[116,117]。
溶解氧是湖泊水质的关键指标，但由于非线性动态和多种相互作用因素，其预测具有挑战性。通过结合小波变换进行信号分解和噪声处理、双挤压-激励注意力模块来重新加权信息特征并加强长距离依赖性，以及LSTM网络进行时间学习，开发了一种混合WT–DSE–LSTM模型。该模型取得了较高的准确率，MAE为0.011，RMSE为0.015，R2为0.9746，并且据报道其MAE和RMSE大幅降低，R2显著提高[93]。
结合深度学习框架的IoT技术，特别是强调了LSTM网络的作用，通过持续收集、分析和预测关键水质参数，实现了水产养殖中的实时水质评估，从而促进了及时决策和系统管理的改进[94]。他们的Temporal FlexNet（TFN）模型结合了2D CNN进行空间特征提取和LSTM进行时间依赖性建模，有效捕捉了水生环境中的动态和复杂相互作用。这种架构在公共数据集上的准确率高达99.38%[95]。这表明基于LSTM的时间分析对于水质的早期检测和主动管理至关重要，突显了其在智能水产养殖系统中的价值。
开发了一种混合CNN-LSTM模型用于长期水温预测。通过结合CNN的空间特征提取和LSTM的时间序列学习，该模型在预测准确性方面优于传统方法，支持更有效和主动的水产养殖系统环境管理[96]。
为了在单一模型中实现多种虾类疾病的早期和可靠检测，本研究开发了一种增强型循环胶囊网络，该网络结合了基于胶囊的特征学习、循环层和注意力机制。该模型使用动态胶囊路由来捕捉虾类图像中的空间疾病模式，整合空间和通道注意力以聚焦于信息丰富的区域，并应用双层特征融合进行分类。采用混合优化策略（Harris Hawks优化与海洋捕食者算法结合）来微调分类器参数。所提出的方法取得了优异的结果，准确率为95.2%，精确率为94.9%，召回率为93.5%，F1分数为94.6%，优于基线RNN、CNN、GRU和LSTM模型[97]。
在一项比较LSTM和门控循环单元（GRU）网络的研究中，发现GRU网络与LSTM网络相似，但参数较少，计算效率更高。当与先进的特征重建方法结合使用时，这些网络可以实现水产养殖系统中溶解氧的高精度多步预测[98]。
对于水产养殖操作而言，主要的技术挑战不仅仅是预测，而是在传感器缺失或故障、传感器漂移以及昼夜循环、喂养和曝气事件、季节性变化等条件下进行预测。因此，LSTM/GRU系列模型在包含数据质量保证和质量控制、插补、预测以及警报或控制动作的操作工作流中最为有用，而不仅仅是作为独立的预测器[99]。最近一项关于溶解氧预测的研究提出了一种针对水产养殖的增强型LSTM流程，强调了时间深度模型在主动管理决策中的作用[100]。此外，比较研究经常报告称，GRU可以用更少的参数实现类似的准确率，这对于计算和电力资源有限的农场边缘部署非常相关[101,102]。

2.3.3. U-Net架构
U-Net是一种最初为生物图像分割开发的CNN架构[103]，尽管其有效性使其在水产养殖应用中得到了广泛应用。U-Net以其编码器-解码器架构和跳跃连接而著称，在精确的像素级分割任务中表现出色，特别适用于对象边界可能模糊或重叠的水下图像分析[104,105]。
在水产养殖中，U-Net拓扑已被用于分割密集鱼群中的单个鱼类或虾类，识别受疾病影响的区域，以及使用空中或水下数据绘制水产池塘或笼子的地图[[106], [107], [108]]。跳跃连接的使用使U-Net能够保留早期层的重要空间上下文，增强了其在复杂视觉环境中区分相似特征的能力并实现高精度[109,110]。因此，基于U-Net的模型显著改善了当代水产养殖系统中的自动化监测、疾病监测和资源分配。U-Net及其衍生模型（如Attention U-Net和U-Net++）的持续改进增强了它们在复杂分割任务中的有效性，促进了智能水产养殖管理中更准确和可靠的决策[106,111]。

2.3.4. 注意力机制（AM）
注意力机制（AM）在深度学习（DL）中提供了显著改进，使模型能够在预测任务中选择性地关注输入数据中最相关的元素。通过为各种特征、时间步骤或空间区域分配不同的权重，注意力机制帮助模型优先处理重要信息，同时最小化不太相关细节的影响[112]。
技术发展需要能够准确关注照片中关键元素的分割模型，考虑到不同的场景和目标维度。AM增强了模型对显著输入的关注度，从而提高了其性能和精度[113,114]。最初由自然语言处理中的变换器设计推广的基于注意力的模型现在被广泛用于水产养殖中的序列和空间数据。注意力模块通过为特定属性或时间点分配不同的权重，提高了模型辨别多传感器和时间序列数据中复杂关系的能力[115]。
最近的研究表明，将注意力机制集成到神经网络中可以提高鱼类行为分析、异常检测和多源数据融合等任务的性能，从而实现更准确和可解释的预测[116,117]。
溶解氧是湖泊水质的关键指标，但由于非线性动态和多种相互作用因素，其预测具有挑战性。通过结合小波变换进行信号分解和噪声处理、双挤压-激励注意力模块来重新加权信息特征并加强长距离依赖性，以及LSTM网络进行时间学习，开发了一种混合WT–DSE–LSTM模型。该模型取得了较高的准确率，MAE为0.011，RMSE为0.015，R2为0.9746，并且据报道其MAE和RMSE大幅降低，R2显著提高[93]。
结合混合ResNet-LSTM模型的双注意力机制显著提高了近岸水产养殖中水质参数的预测准确性。通过将这种架构应用于环境监测数据，研究表明，使用注意力机制显著提高了pH值、溶解氧（DO）和盐度等关键水质参数的预测准确性。双注意力方法在多个指标上的改进幅度从大约1%到超过19%不等[118]。他们的结果表明，注意力模块增强了特征提取能力，并优于没有注意力的模型，突显了注意力机制在智能水产养殖系统中进行可靠水质预测的实际价值。
提出了一种用于识别鱼类进食强度的方法，该方法结合了增强型注意力机制的ResNet和优化的ConvNeXt架构。双分支架构结合了MobileViT模块进行多层特征融合，有效检测了复杂水产养殖行业中的进食行为。该方法在真实世界数据集上的准确率超过了99%，说明了注意力机制在智能水产养殖系统中进行准确和高效饲料管理的效果[119]。随着基于注意力的方法不断进步，预计它们将在开发强大、可解释和自适应的水产养殖管理AI解决方案中发挥关键作用。这些先进的AI模型构成了当代智能水产养殖系统的基础，实现了强大的实时分析、预测管理和自适应控制，这对于实现可持续和高效的产出至关重要。
水产养殖特有的约束和对模型选择的影响。与许多陆地视觉和时间序列应用不同，水产养殖数据是在光学质量下降和操作不稳定的条件下收集的。水下图像经常受到浑浊引起的散射、色彩偏差、低对比度、运动模糊以及鱼类高密度聚集时的部分/完全遮挡的影响。在长期部署中，生物污损会进一步降低图像质量和传感器可靠性。这些约束直接影响了模型性能，因此必须将其视为一级设计变量，而不仅仅是次要噪声。最近的水产养殖/水下感知研究明确指出了浑浊、遮挡和变化光照是主要故障模式，需要采取鲁棒性措施（预增强、多尺度检测、时间一致性和实用的边缘部署策略）[120,121]。

2.4. 迁移学习、联邦学习和联邦迁移学习
研究人员逐渐利用迁移学习（TL）和联邦学习（FL）策略来提高水产养殖中AI模型的适应性和可扩展性[[122], [123], [124], [125]]。
TL有助于从相关数据集中转移知识，以提高ML模型的性能[126]。迁移学习（TL）允许人工智能系统利用预训练的模型，这些模型通常是从类似领域的广泛和多样化数据集中创建的，并通过有限的、局部的数据对其进行优化[122]。这种方法特别适用于水质分析、鱼类物种识别和疾病检测等任务，因为来自特定农场的标注数据集通常规模较小，如图2所示[127,128]。下载：下载高分辨率图像（849KB）下载：下载全尺寸图像图2. 迁移学习过程流程及其在水产养殖中的应用。同时，联邦学习（FL）允许多个水产养殖站点在不共享原始数据的情况下协作训练AI模型，从而保护数据隐私和知识产权[129]。这种去中心化的方法不仅保护了敏感数据，还促进了具有改进异常检测和预测分析能力的模型的创建。在水产养殖中，FL增强了多个池塘或设施之间的协作学习，从而提高了检测和预测任务的准确性，而无需集中数据聚合[130]。这为解决远程水产养殖环境中的复杂性和延迟问题提供了一种可扩展且有效的方法[131]。联邦迁移学习（FTL）结合了FL和TL的优势，有效应对了数据分布的变化，同时防止了数据泄露，从而确保了诊断模型的泛化能力和隐私保护。根据调查，基于FTL的诊断方法在过去几年中受到了学术界和工业界的更多关注[[132], [133], [134]]。它包括五个诊断步骤：数据采集监控、数据样本预处理、网络模型构建、联邦框架设计和诊断结果输出[135]。图3. 联邦学习过程流程及其在水产养殖中的应用。下载：下载高分辨率图像（682KB）下载：下载全尺寸图像图3. 这些协作学习方法提高了分散式水产养殖系统的预测准确性，同时加快了符合隐私限制并适应每个农场特定问题的AI解决方案的开发速度。2.5. 水产养殖系统中的可解释AI（XAI）许多高性能AI模型（包括深度学习架构）的黑箱性质导致了可解释人工智能（XAI）作为研究领域的迅速发展。XAI旨在确保AI系统的决策过程对人类用户来说是可理解的、可解释的并且合理的[136]。XAI在不影响使用深度学习方法创建的模型效果的前提下至关重要。XAI探索并创建了能够提供AI系统人类可理解解释的算法、方法和模型，提高了透明度和性能[137]。最近在水产养殖领域的进展使得可以利用XAI方法来减轻深度学习模型的不透明特性，并为从业者提供实用可靠的信息[138]。XAI包括一系列旨在提高AI模型决策过程透明度和可解释性的方法和框架。包括Shapley加性解释（SHAP）、局部可解释模型无关解释（LIME）、显著性图和注意力可视化等方法已在水产养殖应用中得到有效利用[139,140]。XAI方法已被用于确定最显著影响疾病风险预测的水质特征，并强调识别鱼类压力或疾病早期指标的关键图像元素[141,142]。可解释模型对于遵守监管要求、促进风险评估以及为干预措施提供依据至关重要[143]。此外，XAI可以揭示模型中的偏见或缺陷，为数据采集和后续模型改进提供信息[144]。水产养殖AI系统需要技术透明度、全面的现场验证、用户教育和持续监控。AI开发者、水产养殖专家和监管机构之间的合作倡议对于确保智能系统的准确性、可解释性、韧性以及符合行业要求至关重要。随着AI在水产养殖中的发展，整合XAI框架对于实现负责任、道德且广泛信任的智能水产养殖至关重要。3. AI与物联网在水产养殖中的集成人工智能（AI）与物联网（IoT）的集成开启了“智能水产养殖”的新时代，其特征是互联的、自动化的和数据驱动的管理系统[145]。在水产养殖中，由水质传感器、水下摄像头和执行器组成的IoT网络有助于实时监控和调节各种养殖环境中的关键生产参数，包括池塘、循环水产养殖系统（RAS）和离岸养殖箱[8,47,146,147]。采用AioT（AI+IoT）框架可以开发闭环控制系统，其中自动执行器（如喂食器或增氧器）根据传感器驱动的输入实时接收指令[148]。像NeuroAqua、eFishery和ATLAS这样的最新商业系统展示了AI-IoT边缘技术在全球内陆和海洋水产养殖中的快速采用[26,149,150]。这些集成解决方案提高了资源利用和运营效率，同时促进了可追溯性和对可持续性标准的遵守。3.1. 水产养殖AI-IoT-边缘架构水产养殖中AI-IoT-边缘框架的设计结合了多个级别的感知、数据传输、分析和自动化，以实现实时监控和智能农场管理[151]。传统的智能水产养殖系统由三个主要层次组成：设备层、边缘或雾计算层和云层[152]。设备层包括感知装置、控制系统和数据收集终端。感知装置负责收集环境数据，包括溶解氧、pH值、温度、盐度、氨氮、亚硝酸盐、水位以及设备的运行状态，还包括水产养殖视频图像[47]。边缘（或雾）层在其源头附近处理原始数据，使用嵌入式处理器、微控制器或本地服务器。AI模型（如CNN和LSTM）逐渐在边缘层得到应用，以实现低延迟事件检测，例如异常鱼类行为或水质突然下降，即使在互联网连接受限的情况下也能快速响应[52,153,154]。这减少了对外部云连接的依赖，并增强了系统的稳健性。在泰国北部的罗非鱼养殖场，一个低成本的传感器系统被部署在ESP32边缘设备上，用于实时预测水质并自动控制操作。测试了多种线性回归、决策树回归和随机森林回归；随机森林的表现最好，R2值超过0.80，而多重线性回归的R2值在0.65到0.72之间，但由于计算负载较低和可靠的离线操作而被优先选择。现场试验表明，集成的感知、预测和执行设置可以在大约一小时内将溶解氧水平保持在生物安全范围内，并稳定pH值，从而无需持续连接云即可降低风险[155]。云层整合了来自各个农场或设施的数据，便于进行广泛的分析、数据存储和模型训练[156]。基于云的AI技术实现了复杂的功能，包括预测分析、全面的船队健康监控以及可供农场管理者和研究人员使用的决策支持仪表板[157]。这种分层架构提供了可扩展性、灵活性和韧性，使得可以实现闭环反馈系统，实时监控环境条件并自动调整喂食、增氧或水交换制度。领先的商业平台如NeuroAqua、eFishery和ATLAS采用了这种架构的变体，提供了可扩展且稳健的智能水产养殖解决方案。图4展示了这种架构的示意图，显示了数据从农场传感器到边缘分析再到基于云的管理界面的流程。基于这些架构，最近的进展巩固了实时感知、监控和自动化作为智能水产养殖系统的重要组成部分。无线传感器网络（WSNs）和IoT支持的设备现在提供了连续的、详细的水质参数测量，包括溶解氧、温度、pH值、氨、硝酸盐和浊度，以及基于视频的鱼类行为和生物量评估[[158], [159], [160]]。先进的传感器阵列采用了LoRaWAN、NB-IoT和5G等可靠的通信协议，促进了在远程或离岸环境中的数据传输[[161], [162], [163]]。低功耗、微型化传感器的普及，如用于实时检测氨或硝酸盐的传感器，扩大了监控的时间和空间范围，有助于早期识别不利情况并减少鱼类压力或死亡[[164], [165], [166]]。结合IoT设备和边缘计算的总体架构如图4所示。AI驱动的分析已在云和边缘平台上实现[167]。深度学习模型（如LSTM、CNN和混合架构）分析实时数据流，以预测水质的不利变化，识别鱼类健康异常，并提高资源利用效率[50,168]。自动化系统（包括智能喂食器、增氧器和水交换器）与传感器网络和分析引擎无缝集成，从而完成了数据采集和操作响应之间的循环[[169], [170], [171]]。像ATLAS和NeuroAqua这样的商业部署展示了实时感知的实际影响，通过提供与可扩展性和运营效率相关的关键绩效指标（KPIs）的可衡量改进。ATLAS平台展示了高系统可扩展性和数据完整性，将IoT设备与基于云的服务集成以处理高吞吐量数据流。其全面的分析引擎旨在最大化监控覆盖范围和预测准确性，提供了一个适应多种运营需求的稳健自动化系统[150]。同样，NeuroAqua通过实施优化的AI和IoT驱动的水产养殖解决方案，解决了与运营成本、人工劳动和系统效率相关的关键挑战。NeuroAqua已在实验室规模和商业规模环境中成功部署和验证，证明了其在水产养殖系统、水质管理和不同生产环境中的灵活性和有效性[26]。如表2所示，AioT技术在水产养殖中推动了向完全自主、有韧性和可扩展操作的显著进步。最近的AioT系统涵盖了多种平台、传感器模式和自动化策略。明显趋势是向去中心化、边缘处理和多参数监控发展，支持从手动养殖向数据驱动、自主养殖的转变。该表提供了基于硬件组件、监控参数、通信协议和电源配置的最新智能水产养殖系统的结构化比较。它突出了强大的实证性能，传感器准确率高达98.5%，预测模型的R2值高达0.94，以及显著的资源效率，例如用水量减少了90%。采用LoRa和Wi-Fi等通信技术，以及太阳能、电网和混合电源，展示了在离网和工业规模部署中的适应性。表2。基于物联网（AioT）的系统在智能水产养殖中的应用及其关键特性：

**系统/研究**
**关键组件**
**监测参数**
**通信协议**
**电源**
**独特特性**
**性能指标/效率**

**参考文献**
Neuro Aqua：物联网传感器、人工智能算法；温度、pH值、溶解氧（DO）、鱼类行为；Wi-Fi/蓝牙；电网供电
AI驱动的实时警报
- pH值精度：98.5%
- 湿度精度：97.5%
- TDS（总溶解固体）精度：97.1%
- 氮（N）精度：97.0%
- 温度精度：96.6%
- 钾（K）精度：95.4%
- 磷（P）精度：94.4%
- 光敏度精度：94.0%
- 减少90%的用水量 [171]

**基于LoRa的罗非鱼监测系统**
- 太阳能供电的LoRa模块；温度、pH值、溶解氧（DO）、浊度
- 离网且低功耗
- pH值精度：±0.1
- 温度精度：±0.5°C
- 溶解氧精度：±0.1 mg/L
- 盐度精度：±5%
- LoRa链接稳定性：99.5%
- 数据包成功率：95% [172]

**Smart AquaSys**
- 物联网传感器、云平台、边缘计算；氧气、喂养模式、温度
- Zigbee/Wi-Fi；电网+电池
- 预测性喂养控制
- 生长预测：R2 0.94，MSE 0.0015，MAE 0.028，MAPE 7.582 [151]

**ATLAS**
- 物联网设备、云人工智能仪表板；鱼类密度、水质
- 4G/Wi-Fi；电池/太阳能
- 集成云分析
- LoRa/ATLAS-WAN与MQTT结合，节省能源并减少数据包冲突
- 动态节点功率控制
- 深度LSTM预测pH值和温度（48小时观测，12小时预测）
- 自动监测减少人工工作
- 使用WQI（1–5）进行决策
- 数据预处理确保可靠性
- 远程执行器控制优化资源
- 主动管理提高经济效益 [173]

**AioT-RASS**
- 传感器、加速度计、控制器；溶解氧（DO）、氨（Ammonia）、喂养速率
- 通过Wi-Fi使用MQTT
- 交流电源+不间断电源（UPS）
- 自适应实时控制
- 喂养识别精度：92%（VGG16）
- 模型大小减少90%，处理速度更快
- 使用Real-SR+YOLOv5s检测剩余饵料
- 饵料使用量减少约15%
- 稳定的喂养提高经济效益
- 鱼类生长稳定，体重偏差仅3.7% [174]

**数字孪生水产养殖**
- 人工智能、云数字孪生、物联网
- 水质、温度、氧气
- 以太网/Wi-Fi；电网/混合
- 实时模拟和预测
- 鱼类分级偏差：<10%
- 体重估计偏差：最大8.7%
- 通过声纳跟踪优化饲料
- 实时水质警报防止大规模死亡
- 在藻类达到40%阈值时自动清洁网具 [175]

**边缘AI与Kubernetes**
- GPU边缘设备、Kubernetes、传感器
- 温度、鱼类位置、溶解氧（DO）
- 以太网/Wi-Fi；交流电源
- 使用Deepstream快速视觉检测鱼类
- 主节点Jetson NX：70–79 FPS，90% mAP，9.5 W
- 工作节点Jetson Nano：3–5 FPS，10 W
- LoRa用于远距离传感器数据传输
- 内网速度：约100 Mbit/s，云<10 Mbit/s
- POD调度提高AI性能10–20%
- 边缘集群实现快速推理和高效资源利用 [176]

**智能循环系统**
- 传感器、物联网网关、机器学习（ML）引擎
- 溶解氧（DO）、总氨氮（TAN）、亚硝酸盐氮（NO2-N）、碱度（ALK）
- 基于DL的水质优化
- CNN–LSTM（5000个周期）预测
- DO R2：0.815，TAN R2：0.826，NO?–N R2：0.831，ALK R2：0.780，pH R2：0.377
- 均方根误差（RMSE）：0.149–3.384，平均绝对误差（MAE）：0.075–2.524，归一化均方根误差（NRMSE）：0.071–0.177 [177]

**物联网水产养殖助手**
- 物联网云、监控应用程序、大数据
- 水质、温度、喂养
- 3G/4G+Wi-Fi；电池+太阳能
- 大数据集成决策支持
- GPT-3.5准确率：在500个常见问题上准确率为65%
- 随着训练损失的减少，准确性提高
- 处理拼写错误和关键词查询
- 通过物联网监测温度、pH值、浊度
- 自动执行器（氧气泵、帘幕）
- 支持远程监控和农场决策 [178]

**注：**
DO：溶解氧；TAN：总氨氮；NO2-N：硝酸盐氮；ALK：碱度

总之，物联网、强大的人工智能以及灵活的边缘/云计算技术结合实时感知、监控和自动化，正在彻底改变水产养殖管理方式。这些改进提高了运营效率，对于实现陆地和水产养殖中的可持续集约化和改善动物健康至关重要。

**4. 人工智能和大数据分析在水产养殖中的应用**
大数据和人工智能的出现正在深刻改变水产养殖行业，提供了前所未有的运营智能、预测能力和自动化 [180]。现代水产养殖企业从水质传感器、水下摄像头、喂养系统、天气监测站、基因组学和供应链中产生大量多样化的数据流，超出了传统方法的分析能力 [181,182]。人工智能和大数据分析有助于收集、存储、整合和实时分析多模态数据集，为生产优化、资源利用和环境管理提供可操作的见解 [183]。主要应用包括水质和鱼类健康的预测建模、疾病爆发的早期检测、精准喂养的行为分析以及运营管理的决策支持 [184, [185], [186]]。先进的架构，包括云到边缘的数据管道、联邦分析和数字孪生平台，有助于将水产养殖系统从反应式管理转变为预测性和规范性管理。

尽管取得了这些进展，该行业仍面临数据异质性、互操作性、安全性以及需要强大且可扩展的分析基础设施等重大挑战 [187]。解决这些挑战对于充分发挥人工智能在水产养殖中的潜力以及实现联合国可持续发展目标（SDGs）下的可持续集约化至关重要。

**4.1. 水产养殖中的大数据来源和挑战**
智能水产养殖的发展导致生产周期内产生的数据量、速度和种类显著增加。水产养殖中的主要大数据来源包括水质传感器、环境监测仪器、水下摄像头、喂养系统、基因组和表型特征、自动化天气站以及数字农场管理系统 [188,189]。来自物联网传感器的连续高频率数据流（监测溶解氧、pH值、氨、盐度、温度、浊度和饲料分布）对于实时决策支持和自动化至关重要 [52]。水下摄像头和机器视觉系统越来越多地用于行为分析、生物量计算、健康监测以及利用图像和视频数据进行疾病自动识别 [65,72]。此外，遥感技术（无人机、卫星）提供了选址、藻类爆发识别和水质预测所需的环境和运营数据 [190,191]。

然而，向大数据驱动的水产养殖转型面临诸多障碍。数据异质性（由于传感器类型、校准标准、数据格式和采样频率的不同）阻碍了互操作性和顺畅集成。数据质量经常受到传感器噪声、缺失值、不一致的测量结果以及缺乏标准化元数据的影响 [192,193]。强大的云到边缘架构和网络安全措施也是安全有效管理、传输和存储大规模多样化数据集的必要条件 [194]。另一个重要障碍是缺乏针对水产养殖的统一数据标准和本体，这限制了数据共享、重用和跨平台分析。此外，数据隐私、专有信息和知识产权问题也阻碍了多机构合作和联邦学习 [195]。

尽管物联网和人工智能取得了快速进展，水产养殖在数据质量、集成和采用方面仍面临重大挑战。例如iFarm基于机器学习的鲑鱼监测试验展示了进展，但广泛自动化依赖于克服技术、经济和运营方面的挑战 [196]。为解决这些问题，必须建立和实施标准化的数据收集、验证和共享协议；使用先进的数据清洗和融合方法；并创建可扩展、安全的分布式分析基础设施。有效克服这些障碍对于促进可靠的预测建模、风险评估和先进水产养殖系统中的精准管理至关重要。

**4.2. 预测建模和风险缓解**
预测建模对于将智能水产养殖系统生成的大量数据转化为有意义的见解以进行主动管理和风险预防至关重要 [197]。研究人员利用机器学习（ML）、深度学习（DL）和统计模型创建了预测水质指标、疾病发生、生长率和收获量等关键变量的高级框架 [35,169,198]。

**4.2.1. 水质预测**
基于数据的模型，特别是使用LSTM、GRU和混合CNN-LSTM架构的模型，在实时预测溶解氧（DO）、pH值、氨和温度波动方面表现出显著准确性。主动预测有害水质事件有助于及时响应，从而减轻鱼类压力和死亡 [49,52,199]。

**4.2.2. 疾病风险评估**
ML和DL模型逐渐用于疾病风险建模，通过整合传感器数据、图像和过去的健康记录来识别与疾病发生相关的模式 [200]。可解释的人工智能方法（如SHAP和LIME）用于识别关键风险变量，从而提高管理决策的透明度和有效性 [201]。

**4.2.3. 通过早期预警系统缓解风险**
实时预测模型被集成到基于物联网的监控系统中，对藻类爆发、设备故障或疾病爆发等重大事件发出自动通知 [202,203]。这些系统提高了响应能力和韧性，有助于风险缓解和运营连续性。

尽管最近取得了进展，但仍存在一些问题，如模型在不同农场间的泛化能力、不完整或错误数据的管理以及为最终用户提供可解释性。通过创建具有韧性、透明性和适应性的预测模型来克服这些限制，对于下一代注重风险、基于数据的水产养殖系统至关重要。

**4.3. 将人工智能与数字孪生结合用于运营预测**
将人工智能与数字孪生技术相结合正在迅速改变现代水产养殖系统的运营预测和管理 [18]。智能数字孪生是物理资产、过程或系统的虚拟表示，通过传感器数据和运营输入与其物理对应物持续同步，提供实时监控、建模和优化。当与人工智能结合时，这些数字副本可以分析大量多样化数据，并提供有助于多方面水产养殖运营的预测性见解 [204]。最新研究表明，人工智能驱动的数字孪生可以持续分析和预测水质、生物量增长、喂养行为和系统健康 [205]。数字孪生可以模拟多种“如果”情景，使用深度神经网络、集成方法和时间序列预测算法预测未来系统状态，从而优化生产效率和可持续性 [206], [207], [208]。

**下载：**
下载高分辨率图像（548KB）
下载全尺寸图像

**图5.** 一项研究中，一个用于海上水产养殖的多层数字孪生平台利用物联网传感器数据和基于人工智能的预测分析来优化喂养制度并识别环境异常（如危险的藻类爆发和氧气耗尽）[209]。结果表明，配备基于LSTM的预测模型的数字孪生比传统控制策略减少了饲料浪费并提高了鱼类生长率。同样，将数字孪生与深度学习算法结合使得水质动态的模拟和曝气及循环系统的实时优化成为可能，最终降低了能耗并提高了鱼类存活率 [210]。

使用人工智能支持的数字孪生进行运营预测不仅限于环境监测和喂养。最新框架还包括关键设备的预测性维护、疾病爆发风险评估以及供应链优化，以实现全面和灵活的农场管理。数字孪生可以整合来自环境传感器、成像系统和以往农场记录的异构数据，生成可操作的、可解释的预测结果，使其在水产养殖中至关重要 [204,211]。

尽管取得了显著进展，但仍存在许多实施障碍。这包括数据互操作性挑战、标准化数字孪生架构的需求、网络安全风险以及特定领域模型的定制需求。当前的研究和试点项目表明，集成人工智能的数字孪生有望根据工业4.0原则促进主动、可持续和可扩展的水产养殖管理 [212]。

**5. 新兴创新和未来技术**
**5.1. 区块链和人工智能在透明水产供应链中的应用**
水产养殖在满足不断增长的全球海鲜需求方面发挥着重要作用，并为实现可持续发展目标（SDGs）做出了重要贡献。它有助于实现食品安全、体面的工作和负责任的海洋资源消费和生产。然而，该行业面临环境破坏、生态系统效率低下以及与健康、安全和可追溯性相关的问题。解决这些问题需要更加数字化的理念或概念。在这种情况下，区块链技术尤为重要。特别是，它可以提高水产供应链的透明度和可追溯性。区块链是一种分布式、去中心化的架构，网络中的所有计算机都拥有区块链的完整副本 [213]。区块链技术确保海鲜交易准确无误且免受篡改。它从源头到消费者确保每个环节的食品安全 [214]。该技术允许所有方共享相同的真实账本，任何一方都无法秘密操纵信息，从而提高供应链的信任度和透明度。区块链的加密安全性和去中心化结构非常适合创建一个无信任的环境，以验证是否符合当地法律、全球最佳实践、肉类质量和可追溯性 [215]。

人工智能技术在优化水产供应链方面发挥着关键作用。人工智能可以处理生产和服务阶段收集的大量异构数据，实现实时决策的高级分析 [216]。例如，机器学习算法可以预测需求波动、检测欺诈或变质迹象，并优化冷链物流路线，从而减少浪费并确保产品质量 [217]。深度学习方法还用于海鲜产品的自动分级和质量评估 [218,219]。当与区块链结合时，人工智能进一步提高了透明度和可追溯性，通过验证数据真实性并启用基于智能合约的自动化响应来应对检测到的风险或违规行为 [220]。因此，区块链和人工智能的结合对于构建可靠、高效且受消费者信任的水产供应链至关重要。

尽管区块链和人工智能在改善水产供应链方面具有巨大潜力，但在实施过程中仍面临重大挑战。其中一些挑战包括高昂的技术和基础设施成本、数据标准化难题、利益相关者缺乏数字素养，以及缺乏促进数字创新的监管框架[221]。人工智能可以提高水产养殖和更广泛的海产品供应链的透明度和可追溯性，实现实时监控、自动化数据记录和不可篡改的记录保存，从而共同增强食品安全性、真实性和对监管标准的遵守。例如，来自英格兰的Fishcoin项目是一个基于区块链的奖励计划，能够实现鱼类采购的透明和可验证[222]。区块链记录用于确认和追踪整个供应链中的收获信息，农民和渔民因提供这些信息而获得奖励[223]。图6展示了从养殖场到最终消费者的水产养殖供应链的工作流程。在包括亲鱼设施、养殖设施和供应管理在内的各个关键阶段，物联网（AioT）技术发挥着重要作用。在亲鱼设施中，部署了传感器来监测温度、pH值、盐度和碱度等重要水质参数。这些传感器收集的数据由人工智能系统分析，以实时决策，维持最佳养殖条件[224]。同样，在养殖设施中，传感器有助于监测放养密度，而人工智能则用于疾病爆发检测和鱼类行为分析[186]。在供应管理过程中，传感器可以检测变质指标（如气体水平和pH值），使人工智能能够评估产品是否符合所需的质量标准并准备好上市销售[225]。这些在整个供应链中应用物联网技术，确保水产养殖产品以优异的状态到达最终消费者手中，同时提高了安全性、可追溯性和质量控制。

下载：下载高分辨率图片（644KB）
下载：下载全尺寸图片

图6. 水产养殖供应链的示意图，展示了从养殖场到最终消费者的逐步流程。

区块链技术在水产养殖中的采用仍处于早期阶段，但在物流、分销和质量保证等领域具有巨大的发展潜力。区块链与其他新技术（如物联网）相结合，可以大大增强可追溯性和可持续性。因此，水产养殖可能能够更好地满足消费者对透明度和责任的要求。

5.2. 用于水产养殖决策支持的多模态人工智能系统
水产养殖生态系统复杂且多方面，需要能够整合多种数据源和分析技术的先进决策支持系统[226]。通过同时处理和结合多种数据模式（如水质传感器读数、视频和图像流、声学信号、卫星数据以及文本报告），多模态人工智能系统已成为这些应用的有效工具[227]。这使得它们能够为农场管理提供全面而有用的见解。

为了解决各种水产养殖问题，多模态人工智能利用了多种机器学习和深度学习模型（例如用于图像分析的卷积神经网络（CNN）、用于时间序列数据的循环神经网络（RNN）以及用于数据融合的基于注意力的模型[228]。例如，将水质参数传感器（如温度、溶解氧、pH值等）与实时视频流结合，可以早期发现鱼类健康问题、异常行为或藻类爆发，超越了单一模态方法的局限性。借助现场物联网传感器数据，可以监测环境参数并预测缺氧或疾病爆发等有害事件[229,230]。

总之，多模态人工智能系统是水产养殖领域的变革性发展，为智能、稳健和可持续的渔业方法打开了大门，并提供了准确的数据驱动决策支持。

6. 挑战与研究空白
6.1. 基础设施、数据孤岛和互操作性问题
智能水产养殖系统的出现使得精准监测和自主管理成为可能，但碎片化的基础设施、数据孤岛和较差的互操作性仍然是关键挑战。不同供应商的传感器基础设施在规格、校准、数据格式和采样频率上存在差异，难以将物理化学、视觉、声学或基因组等多模态数据流融合成连贯的数据集[231]。这种异质性导致了“数字孤岛”，阻碍了时间连续性、跨农场基准测试和空间扩展[232]。数据质量下降进一步加剧了这些问题。传感器漂移、噪声、缺失值和不一致的元数据需要大量的预处理，导致下游分析结果不可靠[72]。缺乏共享的本体和语义对齐限制了数据集的复用性，阻碍了联邦学习或多平台集成。由于缺乏针对水产养殖特定事件（如喂养异常、疾病爆发、行为变化）的标准术语，跨平台的人工智能流程仍然分散[233]。边缘-云架构提高了溶解氧监测等任务的实时响应能力，但引入了容器化服务管理、空中模型更新和严格版本控制等协调挑战。离岸和偏远农场面临不可靠的回程连接问题[234]，而数字孪生技术由于难以同步物理状态和虚拟状态以及维护预测反馈循环而增加了复杂性[235]。这些不匹配情况减缓了预测建模的速度，并限制了闭环控制系统的开发。网络安全风险，如传感器欺骗、未经授权的执行器控制和数据泄露，对农场生产力和数据完整性构成了额外威胁[236]。为了解决这些挑战，需要特定领域的开放数据标准、语义词汇表和最小化元数据规范，以实现即插即用的互操作性[237]。高质量的多模态参考数据集以及带有标准化注释的数据集对于稳健的人工智能基准测试也至关重要。此外，还需要为边缘设备量身定制的统一机器学习操作框架，包括节能调度、轻量级加密和差异更新，以实现可扩展的实时分析。最后，标准化的数字孪生架构应定义数据同步、不确定性传播和执行器安全层的协议[238]。克服这些障碍对于实现安全、自适应和自主的水产养殖系统至关重要。

6.2. 模型偏见、可转移性和算法公平性
由于水质、光照、浊度和传感器放置等方面的分布差异，水产养殖中的人工智能模型在跨物种、生命阶段、生产系统（如循环水养殖系统、离岸网箱）和地区之间的可转移性方面存在困难[239]。迁移学习（Transfer Learning, TL）通过微调预训练模型来缓解数据稀缺问题，但当源数据集偏向技术先进的农场或优势物种（如鲑鱼）时，潜在偏见往往仍然存在[58]。联邦学习（Federated Learning, FL）通过在分布式数据源上训练模型提供了一种保护隐私的替代方案，然而非独立同分布（non-IID）数据和硬件异质性阻碍了收敛，系统性地偏袒数据丰富的参与者，加剧了结构性不平等[240]。联邦迁移学习（Federated Transfer Learning, FTL）旨在结合TL和FL，但在聚合策略、个性化以及公平性权重方面仍面临未解决的挑战。在极端天气事件或季节性变化期间，时间预测模型特别容易受到偏见的影响，因为在稳定历史数据上训练的模型无法泛化[19,240]。XAI工具（如Shapley Additive Explanations, SHAP）和Local Interpretable Model-Agnostic Explanations, LIME）有助于识别虚假相关性并提高可解释性。然而，缺乏结合生物学合理性和操作相关性的标准化可解释性指标限制了其应用[241]。当前的评估流程很少考虑公平性，例如不同物种、农场规模或社会经济条件下的性能均衡，这对于风险感知的自动化至关重要[242,243]。未来的研究重点包括领域转换基准数据集、通用特征提取的因果表示学习、联邦流程中的偏见审计，以及结合算法显著性和专家知识的可解释性仪表板。推进这些领域对于构建全球范围内稳健和公平的人工智能系统至关重要。

6.3. 低资源环境下的部署障碍
资源匮乏和小型水产养殖经营者在采用区块链可追溯性和数字孪生等先进数字工具方面面临严峻挑战。间歇性电力、不可靠的宽带以及昂贵的高性能传感器阻碍了部署[244]。有限的技术支持和操作者的低数字素养进一步阻碍了平台的有效使用[245]。专有平台往往将农民锁定在封闭的生态系统中，限制了模块化升级和本地定制。数据隐私问题也阻碍了参与联邦学习计划，削弱了协作智能[246]。生物污染、腐蚀和高盐度等环境压力因素加剧了嵌入式硬件的维护挑战，尤其是在离岸环境中[247,248]。解决这些障碍需要节俭且包容的创新：超低功耗的自适应传感器，具有事件触发采样功能；开源硬件和模块化设计；以及使用耐延迟分批处理的离线优先数据同步[249]。用户界面应具备多语言图标化仪表板和简化的可解释性模块，以建立操作者的信任，即使在数字素养较低的环境中也是如此。农民参与共同设计对于确保相关性和公平性至关重要[250]。金融创新，如智能套件的微租赁、基于使用的分析订阅和基于隐私保护协议的协作数据共享模式，可以普及这些技术的使用。如果没有这些措施，人工智能带来的生产力提升可能会加剧不平等，而不是支持符合可持续发展目标（SDG）的小规模水产养殖增长[251]。

7. 社会经济和政策考虑
7.1. 技术采用的财务和制度约束
对于中小型水产养殖企业而言，采用经济学至关重要，它们必须在高昂的前期成本（如多模态传感器、弹性通信和安全的云基础设施）与不确定的回报之间取得平衡[252]。重复成本、校准和许可进一步降低了早期部署的净现值。信贷限制和薄弱的投资保护限制了融资渠道，而银行由于疾病爆发、环境变化和价格波动等因素，认为水产养殖具有高风险[253]。制度碎片化加剧了这一问题。多个监管机构对水质、生物安全和劳动合规性提出了重叠的要求，造成了行政负担和监管不确定性。供应链数字化举措（如区块链可追溯性）需要供应商、加工者和零售商之间的协调投资；然而，激励措施的不匹配阻碍了实现透明度和信任所需的网络效应[254]。绿色债券、混合融资和基于结果的合同等替代融资机制由于回报和环境效益测量方面的挑战而未得到充分利用[255]。解决方案包括联合采购联盟、多租户数字平台以分摊基础设施成本，以及公共-私人合作伙伴关系，后者通过匿名化数据集来补贴早期部署[256]。联邦学习联盟可以进一步协调隐私和集体模型改进。政策工具，如数字资产的加速折旧、与开放数据标准相关的创新补助金和税收优惠，可以促进采用，特别是对于小型经营者[257]。将激励措施与零饥饿（SDG 2）和负责任消费（SDG 12）等可持续发展目标对齐，可以确保可持续性和公平性。

7.2. 劳动力转型和技能发展
自动化正在将水产养殖劳动力从手动任务转移到涉及系统集成、预测分析和基于人工智能的决策制定的监督角色。这种转变需要结合水产养殖专业知识和技术能力（如传感器校准和数据解释）的混合技能集[258]。然而，在资源匮乏的环境中，尤其是以经验知识为主导且结构化培训稀缺的情况下，数字技能差距仍然存在[259]。能力建设策略，如微证书计划、数字素养模块和设备上的引导式工作流程，对于防止工人失业至关重要[260]。XAI工具可以通过可视化预测结果和突出关键风险因素来增强操作者的理解，从而促进信任和参与[261]。未来的研究应评估人机协作动态，包括警报疲劳、信任校准和生产力影响。政策措施，如培训税收优惠、包容性的数字学院和学徒计划，对于使劳动力准备与技术变革保持一致是必要的[262]。将劳动力计划与联邦学习框架相结合，可以确保算法收益与人力资本发展同步[262]。

7.3. 水产养殖中负责任的人工智能使用的政策框架
人工智能的整合引发了关于责任归属、数据所有权和问责制的治理挑战。在生态或经济损失的情况下，自主系统使得责任归属变得复杂，而共享传感器网络则引发了数据控制方面的争议[263]。政策制定者面临强制模型可解释性和可审计性的压力，特别是在食品安全和疾病管理方面[264]。基于区块链的可追溯性提供了透明度，但需要数据不可篡改的隐私保护措施和例外情况。伦理框架必须防止资源丰富的企业垄断，并确保人工智能的好处惠及小型经营者[265]。跨境数据共享协议对于疾病预测至关重要，必须在开放合作和国家数据主权之间取得平衡。最终，适应性强、包容性和基于伦理的治理是推动符合全球可持续发展目标的人工智能发展的关键。

8. 结论
随着人工智能、连接传感和数字决策支持技术的进步，水产养殖正在经历重大转型，这些技术提高了生产精度并推动了数据驱动的决策制定。最近的研究表明，人工智能支持的系统可以增强实时水质监测、关键事件的预测、早期疾病检测以及喂养和充气的优化，直接惠及生产力、动物福利和环境表现。然而，文献也表明，这些技术的价值不仅取决于模型的复杂性；它还取决于在农场实际条件下的可靠端到端操作，例如浊度、视觉系统的光照变化、高放养密度下的鱼类遮挡、传感器漂移和生物污染、间歇性连接以及站点间的差异。因此，未来的进展应优先考虑标准化的性能报告和跨站点验证，包括明确披露预测误差和分类性能、系统延迟、功耗要求和维护负担，以便结果在不同部署之间具有可比性和可复制性。诸如迁移学习、联邦学习和可解释人工智能等方法对于解决数据稀缺、隐私限制和采用障碍仍然至关重要，尤其是在模型需要在不同农场和地区之间传输时。同时，与数字孪生和安全数据基础设施的更广泛生态系统整合可以提高可追溯性和决策责任性，但这只有在治理框架和伦理指南与技术同步成熟的情况下才能实现。因此，未来的研究应重点关注使用标准化关键绩效指标（KPIs）进行跨农场的稳健基准测试、具有量化延迟和能源成本的可边缘部署模型，以及支持安全数字孪生的数据治理框架。总体而言，当跨学科创新被评估为完整的运营流程，并在真实生产环境中证明能够提供一致且可扩展的好处时，精准水产养殖将取得最有效的进展。

**资金来源**
本研究未获得公共部门、商业部门或非营利部门任何资助机构的特定资助。

**伦理声明**
不适用：本手稿不包含人类或动物研究内容。

**作者贡献**
Rishikesh Ratan：撰写原始草稿、可视化处理、数据分析、形式化分析、概念化。
Ashwini M.：撰写原始草稿、数据分析、概念化。
Dibyendu Kamilya：撰写、审稿与编辑、形式化分析、监督、概念化。
Vishwanath Nagarajan：撰写、审稿与编辑、形式化分析、监督、概念化。

**关于写作过程中使用生成式人工智能和人工智能辅助技术的声明**
在准备本工作时，作者使用了QuillBot工具来提高手稿的可读性和语言表达。使用该工具/服务后，作者根据需要对内容进行了审阅和编辑，并对发表文章的内容负全责。

**未引用的参考文献**
[179] CRediT 作者贡献声明
Rishikesh Ratan：撰写原始草稿、可视化处理、数据分析、形式化分析、概念化。
Ashwini M.：撰写原始草稿、数据分析、概念化。
Dibyendu Kamilya：撰写、审稿与编辑、监督、形式化分析、概念化。
Vishwanath Nagarajan：撰写、审稿与编辑、监督、形式化分析、概念化。