《Frontiers in Aquaculture》：Technological solutions to the challenges of scaling up aquaponic systems: a comprehensive approach
全球日益增长的食品需求，加上气候变化，凸显了需要可持续战略来增强粮食安全和减少浪费。水产养殖系统（Aquaponics）通过将水产养殖（aquaculture）和园艺（horticulture）整合在单一系统中，提供了一种有前景的解决方案，从而提高了生产力、多样化和环境可持续性。尽管科学界和政府兴趣日益增长，但水产养殖系统的商业化仍面临挑战。本系统综述识别了53个规模化水产养殖系统的关键挑战，分为五类：1) 基础设施与机械（infrastructure and mechanics），2) 系统知识（system knowledge），3) 市场动态与消费者偏好（market dynamics and consumer preferences），4) 文化与规范（culture and norms），5) 法律框架与政策（legal frameworks and policies）。挑战数量最多的领域是系统知识（16个问题）以及市场动态与消费者偏好（20个关键主题）。技术进步，包括人工智能（Artificial Intelligence, AI）、物联网（Internet of Things, IoT）、机器学习（Machine Learning, ML）、深度学习（deep learning）、传感器技术（sensor technology）、监测系统（monitoring systems）、计算机视觉（computer vision）、数字检测（digital detection）和数据处理（data processing），提供了潜在解决方案，使系统能够实现自动管理和控制、鱼类和植物的持续监测、大数据集分析、决策制定以及生产和投入的优化。这些解决方案为这些挑战领域提供了答案和前进方向。本文档批判性地审查了影响水产养殖系统可扩展性的主要因素，强调了技术在提高效率以及加强关键生产和管理流程中的作用。尽管已取得进展，但仍存在重要机会利用技术优化水产养殖系统，特别是在微生物学（microbiology）、病虫害防治（pest control）和监测（monitoring）方面，为可扩展的技术和应用提供了窗口。总体目标是解决可持续食品生产中的现有障碍。
主体部分总结如下：
**3 结果与讨论**
**3.1 基础设施与机械挑战（Infrastructure and Mechanical Challenges）**
水产养殖系统的基础设施包括所有实现系统目标的材料。分析识别出11个相关主题，包括系统结构与设计、资本与运营成本、能源来源与消耗、季节性天气变化、人工照明、维护成本、曝气成本、加热成本、过滤技术、噪声问题以及安全系统与警报。基础设施是任何水产养殖系统的基础，必须与其生产目标相一致。系统面临与地理位置相关的天气和自然条件的内在挑战，例如在热带和温暖地区需要遮阳和冷却系统，而在寒冷气候下则需要带有加热和照明系统的温室。研究表明，基础设施代表了水产养殖系统最高的货币成本和最大的环境影响，设施建设占初始成本的49%。智能温室的发展需要多学科协作，包括技术人员、城市规划者、生物学家、经济学家、工程师、环境科学家以及信息和通信技术（ICT）专家。商业系统的可持续性在很大程度上依赖于本地适应性和前提条件。
**3.1.1 基础设施与机械技术（Technology for Infrastructure and Mechanics）**
水产养殖系统的结构和设计已从简单的温室结构发展为高科技受控环境农业（Controlled Environment Agriculture, CEA）设施，以优化植物和劳动力的生产力。CEA带来了显著优势，包括减少用水量（90%–95%）和土地使用量，实现全年连续种植，以及位置灵活性。互联网技术实现了智能温室，其中自动化环境控制通过基于AI的算法支持数据处理和任务执行。数字孪生（Digital Twin, DT）技术通过创建物理系统的虚拟副本，结合数据集成、AI和ML，增强了CEA的生产力和可持续性。在能源消耗方面，水加热器、空气鼓风机、箱式风扇、水泵和灯光是主要因素。通过动态控制算法、太阳能预测和太阳能供电的物联网（IoT）架构，可以显著降低能耗。例如，一种基于IoT的智能温室系统实现了超过80%的能源和水使用减少，单位面积产量翻倍，并缩短了生产周期。人工照明在水产养殖系统中至关重要，尤其是发光二极管（Light-Emitting Diode, LED）照明因其成本效益、耐久性和低热输出而受到青睐，可节省约75%的能源。在寒冷气候下，加热器是主要电力消耗者，维护成本也很高。安全系统、警报和噪声问题也需要考虑。技术集成在基础设施中带来了诸多好处，但进一步开发仍需要解决通风、曝气、加热、过滤和噪声缓解成本。关键障碍包括高初始成本、有限的技术专长、专业基础设施、维护需求以及农村或发展中地区不稳定的电力和互联网接入。
**3.2 系统知识挑战（System Knowledge Challenges）**
水产养殖系统是一个复杂系统，需要对其组成部分及其相互作用有深刻理解。分析识别出16个关键系统知识领域：系统设计、系统知识、水质与控制、鱼类养殖、饲料、水培系统、植物栽培、微生物、硝化细菌、氮利用、养分管理、有机残留物、病虫害、数据评估、培训和环境影响。这些挑战涵盖从动物、植物、微生物交互到水质参数监控的各个方面。技术集成可以通过收集、传输和处理数据来支持控制系统，解决许多挑战。
**3.2.1 支持水产养殖系统知识的技术（Technology to Support Aquaponic System Knowledge）**
近期项目专注于通过利用系统级协同作用来增强组件集成。例如，水产养殖数字化项目（Aquaculture Digitalization Project, ADO）是一个低成本IoT解决方案，使用开源框架和标准化技术，降低了硬件和软件成本。另一种方法使用气雾栽培系统（aeroponic system）结合IoT和AI，分析投入和结构对植物生长的影响，并开发生长和健康监测模型。智能、可持续集成多营养水产养殖系统（IMTA-FRS），特别是AI驱动和太阳能供电的模型，在经济上优于传统系统。创新管理方法使用实时计算机视觉监测鱼类行为、植物生长和水质，例如结合多光谱成像和深度学习可早期检测鱼类应激（准确率98.3%）和养分缺乏（准确率95.1%）。模糊逻辑和卷积神经网络（Convolutional Neural Network, CNN）进一步提升了系统功能。
**3.2.1.1 水质、鱼类养殖与参数控制（Water Quality, Fish Culture, and Parameter Control）**
维持鱼类健康和水质需要持续监测多个参数。研究人员开发了多种模型来改进预测和控制。例如，智能水产养殖系统使用IoT监测和控制pH、水位、温度和氧气，实现远程水质管理。基于IoT的水温控制系统结合自适应增强（AdaBoost）和决策树回归（Decision Tree Regression, DTR）来应对极端温度波动。比例-积分-微分（PID）控制可提高性能，而多尺度特征融合的卷积自编码器与门控循环单元（Gated Recurrent Unit, GRU）网络提供了更精确的水质预测模型。数字孪生（DT）与IoT结合改善了数据收集、植物生长和鱼类健康监测，将劳动力成本降低约70%。在鱼类行为方面，动态RAS模拟器、基于IoT的智能系统以及人工神经网络（Artificial Neural Network, ANN）和自适应神经模糊推理系统（Adaptive Neuro-Fuzzy Inference System, ANFIS）模型用于估计鱼类生物量、优化生长和减少饲料浪费。人工智能物联网（AIoT）基础设施集成了IoT、云技术和AI，用于优化鱼类投喂、养殖和福利，包括四个数字孪生服务（自动投喂、度量估计、环境监测和健康监测）。多图融合网络（GraphTS）改进了RAS中多传感器时空数据的监测和趋势预测。硬件应用如实时水产养殖监测（N-AquaRAM）使用深度神经网络实时估计鱼类大小。低成本的数字传感器用于测量物理化学变量（pH、溶解氧、温度），并通过随机森林（Random Forest, RF）模型分类鱼类健康状态，准确率达99%。
**3.2.1.2 水培系统与植物栽培（Hydroponic System and Plant Culture）**
营养膜技术（Nutrient Film Technique, NFT）在大规模商业运营中效率很高，尤其适用于叶菜。技术改进包括使用光谱形态数据和机器学习（ML）预测植物水分含量，开发低成本传感器条测量电导率、温度和pH，以及使用ML算法评估不同水培系统的效率。基于视觉的方法，如二次支持向量机（Quadratic Support Vector Machine, QSVM）和混合树-模糊逻辑模型，用于监测和分类植物生长阶段（如莴苣的叶面发育和头部发育），准确率高达88.33%。新型植被指数（vODGIabc）用于校正光照问题并改进作物生长估算。机器学习和机器视觉用于分类植物生长阶段并提高智能水产养殖系统的性能。图像处理和深度学习支持植物质量控制、作物大小估计和数字孪生集成。支持向量机（Support Vector Machine, SVM）可准确检测水培莴苣的黄叶和烂叶，准确率超过97%。水光谱学（Aquaphotomics）和计算智能用于预测主要大量营养素（NPK）浓度，减少传感器部署和能耗达50%。非破坏性图像处理用于高效评估作物生长速率。
**3.2.1.3 养分管理与有机残留固体（Nutrient Management and Organic Residual Solids）**
养分管理和固体废物处理是水产养殖系统中劳动力和时间的主要来源，尤其是在半商业和商业系统中。智能养分调控面临数据有限和特征选择困难等挑战。使用211个观测值和12个养分预测因子，通过生成合成数据和降维，识别出钙和铵为关键变量，并采用闭环IoT传感与驱动系统进行调控。ML模型用于估计水培莴苣的NPK含量，使用光谱辐射计测量叶片反射光谱。实时传感氮化合物（NH
3、NO
2-和NO
3-）可在生物滤器性能不足时立即干预。有效的固体去除对于保持水质和鱼类福利至关重要。小系统可使用被动、低维护的解决方案，而大型系统需要先进或组合技术。水产养殖废物中只有约30%的养分转化为最终产品，其余既是挑战也是机遇。IoT驱动的堆肥监控系统使用湿度传感器和有机废物容器调节堆肥湿度，减少垃圾填埋废物和甲烷排放。智能技术、IoT和AI正日益改善养分循环和废物管理，支持城市实施。
**3.2.1.4 病虫害侵扰（Infestations of Pests, Parasites, or Diseases）**
与传统农业一样，水产养殖系统中的作物容易受到各种疾病和生物胁迫的影响。常见问题包括植物害虫（如蚜虫、红蜘蛛）、微生物（细菌、真菌）、鱼类寄生虫（如单殖吸虫、绦虫）以及多种病毒。解决方案有限，因为传统方法不适用于集成系统。主动监测和预测技术至关重要。专门的深度学习模型用于预测植物病害，准确率达96%，并具有89%的精确度和特异性。自动诊断系统使用2640张图像和迁移学习，分三步（作物分类、健康状态评估、疾病检测）进行疾病诊断。基于决策树的框架结合图像处理和IoT技术，用于检测水培系统中的疾病，并通过移动应用提供实时反馈。仿生物联网（b-IoT）使用植物传感器监测环境条件。尽管监测病虫害方面取得了重大进展，但进一步研究仍需要提高精度并支持商业规模实施。
**3.2.1.5 人为因素——培训（Human Factors—Training）**
劳动力成本在总运营成本中占比高达46%，高于其他水产养殖形式，因此充足的劳动力资源至关重要。计算智能系统帮助学生理解技术并发展应用技能。基于虚拟现实的数字孪生（DT）用于温室，强调沉浸式环境中的人机交互，减少错误并提高操作员熟练度。知识建模方法使用本体论自动确定系统特性，帮助实践者可视化作物如何影响系统设计。小型IoT水产养殖原型作为教育工具，促进学生对水产养殖系统及其益处的兴趣。AI驱动的IoT解决方案可以减少常规劳动，支持更可扩展的生产环境。计算智能在管理复杂系统、模式识别和系统建模方面提供了实用价值，但全面理解和管理其交互组件仍面临挑战。
**3.3 市场动态与消费者偏好挑战（Challenges in Market Dynamics and Consumer Preferences）**
在市场规模和消费者偏好方面，识别出20个关键主题，包括业务管理、投资成本、人力资源与劳动力、物流与分销、营销与销售服务、风险缓解、存储、市场需求、价格差异化、客户与服务、最优产品质量、新颖作物品种、消费者决策、供应链、劳动力需求、包装、公众接受度、市场竞争、互动与中介以及产品定位。水产养殖系统的规模经济可降低生产成本和环境影响。确保一致的产品质量至关重要，并依赖于人员配置、成本管理、分销物流和时机的精心规划。商业水产养殖系统的盈利能力在很大程度上取决于商业、金融和营销方面的专业知识。
**3.3.1 市场动态与消费者偏好技术（Technology for Market Dynamics and Consumer Preferences）**
公平和包容的供应链设计对于促进水产养殖系统的公平增长和市场扩张至关重要。区块链是提高产品追溯、决策透明度的解决方案，可增强供应链管理中的安全性、质量保证、透明度和可扩展性，并支持小农通过直接交易减少中介。IoT采用面临互操作性、环境可持续性、信任、安全和网络等障碍。较大系统规模、较高零售价格和精炼的商业策略可提高盈利能力。降低风险需要系统化实施，包括标准化风险降低实践。智能系统通过自动化监控和控制参数（如pH、温度、投喂）将人工成本降低约70%，同时ML模型预测机械磨损，支持预测性维护。AI驱动的自适应施肥使用图像处理准确评估植物养分需求，将补充成本降低约75%。
**3.3.1.1 人力资源管理与人力资本（Human Resource Management and Human Capital）**
IoT在农业和食品供应链中的采用分析确定了24个关键因素，包括技术、社会、经济和组织领域。缺乏互操作性、环境可持续性担忧、信任有限、安全问题和网络挑战是主要障碍。较大系统规模、较高零售价格和精炼商业策略显著影响全球商业水产养殖系统的经济可行性。建议包括确保初始资本、提供商业指导以及建立支持性监管框架。教育对于优化系统运营、制定商业计划以及为日益增长的水产养殖行业提供熟练劳动力至关重要。风险缓解必须系统性地实施，以确保生产过程和人员的安全与效率。
**3.3.1.2 营销、市场需求、渠道与客户（Marketing, Market Demands, Channels, and Clients）**
ML、IoT、大数据分析和云计算等先进技术改善了农业食品部门的连接性，减少了对人工干预的依赖，并支持更高效的能源使用。然而，在快速变化的环境中，还需要更大的系统控制和实时数据访问以实现更好的决策制定。IoT面临技术、社会和组织等多个方面的挑战。水产养殖系统是一种可持续生产模式，符合消费者对环保食品的需求，但其市场潜力取决于清晰传达产品益处和独特特征。消费者教育对于市场增长至关重要，有效的沟通有助于获得价格溢价，类似于有机食品。
**3.3.1.3 服务（Services）**
欧洲水产养殖系统的专业、技术和商业维度分析表明，96%的实体销售产品，74%提供服务，37%参与研发。市场动态因商业水产养殖场的类型、规模和地点而异，而商业策略仍然缺乏标准化。技术创新的机会在于改进用户界面和生产者-消费者互动。社交媒体可以支持产品推广、系统可见性和客户参与，但业务管理工具（如投入产出监控、风险协调、分销控制和存储）仍未被充分利用。预测分析和评估方法仍待深入探索。数字工具和消费者参与工具对于扩展水产养殖系统至关重要，包括互联网、移动平台、AI和混合现实等六种有影响力的技术，可以影响不同年龄组的消费者决策。告知消费者水产养殖产品的益处可增加偏好，突显了针对性教育的价值。
**3.4 文化与规范挑战（Culture and Norms Challenges）**
文化与规范问题集中在两个关键主题：食品传统和保险。水产养殖企业应理解并考虑消费者的价值观、信仰、文化和社会规范、食品传统、趋势、购物行为以及准备实践。区块链提供可追溯性，帮助讲述“营销故事”，维护消费者对食品质量的信任；AI/ML优化鱼类和植物物种的选择，以匹配区域气候和文化饮食偏好。然而，饮食习惯深受区域传统影响，难以改变消费模式，高生产成本往往将产出限制在“优质”利基产品。农业作物保险通常有补贴，但为水产养殖项目投保困难，尤其是基于不考虑税收和保险责任的假设。AI异常检测、IoT警报单元和实时监测以及决策支持系统（DSS）分析环境预测和市场趋势，以减轻价格波动和极端天气的风险。主要障碍包括高初始资本要求、技术脆弱性和估值差距。水产养殖系统在受农民-牧民冲突影响的地区和城市环境中具有明显优势，可以加强社会凝聚力，通过修复废弃城市空间和解决城市中新鲜食品获取受限的问题。水产养殖系统还可以多样化生产，种植不同社区特有的蔬菜。将传统与水产养殖技术相结合，可以增加食品获取、改善饮食并促进家庭和社区凝聚力。鲈鱼等鱼类通过水产养殖系统生产在营养上与野生捕获的鱼相当，消费者认知在获得信息后也会改善。保险覆盖对于多组件系统困难，主要由于风险和可行性问题因物种和生产水平而异。科技在信息共享、展示生产能力和通过社交媒体推广系统中发挥关键作用。模型分析元数据和不同作物的最佳环境条件，可以为保险公司提供可靠数据，帮助预测趋势、评估风险并开发针对水产养殖系统的保险模型。尽管对水产养殖保险的兴趣增加，但当前框架仍然分散和谨慎。
**3.5 法律框架与政策挑战（Legal Frameworks and Policy Challenges）**
法律框架和政策挑战涉及四个主要主题：法律条件、法规、认证和政治环境。水产养殖系统在全球范围内缺乏专门的监管框架或特定立法，法律框架零散且不明确。法规与水产养殖的法规密切相关，例如卫生、疾病控制、污泥清除、屠宰和动物福利。没有既定协议，法律问题必须与地方当局协商。作为一项新技术，水产养殖系统在现行监管框架下缺乏法律地位。认证方面，水产养殖系统尚未纳入现有的有机生产认证体系。一些生产者已主动制定自己的“水产养殖产品”标准，设定相关标准并认证遵守者。政治环境因地点而异，但总体而言，水产养殖系统正越来越受欢迎，并吸引了许多领域的关注，包括政治领域。欧盟中，水产养殖产品不符合有机认证资格，因为作物必须在土壤中种植。美国、加拿大等国家允许水产养殖产品获得有机认证，这突显了需要更清晰、基于科学和更综合的法规。技术可以帮助缩小差距，例如支持混合系统、加强透明度（区块链）、大数据支持政策倡导，以及精准农业支持有机标准和国际认证。尽管存在监管障碍，该行业仍在稳步增长，越来越多的农场、研究和商业企业出现，表明未来前景乐观，特别是如果监管改革使全球水产养殖系统规模化更加可行。
**4 水产养殖系统规模化挑战的视角（Perspectives on the Challenges to Upscaling Aquaponic Systems）**
在分析挑战和已实施的技术后，需探索水产养殖系统提供的视角和机会，以最大化其商业规模效益。在基础设施方面，低维护系统、高耐久性材料以及通过组件和传感器创造最佳条件的设计将发挥关键作用。未来基础设施必须考虑脆弱性、环境风险以及生产系统的适应性和韧性。技术包括IoT、AI、ML、无线传感器网络、大数据分析、自主机器人系统、云计算、无人机、精准农业技术、区块链和纳米技术。技术可改进系统知识，例如通过ML算法优化投喂方案和监测协议，计算机视觉系统跟踪鱼类游泳模式以检测饥饿或剩余饲料，从而防止有毒氨峰值。技术还可以预测生长并帮助库存管理和收获规划。养分平衡是水产养殖系统的关键挑战，技术通过实时监测（养分水平、pH、溶解氧、温度）进行理解、检测、预测和控制，使决策及时。关键组件包括传感器（IoT）、数据处理设备（如Raspberry Pi、Arduino）以及AI分析历史数据以检测和预测养分缺乏。混合视觉系统和ML可识别植物特定养分需求，将补充成本降低约75%。混合可再生能源系统（如太阳能、水电、生物质）结合农光互补（Agrivoltaics）可提高土地利用效率。智能光学生物传感器和设备在预测分析中发挥重要作用，通过识别应激信号和早期病原指标实现预测预防。在市场与用户偏好方面，技术可以通过监测偏好、决策支持（DT）和数字业务管理工具来应对20个挑战。AI可用于风险缓解、分销渠道分析、检测盈利区域、预测市场趋势，以及通过区块链提供“从农场到餐桌”的不可篡改记录，增强消费者信心。数字孪生技术通过创建物理农场的虚拟模型来预测环境影响并测试干预措施。IoT平台持续监测养分利用效率（NUE）和水利用效率（WUE），有助于标准化可持续性报告。AI驱动的解决方案通过自然语言处理、计算机视觉和推荐系统个性化产品界面，优化可靠性、性能和可扩展性。AI还可用于电子商务、预测分析、定向广告和动态定价，从而提升市场竞争力。理解并适应消费者行为对于长期成功至关重要，也将影响法律和政策的发展。
**5 结论（Conclusion）**
水产养殖系统涵盖广泛的设计、规模和实施方法。技术在水产养殖中的应用将随着其成本降低和理解加深而增长。本综述识别的规模化挑战分为五组。技术在基础设施方面特别成功，特别是温室自动化，实现了对环境参数（如光照、湿度、温度）的控制。自动化通过传感器检测不利条件简化了管理。然而，残留物过滤、曝气和安全性方面的研究迄今有限。技术已广泛用于支持鱼类和植物生产管理的科学知识，但微生物分析（特别是硝化细菌）、人类培训和环境影响方面仍需进一步开发。第三个主题关注市场动态和消费者偏好，其中一些对于商业水产养殖至关重要。技术可以通过分析分销区域、未来市场、客户需求、交付渠道、风险、最优生产和供应链来增强这些过程，并帮助降低生产、销售和分销成本。第四个主题是文化与规范，随着城市全球化，本地食品生产的需求出现，水产养殖可以显著加强社区。然而，水产养殖在法律框架和政策方面面临挑战：尽管被广泛认为是高效和可持续的系统，但在大多数公共政策、法律或条约中未得到正式承认。持续努力在城市环境中推广水产养殖并建立其作为可行商业系统的地位，可能促使其未来被纳入标准、法律和法规。关键步骤包括开发针对水产养殖产品的特定认证以增强消费者信心，以及支持承认水产养殖为可持续实践的环境政策。
