《Aquaculture International》：Smart aquaponics: trends, challenges, and future directions
编辑推荐：
智能鱼菜共生将循环水养殖与水培植物栽培相结合，大量近期研究将物联网（IoT）感知、机器学习和边缘计算应用于该领域。然而，现有文献缺乏一种综合性的梳理，以映射预测模型、系统架构和生物背景如何在已部署系统中相互结合，这使得研究人员和从业者缺乏清晰的技术路线图。本系
智能鱼菜共生将循环水养殖与水培植物栽培相结合，大量近期研究将物联网（IoT）感知、机器学习和边缘计算应用于该领域。然而，现有文献缺乏一种综合性的梳理，以映射预测模型、系统架构和生物背景如何在已部署系统中相互结合，这使得研究人员和从业者缺乏清晰的技术路线图。本系统文献综述（SLR）通过遵循Kitchenham和Charters协议以及PRISMA式筛选的10个研究问题来填补这一空白。初步检索从六个文献数据库和滚雪球式检索中识别出3,123条记录；在去重、筛选和质量评估后，保留了49项主要研究进行分析。首先，文献存在预测到控制的鸿沟：24%的研究报告了预测器或分类器，但未说明预测结果如何被执行器所消费，使得推理层在技术上领先于控制层。其次，系统架构正从集中式云设计向联邦式和边缘配置转变，以解决隐私、延迟、带宽和传感器漂移问题。第三，融合物理或领域知识的混合模型在非平稳鱼菜共生条件下展现出有前景的性能。第四，长期和多站点实地部署仍然非常有限，这使得将所报告的机器学习准确性解释为商业就绪的证据变得困难。总体而言，未来的进展需要在预测、控制、校准、生物基准测试和操作员可用性之间实现更强的整合。
引言
全球粮食需求近年来随着许多国家人口的增长而持续上升。传统农业在满足不断增长的粮食需求方面已显吃力。随着人工智能（AI）以及水培和垂直农业等新技术的发展，农业领域出现了许多进展。鱼菜共生将鱼类养殖（水产养殖）和无土植物种植（水培）结合在一个闭环系统中。无土农业的主要优点是其用水量显著低于传统农业实践。传统鱼菜共生系统对多种因素敏感，包括pH值、温度、氨氮水平和溶解氧水平。对此类系统进行人工监测可能具有挑战性，因为它涉及监测两个共享部分资源的生物环境。然而，在规模化情况下，人工监测变得不切实际且易受人为错误影响。物联网（IoT）传感器支持连续数据采集，而自动化则支持系统的实时控制。物联网在鱼菜共生中的采用正在多个方向上快速增长，尤其是在AI的最新发展推动下。然而，相关文献分散在不同的平台、传感器类型和架构中。本文对基于物联网的智能鱼菜共生研究进行了系统文献综述，涵盖传感器类型、物联网架构、通信协议、数据可视化和监测方法。
背景与相关工作
背景部分阐述了鱼菜共生的基本原理，即结合循环水养殖与水培植物栽培，形成共生循环：鱼类废物为植物提供养分，植物为鱼类过滤水质。与传统农业相比，该系统用水量极少，但管理其生物动态极具挑战性。鱼类、植物和硝化细菌之间的微妙平衡要求操作员持续监测pH值、溶解氧（DO）、温度和氨氮等参数。传统的人工水质检测不仅劳动密集，而且对水质波动的响应存在延迟，可能导致疾病迅速传播和作物歉收。为应对这些局限并减少人工劳动，研究人员开始应用物联网传感器和AI模型，这一转变常被称为“智能鱼菜共生”或“鱼菜共生4.0”。物联网传感器提供高频实时数据，而机器学习模型利用历史数据进行主动预测，目标是实现自动化、实时的系统优化、远程设备控制、生物量产量预测以及疾病早期检测。
相关工作部分回顾了以往文献综述，指出它们大多在较高层面处理技术问题，很少深入考察底层数据集、深度学习模型的实际评估方式，或边缘计算和数字孪生等先进架构的部署情况。为清晰展示这些文献空白，本文与现有综述在多个扩展技术维度上进行了比较。
研究方法
研究方法部分详细描述了系统综述的流程，包括规划阶段（定义研究问题、纳入和排除标准、检索协议和检索字符串）、检索与筛选阶段（数据库检索、去重、标题/摘要筛选、全文筛选和滚雪球式检索）以及评估与综合阶段（质量评估和数据提取）。研究选择过程遵循PRISMA 2020指南，从六个文献数据库（ScienceDirect、IEEE Xplore、ACM Digital Library、Wiley Online Library、SpringerLink和Scopus）检索到3,111条记录，并通过前后向滚雪球抽样补充了12条记录。经过去重（移除621条重复记录）、标题和摘要筛选（排除2,350条记录）后，对140篇全文文章进行了资格评估。依据七项质量评估（QA）标准进行评分，最终49项研究因得分达到或超过3.5/7.0的纳入阈值而被保留。数据提取采用标准化协议，捕获书目元数据以及详细的技术参数矩阵，包括自动化任务、物种组合、传感器部署、数据模态、数据集特征、AI/ML模型、物联网架构、控制策略、系统架构、评估指标和关键挑战。数据综合采用叙述性综合方法，而非统计元分析。
结果
在结果部分，针对每个研究问题（RQ）呈现了基于49项主要研究的发现。
关于自动化任务（RQ1），实时监测是所有49项研究（100%）都报告的必需组件，涵盖pH值、溶解氧、水温、浊度、电导率（EC）、氨氮和硝酸盐等水质参数，以及空气温度、湿度、CO?浓度、光照强度和太阳辐照度等环境参数。自主闭环控制见于21项研究，通过执行器命令调节pH值、溶解氧、水温和营养液供给等参数，其中两项研究实施了用于温室气候调节的模型预测控制（MPC），一项研究应用强化学习（Q-learning）优化鱼类投喂决策。产量和生长预测任务见于22项研究，预测量涵盖鱼类生物量和体重、植物形态性状、大量营养素浓度、多步水温预测、光伏能量输出和作物产量，长短期记忆（LSTM）网络、混合物理信息模型和随机模拟框架是主要方法。异常和疾病检测见于16项研究，涵盖传感器漂移和数据异常检测、鱼类行为异常、植物病害检测、鱼类疾病图像分类和光伏故障检测，联邦学习（FL）正成为跨多个池塘或农场节点进行隐私保护分布式异常检测的新兴范式。决策支持系统（DSS）在9项研究中实施，范围从本体驱动的知识系统、基于数字孪生的城市协调平台到集成了大语言模型（LLM）与联邦边缘AI的SynAI框架。软感知和数据插补任务见于8项研究，软传感器从易获取的传感器信号中估计难以测量的变量，数据插补技术使用基于注意力的生成对抗网络（GAN）和卡尔曼滤波LSTM重建缺失的传感器读数。预测性维护仅见于3项研究，应用人工神经网络（ANN）和FbProphet时间序列分析来预测系统健康状况和维护需求。
关于鱼类和植物物种（RQ2），49项研究中有31项明确报告了生物物种。尼罗罗非鱼是最广泛研究的鱼类物种（13项研究），因其对温度和pH变化的耐受性、快速生长速率和特征明确的氮排泄特性而成为系统基准测试和算法验证的理想选择。鲶鱼出现在四项研究中，主要用于大规模机器学习数据集收集。鲤鱼物种出现在五项研究中，通常与罗非鱼一起用于多物种室外池塘设置。金鱼、茉莉鱼和苏门答腊虎皮鱼等观赏物种出现在三项研究中，代表小规模城市原型。生菜（包括罗马生菜、绿叶生菜、红叶生菜和水芹）是最常研究的植物物种（11项研究），因其生长周期短（4-6周）、对营养浓度敏感以及特征明确的光合特征而成为监测算法和生长预测模型的首选测试作物。番茄出现在六项研究中，因其较长的生长周期和商业价值而用于生物量产量预测和温室气候控制研究。罗勒出现在四项研究中，小白菜出现在两项氮循环研究中。尼罗罗非鱼与各种生菜品种的配对是整个文献语料库中的主导物种组合，反映了最佳的生物相容性。值得注意的是，53%的研究未报告鱼类物种，51%未报告植物物种，这表明许多智能鱼菜共生自动化论文将生物层视为通用背景，这是一个方法论上的空白。
关于传感器和设备（RQ3），识别出十三个传感器类别和八个计算与通信硬件类别。传感器类型涵盖电化学传感器（如pH值、溶解氧、电导率传感器）、物理传感器（如温度、湿度传感器）、光学和视觉传感器（如摄像头、高光谱传感器）等。计算硬件包括Arduino和树莓派（Raspberry Pi）等微控制器和单板计算机，通信硬件涉及MQTT、LoRa、Zigbee等协议。执行器包括蠕动泵、曝气器、加热器、冷却系统、步进电机驱动泵和伺服操作自动投喂器等。
关于数据源（RQ4）和数据集特征（RQ5），系统使用时间序列传感器数据、视觉图像、声学信号和人工日志等数据源。数据集特征差异较大，一些研究使用包含83,000至150,000个样本的大规模数据集，而其他研究则使用较小的专有数据集。研究通过数据增强、生成模型和迁移学习等策略应对数据稀缺和不平衡问题。
关于技术（RQ6），深度学习（DL）模型（如LSTM、门控循环单元（GRU）、卷积神经网络（CNN））是最常用的技术，其次是传统机器学习算法（如随机森林（RF）、支持向量机（SVM））、模糊逻辑和强化学习（RL）。物联网架构涵盖从集中式云到边缘计算和联邦学习的各种配置。
关于适应和控制策略（RQ7），研究采用实时反馈回路、自适应阈值、模型预测控制（MPC）和基于强化学习的决策等策略。
关于系统架构（RQ8），识别出八种架构模式，包括集中式、集中式边缘、联邦边缘和分布式边缘配置。架构正从集中式云设计向联邦式和边缘配置转变，以解决隐私、延迟、带宽和传感器漂移问题。
关于评估指标（RQ9），识别出七个评估指标族，包括准确性/精确度（accuracy/precision）、均方根误差（RMSE）、平均绝对误差（MAE）等用于算法评估的指标，以及系统级指标如响应时间、能效和可靠性。
关于挑战和解决方案（RQ10），识别出十二个反复出现的挑战，包括数据稀缺、传感器漂移、预测到控制的鸿沟、长期和多站点部署有限、生物层文档缺失、模型可解释性、隐私和安全性、能源管理、可扩展性、成本效益、操作员可用性和商业就绪性等。
讨论
讨论部分综合了研究发现，指出了三个层面的研究空白：算法层面的空白（预测器设计时未指定其执行路径）、架构层面的空白（联邦和边缘架构正在兴起但尚未标准化）以及生物层面的空白（超过一半的研究未记录所用鱼类或植物物种）。本文标准化了最佳实践词汇表——七个评估指标族、八种架构模式和十二个反复出现的挑战——供未来研究采用以使结果具有可比性。此外，本文评估了新兴技术——物理信息神经网络（PINN）、联邦边缘校准、大语言模型（LLM）顾问、数字孪生和ASIC/FPGA加速器——相对于周围控制层和架构层的成熟度，并指出了它们可能整合的关键点。
结论与未来工作
结论部分总结了本系统文献综述的主要发现，强调文献中存在预测到控制的鸿沟，系统架构正从集中式云向联邦和边缘配置过渡，混合模型在非平稳条件下表现良好，但长期和多站点实地部署仍然有限。未来进展需要在预测、控制、校准、生物基准测试和操作员可用性之间实现更强的整合。未来工作应侧重于弥合预测与控制之间的差距，标准化物种文档记录，开展长期实地部署研究，并评估新兴技术在实际系统中的集成可行性。
