从水产养殖行为监测到决策支持：一个可解释的分析框架

《Biosystems Engineering》：From behavioural monitoring to decision support in aquaculture: an interpretable analytical framework

　　

摘要

行为监测在水产养殖中的应用日益广泛，然而将连续的行为数据转化为透明的、可比较的管理证据仍然困难。本研究提出了一种可解释的分析框架，该框架在生物学结构化的自监督分层生物Transformer自编码器（HBT-AE）中整合了个体运动、局部邻域交互和群体组织。该模型将自动提取的十个行为变量映射到领域特定的潜在块中，随后转换为三个可解释的语义轴。然后在语义空间中定义一个代表相对理想行为组织的候选区域，并根据观测状态占据该区域的比例来比较管理条件。将该方法应用于以5、10、20和40 kg m^?3密度饲养的杂交石斑鱼幼鱼，HBT-AE的Macro-F1为0.923 ± 0.013，Mean max |ρ|为0.878 ± 0.018，领域纯度为0.179 ± 0.015。在预定义区域内，20 kg m^?3的占位率最高，其次为10、40和5 kg m^?3。在1000次重采样中，20 kg m^?3处理在96.7%的样本中排名第一（Wilson 95% CI：95.4%–97.6%），表明该条件排序具有重采样稳定性。由于候选区域是基于行为标准定义的，未针对生长性能、福利指标、生理反应或生产结果进行校准，因此该排序应被解释为在当前分析框架内基于行为的比较。从生物学信息驱动的参考路径中获得了广泛一致的结论。所提出的框架为将连续的多尺度行为监测转化为水产养殖管理中可解释且可比较的证据提供了透明途径。

引言

水产养殖正变得越来越集约化、自动化，并且更加依赖管理策略，这对能够在可变饲养条件下维持生产效率、系统稳定性和动物福利的策略提出了更高要求（Constable, 2011; F?re et al., 2018; Martins et al., 2012）。在现代养殖系统中，管理决策往往需要在生物学和操作性不确定性交织的情况下做出，包括养殖密度变化、水质变化、社会干扰和系统性能变化（Barton, 2002; Ellis et al., 2002; Oppedal et al., 2011）。在此类条件下，及时且可靠的证据至关重要，因为延迟或不适当的干预不仅可能导致生物恶化，还会造成重大经济损失和后续管理复杂性。因此，行为监测在水产养殖中引起了越来越多的关注，因为鱼类行为对环境变化、饲养条件和生理扰动反应迅速，可以为动物和生产系统的功能状态提供敏感的窗口（Shao et al., 2019）。随着视频感知、自动追踪和数据提取技术的发展，以高时间分辨率和跨多个生物学尺度收集连续行为信息变得越来越可行（Branson et al., 2009）。然而，尽管这些进步极大地提高了检测行为变化的能力，但它们尚未完全解决一个更根本的管理问题：如何将复杂的行为观察转化为可解释和可比较的证据，以直接支持水产养殖实践中的决策。

这一挑战在一定程度上源于水产养殖中的行为信息本质上是多维的。鱼类的反应并非通过单一变量表达，而是通过个体活动、局部邻域交互和群体组织中的协调变化来体现（Mei et al., 2022）。给定的管理条件可能同时改变运动激活、间距模式、对齐方式或空间结构，而一个指标的生物意义往往取决于其他指标的状态（Weirup et al., 2022）。因此，基于孤立行为变量的直接解释往往很困难。一个指标中的相似值可能对应不同的组织状态，而在同一处理条件下，不同指标中可能出现相反的变化（Kahneman & Klein, 2009）。然而在实际管理设置中，决策需要超越显著性差异的检测。管理者需要可读的、跨候选条件可比较的、以及足够透明以证明干预合理性的证据。因此，仅能识别行为是否发生变化的框架是不够的。需要的是一个能够将行为变异组织成连贯结构并转化为决策相关证据的分析方法。

现有的分析方法不能完全满足这一要求。水产养殖和动物监测中的许多研究侧重于预测或分类任务，例如识别异常状态、识别预定义行为，或使用监督或基于机器学习的模型检测处理效应（Mathis et al., 2018）。这些方法对于自动监测具有明确的价值，但其输出通常针对判别准确性进行了优化，而非针对比较性解释（Lipton, 2018）。现有方法通过两条主要途径纳入人工定义的先验假设。一条依赖于手动标注或评分来构建监督信号，这意味着模型学习受到标签定义、标注一致性和样本组成的影响。许多复杂模型还提供了有限的过程级可解释性，使得追踪个别行为指标如何共同贡献于最终判断变得困难。另一条途径涉及专家选择行为指标和构建综合评价指标。由此产生的评估依赖于关于指标方向性、相对重要性和权重的预设假设。当来自不同生物学水平的众多指标表现出相关性或冲突性反应时，往往缺乏分配权重的统一依据。不同的权重方案也可能改变候选管理条件的评估或排序。在涉及鱼类福利、生物安全、生产成本和运营稳定性的管理场景中，这些局限性降低了分析输出作为独立决策依据的可靠性（Rudin, 2019）。模型或综合指标可能表明系统异常或某一条件与另一条件不同，但可能无法解释行为组织如何变化、这些变化是否具有连贯的生物意义，或者候选条件应如何在透明框架中进行比较。因此，在收集行为数据的能力不断增长的背景下，将多维行为信息转化为可解释、可比较和可追溯的管理决策证据的能力之间仍然存在明显差距。

在此背景下，本研究提出了一种可解释的分析框架，用于将连续行为监测转化为水产养殖中与管理相关的证据。其方法论核心是一种生物学结构化的自监督分层生物Transformer自编码器（HBT-AE）。该编码器将异构行为描述符划分为个体运动、邻域交互和群体组织领域，通过有向跨层次注意力连接这些领域，并将其映射到由专用解码器重建的独立潜在块中。该架构将生物学结构嵌入表征学习，并保留了从压缩坐标到可观测行为的可审计路径。每个潜在块随后被缩减为经验证的语义轴，生成一个描述行为组织如何在不同饲养条件下变化的低维空间。为便于管理比较，在潜在空间中定义了代表理想行为组织的候选区域，并根据观测行为状态落入该区域的概率来评估替代管理条件。进一步引入了独立的生物学信息驱动的基于指标的评估作为外部参考，以评估从框架中得出的比较排序是否与基于领域的解释保持一致。该框架以石斑鱼养殖密度为案例研究进行了检验（Oppedal et al., 2011）。具体而言，本研究旨在开发一种多尺度鱼类行为的自监督分层表征，评估其相对于任务匹配的自编码器基线的重建质量和行为可追溯性，并确定候选区域占位率能否提供养殖密度条件的稳定和生物学一致的比较。

章节摘要

材料与方法

所提出的框架通过集成的分析流程，将连续行为监测转化为水产养殖管理决策的可解释证据（图1）。对杂交石斑鱼的俯视视频进行实例分割、方向消歧和多目标追踪，以提取连续的个体级行为信息。追踪结果用于构建代表个体运动、邻域交互和

养殖密度的多尺度行为反应

养殖密度与跨个体运动、邻域交互和群体组织的协调但不均匀的行为变异相关（图3）。小提琴图显示，密度效应分布在多个指标中，而非集中在单一行为维度内。某些变量在密度梯度上呈渐进变化，而其他变量在较低和中等处理组之间表现出更大的重叠或离散度。描述性

多尺度行为的密度依赖组织

在本案例研究中，无论是低密度还是高密度都无法仅从任何单一指标得到充分解释。最低密度处理与攻击性增加和局部紧凑性减弱相关，而最高密度处理则表现为强烈的局部压缩、活动增加和明显的垂直再分布。这些对比模式表明，与密度相关的行为变化本质上是多维的，且一个指标中看似有利的值

结论

水产养殖管理需要生物学上可解释的、并且跨不同操作条件可比较的行为证据。本研究开发了一种生物学结构化的自监督HBT-AE，将鱼类行为组织为个体运动、邻域交互和群体组织三个层次。领域特定的潜在表征进一步转换为三个可追溯的语义轴，为比较多维行为提供了

CRediT作者贡献声明

Haixiang Zhao：撰写——原稿，验证，方法论，形式化分析。Zuqiang Liu：数据管理。Zhihong Ma：概念构思。Weimin Yu：监督。Xian Li：项目管理，资金获取。

资金

本工作得到国家重点研发计划（项目编号：2024YFD2400101）、海南种业实验室（项目B24H10035）和国家自然科学基金（项目编号：32273104、42061160365）的资助。

利益冲突声明

作者声明，他们没有已知的与本文所报告工作有关的竞争性财务利益或个人关系。

Haixiang Zhao|Zuqiang Liu|Zhihong Ma|Weimin Yu|Xian Li

教育部水产养殖重点实验室，中国海洋大学海洋渔业学院，山东青岛，266003，中国