Dirbtinio intelekto taikymas žuvininkystėje
Dirbtinis intelektas (DI) vis dažniau taikomas įvairiuose sektoriuose, įskaitant žuvininkystę. Susidūrus su klimato kaitos, mažėjančių žuvų išteklių, didėjančių veiklos sąnaudų ir rinkos paklausos tvariai gamyboje keliamais iššūkiais, DI siūlo naują, tikslesnį, greitesnį ir duomenimis pagrįstą požiūrį. Ši technologija yra aktuali ne tik didelio masto žvejybos pramonei, bet ir turi potencialo padėti smulkaus masto žuvų augintojams ir žvejams, nes siūlo prieinamesnes sistemas, tokias kaip mobiliosios programėlės ir nebrangūs jutikliai. Šiame straipsnyje aptariamos įvairios DI taikymo sritys žuvininkystėje – nuo žvejybos ir auginimo iki perdirbimo, išteklių stebėsenos ir valdymo.
1. Dirbtinis intelektas žuvų išteklių stebėsenai ir pasiskirstymo prognozavimui
Vienas didžiausių iššūkių žvejyboje yra žuvų vietos ir gausos neapibrėžtumas. Dirbtinis intelektas gali naudoti okeanografinius duomenis, tokius kaip jūros paviršiaus temperatūra, chlorofilas a, druskingumas, srovės ir net palydovų duomenys, kad numatytų galimas žvejybos vietas. Naudodama mašininio mokymosi technologijas, sistema gali nustatyti modelius, kuriuos anksčiau žmonėms buvo sunku pastebėti, pavyzdžiui, ryšį tarp jūros temperatūros pokyčių ir pelaginių žuvų migracijos.
Dirbtiniu intelektu pagrįstos žuvų pasiskirstymo prognozės padeda žvejams sutrumpinti paieškos laiką, taupyti degalus ir sumažinti anglies dioksido išmetimą. Be to, kartu su istoriniais sugavimo ir sezoniniais duomenimis, dirbtinis intelektas gali rekomenduoti geriausią laiką išplaukti į jūrą ir tinkamą žvejybos įrangą. Jei ši technologija būtų plačiai įdiegta, ji galėtų sumažinti žvejybos spaudimą tam tikrose vietovėse, tolygiau paskirstydama žvejybos pastangas.
2. Žuvų aptikimas ir žvejybos įrangos selektyvumas
Priegaudos, t. y. netikslinių rūšių, tokių kaip vėžliai, jūros žinduoliai ar žuvų jaunikliai, sugavimo, problema yra vienas iš svarbiausių tvarios žuvininkystės dėmesio objektų. Dirbtinis intelektas, ypač kompiuterinė rega, gali būti montuojamas laivų kamerose arba žvejybos įrangoje, kad būtų galima realiuoju laiku identifikuoti sugautas rūšis. Ši sistema gali iš anksto įspėti įgulas, jei sugaunamos saugomos rūšys, ir leisti jas nedelsiant paleisti.
Be to, dirbtinis intelektas gali padėti pagerinti žvejybos įrangos selektyvumą. Pavyzdžiui, analizuodama vaizdo įrašus ir jutiklių duomenis, sistema gali rekomenduoti pakeisti tinklo akies dydį arba žvejybos laiką, kad būtų sumažintas priegauda. Kai kuriose inovacijose dirbtinis intelektas netgi buvo sukurtas automatiniams rūšiavimo įrenginiams, kurie atskiria tikslines žuvis nuo kitų rūšių, valdyti, todėl laimikis yra kokybiškesnis ir ekologiškesnis.
3. Dirbtinis intelektas akvakultūroje
Akvakultūra sparčiai auga, kad patenkintų pasaulinius baltymų poreikius, tačiau susiduria su tokiais iššūkiais kaip ligos, vandens kokybė, pašarų efektyvumas ir netolygus augimas. Dirbtinis intelektas padeda ūkininkams priimti duomenimis pagrįstus sprendimus, naudojant tvenkinių ar narvų stebėjimo sistemas.
a) Pašarų optimizavimas
Pašarai yra didžiausia akvakultūros sąnaudų dalis. Dirbtinis intelektas gali analizuoti žuvų maitinimosi elgseną naudodamas povandenines kameras arba vibracijos / garso jutiklius ir automatiškai koreguoti pašarų dozes. Tai sumažina pašarų švaistymą, stabilizuoja vandens kokybę ir optimizuoja žuvų augimą. Ši technologija taip pat padeda sumažinti taršą, nes nesuvalgytas pašaras dažnai tampa amoniako šaltiniu ir sumažina ištirpusio deguonies kiekį.
b) Vandens kokybės stebėsena ir rizikos prognozavimas
Daiktų interneto (IoT) jutikliai matuoja tokius parametrus kaip pH, temperatūra, ištirpęs deguonis (DO), amoniakas, nitritai ir drumstumas. Tada dirbtinis intelektas analizuoja duomenų tendencijas, kad numatytų, kada sąlygos taps pavojingos, ir rekomenduoja veiksmus, pavyzdžiui, papildomą aeraciją ar vandens keitimą. Šis prognozavimo metodas yra veiksmingesnis nei laukti, kol iškils problemų, nes sumažina žuvų mirtingumą.
c) Ligų ir streso nustatymas
Ligos gali greitai plisti didelio tankumo akvakultūros sistemose. Vaizdais pagrįstas dirbtinis intelektas gali atpažinti vizualinius simptomus, tokius kaip žaizdos, spalvos pakitimai ar nenormalūs plaukimo modeliai. Modelius galima apmokyti atskirti sveikas žuvis nuo nesveikų, o tai leidžia anksčiau pradėti gydymą. Ankstyvas nustatymas gali sumažinti antibiotikų naudojimą ir atsparumo antimikrobinėms medžiagoms riziką.
4. Automatizavimas ir robotika žvejybos pramonėje
Dirbtinis intelektas taip pat skatina automatizavimą tiek laivuose, tiek perdirbimo įmonėse. Žvejybos laivuose išmaniosios navigacijos sistemos gali padėti planuoti maršrutus pagal orus, sroves ir numatomas žuvų buvimo vietas. Integruojant duomenis realiuoju laiku, galima sumažinti nelaimingų atsitikimų riziką, ypač ekstremaliomis jūros sąlygomis.
Apdorojimo pramonėje dirbtinio intelekto valdomi robotai ir rūšiavimo mašinos naudojami žuvų dydžiui klasifikuoti, kokybei tikrinti, defektams aptikti ir filė pjaustymui optimizuoti. Ši technologija pagerina produkto konsistenciją, sumažina atliekas ir pagreitina procesus. Eksporto rinkose, kuriose keliami griežti standartai, dirbtinis intelektas padeda išlaikyti maisto kokybę ir saugą, atlikdamas automatizuotą vizualinę patikrą.
5. Atsekamumas ir dirbtiniu intelektu pagrįsta tiekimo grandinė
Vartotojai vis labiau nerimauja dėl jūros gėrybių kilmės: kur jos buvo sugautos, kokiais metodais ir ar tai buvo legalu. Dirbtinis intelektas atlieka svarbų vaidmenį gerinant atsekamumą, analizuodamas tiekimo grandinės duomenis iš laivų, uostų, šaldymo sandėlių ir mažmeninės prekybos. Kartu su tokiomis technologijomis kaip blokų grandinė ar integruotos duomenų bazių sistemos, dirbtinis intelektas gali aptikti anomalijas, tokias kaip neįprasti svorio neatitikimai, įtartini gabenimo maršrutai ar sandorių modeliai, rodantys neteisėtą praktiką.
Atsekamumas reikalingas ne tik rinkos tikslais, bet ir žuvininkystės valdymui. Tikslūs ir nuoseklūs duomenys padeda vyriausybėms ir pramonės atstovams formuoti tikslesnę kvotų politiką, žvejybos sezonus ir išteklių vertinimus.
6. NNN žvejybos stebėsena ir žuvininkystės reguliavimas
NNN žvejyba (neteisėta, nedeklaruojama ir nereglamentuojama žvejyba) kenkia šaliai ir kenkia jūrų ekosistemoms. Dirbtinis intelektas naudojamas AIS (automatinės identifikavimo sistemos) duomenims, VMS (laivų stebėjimo sistemai), palydoviniams vaizdams ir laivų judėjimo modeliams analizuoti. Dirbtinio intelekto modeliai gali nustatyti įtartiną elgesį, pvz., AIS išjungimą, draudžiamų zonų važiavimą ratu arba laivų susitikimus jūroje, kuris gali lemti neteisėtą perkrovimą.
Naudojant ankstyvojo perspėjimo sistemą, stebėjimas tampa efektyvesnis, nes pareigūnai gali teikti pirmenybę didelės rizikos laivų patikrinimams. Tai ypač svarbu didelėms salynų valstybėms, kuriose stebėjimo ištekliai yra riboti, palyginti su jūrų aprėptimi.
7. Dirbtinio intelekto diegimo žuvininkystės sektoriuje iššūkiai
Nepaisant daug žadančio potencialo, dirbtinio intelekto diegimas neapsieina be iššūkių. Pirma, duomenų kokybė ir prieinamumas išlieka problemiški. Daugelyje žvejybos rajonų trūksta nuoseklių duomenų, o dirbtinio intelekto modeliai labai priklauso nuo patikimų duomenų. Antra, infrastruktūra, pvz., interneto prieiga, elektra ir jutikliai, išlieka nevienodai paskirstyta, ypač atokiuose pakrančių regionuose. Trečia, kyla diegimo iššūkių: žvejams ir žuvų augintojams reikia mokymų, kad jie galėtų veiksmingai naudoti šią technologiją.
Be to, reikia atsižvelgti į etinius ir duomenų valdymo aspektus. Duomenys apie žvejybos vietas ir laivų veiklą turi komercinę vertę, todėl privatumo apsauga ir sąžiningi duomenų mainų mechanizmai yra būtini. Dirbtinio intelekto diegimas taip pat turi užtikrinti, kad jis nedidintų atotrūkio tarp didelių ir mažų žaidėjų. Sprendimai galėtų apimti technologijų subsidijų programas, atvirojo kodo sistemų kūrimą ir vyriausybės, universitetų bei pramonės bendradarbiavimą.
Išvada
Dirbtinio intelekto taikymas žuvininkystėje atveria dideles galimybes pagerinti efektyvumą, tvarumą ir konkurencingumą. Nuo žuvų pasiskirstymo prognozavimo ir priegaudos mažinimo, akvakultūros pašarų optimizavimo, apdorojimo automatizavimo iki NNN žvejybos stebėsenos – DI gali transformuoti žuvininkystės sektorių. Tačiau sėkmingas jo įgyvendinimas priklauso nuo duomenų prieinamumo, infrastruktūros, žmogiškųjų išteklių pasirengimo ir palaikančios politikos. Taikant tinkamą ir įtraukų požiūrį, DI gali būti gyvybiškai svarbi priemonė jūrų ekosistemoms apsaugoti ir kartu pagerinti pakrančių bendruomenių gerovę.
