Finansowany przez UE zespół opracował innowacyjną technologię prowadzenia akwakultury precyzyjnej, dzięki której osoby prowadzące gospodarstwa morskie będą w stanie przewidywać zdarzenia wpływające na jakość wód i przez to mające wpływ na hodowlę muli i ostryg, w skrajnych przypadkach wymuszających jej zamknięcie.
Akwakultura jest najszybciej rozwijającym się sektorem pozyskiwania żywności ze zwierząt, ale dawniej adaptacja bardziej wydajnych systemów informacji w jego obrębie zachodziła wolniej niż w innych sektorach branży. Obecnie, z powodu przyświecającej nam wizji zrównoważonego rozwoju, nastąpił okres szybkiego wprowadzania w akwakulturze technologii, które sprawią, że zarządzanie farmami rybnymi stanie się bardziej ekologiczne i wydajne.
Jednym z obszarów wprowadzania innowacji jest tak zwana akwakultura precyzyjna. Technologia ta wykorzystuje różne wzajemnie połączone czujniki, aby za ich pomocą monitorować warunki panujące na farmach ryb i w ten sposób pomagać prowadzącym je osobom podejmować decyzje, dzięki którym hodowane ryby są zdrowsze, a ich hodowla – bardziej opłacalna. Jednocześnie rozwiązania te pozwalają minimalizować wpływ hodowli na środowisko. Innymi słowy, akwakultura precyzyjna ma szansę doprowadzić do transformacji w przemyśle akwakultury.
W artykule opublikowanym niedawno w serwisie „Global Seafood Alliance” porusza się temat zrównoważonej produkcji małży – muli i ostryg – za pomocą tej technologii. Artykuł ten jest piątym w serii publikacji dotyczących akwakultury precyzyjnej przygotowanych przy wsparciu z finansowanego ze środków UE projektu GAIN. We wcześniejszych czterech artykułach poruszano problem akwakultury precyzyjnej i jej stosowania w hodowli pstrągów, okonia morskiego w obszarze Morza Śródziemnego i leszcza oraz łososia. Tym razem autorzy skupili się na hodowli małż.W artykule omówiono innowacyjne narzędzia akwakultury precyzyjnej, za których opracowaniem stoi zespół projektu GAIN. Narzędzia te służą przewidywaniu zdarzeń wpływających na jakość wody, które mogą z kolei wpływać na hodowlę małż, a w skrajnych przypadkach prowadzić do zamknięcia hodowli. „Hodowla małży zależy od optymalnej jakości wody, co zasadniczo pozostaje poza możliwością kontroli hodowcy. Konkretne zdarzenia wpływające na jakość wody, na przykład jej zakwit, odżywczy upwelling czy spływanie ścieków komunalnych mogą prowadzić do regulacyjnego zamknięcia hodowli małż. To zaś ma zawsze poważne następstwa finansowe dla hodowców. Trudno przewidzieć skalę i natężenie zdarzeń wpływających na jakość wód, ponieważ na ich występowanie wpływają złożone kombinacje wielu często powiązanych ze sobą czynników”, zauważają autorzy.
W celu zapewnienia hodowcom małży systemu wczesnego ostrzegania i tym samym promowania lepszego podejmowania decyzji w zakresie planowania i zarządzania zespół wykorzystał narzędzia uczenia maszynowego i opracował model warunków środowiskowych. Dane wykorzystane do modelowania to między innymi dane pobierane z czujników środowiskowych, satelitów oraz otwartego oceanu, dane pogodowe, dotyczące temperatury oraz prądów morskich. Wszystkie są porównywane z danymi pochodzącymi z okresów przed zamykaniem hodowli. Źródła danych wprowadzono na platformę w chmurze, która umożliwia prowadzenie monitorowania hodowli małży w czasie rzeczywistym.
„Modelowanie i uczenie maszynowe uwzględnia także niezbędne dane dotyczące wymogów ustawowych w danym państwie oraz wymogów unijnych, w tym ramowej dyrektywy wodnej („dobry stan ekologiczny”) i dyrektywy ramowej w sprawie strategii morskiej („dobry stan środowiska”). Przechowywanie danych w sposób scentralizowany w chmurze pomoże również gospodarstwom uzyskać certyfikaty zrównoważonego rozwoju”, czytamy w artykule.
Próby przeprowadzono w ośrodku pilotażowym Sagres na wybrzeżu Algarve w południowo-zachodniej Portugalii, ale wykorzystanie uczenia maszynowego do tworzenia modeli predykcyjnych specyficznych dla danego miejsca sprawia, że technologię można łatwo dostosować do hodowli małży w innych lokalizacjach.
Badanie pozwoliło wskazać ogromne różnice dotyczące warunków zamknięcia „pomiędzy hodowlami, co podkreśla potrzebę stosowania do przewidywania warunków zamknięcia technik modelowania i uczenia maszynowego, które wykorzystują dane właściwe dla każdego miejsca i jego historii”. Opierając się na półautomatycznym uczeniu maszynowym, precyzyjne narzędzia zespołu dotyczące akwakultury „umożliwiają osiągnięcie tego poziomu dokładności”. Zespół projektu GAIN (Green Aquaculture Intensification in Europe) zajmuje się obecnie testowaniem przydatności gotowego produktu dla przemysłu.
Więcej informacji:
poleca:
