Page 34 - 《水产学报》2025年第7期

张东，等 水产学报, 2025, 49(7): 079103

通过模式挖掘揭示了生态系统中隐藏的行为法 用的结果。因此，行为学研究不仅依赖图像数
则。相关内容已有很多研究和综述性文章介 据，还包括水质参数、温度、声学信号等多种
绍 [3-9] ，本文简明梳理 AI 技术在水生动物行为 数据。通过多模态数据融合技术，AI 系统能够
学领域的创新应用，及其对行为基础研究、水 综合不同数据源的信息，生成更全面的行为描
产业 (以养殖业为代表) 的变革性影响。 述与环境解析，提升数据解析的准确性与实时
虽然行为数据采集和分析技术发展迅速， 性 [8, 22-24] 。例如，MMFINet 在多模态鱼类摄食强
为行为学研究快速发展提供了强大的技术支撑， 度数据集上的分类准确率为 97.6%，显著优于
但在 AI 时代，水生动物行为学学科发展方向， 单模方法 。
[24]

尤其是与产业发展相关的重点领域需要进一步
厘清，从而为未来我国水生动物行为学研究提 1.4 实时监控与智能预警
供思路。 实现实时监控与智能预警是 AI 技术应用

的终极目标。随着立体视觉技术的突破，结合
1 行为学数据采集及分析的技术革新： 物联网和边缘计算，使得构建实时监控系统成

从“人工观测”到“智能感知” 为可能。这些系统通过部署在水域中的智能传
感器，实时传输数据，并利用 AI 进行快速处理

1.1 自动图像分析
和行为识别。一旦检测到异常行为或生态变化，
传统上，了解水生生物行为的细微差别是 即可发出预警信号，提供更精确和可解释的信
一项艰巨的工作。然而，随着计算机视觉技术 息，包括鱼类的生物量估算、计数和行为分析，
的出现，使得科研人员拥有了强大的工具探索 为养殖生产管理和生态保护提供决策依据 [8, 25-26] 。

和分析水生生物前所未有的行为细节。图像预
处理在提高水下图像质量方面起着关键作用 。 2 人工智能在水产养殖中的应用
[9]
通过对图像进行降噪处理与目标分割，研究人
员可以更清晰地洞察鱼类栖息地、健康状况和 未来 AI 在水产业中最重要的应用场景可
能是水产养殖。水产养殖的可持续发展、生产
进化模式 。目标检测算法利用静态背景将鱼
[10]
体隔离在给定框架内，能够精确分析它们的运 力提高和盈利能力优化都离不开创新性技术，
AI 必将推动水产养殖的革命性变革，成为未来
动和相互作用，从而揭示复杂的行为模式 [10-11] 。
运动跟踪算法有助于监测鱼类跨连续帧的运 最重要的新质生产力。水生动物行为是 AI 在水
动 [9-10, 12] ，通过跟踪个体或群体，可以发现种群 产养殖中应用的核心抓手。通过整合 AI、边缘
计算、5G、物联网、互联网、智能传感和机器
的行为趋势，迁徙路线和社会等级制度。
人等技术，监测和分析各种行为，从而确定环
AI 彻底改变了鱼类行为监测模式，提供了
境质量、养殖对象健康状况，实现养殖的全自
无与伦比的准确性和可扩展性，在水产养殖实时
动化管理 [8，26-32] 。
监测与长期生态评估中均表现出强大的潜力 [13-20] 。

2.1 异常行为预警
1.2 行为模式识别与预测
在水产养殖中，监测养殖对象异常行为对
利用机器学习模型，研究人员已成功构建
及时掌握养殖环境质量、养殖对象健康状况
了水生动物行为的模式识别系统。这些模型通
过学习大量的行为数据，能够捕捉鱼群在不同 至关重要，是优化生长条件和疾病预防的基
环境条件下的行为特征，并预测未来行为趋势。 础。借助多模态传感器获取光学图像与声学信
例如，长短期记忆网络 (LSTM)、循环神经网 号，整合物联网和边缘计算，并利用 AI 进行
络 (RNN) 和双流卷神经网络已被用于分析鱼群 快速处理和行为分析，可以持续跟踪鱼类运动
对光照和水质等参数变化的响应，进而对异常 轨迹与异常行为识别，从而确定鱼类健康状
行为 (如游动异常、集群变化) 的早期预警提供 况 [8，26-35] 。

支持 [8, 19-21] 。
2.2 智能投喂

1.3 多模态数据融合
智能投喂可能是 AI 在水产养殖中最广泛、
水生动物行为特征是环境和生物体相互作 最成熟的变革性应用。例如，日本的 Umitron

https://www.china-fishery.cn 中国水产学会主办 sponsored by China Society of Fisheries
2