基于生物能量學模型的尖吻鱸精準投喂管理輔助決策系統構建

劉曉娟 沙宗堯 李大鵬 王春芳

(1.華中農業大學水產學院, 長江經濟帶大宗水生生物產業綠色發展教育部工程研究中心, 池塘健康養殖湖北省工程實驗室, 武漢 430070; 2.武漢大學遙感信息工程學院, 武漢 430079)

養殖成本、養殖環境和水產品質量安全是當前水產養殖業轉型升級發展面臨的主要壓力與問題[1]。傳統投料方式不精準、不均勻和勞動力成本高等問題, 是導致養殖成本上升、養殖環境污染加劇和養殖動物疾病暴發的主要原因[2]。不同養殖品種、養殖環境與生長階段, 其攝食量及攝食效果具有很大的差異。精準投喂是根據養殖對象的生物習性和生長規律, 通過改變養殖對象的投喂方式和投喂量, 最大限度地提高飼料的利用效率, 減少飼料浪費, 降低過量投喂而造成的水體污染, 改善產品的品質, 從而促進養殖從業者的養殖效益最大化[3]。隨著互聯網技術的高速發展, 5G技術的日漸成熟, 漁業規模化、集約化、工業化和機械化的不斷進步, 我國水產業的發展進入了“新拐點”。探索更標準、更智能、更精準的投喂管理策略, 實現新型標準化、數據化、信息化、智能化、產業化的智慧漁業將會是水產養殖業由量變轉到質變的重要途徑[1]。

目前, 已有一些依托于互聯網的設備和智能平臺應用于農業生產過程中, 為實現農業的精準和智能化養殖做出了極大的貢獻, 如養殖環境監控、產品質量溯源、生產記錄分析和物流跟蹤管理等平臺已被廣泛的地應用于實際養殖中[4], 使水產養殖裝備工程化、生產規模化、技術精準化和管理智能化水平大大提高。在德國, 可在計算機控制下完成畜禽飼料精準投喂和奶牛數字化擠奶等多項工作[5]。在挪威, 使用聲加速度傳輸器可以在計算機后臺有效監測循環水養殖系統(RAS)中大西洋鮭(Salmo salarL.)的各項活動, 通過數據分析為大西洋鮭提供精準飼料投喂策略[6]。上海奉賢區及無錫地區的對蝦智能管理系統和物聯網智能控制管理系統的應用, 有效地提高了水產養殖的經濟效益、產品質量和管理效率[7]。

隨著國家對智慧漁業的不斷探索和推廣, 對魚類生產數據分析應用的重要性將日趨凸顯。生產管理平臺利用互聯網信息技術, 對生產過程信息化監測, 采集了大量的漁業生產基本數據。另外, 近年來, 國內外學者已經對水產養殖進行了大量的研究, 積累了海量的數據和模型[2,3,8—13]。利用大數據技術進行數學建模, 通過采集養殖過程中的生產數據, 將數據加以分類、挖掘和分析, 最終把有價值的信息提取出來, 將有用的結果以圖表的形式直觀地呈現給水產養殖生產管理者和決策者, 是解決水產養殖品種多樣、養殖模式各異、養殖環境復雜和影響因子過多而導致的精準監測、檢測和控制難等問題的最優途徑[14]。

在水產養殖的研究中, 一些學者在水產動物的營養代謝和能量收支研究的基礎上, 構建了許多數學模型。一些模型已經被應用到了養殖過程中, 為水產養殖業提供精準投喂策略, 成為養殖管理的重要工具[15—17]。然而, 它們大多都是依靠以往的經驗和短期的室內試驗完成, 其適用范圍較窄, 此外, 這些傳統的數學模型之間較為分散, 系統性不強, 且在實際應用中, 需手動計算, 計算步驟煩瑣, 分析過程復雜, 大大增加了人工勞動成本。假設能夠將漁場中養殖生產的數據和已有數據庫及文獻庫中積累的大量數據收集, 進行處理分析, 在此基礎上構建一套系統的、標準化的、針對養殖魚類生長表現來進行評估的模型, 并利用互聯網信息技術, 實現數據的后臺輸入、采集、更新、儲存、校正和管理, 自動形成豐富的分析圖表, 不僅有助于養殖生產人員根據模型提供的模擬數據有效地進行養殖生產管理, 還可實現養殖過程全跟蹤, 使傳統的水產養殖生產管理方式向精準化和數字化發展, 養殖信息和生產方式由經驗主義向模型標準化轉變[12],進一步降低養殖成本和環境成本, 提高養殖效率和經濟效益。因此, 我們需要進一步采集養殖生產中的海量數據, 利用大數據技術和互聯網平臺, 構建更加實用有效、簡單快捷和精準智能的投喂管理模型。

尖吻鱸(Lates calcarifer)隸屬于鱸形目(Perciformes), 尖吻鱸科, 尖吻鱸屬。俗稱盲鰽, 亦稱尼羅河鱸, 具有適應能力強、食量大、生長快、病害少、肉質鮮美和營養價值高等優點, 是我國南方地區及東南亞地區主要的養殖魚類。本文以尖吻鱸為研究對象[17], 通過挖掘養殖場和文獻中的大量生產數據, 基于生物能量學原理探討不同養殖環境條件下尖吻鱸的能量需求, 對不同生長階段的尖吻鱸生長規律進行研究, 構建出尖吻鱸生長、投喂和污染排放模型, 能夠有效預測某一時期尖吻鱸的生長情況, 對飼料的需求量及氮、磷等污染物的排放量,有助于魚類的差異化上市、減少飼料浪費、降低養殖成本、提高水體透明度和養殖效益。將此模型植入計算機網絡端, 構建精準投喂管理輔助決策系統, 通過該系統將互聯網等信息技術與水產養殖投喂管理緊密結合, 以水產養殖水體監測、魚類生長、魚體營養成分、飼料營養成分及飼料投喂數據采集和處理分析為基礎, 以數據統計和綜合評價為核心, 從投放魚苗到成魚上市進行信息化管理,實現大數據與傳統水產養殖技術的融合創新; 為水產養殖生產管理者和決策者提供方便有效的投喂管理工具, 為數字化漁業提供一定的技術支持。

1 材料與方法

1.1 生長階段的劃分

尖吻鱸生長數據主要來自中山市強晟水產養殖有限公司。養殖時間從2018年6月至2019年5月,共計11個月, 在養殖過程中分別記錄水溫、魚體體重和飼料投喂量等數據(表1), 本研究選用了4種最常用的養殖動物生長預測模型, 其計算公式如下:

特定增長率(SGR, %/d)=100×(lnWt-lnW0)/t

日增長系數(DGC, g1/3/d)=100×()/t

日均增重(ADG, g/d)=(Wt-W0)/t

熱積溫系數[TGC, g(1-b)/(d×℃)]=100×

式中,W0為初始體重,Wt為終末體重,T為養殖水溫,t為養殖天數。根據上述公式, 尖吻鱸的生長預測公式如下:

在TGC的計算中, 指數(1-b)先設定為1/3, 隨后采用模型生長預測值與實際養殖觀測值的最小殘差平方和RSS法校正[18], 使RSS達到最小值,RSS采用迭代法計算, 工具采用Microsoft Excel 2016[19]。RSS公式計算如下:

式中,Yj為模型生長預測值,yj為實際生長觀測值。

1.2 生化成分分析

用于生化分析的尖吻鱸為養殖場采樣所得, 體重從21—1128 g共計10個不同體重組, 并采用AOAC[20]標準測定法對尖吻鱸的生化成分進行測定。采用尖吻鱸體重和其水分、蛋白、脂肪、灰分和能值含量之間的回歸分析對尖吻鱸的各生化成分進行預測。

1.3 各能量的估算

尖吻鱸各能量計算數據主要來自已發表的文獻[17, 21—30], 基礎代謝能(HeE)采用呼吸實驗中耗氧量來計算(氧熱系數為13.6 J/mg)。魚類基礎代謝能和其體重之間關系可用HeE=A×WB描述, 其中,魚類的指數B值為0.8, 故基礎代謝能的計算公式如下[3]:

式中, a、b為常數,T為水溫,W為體重。

儲積能(RE)是通過計算初末魚體能值之差來估算, 排泄能(UE+ZE)為魚體鰓和尿液排出的能量,通過公式24.9×(UN+ZN)來計算[3],UN和ZN分別為魚體鰓和尿液排出的氮的含量。攝食熱增能(HiE)主要為魚類攝食過程中消耗的能量, 計算公式如下:

式中,IE為攝食能,FE為糞能,GEt和GE0分別為終末和初始魚體能值,UN和ZN分別為魚體鰓和尿液排出的氮的含量。不同生長時期魚類消化能需求量可通過計算儲積能(RE)、基礎代謝能(HeE)、攝食熱增能(HiE)及排泄能(UE+ZE)之和來估算[3], 故尖吻鱸消化能需求量計算公式如下:

1.4 飼料需求量估算

在確定飼料中各營養成分含量及其消化率的基礎上, 可計算出飼料消化能(DE)含量, 計算公式如下[30]:

式中, CP、CL和CHO分別為飼料蛋白質、脂肪和碳水化合物,ADC為表觀消化率。飼料需求量計算公式如下:

飼料需求量(Feedreq)=消化能需求量(DEreq)/飼料消化能含量(DEof feed)

1.5 廢物排放量的估計

水產養殖過程中所排放的污染物(TW)主要分為固態污染物(SW)和溶解態污染物(DW), 其預測公式如下:

式中, DM為干物質,ADC為表觀消化率, 以上式子同樣可運用于估算N、P廢物的排放量, 具體計算公式如下:

固態氮污染物=攝入的氮(Nintake)×(1-ADCN)

固態磷污染物=攝入的磷(Pintake)×(1-ADCP)

溶解態氮污染物=消化的氮(Ndigested)×ADCN-儲積的氮(RN)

溶解態磷污染物=消化的磷(Ndigested)×ADCP-儲積的磷(RP)

1.6 驗證試驗

尖吻鱸生長和飼料需求模型的模型驗證數據主要來自中山市強晟水產養殖有限公司。對養殖場中用于養殖不同生長階段尖吻鱸的飼料營養成分進行分析(表2), 尖吻鱸生長模型用模型預測體重與實際觀測體重比較來驗證。飼料需求模型通過比較飼料轉化率(FCR)的實際觀測值和模型預測值來驗證。

表1 各池塘水溫(℃)、尖吻鱸初末體重(g)及飼料投喂量Tab.1 Water temperature (℃), interval time (days), initial body weight (g), final body weight (g), and feed consumption (g/kg fish) of Lates calcarifer in different ponds (g/fish)

表2 尖吻鱸不同生長階段飼料營養成分及其消化率Tab.2 Feed composition and digestible energy in different growth stages of Lates calcarifer (%)

1.7 軟件系統開發

軟件系統包括三層架構, 分別為界面層(UI)、應用層和數據訪問層(RL, 圖1)。界面層是基于HTML5/CSS集成開發, 支持任何瀏覽器和移動設備的訪問, 可為軟件使用人員提供交互式操作的可視化界面。應用層是基于Java Server-Pages (JPSs)開發, 負責執行算法數據分析, 及處理軟件系統的業務邏輯, 提供各種后端服務(如魚體質量計算、飼料需求量計算和污染物排放量計算等)來響應來自UI層的命令。數據訪問層用于存儲與養殖品種相關的所有模型的參數, 以及運行軟件包所需的其他必要數據。為了使該工具更好地應用于實際養殖中, 本研究中采用的apache tomcat(v8.0)是基于Java技術實現的, 可同時用作應用服務器和Web服務器, 它的優勢主要在于它的源代碼開放, 支持跨平臺的應用, 使開發的軟件包可以運行在幾乎所有的(包括Windows和Linux系統)平臺上。

2 結果

2.1 生長模型的選擇

圖1 基于web系統的魚類精準投喂管理模型輔助決策系統的軟件設計框架Fig.1 Conceptual framework of web-based precision feeding models

尖吻鱸生長數據來自中山市強晟水產養殖有限公司, 共計7個池塘104個數據(表1), 并根據上述公式計算尖吻鱸不同生長時期各生長模型(SGR、DGC、ADG和TGC)的值。結果顯示, 不同生長時期尖吻鱸TGC的值呈現一定的規律, 當尖吻鱸體重為5—1000 g時,TGC的值中出現1個異速生長點, 根據該點的位置(兩條線段的交點), 尖吻鱸的生長周期可分為2個生長時期(圖2): 5—296 g(第一生長期)和＞296 g(第二生長期)。

尖吻鱸在不同生長時期的各個子模型的最適體重指數(1-b)存在顯著差異。無論是在第一生長期還是第二生長期, 指數調整后的TGC模型的殘差平方和都顯著小于SGR、DGC、TGC和ADG等生長模型(P＜0.05, 表3)。因而, 當尖吻鱸體重在1—1000 g時, 相較于其他生長模型, 優化后的TGC模型對尖吻鱸生長的預測效果更好(圖3a、3b)。

2.2 魚體生化成分

隨著尖吻鱸體重的變化, 其體生化成分如水分、蛋白質、脂肪和灰分相對含量變化趨于平穩(圖4)。因此, 簡單的線性方程可以有效估計尖吻鱸蛋白質(圖5a)、脂肪(圖5b)、灰分(圖5c)和能量(圖5d)含量。本研究分別選用了線性方程y=aX+b和指數方程y=aXb對不同體重尖吻鱸的體生化成分進行預測, 結果發現, 線性模型預測尖吻鱸體內蛋白質和能量含量的效果比指數方程好, 而在脂肪和灰分的預測上, 則指數方程優于線性方程(表4)。當對尖吻鱸魚體磷含量分析時, 同樣發現, 線性模型對魚體磷含量的預測效果好于指數方程(表5)

2.3 各能量的估算

尖吻鱸生化成分組成、基礎代謝能、攝食熱增能、排泄能及消化能需求量的計算公式見表5。當水溫在15—35℃時, 尖吻鱸的HeE隨水溫的增加先增加, 當達到最適溫度后, 則逐漸開始下降。另外, 研究還發現, 尖吻鱸攝食熱增能與儲積能和基礎代謝能之間呈正相關關系(圖6a); 排泄能則與攝食能和消化能密切相關, 為7.37%的儲積能、基礎代謝能和攝食熱增能之和(圖6b)。

圖2 不同生長階段尖吻鱸積溫系數Fig.2 Thermal-unit growth coefficient (TGC) as a function of body weight of Lates calcarifer

表3 尖吻鱸在不同生長時期SGR、DGC、ADG和TGC及校正后的TGC模型平均值、體重指數和殘差平方和(RSS)Tab.3 The regression coefficients, body weight (BW) exponents and RSS of SGR, DGC, ADG, TGC and revised TGC models for different stages of Lates calcarifer

圖3 不同生長模型的比較-分別用SGR、DGC、ADG、TGC和Rev.TGC生長模型來描述尖吻鱸的生長Fig.3 Comparison of growth models- DGC, SGR, ADG, TGC and Rev.TGC models to describe the growth of Lates calcarifer

2.4 飼料需求量、污染物排放量和模型驗證

尖吻鱸消化能需求量、飼料需求量見表6, 各污染物排放量預測結果見表7。經估算, 當尖吻鱸體重從1 g增長到1000 g時, 每條魚消化能需求量為2.33×104kJ, 飼料需求量約為1.57 kg, 每生產1000 kg魚, 總固態污染物排放量為543 kg, 可溶性含氮污染物為56.6 kg, 可溶性含磷污染物為6.1 kg。當尖吻鱸體重在1—1000 g內, 每消耗1000 kg飼料, 總固態污染物排放量為349 kg, 可溶性含氮污染物為36.3 kg,可溶性含磷污染物為3.9 kg。

在模型的驗證中, 本研究分別采用尖吻鱸體重和飼料轉化率(FCR)的模型預測值與實際觀測值之間的擬合度來驗證, 結果發現尖吻鱸體重實際觀測值與模型預測值之間的擬合度較好(R2=0.97, 圖7),而FCR的實際觀測值與模型預測值之間的擬合度相對較差(R2為0.57, 圖8b), 且飼料需求模型對FCR的預測值明顯小于實際觀測值(圖8a、8b)。

2.5 軟件包的開發

圖4 尖吻鱸魚體生化組成與體重的關系Fig.4 Whole body chemical composition of Lates calcarifer and its relation with body weight

圖5 尖吻鱸體重和魚體蛋白質(a和e)、脂肪(b和f)、灰分(c和g)和能值(d和h)之間的等距和對數回歸分析Fig.5 Isometric and allometric relationship between whole body mass and body protein (a and e), lipid (b and f), ash (c and g) and gross energy (d and h) of Lates calcarifer

表4 線性方程和對數方程(體重與BP、BL、BA、GE)預測值與實際觀測值的殘差平方和(RSS)Tab.4 Residual sum squares (RSS) of the isometric and allometric regression analysis of body weight with body protein, lipid, ash and gross energy as predictors of Lates calcarifer

為實現該模型的可視化, 本研究開發了模型在線軟件包。在數據庫方面, 設計了10個表來存儲軟件包的模型參數和輔助信息(圖9)。魚類管理表是用來存儲不同品種魚類的相關信息, 包括整個系統中魚類的唯一編碼、魚類的名稱及用于計算積溫的最低溫度。魚類生長階段表具有唯一的魚類生長階段編碼, 該編碼定義為表中特定魚類的生長階段。個人信息表包含系統中所有注冊的用戶。對于任何用戶, 在用戶模型表中建立的一些模型均可以與該用戶關聯。飼料管理表用于存儲不同飼料產品的相關參數, 這些參數(如干物質、粗蛋白、粗脂肪、能值、磷及其消化率等)是預測魚類飼料需求量的污染排放量所必需的。每個模型中都存儲了與模型相關的參數, 用戶可在需要時檢索這些參數(例如, 魚類品種、魚類生長階段、飼料參數和其他模型參數等)。此外, 用戶還可根據其自身生產數據自定義某些參數, 例如, 用戶可以通過輸入其養殖對象以往周年的生長數據, 使后臺自動生成更加匹配其生長環境的生長模型參數, 在預測生長的時候選擇該新生成的參數。

應用層可實現模型所有功能的可視化。例如上述已建立模型的魚類體重預測、飼料需求預測及污染排放預測功能。此外, 該層還可提供諸如用戶注冊和用戶登錄之類的其他輔助功能(圖10)。圖10展示了用戶界面, 已注冊的用戶登錄到系統后, 顯示主菜單, 從中可以訪問開發的各項預測功能。用戶界面允許用戶與系統交互,TGC可以來自理論值或采用用戶自定義參數。UI層是基于html5/css標準開發的, 任何瀏覽器和移動設備均可進行訪問, 可為用戶切換訪問設備時提供更好的用戶體驗。

3 討論

3.1 生長模型

一些研究發現, 控制肌肉纖維聚集和肥大的基因的表達可能會影響魚類的生長速度, 導致魚類在其生長周期中存在生長異速點[6,8,19]。根據該點的位置可將魚類整個生命周期分為幾個不同的生長階段。本研究通過計算不同體重魚類的TGC值, 同樣發現尖吻鱸在其生長周期中存在生長異速點, 但與虹鱒(Oncorhynchus mykiss)[19]和羅非魚(Oreo-chromisspp.)[3]的生長周期中含有兩個異速生長點不一致的是, 本研究中尖吻鱸僅存在一個異速生長點。一些研究表明魚類在其性成熟時期對營養物質的利用效率會發生改變, 從而導致生長速度發生改變[19]。尖吻鱸是一種雄性先成熟的雌雄同體的魚類, 雄性性腺先發育成熟, 而后轉變為雌性性腺發育成熟, 亞洲尖吻鱸幼魚達到雄性成熟需要3—4年, 體重一般為2 kg以上, 而達到雌性成熟則需要6年, 體重一般為4 kg以上[31]。而本研究主要針對商品規格的魚類(＞400 g即可上市), 研究對象體重小于1 kg, 故還需要收集更多較大規格(＞2 kg)的尖吻鱸生長數據, 才能確定尖吻鱸在其生長周期是否還存在更多的異速生長點。

表5 尖吻鱸生化成分組成、基礎代謝、增值熱、排泄代謝能及消化能需求量方程Tab.5 The equations for the estimation of body chemical composition, basal metabolism, heat requirement of feeding, urinary-branchial excretion and digestible energy requirement

圖6 尖吻鱸熱增能(HiE)和排泄能(UE+ZE)與其他各能量之關系Fig.6 The relationship between heat increment of feeding (HiE), urine and gills energy (UE+ZE) and other energy of Lates calcarifer

表6 尖吻鱸不同生長時期消化能需求量和飼料需求量Tab.6 Digestible energy and feed requirement of Lates calcariferat different stages

表7 尖吻鱸固態廢物和可溶性廢物排放量Tab.7 Output of solid and dissolved wastes of Lates calcarifer

目前, 國內外最常用來描述魚類生長的模型主要為SGR、DGC、ADG和TGC模型[3]。其中,SGR模型由于在恒溫條件下對幼魚的生長預測效果較好, 因而經常被一些研究者用于魚類生長實驗中,來探索更適合魚類生長的飼料配方和養殖模式[3]。但由于魚類為變溫動物, 魚類的生長速度會隨著水溫的變化而發生改變,TGC模型由于考慮到了水溫對魚類生長的影響, 因此在變溫條件下, 其預測效果優于其他模型[15]。一些研究表明, 不同生長時期的魚類其生長速率存在差異, 魚類在其生長周期中存在生長異速點[3,8,19], 因此, 采用單一系數的模型來預測不同生長時期的魚類的生長速度會存在較大的偏差。Chowdhury等[3]的研究結果表明當羅非魚體重小于30 g時, 生長指數為1/3的TGC模型才具有較好的預測效果; Dumas等[19]對虹鱒的研究同樣發現, 當生長指數為1/3時,TGC模型只適用于體重在20—500 g內的虹鱒, 且TGC模型的最適生長指數(1-b)隨著魚體質量的不斷上升逐漸增加, 最終的理論數值會趨近1。因此, 在構建魚類生長模型時, 需要考慮到這一因素并對生長模型的參數進行優化以提高生長模型預測的準確性。本文研究發現, 根據生長異速點將尖吻鱸的生長周期劃分為兩個生長階段后, 優化后的TGC模型的預測效果明顯優于其他的模型, 這與羅非魚[6]、虹鱒[19]、異育銀鯽(Carassius auratus gibelio)[8]和草魚(Ctenopharyngodon idellus)[10]的研究結果相似, 但由于魚類品種不同, 其生長規律和生長潛力具有較大的差異, 在一定程度上直接影響生長模型的最適參數值, 因而本研究構建的TGC模型的最適生長指數與其他魚類均存在較大的差異。

3.2 尖吻鱸魚體成分和能量收支

魚類體重的增長是飼料中各營養成分在魚體中沉積的結果, 因此, 在探討魚類的生長和對飼料的需求時, 需要了解魚類對飼料中各種營養物質的需求范圍和利用效率。一些研究表明, 運用數學模型可以較好反映魚類體重與魚體中各營養物質的關系[16,32—34]。本研究分別對尖吻鱸體重與其體內各營養成分之間的關系進行了分析。結果顯示, 在不同的魚類體重、養殖水溫、飼料組成和投喂水平的情況下, 線性等速方程y=a×W+b和指數方程y=a×Wb均可以用來預測不同體重魚類各體成分的含量。通過對這2種模型的預測結果進行比較分析,研究發現線性等速模型在預測魚體蛋白質和能值的效果比指數模型更好, 這與羅非魚[6]、虹鱒[19]和異育銀鯽[9]的研究結果一致。但在對尖吻鱸體內脂肪和灰分的預測中, 指數模型的預測效果比等速模型效果更好, 這一研究結果僅在對虹鱒脂肪的預測中發現, 而其他魚類體內脂肪和灰分均為等速增加,這可能與魚類品種差異和飼料營養成分不同有關,但具體原因還要進一步研究。

圖7 尖吻鱸體重的實際觀測值和模型預測值及其回歸關系Fig.7 Observed body weight and predicted body weight of Lates calcarifer

圖8 尖吻鱸飼料系數(FCR)的實際觀測值和模型預測值及其回歸關系Fig.8 Observed and predicted feed conversion ratio of Lates calcarifer

基礎代謝能(HeE)是動物用來維持生命所有器官活動所需要的最低能量。一些研究發現, 同種魚類在不同體重和不同養殖水溫情況下, 其單位體重消耗的基礎代謝能具有很大差異[12], 通過對魚類能量學的進一步研究發現, 采用指數方程HeE=(a+bT)×BW0.8可以反映水溫和魚體質量對魚類HeE之間的關系[3,12,8]。在本研究中, 魚類基礎代謝隨水溫呈先上升后下降的趨勢, 這與虹鱒[12]的結果相一致, 原因可能與魚體內有關基礎代謝的酶的活性相關, 具體原因還需進一步研究。魚類代謝活動中所損耗的能量除基礎代謝能外, 在攝食活動中還會有一部分能量消耗, 這部分能量被稱為攝食熱增能(HiE),一些研究發現,HiE與HeE和RE之間具有高度相關關系。在本研究中, 分別將尖吻鱸的HiE與HeE和RE進行回歸分析, 結果發現HiE和RE+HeE的相關度最高, 這與羅非魚[3]和異育銀鯽[8]的研究結果一致。UE+ZE為魚類鰓和尿液排泄過程中所損失的能量。有研究表明,UE+ZE與攝食能(IE)具有一定的關系[3], 本文對尖吻鱸的研究發現,UE+ZE與RE+HeE+HiE之間呈現線性回歸關系, 此結果與羅非魚[3]和草魚[10]的研究結果一致, 但回歸系數差異較大, 原因可能與養殖品種、養殖環境及飼料營養成分相關。

圖9 數據庫端設計中的關鍵表Fig.9 Key tables in the design of the database side

3.3 廢物排放和模型驗證

一些研究表明, 水產養殖的污染排放和營養負荷同樣可采用數學模型有效預測[35]。本研究分別對不同生長階段魚類攝食的飼料各營養成分、飼料各營養成分消化率及不同質量魚體中氮和磷含量進行了分析, 通過營養物質平衡法估算尖吻鱸養殖過程中的污染排放量。結果顯示, 當生產1000 kg尖吻鱸或者投喂1000 kg飼料時, 總固態污染物排放量為543和349 kg, 其結果明顯比草魚[10]的排放量(分別為632和440 kg/1000 kg)低, 但顯著高于虹鱒[35](分別為250和220 kg/1000 kg)和異育銀鯽[8]的排放量(分別為419和282 kg/1000 kg)。原因可能與不同魚類和不同的飼料對飼料營養成分的消化吸收效果具有差異相關。

飼料系數(FCR)是評價飼料報酬的一個重要指標[30], 在動物養殖中, 通常被用來反映魚體對飼料的利用效率。有研究顯示, 由于魚類生長與飼料需求具有直接的關系, 而FCR作為衡量魚類對飼料轉化為體重的效果的主要指標, 同樣可應用于魚類飼料需求模型的驗證中[3,12]。本文通過對模型魚體體重及FCR的模型預測值和實際觀測值進行比較, 結果發現, 本模型對尖吻鱸體重的預測值和觀測值的擬合度較好(R2=0.97), 而FCR的預測值和掛測值的擬合度相對較差(R2=0.57), 且FCR觀測值顯著大于預測值, 表明該模型對尖吻鱸生長的預測效果較好,而對飼料需求量的預測中與實際投喂量有一定偏差, 然而, 采用同樣的方法, Chowdhury等[3]對羅非魚FCR的預測效果較佳, 原因可能在于羅非魚的研究在實驗室進行, 投喂量較為精確, 而本研究投喂數據來自養殖場, 在實際投喂過程中投喂過量所致。

3.4 軟件系統的開發

在水產養殖業中, 飼料投喂量對水產養殖業的生產成本、廢物排放和水產品質量具有決定性的影響[3]。因此, 精確投喂被認為是提高飼料利用率、降低飼養成本和污染排放的重要途徑。然而,由于水產養殖品種眾多, 養殖環境多變, 養殖模式復雜, 所謂的魚類精準投喂仍處于探索期, 雖有一些嘗試使用自動投餌機、傳感器監測設備和NBIoT無線通信技術來設計水產養殖智能管理系統[36],但因為覆蓋低、成本較高, 且易受環境變化干擾等原因而無法大量投入使用。此外, 這些系統只針對各種傳感器監測數據做日常監測, 并未將所有數據如飼料投喂數據、水質監測數據及魚體生長數據關聯起來綜合分析, 各數據之間職能單一, 相互封閉, 在實際養殖過程中無法對生產進行有效的管理。以互聯網、大數據為核心的智慧漁業是一個全新的產業模式, 雖沒有現成的經驗和技術作為參考, 但水產養殖的精準化、數字化、智能化的重要需求及5G技術的快速發展態勢為未來水產養殖智能信息管理平臺提供了良好的發展環境。

圖10 所開發軟件包的前端用戶登錄界面和預測結果界面(UI)Fig.10 Front-end user interface (UI) of the developed software package

在大數據的基礎上構建模型, 能夠推進大數據技術與水產養殖產業的深度融合與應用。當數據樣本數大幅增大的同時, 龐大的數據可以顯著提升模型的精確度, 且在一定程度上降低對數據的要求[37]。基于互聯網技術的軟件平臺是實現水產養殖智能管理最有效的技術手段之一。本研究分析大量水產養殖生產數據的基礎上構建模型, 并為養殖戶及管理者建立了一個線上投喂管理輔助決策系統, 以使養殖戶能夠更加方便快捷的使用本研究所提出的模型預測服務。該在線系統具有以下功能: (1)海量數據記錄與儲存, 用戶注冊或登錄系統后, 可將所養殖魚類名稱、水溫、體重和飼料各營養成分輸入, 系統將會自動儲存這些數據, 以方便對養殖場以往生產數據和現有數據進行對比分析;(2)生長預測: 用戶可根據上傳養殖場的生產數據,如水溫、初始體重和養殖時間, 使用當前研究計算出的默認TGC生長率預測魚的體重。也可以通過上傳自己以往的年生長和水溫變化等生產數據, 計算自己的TGC生長速率, 做進一步的生長預測;(3)飼料需求量預測: 用戶可以將養殖場不同生長階段所用的飼料各營養成分輸入系統, 系統結合魚類生長預測結果可自動估計飼料需求量; (4)氮、磷污染物排出量預測: 系統結合魚類生長預測和飼料需求量預測結果, 可自動估計該魚塘在養殖期間總氮、總磷的排放量。所有結果將自動以表格或圖表形式顯示, 任何用戶都可以對養殖情況一目了然。所有養殖戶或漁業管理人員都可以通過任何瀏覽器和移動設備訪問這個網上水產養殖智能精準養殖預測服務平臺來進行魚類生長、飼料需求量和污染排放量的預測。

在軟件的開發和使用過程中, 本研究實現了電腦(PC)端網頁的開發, 但因為隨著智能手機的普及,及部分漁民對電腦的使用存在障礙, 后期的研究將會開發手機移動端, 并將此養殖預測服務平臺與水質監測設備、自動預警報警系統及一些自動化設備(如自動增氧機、自動投喂機)進行耦合, 使漁民不僅能夠隨時隨地的在手機上直觀的觀察魚塘的水質變化情況, 預測魚類的生長、飼料需求和氮磷排放, 還可以通過自動預警報警系統對魚塘的異常情況進行及時反應, 并通過自動投喂機顯示的實際投喂量對模型預測投喂量不斷的優化, 進一步提高模型對應用魚塘的預測準確度, 從而實現針對不同漁民養殖魚塘的精準養殖預測功能。

4 結論

本研究構建的精準投喂管理輔助決策系統耦合了體重和各營養載體、能量之間的數據模型, 及尖吻鱸不同生長時期TGC生長模型的應用, 驗證實驗中尖吻鱸體重的模型預測值與實際觀測值之間顯著相關, 飼料系數(FCR)模型觀測值大于實際預測值。這表明本實驗中構建的精準投喂管理模型可以有效地估計養殖中魚體生長情況, 但由于實際養殖中飼料投喂多為過量投喂, 可能導致實際投喂量大于養殖需求量, 進而導致污染排放量的增加。本研究中開發的精準投喂管理輔助決策系統軟件,為養殖投喂管理精準化、信息化奠定了一定的理論和技術基礎。

由于模型預測準確性取決于高質量的大量數據, 當有效數據量越多, 模型的準確性越高。本模型驗證的數據主要來自某一海鱸、尖吻鱸漁場, 因此在預測其他漁場某種魚類的生長和飼料需求時,還需要采集大量該養殖場的生產數據, 并將數據輸入此平臺中, 通過對數據的處理和分析, 平臺將自動調整模型參數, 以使該模型預測結果更加精確。