機器學習在漁業研究中的應用進展與展望

周文英，史文崇

(河北科技師范學院數學與信息科技學院，河北 秦皇島 066004)

人類信息社會進入大數據時代，數據呈井噴式增長，一些傳統工具日漸難以勝任大數據環境下的數據處理工作。而機器學習、云計算等手段在數據挖掘、數據模擬等大數據處理方面優勢明顯。機器學習可使計算機利用這些數據模擬或實現人類的學習行為，幫助人類發現和利用數據之間潛在的客觀規律，已逐漸應用于許多領域，如氣象研究、生物研究、病理研究等。

在此大背景下，漁業研究也不例外。目前，漁業大數據特征也已凸顯并引起國內外學者的關注[1-2]，許多科學家紛紛行動起來：芬蘭學者將大數據用于漁業可持續發展研究[3]；韓國學者開發了漁業研發大數據平臺并推出了元數據管理策略[4]；美國學者基于“大漁業”理念和大數據背景研究“小螃蟹”問題[5]……但漁業大數據研究目前仍存在分析與應用不足[2]等問題，而機器學習是解決這一問題的必然選擇。中國是漁業大國，目前國家大力倡導數字漁業、綠色漁業、生態漁業、智慧漁業，在許多應用系統[6]中，既需要探究發現已有數據要素之間潛在的聯系，也需要分析新的數字系統持續觀測、不斷生成的新數據之間及其與舊數據之間的關系，哪一種新型“漁業”也離不開大數據處理業務。基于數字系統和特有技術的支撐，漁業幾乎可生產人類所需的所有產品[7]。而從讓漁業充分造福人類的視角，應該強化漁業與其他產業大數據的互動研究。因此，將機器學習應用于漁業研究已迫在眉睫。

目前，面向大數據和機器學習的研究工具很多，大型的如TensorFlow、Python、Matlab等軟件，既適用于數據求解、統計分析，還可提供支持向量機、神經網絡、隨機森林等許多算法，實現預測、聚類、分類、模式識別、模型評估等功能，非常適合于開展漁業研究。而研究國內外漁業研究領域機器學習技術的應用狀況，對明晰和引領漁業科技的走向、提升漁業研究的速度和質量具有重要意義。

1 機器學習在漁業研究中的應用情況

國內外將機器學習應用于漁業研究，已涉及漁業生產、漁業產品分類、預測等許多領域。

1.1 機器學習在漁業生產中的應用

1.1.1 機器學習在水產養殖中的應用

機器學習在水產養殖研究方面的應用從微觀到宏觀都有。微觀的研究，如游泳型魚類投喂量預測研究[8]、魚苗長度測量[9]、魚苗計數器與計數方法[10]等。而且不限于漁業生產，有的已涉及日常休閑領域，如魚缸環境監測[11]等。宏觀的研究，如有學者根據循環水精準養殖的特點，提出一種基于多平臺的水產養殖精準管理系統整體設計方案，系統包括信息采集、養殖生產、養殖管理、水質預測、用戶溯源五大功能模塊[12]。2019年，國內最大的深遠海鮑魚養殖平臺“福鮑1號”建成，作為我國首制的智能環保型鮑魚養殖平臺[13]，它也應用了機器學習技術。藍嵐等基于智能視覺物聯網研發的小龍蝦養殖監測系統，具有視頻監控、遠程控制、統計分析、報表模塊[14]；Hannah F等利用機器學習技術對孟加拉國養殖水體進行制圖[15]；Christos P還利用機器學習模型預測水產養殖產品的抗病能力[16]。可見機器學習在水產養殖研究方面的應用已較普遍。

1.1.2 機器學習在漁業捕撈中的應用

漁業捕撈研究或涉及產量、效益等諸多方面，但世界各國普遍更注重捕撈行為的科學管控，避免漁業資源的快速衰竭，確保漁業可持續發展。歐洲曾基于機器學習等技術，開發名為“SMART FISH-H2020”的可持續漁業創新技術項目，優化捕撈效率，減少捕撈對海洋生態系統的影響[17]；呂超等提出了基于機器學習算法的單船捕撈能力影響因素權重分析評價模型[18]；高守瑋等基于機器學習和Stacking算法，發明了一種漁船捕撈方式預測方法[19]；Mannocci L等在金槍魚圍網捕撈中，用回聲浮標數據檢測副漁獲物風險[20]；國外學者還基于物聯網和機器學習的支持向量機算法，研究了通過可穿戴傳感裝置進行捕魚位置檢測的技術[21]；也有學者以太平洋延繩釣漁業為例，利用廣義線性模型和機器學習建立了漁業捕撈航次成本模型，用于捕撈監管影響分析[22]；Sánchez C N等研究了具有精確機器學習模型的表觀遺傳目標捕魚問題[23]；Souza E N D等使用數據挖掘和機器學習技術改進衛星對捕魚模式的偵探效果[24]。可見機器學習在漁業捕撈研究方面也已被嘗試并有所收獲。

1.2 機器學習在漁業產品分類中的應用

分類是機器學習較擅長的應用之一。在漁業研究中，應用也較廣泛。國外Lalabadi H M等基于人工神經網絡和支持向量機原理，利用眼睛和魚鰓的色彩特點檢驗魚的新鮮程度，并對其進行分類[25]； Cui Y H等利用深度卷積神經網絡、數據增強方法、批量歸一化技術等，對螃蟹性別進行分類[26]。國內許多文獻也都基于深度卷積神經網絡，研究了魚的分類或識別問題[27-30]。Snapir B等還研究了北海海上船舶分類問題[31]。可見，機器學習在漁業產品或漁業用具分類方面的應用已經非常成熟。

1.3 機器學習在水質與漁業生態監測中的應用

水質、生態環境是影響水產品產量、品相和營養成分的重要因素，更關系到漁業的可持續發展。基于機器學習的漁業研究密切關注到這一領域，但更多是微觀、靜態的水質監測研究。Dabrowski J J等提出在狀態空間模型的多步預測中引入均值回歸，實現對蝦池的水質預測[32]； Bansal S等提出利用機器學習方法計算水質指數并進行水質歸類[33]；許新華基于機器視覺和機器學習技術，研究了基于水色圖像的水質評價[34]；曹守啟等利用改進的長短時記憶神經網絡(IPSO-KLSTM)模型和改進的粒子群優化算法，提高溶解氧的預測精度[35]；一些文獻也基于神經網絡，做了類似的探索[36-37]。陳敏嫣等還將機器學習用于水質污染影響魚類體內臟器重金屬超標的研究[38]。Anupama K等提出了一種監測水產養殖水質的機器學習方法[39]。

機器學習在漁業生態方面研究探索極少。國外在十多年前比較關注這一領域，2008年底，有研究者曾在《Ecology，Environment & Conservation Business》發表系列文章，探討漁業生態問題，但并未涉及機器學習。而近年來，關于漁業生態研究，除了前文述及的少量文獻[5]外，已很少涉及。利用機器學習手段研究漁業生態問題的就更少。國內康緒明等利用機器學習手段做了海參產地溯源研究[40]；許婷婷等基于人工智能和機器學習技術，研究了海洋漁業生態自動化監測[41]。

1.4 機器學習在目標識別中的應用

水底目標識別往往涉及對深海生物信號、海洋哺乳動物叫聲的研究，這對海洋生態環境觀測與仿生研究具有重大意義。機器學習在此類研究中也有涉獵。張冠華利用機器學習手段，結合4種鯨目動物叫聲的實測數據，對叫聲信號進行識別和分類[42]；于峰融合利用遷移學習和生成式對抗網絡技術，實現座頭鯨、藍鯨及其他海洋生物叫聲的分類，提高了分類準確率[43]；劉開金利用機器學習多種模型，對海洋噪聲背景下5種典型鯨魚叫聲進行聽覺感知特征提取，并對其進行識別[44]。另外，穆春華等還利用計算機視覺技術和機器學習方法，研究了工業化循環水養殖的殘餌與糞便的識別問題[45]。

1.5 機器學習在漁業預測預報中的應用

對漁場、漁情、產量的預測預報，直接關系到漁業活動的效率和收益，是業界較為關注的話題。此類研究最為活躍，其中機器學習的應用也最受關注。 針對水產養殖和出口規模預測中存在的問題，Zhang Y Z提出了基于BP神經網絡算法的產量預測模型[46]；張魯民提出利用改進的神經網絡模型對養殖產量預測[47]；栗小東等分別利用梯度提升回歸樹和支持向量機2種機器學習方法，分析了東海北部海域的三疣梭子蟹的時空分布，結果顯示梯度提升回歸樹預測效果更好[48]；毛江美等利用BP神經網絡模型對南太平洋長鰭金槍魚進行精準漁場預測[49]；崔雪森等利用支持向量機技術，根據實際的漁獲數據和海洋環境數據建立模型，用于漁情漁場的預測[50]；袁紅春等基于卷積神經網絡，構建了南太平洋漁情漁場預報模型[51]。

漁業病害也是影響漁業資源分布和產量的重要影響因素。朱仁敬提出一種基于模型融合的海水養殖產品的病蟲害識別方法，采用卷積神經網絡對病蟲害進行分析和預測[52]。

1.6 機器學習在水產品貯藏、品質鑒定中的應用

水產品貯藏關系到人民生活，十幾年前，邵磊就基于機器學習之支持向量機技術做過魚類胚胎保存抗凍劑毒性研究[53]。近年來，機器學習在水產品貯存方面的研究應用日趨活躍，此類應用已有一些成功案例。李鑫星等采用機器學習方法，設計了三文魚氣味指紋采集與新鮮度辨識的電子鼻系統，實現了不同冷藏溫度下三文魚新鮮度的檢測與識別[54]；上海大學的研究人員基于原位拉曼光譜技術和機器學習方法，實現冷藏水產品品質的無損、快速、靈敏檢測[55]；鄂旭等基于機器學習技術，發明了一種魚類品質判定方法，可判別魚類是否腐敗，具有精度高、對異常值不敏感的特點[56]；王慧慧等發明了利用機器學習和相關技術檢測鹽漬海參合格品摻假情況的方法[57]；朱鑫宇等根據鹽漬海參的視覺、力學等多感知特征，結合機器學習的單因素方差分析、主成分分析、支持向量機等技術，提出了鹽漬海參的評定方法[58]。此外，日本科學家還通過機器學習手段判斷魚片是否新鮮[59]；Tokunaga K等利用超聲信號和機器學習方法對魚肉進行無損評價[60]；Rehan S等闡釋了利用傳感器和機器學習進行魚類質量評價的一些機理[61]。

1.7 機器學習在漁業其他方面的應用

Weber C T等用機器學習算法從漁業研究類出版物中發現隱藏的主題和次主題，并從出自頂級刊物的2萬多篇文獻中發現了2個建模主題，即估算模型和漁業資源評估模型[62]；Sarr J M A等基于機器學習算法之卷積神經網絡，研究了地面真值標簽的聲學背向散射信號(從海底到海面)的回波圖標注問題，這有利于漁業聲學標記過程的標準化，可用于魚類種群評估和海洋生態系統監測[63]；Syed S等提取了2000—2017年間7萬多篇漁業文獻數據集，并利用社會網絡分析和機器學習相結合的方法，繪制了作者、國家和機構層面的漁業科學家全球科學合作網絡圖[64]；Michael D A等利用來自美國、新西蘭、加拿大和英國的106個漁業管理組織和船隊級屬性數據庫，建立了預測模型，用于預測未來哪些漁業組織或船隊可能會形成合作關系[65]。可見，機器學習在漁業研究中的應用還涉及了漁業文獻研究傾向分析、漁業合作等多個領域。

2 機器學習用于漁業研究中存在的問題

機器學習作為一種新興、有力的工具，應用于國內外漁業研究方興未艾，目前已涉及養殖、捕撈、貯藏、評價等多個領域，涉及魚、蝦、蟹、貝、藻、海參等多類水產品。Matlab、Python等工具類軟件和神經網絡、支持向量機、隨機森林等算法均得到應用，為漁業的健康發展發揮了積極的作用。我國與外國在該領域的研究各有千秋，但從生產、管理兩大領域看，微觀生產領域應用較多，宏觀調控領域應用(例如生態研究)極少；從漁業分支看，養殖業應用較多，捕撈業應用相對較少，儲運、加工服務領域應用也欠拓展；用于靜態研究多，而用于動態跟蹤研究極少，用于與其他產業互動研究更為罕見。總體來說，機器學習技術在漁業應用普及程度還很低。這和機器學習在其他產業的應用狀況相似。

但從近年來發布的一些成果看，一些漁業問題研究者之所以沒有選擇機器學習工具，是因為對機器學習存在認識誤區。例如曾有學者認為機器學習不便克服數據間的多重共線性[66]。其實在機器學習中，主成分回歸、嶺回歸、逐步回歸等相關技術已非常成熟，這些都可以很好地解決多重共線性問題。

另一個不容忽視的問題是，機器學習高度依賴于基礎數據采集和積累，如果沒有足夠堅實的數據基礎，就無從入手機器學習的應用。某些領域研究機器學習應用較少，都與數據采集不便或數據積累不足有關——捕撈業由于魚群、水域、漁船的流動性和隨機性，難以架設長效的數據采集裝置，也不便于數據傳輸，而貝、龜、蛙類養殖業的一些私有小業主因受規模、成本限制，無心架設數據采集裝置。這些都限制了機器學習在漁業研究中的應用。

3 機器學習融入漁業研究的出路

走出認識誤區，突破數據不足局限，是機器學習被廣泛深入地應用于漁業研究的根本出路。

3.1 走出對機器學習的認識誤區

對“高大上”研究工具的畏懼和排斥、對慣用舊工具的熱衷和堅守等消極心態，嚴重妨礙了機器學習用于漁業研究。誠然，回歸、預測等類研究可選用其他分析工具(如SPSS等軟件)完成。但機器學習工具的優勢在于，它們不僅可以輕松解決常規統計類軟件的統計指標求解、回歸、預測等問題，還可通過調用系統函數，輕松應用許多機器學習算法，使研究者從枯燥、繁雜的算法原理和編程事務中解脫出來，而且還可將中間過程和結果可視化、動態化展示。因此機器學習更有利于面向多維度、大數據的研究。Matlab等軟件還采用解釋化編程語言，使這類軟件非常易于被掌控，并且只要掌握了相應函數的調用格式，便可輕松將機器學習技術用于漁業研究。

3.2 及時搜集與獲取基礎數據

收集和建立各種魚群數據集是漁業研究的重要任務和基礎。國家和各地漁業主管部門定期發布的《漁業統計年鑒》和《漁業生產統計公報》，奠定了漁業研究的宏觀數據基礎；中國遠洋漁業數據中心、國家農業科學數據中心漁業分中心成功運作，已經建立了養殖、捕撈、遠洋管理、漁業資源與生物環境的鑒定、監測等多種漁業信息數據庫并提供相應數據服務，極大地緩解了基礎研究者搜集數據之痛。

但微觀、動態的數據常需研究團隊自己架設采集裝置持續觀測。國際上有些組織已充分注意到這些問題，推出了一些技術手段和平臺，使機器學習用于漁業研究迎來了曙光。如，美國已推出的“智能捕撈技術”產品Catch Cam可安裝在拖網內，有利于捕撈活動數據的采集；Google等公司也推出了結合機器學習、云計算技術與衛星數據的在線平臺“Global Fishing Watch”，民眾可由此免費分享全球商業捕撈的活動信息。一般而言，只有漁業企業加強機器視覺、物聯網的研發和應用，以及研究部門加強與數據上游機構的融合與聯系，才能及時獲得第一手數據資源，為機器學習的應用奠定雄厚的數據基礎。通過中國知網查詢可知，目前，國內漁業物聯網專利已達數十種。其中，如“基于大數據和物聯網協同作用的漁業養殖在線智能監測平臺及云服務器”“基于實時物聯網數據采集的漁業養殖及高精度定位跟蹤系統”“一種利用物聯網大數據進行遠洋捕撈作業的漁業系統”等，均具有大數據采集、傳輸功能，都有利于實時或過程性數據的獲取。盡快推廣這些專利走向應用，進一步研究構建適于漁業領域的大數據管理體系[67]，突破數據標準化、共享程度低的短板[68-70]，并在漁業管理中采取相應優惠政策——如漁政部門對捕撈船只和養殖小業主施行一些倡導安裝數據采集裝置的鼓勵性優惠政策，將更便于漁業實時數據的采集與獲取，有利于機器學習被廣泛深入地應用于漁業研究中。

4 機器學習用于漁業研究的前景

隨著機器學習技術的發展和不斷深入人心，隨著物聯網的不斷延伸和漁業數據平臺的相繼搭建和不斷融合，機器學習必將深入到漁業研究諸多領域，促進漁業可持續健康發展。實踐表明，機器學習在漁業研究領域大有用武之地，但關于漁業產業結構優化、漁業可持續發展的宏觀和動態研究，遠比增產、增收等微觀研究重要得多，因而亟待加強。考慮到產量占比，目前將機器學習廣泛深入地用于加強舟山海域、南海海域捕撈活動動態監控研究，加強長江水域、渤海水域漁業生態研究特別是動態模擬研究，對落實國家發改委《中國水生生物資源養護行動綱要》和落實農業部等部門《關于推進大水面生態漁業發展的指導意見》，有非常重要的現實意義；而對于漁業產品綜合加工利用等方面的研究，機器學習也大有可為，任重道遠。