Искусственный интеллект и цифровые инновации в прецизионном аквакультуре: достижения, применения и перспективы
Artificial intelligence and digital innovations in precision aquaculture: Advancements, applications, and future directions
2026-03-10
SCID: 54.1/5ths3w2u
Discuss with AI
ИИ в прецизионном аквакультивированииинтеграция IoT и Big Dataцифровые двойникиразвёртывание Edge AIфедеративное обучение
Figures from the paper
Abstract (AI)
Интеграция ИИ, Интернета вещей (IoT) и больших данных революционизирует автоматизацию и предиктивное управление в аквакультуре. Передовые технологии, включая федеративное обучение, блокчейн и цифровые двойники, повышают оптимизацию процессов. Социально-экономические, инфраструктурные и регуляторные барьеры влияют на масштабное внедрение ИИ в аквакультуре. Сектор аквакультуры переживает быструю цифровую трансформацию, обусловленную ускоренным развитием технологий искусственного интеллекта (ИИ). В данном обзоре анализируется, как ИИ вместе с Интернетом вещей (IoT) и большими данными преобразует умные системы аквакультуры посредством интеллектуальной автоматизации, принятия решений в реальном времени и предиктивной аналитики. Методологии ИИ, такие как машинное обучение, глубокое обучение, модели с вниманием и гибридные алгоритмы, обеспечивают значительные улучшения в прогнозировании качества воды, обнаружении заболеваний, оптимизации кормления и анализе поведения. Обзор также рассматривает передовые инновации за пределами традиционных приложений ИИ, включая федеративное обучение, объяснимый ИИ (XAI), внедрение edge AI и перенос обучения (transfer learning), которые решают критические проблемы, связанные с масштабируемостью данных и систем в динамичных условиях аквакультуры. Особое внимание уделяется интеграции ИИ с системами IoT и разработке цифровых двойников для моделирования и оптимизации процессов аквакультуры с целью предиктивного управления. Кроме того, оценивается потенциал квантового ИИ и блокчейн-технологий в контексте перспективных устойчивых систем аквакультуры. Обзор также содержит критическую оценку социально-экономических барьеров, инфраструктурных ограничений, этических соображений и регуляторных пробелов, препятствующих широкому внедрению ИИ, особенно в сельских и ресурсно-ограниченных условиях. Этот анализ предлагает перспективную рамочную модель для разработки масштабируемых, устойчивых и ресурсостойких систем аквакультуры, усиленных технологиями ИИ следующего поколения.
Key Findings
1
Передовые подходы — федеративное обучение, объяснимый ИИ, ИИ на периферии и переносное обучение — решают проблемы данных и масштабируемости в динамичных условиях аквакультуры.
2
Интеграция ИИ с IoT и разработка цифровых двойников позволяют моделировать и оптимизировать процессы аквакультуры для предиктивного управления.
3
Интеграция ИИ, Интернета вещей и больших данных революционизирует автоматизацию, принятие решений в реальном времени и предиктивное управление в аквакультуре.
4
Методы машинного обучения, глубокого обучения, моделей с вниманием и гибридные алгоритмы улучшают прогнозирование качества воды, обнаружение болезней, оптимизацию кормления и анализ поведения.
5
Социально-экономические, инфраструктурные, этические и нормативные барьеры, особенно в сельских и ограниченных ресурсах, препятствуют масштабному внедрению ИИ; блокчейн и квантовый ИИ рассматриваются как потенциальные будущие решения.
Research Object
Системы умного/точного аквакультуры (системы аквовозделывания с поддержкой AI, IoT и Big Data)
Research Subject
Интеграция и применение AI и цифровых инноваций (машинное обучение, глубокое обучение, федеративное обучение, объяснимый AI, edge AI, цифровые двойники, блокчейн, квантовый AI) для автоматизации, принятия решений в реальном времени, предиктивного управления, прогнозирования качества воды, выявления заболеваний, оптимизации кормления, анализа поведения, а также решения задач масштабируемости и устойчивости в аквакультуре
Publication Details
Publication Date
2026-03-10
Journal
Publisher
ISSN
Cited by
2
Open access PDF
Access Type
Author Information
Download PDF
Subscribe to digest
Источники этой статьи в scid.ai5
Интерпретация моделей «чёрного ящика»: обзор объяснимого искусственного интеллекта2023
Вклад систем аквакультуры в глобальное производство аквакультуры2023
Интеграция агентов искусственного интеллекта с Интернетом вещей для улучшенного экологического мониторинга: приложения в области качества воды и климатических данных2025
Глубокое обучение для устойчивого аквакультуры: возможности и вызовы2025
Бесконтактные методы оценки биомассы в аквакультуре с акцентом на рыбу: обзор2019