Глубокое обучение для устойчивого аквакультуры: возможности и вызовы

По мере роста мирового спроса на водные продукты аквакультура стала краеугольным камнем продовольственной безопасности и устойчивого развития. В этом обзоре всесторонне анализируется применение методов глубокого обучения в устойчивой аквакультуре, охватывая ключевые области, такие как обнаружение и подсчёт рыб, прогнозирование роста и мониторинг состояния здоровья, интеллектуальные системы кормления, прогнозирование качества воды, а также анализ поведения и стресса. Исследование рассматривает пригодность архитектур глубокого обучения, включая сверточные нейронные сети (CNN), рекуррентные нейронные сети (RNN), генеративно-состязательные сети (GAN), Transformers и MobileNet, в сложных водных средах, характеризующихся низким качеством изображений и сильной окклюзией. Отмечаются текущие проблемы, связанные с дефицитом данных, производительностью в реальном времени, обобщающей способностью моделей и адаптацией между доменами. Перспективы исследований включают мультимодальное слияние данных, edge-вычисления, разработку лёгких моделей, генерацию синтетических данных и платформы виртуального земледелия на основе цифровых двойников. Глубокое обучение способно привести аквакультуру к большей интеллектуальности, эффективности и устойчивости.