机器学习在渔业研究中的应用进展与展望

周文英，史文崇

(河北科技师范学院数学与信息科技学院，河北 秦皇岛 066004)

人类信息社会进入大数据时代，数据呈井喷式增长，一些传统工具日渐难以胜任大数据环境下的数据处理工作。而机器学习、云计算等手段在数据挖掘、数据模拟等大数据处理方面优势明显。机器学习可使计算机利用这些数据模拟或实现人类的学习行为，帮助人类发现和利用数据之间潜在的客观规律，已逐渐应用于许多领域，如气象研究、生物研究、病理研究等。

在此大背景下，渔业研究也不例外。目前，渔业大数据特征也已凸显并引起国内外学者的关注[1-2]，许多科学家纷纷行动起来：芬兰学者将大数据用于渔业可持续发展研究[3]；韩国学者开发了渔业研发大数据平台并推出了元数据管理策略[4]；美国学者基于“大渔业”理念和大数据背景研究“小螃蟹”问题[5]……但渔业大数据研究目前仍存在分析与应用不足[2]等问题，而机器学习是解决这一问题的必然选择。中国是渔业大国，目前国家大力倡导数字渔业、绿色渔业、生态渔业、智慧渔业，在许多应用系统[6]中，既需要探究发现已有数据要素之间潜在的联系，也需要分析新的数字系统持续观测、不断生成的新数据之间及其与旧数据之间的关系，哪一种新型“渔业”也离不开大数据处理业务。基于数字系统和特有技术的支撑，渔业几乎可生产人类所需的所有产品[7]。而从让渔业充分造福人类的视角，应该强化渔业与其他产业大数据的互动研究。因此，将机器学习应用于渔业研究已迫在眉睫。

目前，面向大数据和机器学习的研究工具很多，大型的如TensorFlow、Python、Matlab等软件，既适用于数据求解、统计分析，还可提供支持向量机、神经网络、随机森林等许多算法，实现预测、聚类、分类、模式识别、模型评估等功能，非常适合于开展渔业研究。而研究国内外渔业研究领域机器学习技术的应用状况，对明晰和引领渔业科技的走向、提升渔业研究的速度和质量具有重要意义。

1 机器学习在渔业研究中的应用情况

国内外将机器学习应用于渔业研究，已涉及渔业生产、渔业产品分类、预测等许多领域。

1.1 机器学习在渔业生产中的应用

1.1.1 机器学习在水产养殖中的应用

机器学习在水产养殖研究方面的应用从微观到宏观都有。微观的研究，如游泳型鱼类投喂量预测研究[8]、鱼苗长度测量[9]、鱼苗计数器与计数方法[10]等。而且不限于渔业生产，有的已涉及日常休闲领域，如鱼缸环境监测[11]等。宏观的研究，如有学者根据循环水精准养殖的特点，提出一种基于多平台的水产养殖精准管理系统整体设计方案，系统包括信息采集、养殖生产、养殖管理、水质预测、用户溯源五大功能模块[12]。2019年，国内最大的深远海鲍鱼养殖平台“福鲍1号”建成，作为我国首制的智能环保型鲍鱼养殖平台[13]，它也应用了机器学习技术。蓝岚等基于智能视觉物联网研发的小龙虾养殖监测系统，具有视频监控、远程控制、统计分析、报表模块[14]；Hannah F等利用机器学习技术对孟加拉国养殖水体进行制图[15]；Christos P还利用机器学习模型预测水产养殖产品的抗病能力[16]。可见机器学习在水产养殖研究方面的应用已较普遍。

1.1.2 机器学习在渔业捕捞中的应用

渔业捕捞研究或涉及产量、效益等诸多方面，但世界各国普遍更注重捕捞行为的科学管控，避免渔业资源的快速衰竭，确保渔业可持续发展。欧洲曾基于机器学习等技术，开发名为“SMART FISH-H2020”的可持续渔业创新技术项目，优化捕捞效率，减少捕捞对海洋生态系统的影响[17]；吕超等提出了基于机器学习算法的单船捕捞能力影响因素权重分析评价模型[18]；高守玮等基于机器学习和Stacking算法，发明了一种渔船捕捞方式预测方法[19]；Mannocci L等在金枪鱼围网捕捞中，用回声浮标数据检测副渔获物风险[20]；国外学者还基于物联网和机器学习的支持向量机算法，研究了通过可穿戴传感装置进行捕鱼位置检测的技术[21]；也有学者以太平洋延绳钓渔业为例，利用广义线性模型和机器学习建立了渔业捕捞航次成本模型，用于捕捞监管影响分析[22]；Sánchez C N等研究了具有精确机器学习模型的表观遗传目标捕鱼问题[23]；Souza E N D等使用数据挖掘和机器学习技术改进卫星对捕鱼模式的侦探效果[24]。可见机器学习在渔业捕捞研究方面也已被尝试并有所收获。

1.2 机器学习在渔业产品分类中的应用

分类是机器学习较擅长的应用之一。在渔业研究中，应用也较广泛。国外Lalabadi H M等基于人工神经网络和支持向量机原理，利用眼睛和鱼鳃的色彩特点检验鱼的新鲜程度，并对其进行分类[25]； Cui Y H等利用深度卷积神经网络、数据增强方法、批量归一化技术等，对螃蟹性别进行分类[26]。国内许多文献也都基于深度卷积神经网络，研究了鱼的分类或识别问题[27-30]。Snapir B等还研究了北海海上船舶分类问题[31]。可见，机器学习在渔业产品或渔业用具分类方面的应用已经非常成熟。

1.3 机器学习在水质与渔业生态监测中的应用

水质、生态环境是影响水产品产量、品相和营养成分的重要因素，更关系到渔业的可持续发展。基于机器学习的渔业研究密切关注到这一领域，但更多是微观、静态的水质监测研究。Dabrowski J J等提出在状态空间模型的多步预测中引入均值回归，实现对虾池的水质预测[32]； Bansal S等提出利用机器学习方法计算水质指数并进行水质归类[33]；许新华基于机器视觉和机器学习技术，研究了基于水色图像的水质评价[34]；曹守启等利用改进的长短时记忆神经网络(IPSO-KLSTM)模型和改进的粒子群优化算法，提高溶解氧的预测精度[35]；一些文献也基于神经网络，做了类似的探索[36-37]。陈敏嫣等还将机器学习用于水质污染影响鱼类体内脏器重金属超标的研究[38]。Anupama K等提出了一种监测水产养殖水质的机器学习方法[39]。

机器学习在渔业生态方面研究探索极少。国外在十多年前比较关注这一领域，2008年底，有研究者曾在《Ecology，Environment & Conservation Business》发表系列文章，探讨渔业生态问题，但并未涉及机器学习。而近年来，关于渔业生态研究，除了前文述及的少量文献[5]外，已很少涉及。利用机器学习手段研究渔业生态问题的就更少。国内康绪明等利用机器学习手段做了海参产地溯源研究[40]；许婷婷等基于人工智能和机器学习技术，研究了海洋渔业生态自动化监测[41]。

1.4 机器学习在目标识别中的应用

水底目标识别往往涉及对深海生物信号、海洋哺乳动物叫声的研究，这对海洋生态环境观测与仿生研究具有重大意义。机器学习在此类研究中也有涉猎。张冠华利用机器学习手段，结合4种鲸目动物叫声的实测数据，对叫声信号进行识别和分类[42]；于峰融合利用迁移学习和生成式对抗网络技术，实现座头鲸、蓝鲸及其他海洋生物叫声的分类，提高了分类准确率[43]；刘开金利用机器学习多种模型，对海洋噪声背景下5种典型鲸鱼叫声进行听觉感知特征提取，并对其进行识别[44]。另外，穆春华等还利用计算机视觉技术和机器学习方法，研究了工业化循环水养殖的残饵与粪便的识别问题[45]。

1.5 机器学习在渔业预测预报中的应用

对渔场、渔情、产量的预测预报，直接关系到渔业活动的效率和收益，是业界较为关注的话题。此类研究最为活跃，其中机器学习的应用也最受关注。 针对水产养殖和出口规模预测中存在的问题，Zhang Y Z提出了基于BP神经网络算法的产量预测模型[46]；张鲁民提出利用改进的神经网络模型对养殖产量预测[47]；栗小东等分别利用梯度提升回归树和支持向量机2种机器学习方法，分析了东海北部海域的三疣梭子蟹的时空分布，结果显示梯度提升回归树预测效果更好[48]；毛江美等利用BP神经网络模型对南太平洋长鳍金枪鱼进行精准渔场预测[49]；崔雪森等利用支持向量机技术，根据实际的渔获数据和海洋环境数据建立模型，用于渔情渔场的预测[50]；袁红春等基于卷积神经网络，构建了南太平洋渔情渔场预报模型[51]。

渔业病害也是影响渔业资源分布和产量的重要影响因素。朱仁敬提出一种基于模型融合的海水养殖产品的病虫害识别方法，采用卷积神经网络对病虫害进行分析和预测[52]。

1.6 机器学习在水产品贮藏、品质鉴定中的应用

水产品贮藏关系到人民生活，十几年前，邵磊就基于机器学习之支持向量机技术做过鱼类胚胎保存抗冻剂毒性研究[53]。近年来，机器学习在水产品贮存方面的研究应用日趋活跃，此类应用已有一些成功案例。李鑫星等采用机器学习方法，设计了三文鱼气味指纹采集与新鲜度辨识的电子鼻系统，实现了不同冷藏温度下三文鱼新鲜度的检测与识别[54]；上海大学的研究人员基于原位拉曼光谱技术和机器学习方法，实现冷藏水产品品质的无损、快速、灵敏检测[55]；鄂旭等基于机器学习技术，发明了一种鱼类品质判定方法，可判别鱼类是否腐败，具有精度高、对异常值不敏感的特点[56]；王慧慧等发明了利用机器学习和相关技术检测盐渍海参合格品掺假情况的方法[57]；朱鑫宇等根据盐渍海参的视觉、力学等多感知特征，结合机器学习的单因素方差分析、主成分分析、支持向量机等技术，提出了盐渍海参的评定方法[58]。此外，日本科学家还通过机器学习手段判断鱼片是否新鲜[59]；Tokunaga K等利用超声信号和机器学习方法对鱼肉进行无损评价[60]；Rehan S等阐释了利用传感器和机器学习进行鱼类质量评价的一些机理[61]。

1.7 机器学习在渔业其他方面的应用

Weber C T等用机器学习算法从渔业研究类出版物中发现隐藏的主题和次主题，并从出自顶级刊物的2万多篇文献中发现了2个建模主题，即估算模型和渔业资源评估模型[62]；Sarr J M A等基于机器学习算法之卷积神经网络，研究了地面真值标签的声学背向散射信号(从海底到海面)的回波图标注问题，这有利于渔业声学标记过程的标准化，可用于鱼类种群评估和海洋生态系统监测[63]；Syed S等提取了2000—2017年间7万多篇渔业文献数据集，并利用社会网络分析和机器学习相结合的方法，绘制了作者、国家和机构层面的渔业科学家全球科学合作网络图[64]；Michael D A等利用来自美国、新西兰、加拿大和英国的106个渔业管理组织和船队级属性数据库，建立了预测模型，用于预测未来哪些渔业组织或船队可能会形成合作关系[65]。可见，机器学习在渔业研究中的应用还涉及了渔业文献研究倾向分析、渔业合作等多个领域。

2 机器学习用于渔业研究中存在的问题

机器学习作为一种新兴、有力的工具，应用于国内外渔业研究方兴未艾，目前已涉及养殖、捕捞、贮藏、评价等多个领域，涉及鱼、虾、蟹、贝、藻、海参等多类水产品。Matlab、Python等工具类软件和神经网络、支持向量机、随机森林等算法均得到应用，为渔业的健康发展发挥了积极的作用。我国与外国在该领域的研究各有千秋，但从生产、管理两大领域看，微观生产领域应用较多，宏观调控领域应用(例如生态研究)极少；从渔业分支看，养殖业应用较多，捕捞业应用相对较少，储运、加工服务领域应用也欠拓展；用于静态研究多，而用于动态跟踪研究极少，用于与其他产业互动研究更为罕见。总体来说，机器学习技术在渔业应用普及程度还很低。这和机器学习在其他产业的应用状况相似。

但从近年来发布的一些成果看，一些渔业问题研究者之所以没有选择机器学习工具，是因为对机器学习存在认识误区。例如曾有学者认为机器学习不便克服数据间的多重共线性[66]。其实在机器学习中，主成分回归、岭回归、逐步回归等相关技术已非常成熟，这些都可以很好地解决多重共线性问题。

另一个不容忽视的问题是，机器学习高度依赖于基础数据采集和积累，如果没有足够坚实的数据基础，就无从入手机器学习的应用。某些领域研究机器学习应用较少，都与数据采集不便或数据积累不足有关——捕捞业由于鱼群、水域、渔船的流动性和随机性，难以架设长效的数据采集装置，也不便于数据传输，而贝、龟、蛙类养殖业的一些私有小业主因受规模、成本限制，无心架设数据采集装置。这些都限制了机器学习在渔业研究中的应用。

3 机器学习融入渔业研究的出路

走出认识误区，突破数据不足局限，是机器学习被广泛深入地应用于渔业研究的根本出路。

3.1 走出对机器学习的认识误区

对“高大上”研究工具的畏惧和排斥、对惯用旧工具的热衷和坚守等消极心态，严重妨碍了机器学习用于渔业研究。诚然，回归、预测等类研究可选用其他分析工具(如SPSS等软件)完成。但机器学习工具的优势在于，它们不仅可以轻松解决常规统计类软件的统计指标求解、回归、预测等问题，还可通过调用系统函数，轻松应用许多机器学习算法，使研究者从枯燥、繁杂的算法原理和编程事务中解脱出来，而且还可将中间过程和结果可视化、动态化展示。因此机器学习更有利于面向多维度、大数据的研究。Matlab等软件还采用解释化编程语言，使这类软件非常易于被掌控，并且只要掌握了相应函数的调用格式，便可轻松将机器学习技术用于渔业研究。

3.2 及时搜集与获取基础数据

收集和建立各种鱼群数据集是渔业研究的重要任务和基础。国家和各地渔业主管部门定期发布的《渔业统计年鉴》和《渔业生产统计公报》，奠定了渔业研究的宏观数据基础；中国远洋渔业数据中心、国家农业科学数据中心渔业分中心成功运作，已经建立了养殖、捕捞、远洋管理、渔业资源与生物环境的鉴定、监测等多种渔业信息数据库并提供相应数据服务，极大地缓解了基础研究者搜集数据之痛。

但微观、动态的数据常需研究团队自己架设采集装置持续观测。国际上有些组织已充分注意到这些问题，推出了一些技术手段和平台，使机器学习用于渔业研究迎来了曙光。如，美国已推出的“智能捕捞技术”产品Catch Cam可安装在拖网内，有利于捕捞活动数据的采集；Google等公司也推出了结合机器学习、云计算技术与卫星数据的在线平台“Global Fishing Watch”，民众可由此免费分享全球商业捕捞的活动信息。一般而言，只有渔业企业加强机器视觉、物联网的研发和应用，以及研究部门加强与数据上游机构的融合与联系，才能及时获得第一手数据资源，为机器学习的应用奠定雄厚的数据基础。通过中国知网查询可知，目前，国内渔业物联网专利已达数十种。其中，如“基于大数据和物联网协同作用的渔业养殖在线智能监测平台及云服务器”“基于实时物联网数据采集的渔业养殖及高精度定位跟踪系统”“一种利用物联网大数据进行远洋捕捞作业的渔业系统”等，均具有大数据采集、传输功能，都有利于实时或过程性数据的获取。尽快推广这些专利走向应用，进一步研究构建适于渔业领域的大数据管理体系[67]，突破数据标准化、共享程度低的短板[68-70]，并在渔业管理中采取相应优惠政策——如渔政部门对捕捞船只和养殖小业主施行一些倡导安装数据采集装置的鼓励性优惠政策，将更便于渔业实时数据的采集与获取，有利于机器学习被广泛深入地应用于渔业研究中。

4 机器学习用于渔业研究的前景

随着机器学习技术的发展和不断深入人心，随着物联网的不断延伸和渔业数据平台的相继搭建和不断融合，机器学习必将深入到渔业研究诸多领域，促进渔业可持续健康发展。实践表明，机器学习在渔业研究领域大有用武之地，但关于渔业产业结构优化、渔业可持续发展的宏观和动态研究，远比增产、增收等微观研究重要得多，因而亟待加强。考虑到产量占比，目前将机器学习广泛深入地用于加强舟山海域、南海海域捕捞活动动态监控研究，加强长江水域、渤海水域渔业生态研究特别是动态模拟研究，对落实国家发改委《中国水生生物资源养护行动纲要》和落实农业部等部门《关于推进大水面生态渔业发展的指导意见》，有非常重要的现实意义；而对于渔业产品综合加工利用等方面的研究，机器学习也大有可为，任重道远。