Acoustic Fish Telemetry and Machine Learning in Ocean Farm 1

Abstract

Til tross for den høye effektiviteten i dagens lakseproduksjon, gjenstår det betydelig potensial for videre optimalisering og forbedring. For å oppnå dette kreves det innsamling av mer data og innsikt om prosesser på både populasjons- og individnivå. En detaljert forståelse av individuelle responser på ulike håndteringsregimer, operasjoner og miljøforhold, sammen med variasjonene i disse responsene, kan muliggjøre mer presis drift, som forbedrer både vekst og velferd. Presisjonsfiskoppdrett (PFF) tilbyr et rammeverk som anvender prinsipper fra kybernetikk til fiskeproduksjon. En lovende PFF-applikasjon er akustisk fisketelemetri (AFT), som samler inn individuelle atferdsdata fra fisk ved hjelp av akustiske sensortransmittere og et mottakersystem.

Denne masteroppgaven undersøker integrasjonen av akustisk fisketelemetri og maskinlæringsteknikker i Ocean Farm 1 for å forbedre forståelsen av fiskeatferd i akvakultur. Hovedmålet var å utføre en omfattende utforskende dataanalyse (EDA) og utvikle maskinlæringsmodeller for å analysere akustiske telemetradata sammen med ulike miljøparametere for å finne sammenhenger og få innsikt i lakseatferd.

Signifikante atferdsmønstre ble identifisert fra EDA, og viste sterke korrelasjoner mellom lakseatferd og miljøforhold. Nøkkelfunn indikerte at strømstyrke og -retning påvirket horisontal posisjonering, mens bølgehøyde signifikant påvirket vertikal posisjonering. Dimensjonsreduksjonsteknikker som PCA og UMAP ble brukt for å identifisere klynger i dataene, videre analysert ved hjelp av K-means clustering, som avslørte distinkte dag- og nattatferdsmønstre.

Den prediktive modellen var en Random Forest Regressor, som viste lovende egenskaper til å forutsi atferdsendringer. Modellen fanget opp 87 % av variansen i lakseposisjon i dybden, men var mindre effektiv for horisontal posisjonering, og fanget bare opp 16 % av variansen. Denne forskjellen fremhever utfordringene ved å forutsi 2D-posisjoner på grunn av de komplekse interaksjonene mellom flere miljøparametere og det omfattende området til OF1.

Analysen fremhevet tydelig individuelle forskjeller blant laksen, med modellens ytelse som varierte betydelig mellom ulike fiskeindivider. Kritiske miljøparametere som oksygenmetning, strømnvektorer, temperatur og bølgehøyde var avgjørende for å forutsi horisontal og vertikal atferd.

Oppgaven understreker potensialet for å integrere akustisk telemetri med maskinlæring for å muliggjøre sanntidsovervåking og prediktiv analyse i akvakultur. Denne tilnærmingen kan legge til rette for tidlig intervensjon og mer informerte beslutninger, noe som bidrar til forbedret effektivitet, bærekraft og fiskevelferd i akvakulturmiljøet. Fremtidig forskning bør fokusere på å benytte større datasett med flere miljøparametere og utnytte avanserte dyp-læringsteknikker for å forbedre modellenes prediktive ytelse.

Despite the high efficiency of current salmon production practices, substantial potential for further optimization and improvement remains. Achieving this requires gathering more data and insights about processes at the population and individual levels. A detailed understanding of individual responses to various management regimes, operations, and environmental conditions, along with the variations in these responses, could enable more precise farm management practices, enhancing both growth and welfare. Precision Fish Farming (PFF) offers a framework that applies control-engineering principles to fish production. One promising PFF application is Acoustic Fish Telemetry (AFT), which acquires individual behavioral data from fish using acoustic sensor transmitter tags and a receiver system.

This master's thesis investigates the integration of acoustic fish telemetry and machine learning techniques within Ocean Farm 1 to enhance the understanding of fish behavior in aquaculture. The primary objective was to conduct a comprehensive Exploratory Data Analysis (EDA) and develop machine learning models to analyze acoustic telemetry data alongside various environmental parameters to find relationships and gain insights into salmon behavior.

Significant behavioral patterns were identified from the EDA, revealing strong correlations between salmon behavior and environmental conditions. Key findings indicated that current strength and direction influenced horizontal positioning, while wave height significantly affected vertical positioning. Dimensionality reduction techniques, such as PCA and UMAP, were utilized to identify clusters within the data, further analyzed using K-means clustering, revealing distinct day and night behavior patterns.

The predictive model was a Random Forest Regressor, which demonstrated promising capabilities in forecasting behavioral changes. The model successfully captured 87 % of the variance in the salmon depth but was less effective for horizontal positioning, capturing only 16 % of the variance. This discrepancy highlights the challenges in predicting 2D positions due to the complex interactions between multiple environmental parameters and the expansive area of OF1.

The analysis clearly emphasized individual differences among salmon, with the model's performance varying significantly across different fish. Critical environmental parameters, such as oxygen saturation, current vectors, temperature, and wave height, were crucial for predicting horizontal and vertical behaviors.

The thesis underscores the potential of integrating acoustic telemetry with machine learning to enable real-time monitoring and predictive analytics in aquaculture. This approach may facilitate early intervention and more informed decision-making, contributing to improved efficiency, sustainability, and fish welfare in the aquaculture environment. Future research should focus on incorporating larger datasets with additional environmental parameters and leveraging advanced deep-learning techniques to enhance these models' predictive performance.