So Verwenden Sie Den Random-Forest-Algorithmus, Um Eine Gruppe Von Fischen in Der Tiefsee Zu Mästen

Freunde, die Sashimi lieben, haben bestimmt schon vom Gelbschwanz-Königsfisch gehört.In Restaurants wird der Gelbschwanz-Bernsteinmakrelenfisch oft als Gelbschwanz-Umbrine oder Gelbschwanz-Bernsteinmakrelenfisch bezeichnet.

Dieser große Tiefseefisch hat festes Fleisch, ist reich an Omega-3, hat keinen fischigen Geruch, schmeckt ausgezeichnet und gilt als erstklassiges Sashimi-Gericht. Der Preis für wilden Gelbschwanz-Bernsteinmakrelen ist aufgrund von Faktoren wie der kurzen Fangsaison und der Schwierigkeit des Fischfangs hoch geblieben.

Wie man Meereslebewesen mästet und gesund hält

Gelbschwanz-Bernsteinmakrelen wachsen schnell, aber die Wildpopulationen sind klein, sodass kommerzieller Fischfang schwierig ist. Mit der Entwicklung der Meeresaquakulturtechnologie kann auch der Gelbschwanz-Königsfisch gezüchtet werden, um die steigende Nachfrage der Verbraucher zu decken.

Für die marine Aquakultur,Wie Sie die Lebensgewohnheiten und Laicheigenschaften von Gelbschwanz-Bernsteinmakrelen vollständig verstehen und ausgewachsene Gelbschwanz-Bernsteinmakrelen gezielt schützen könnenund wird zum Schlüssel zur Verbesserung der Effizienz und Rentabilität der Zuchtproduktion.

Der Gelbschwanz-Königsfisch ist ein Fisch, der je nach Jahreszeit und Temperaturschwankungen regelmäßig wandert. Es ist hauptsächlich in den Gewässern vor küstennahen Felsriffen weit entfernt von der Küste meines Landes, Japans, der koreanischen Halbinsel und Australiens verbreitet.

Dank der Entwicklung von Beobachtungsgeräten wurden im letzten Jahrzehnt im Bereich der biologischen Verfolgung erhebliche Fortschritte erzielt und es konnten zahlreiche Durchbrüche bei der Fernüberwachung von Arten erzielt werden.Bei immer mehr Beobachtungen und Datenerfassungen zum Verhalten von Meeresorganismen werden zunehmend in großem Maßstab Dreiachsen-Beschleunigungsmesser eingesetzt.

Der Dreiachsen-Beschleunigungsmesser misst die Beschleunigung dreier Achsen.Es kann Zeitreihen generieren, die biologische Bewegungen und Aktivitäten beschreiben, und dann anhand der Beschleunigungsmerkmale in der Umgebung auf das Verhalten der Tiere schließen.

Darüber hinaus können Beschleunigerdaten zur Analyse mit räumlich-zeitlichen Daten (Tiefe, geografischer Standort, Jahreszeit usw.) kombiniert werden.Um ökologisch wichtige Verhaltensweisen wie Laichen und Fressen zu bestimmen.

Die vom dreiachsigen Beschleunigungsmesser erfasste Datenmenge ist enorm und kann bis zu Millionen von Zeilen umfassen (einschließlich Beschleunigung, Körperposition usw.). Daher ist zur Klassifizierung des biologischen Verhaltens ein halbautomatisches Analysesystem erforderlich.

Auch das Bewegungsverhalten des Gelbschwanz-Königsfisches ist sehr komplex, die Durchschnittsgeschwindigkeit beträgt 30 bis 40 Kilometer pro Stunde. Bei der Jagd auf Beutetiere kann er sogar blitzschnell auf über 100 Kilometer pro Stunde beschleunigen. Diese Art von plötzlichem "Ausbruch" von Gao Zhenfus Verhalten,Dies hat die Entwicklung automatisierter Analysetechnologien behindert.

Maschinelles Lernen ist für komplexe biologische Daten praktisch

Konfrontiert mit einer großen Menge mehrdimensionaler und komplexer raumzeitlicher Daten, einschließlich Bewegungsgeschwindigkeit, Zeit, Tiefe, geografischer Standort usw.Maschinelles Lernen ist für wissenschaftliche Forscher zur ersten Wahl geworden.

Thomas Clarke, Doktorand an der Fakultät für Naturwissenschaften und Ingenieurwissenschaften der Flinders University,Basierend auf 624 Stunden Beschleunigerdaten von sechs gezüchteten Gelbschwanz-Königsfischen während ihrer Laichzeit wurde ein Random-Forest-Maschinenlernalgorithmus trainiert, um fünf verschiedene Verhaltensweisen von Gelbschwanz-Königsfischen (Schwimmen, Fressen, Verletzung, Flucht und Balz) zu identifizieren.

Dies ist die erste Studie, in der maschinelles Lernen zur Identifizierung des Laichverhaltens wilder Gelbschwanz-Königsfische eingesetzt wird.Dies ist von großer Bedeutung für den Einsatz von KI, um die Fortpflanzungsmuster von Tiefseefischen besser zu verstehen.

In dieser Studie charakterisierten und quantifizierten Thomas Clarke und Kollegen das Verhalten von gezüchteten Gelbschwanz-Königsfischen und stützten sich dabei auf Daten des Benchmark Truth Accelerator.Es wurde ein überwachter Algorithmus für maschinelles Lernen (RF-Modell) entwickelt.

Anschließend wurde das Modell zur Analyse von Daten wilder Gelbschwanz-Königsfische verwendet, um das natürlich auftretende Laichverhalten vorherzusagen.

Gezüchteter wilder Zweikopf-Umbrer, detaillierte Testmethode

 1. Experiment zur Zucht von Gelbschwanz-Königsfischen 

Geschlechtsreife Gelbschwanz-Königsfische (wilde Gelbschwanz-Königsfische, die in Südaustralien gefangen wurden) wurden in großen Behältern untergebracht und ihr Laichverhalten wurde kontinuierlich beobachtet.

Von August 2018 bis Februar 2019 wurden zwei Tracking-Missionen durchgeführt.Es wurden jeweils ein Weibchen und zwei Männchen verfolgt. Die Verhaltensdaten von sechs gezüchteten Gelbschwanz-Bernsteinmakrelen wurden mithilfe eines dreiachsigen Beschleunigungssensor-Datenloggers aufgezeichnet.

Die Gelbschwanz-Königsfische im Behälter wurden herausgenommen und in das Gerät mit AQUI-S (10 ppm) gelegt und markiert.Der Rekorder wird auf dem Rücken des Gelbschwanz-Königsfisches befestigt. Um unterschiedliche Personen unterscheiden zu können, werden Beschleunigungstasten, Nachtmodus etc. differenziert.Drei Stunden nach Abschluss der Markierung wurden die Verhaltensdaten des Gelbschwanz-Bernsteinmakrelen aufgezeichnet.

 2. Wilder Gelbschwanz-Königsfisch-Test 

Zwischen Oktober 2015 und November 2019Die Forscher fingen und markierten acht wilde Gelbschwanz-Bernsteinmakrelen von ähnlicher Größe wie gezüchtete Gelbschwanz-Bernsteinmakrelen und zeichneten mit einem Beschleunigungsmesser zwei bis drei Tage lang Daten auf.

Wilder Gelbschwanz-Bernsteinmakrelen haben die gleichen Spezifikationen wie gezüchtete Gelbschwanz-Bernsteinmakrelen, mit einem festen Beschleuniger. Der Unterschied besteht darin, dass der Beschleuniger für wilde Gelbschwanz-Bernsteinmakrelen ein selbstabtrennbares und wiederherstellbares Installationspaket ist.Es enthält einen Beschleunigungsmesser, einen Funksender und einen intelligenten Ortungs- und Temperaturübertragungs-Tag, der nach 2–3 Tagen von selbst abfällt.

 3. Datenanalyse 

Beschleunigerdaten können über IGOR Pro heruntergeladen und mit der Ethographer-Software visualisiert und analysiert werden.

Zunächst werden ungültige Daten gelöscht, die auf unzureichendes Licht oder eine nicht erfasste Zielerfassung durch die Kamera zurückzuführen sind.

Berechnen Sie die statische Beschleunigung und die dynamische Beschleunigung auf den drei Beschleunigungsachsen.Filtern Sie dominante Signale heraus, die durch Schwanzschlagen und Körperhaltung verursacht werden, und isolieren Sie Verhaltensweisen mit Beschleunigungen mit hoher Amplitude.

Durch Beobachtung der Beschleunigungsdaten der Zeitreihe kann das potenzielle Explosionsverhalten des Gelbschwanz-Königsfisches bestimmt werden.In den Videos lassen sich fünf Verhaltenskategorien des Gelbschwanz-Königsfisches erkennen: Fressen, Schwimmen, Fliehen, Balz oder Verletzung.

 4. Entwicklung eines Klassifizierungsalgorithmus für maschinelles Lernen 

Die Vorhersagen basieren auf der Random-Forest-Klassifizierung.Ein einzelner Datensatz wurde mit den Werten aller Prädiktorvariablen gebildet und dann zufällig in zwei Teile aufgeteilt: 70% wurde für das Modelltraining verwendet und 30% wurde als Validierungssatz zur Bewertung der Modellleistung verwendet.

Der Ntree-Wert beginnt bei 500 und steigt schrittweise auf 2000 an. Darüber hinaus wurde die Anzahl der pro Mtry zufällig ausgewählten Variablen getestet, um die Auswirkungen auf die Modellfehlerrate zu bewerten.

Während der Modellkonstruktion verwendeten die Autoren 64 Prädiktorvariablen, um die Genauigkeit des Modells weiter sicherzustellen.

 5. Bewertung der Modellleistung 

Leistungskennzahlen von Klassifizierungsmodellen, berechnet aus der RF-Konfusionsmatrix.Die Konfusionsmatrix bestimmt das wahre Positiv (TP), das falsche Positiv (FP) und das falsche Negativ (FN).Außerdem wird eine Vergleichstabelle der tatsächlich beobachteten Werte aller Verhaltenskategorien des Gelbschwanz-Königsfisches und der vom Modell vorhergesagten Werte bereitgestellt.

 6. Vorhersage des Verhaltens wilder Gelbschwanz-Königsfische 

Verwenden Sie den RF-Algorithmus, um die Verhaltensdaten von 8 wilden Gelbschwanz-Königsfischen vorherzusagen.Es wurde festgestellt, dass die Gesamtgenauigkeit des Modells 94% erreichte.

Schwimmen und Fressen wiesen die höchste Erkennungsgenauigkeit auf und übertrafen 84%, gefolgt von Balz, Flucht und Verletzung mit niedrigeren Klassifizierungsgenauigkeitswerten.

Bis wir den Ozean verstehen, ist es noch ein langer Weg

Der Ozean ist die Schatzkammer der Erde an Ressourcen.

Neben ihrem wirtschaftlichen Wert ist das Meeresleben auch für das ökologische Gleichgewicht des Ozeans von entscheidender Bedeutung. Die Erforschung der Ozeane kann uns helfen, das Leben im Meer, Energie und andere Ressourcen besser zu verstehen und ist auch ein wichtiges Thema für die rationale Entwicklung und den Schutz der Meeresressourcen.