ランダムフォレストアルゴリズムを使用して深海で魚の群れを太らせる方法

刺身好きの友人ならブリヒラマサの名前を聞いたことがあるはず。レストランでは、ブリのことをブリまたはハマチと呼ぶことがよくあります。

身が緻密でオメガ3が豊富で生臭みがなく、刺身としては最高級の深海魚です。天然ブリの価格は漁期の短さや漁の難しさなどから高止まりが続いている。

海洋生物を太らせて育てる方法

ブリカンパチは成長が早いが、天然個体数が少ないため商品化が難しい。海洋養殖技術の発展により、増大する消費者の需要に応えるためにブリの養殖も可能になりました。

海洋養殖に関しては、カンパチの生活習性や産卵・繁殖特性を総合的に理解し、目標を持ってカンパチ成魚を保護する方法、品種生産効率と収益性を向上させる鍵となります。

ブリは、季節や気温の変化に応じて定期的に回遊する魚で、主に我が国、日本、朝鮮半島の沿岸および海岸から離れた沖合の岩礁域に分布しています。

過去 10 年間、観察機器の発展のおかげで、生物学的追跡の分野は大きく発展し、種の遠隔監視において多くの画期的な進歩が見られました。海洋生物の行動に関する観測やデータ収集には、3 軸加速器を大規模に使用するものが増えています。

3軸加速器は3軸の加速度を計測し、生物学的な動きや活動を記述する時系列を生成し、環境内の加速度の特性に基づいて動物の行動を推定できます。

さらに、加速器データを時空間データ（深度、地理的位置、季節など）と組み合わせて分析することもできます。産卵や摂食などの生態学的に重要な行動を決定する。

3 軸加速器によって収集されるデータの量は膨大で、数百万行にも及ぶため (加速度、体の位置などを含む)、生物学的行動を分類するには半自動分析システムが必要です。

ブリの移動行動も非常に複雑で、平均速度は時速30～40キロ、獲物を追うために時速100キロを超える速度で加速することもあります。高振福のこのような突然の「暴発」行動、これは自動分析技術の開発を妨げます。

複雑な生物学的データ、機械学習が便利

移動速度、時間、深さ、地理的位置などを含む多次元かつ複雑な時空間データに直面し、機械学習は科学研究者にとって第一の選択肢となっています。

フリンダース大学理工学部の博士課程学生であるトーマス・クラーク氏は、産卵期の6頭の養殖ブリの624時間の加速器データに基づいて、ランダムフォレスト機械学習アルゴリズムがトレーニングされ、ブリの5つの異なる行動（泳ぐ、食べる、怪我、逃げる、求愛）が決定されました。

これは、機械学習技術を利用して天然ブリの産卵行動を特定した初めての研究です。AIを活用して深海魚の生殖パターンをより深く理解することは非常に重要です。

この研究で、Thomas Clarke らは、Truth Accelerator のベースライン データに基づいて、養殖ブリの行動を特徴付け、定量化しました。教師あり機械学習アルゴリズム (RF モデル) が開発されました。

次に、このモデルを使用して天然ブリのデータを分析し、自然に発生する産卵行動を予測しました。

飼育野生動物の両端を捕獲、試験方法を詳しく解説

 1. ブリの繁殖実験 

性的に成熟したブリ（南オーストラリア州で捕獲された天然ブリ）を大型コンテナに貯蔵し、産卵行動を継続的に観察しました。

2018年8月から2019年2月にかけて、2回の追跡ミッションが実施された。毎回、メスの魚 1 匹とオスの魚 2 匹を追跡します。 3 軸加速度計データレコーダーを使用して、6 匹の養殖ブリの行動データを記録しました。

ブリカンパチを容器から取り出し、ラベル用のAQUI-S（10ppm）を含む装置に置きます。ブリの背中にはレコーダーが固定されており、個体識別のためアクセルボタンやナイトモードなども全て識別されていました。標識付け完了から3時間後、ブリ・カンパチの行動データの記録を開始した。

 2. 天然ブリの実験 

2015年10月から2019年11月までの間、研究者らは、養殖ブリとサイズが似た8匹の天然ブリを捕獲してタグを付け、加速器を使って2～3日間データを記録した。

天然ブリのアクセルは養殖ブリと同じ仕様で固定式となっておりますが、天然ブリのアクセルは単体で回収可能な設置パッケージとなっている点が異なります。これには、加速器、無線送信機、インテリジェント測位および温度送信タグが含まれており、これらは 2 ～ 3 日後に自然に剥がれることがあります。

 3. データ分析 

加速器データは IGOR Pro を通じてダウンロードし、Ethographer ソフトウェアを使用して視覚化できます。

まず、照明が不十分であるか、カメラがターゲットを捉えていないために無効なデータを削除します。

加速度3軸の静加速度と動加速度を計算し、尾の羽ばたきや体の姿勢によって引き起こされる主要な信号をフィルターで除去し、高振幅の加速度による動作を分離します。

時系列の加速度データを観測することで、ブリの爆発の可能性を特定できます。動画からは、食べる、泳ぐ、逃げる、求愛、怪我の5つのブリの行動カテゴリーが観察できます。

 4. 機械学習分類アルゴリズムの開発 

ランダムフォレスト分類法に基づく予測。すべての予測子変数の値を使用して単一のデータセットが形成され、モデル トレーニング用の 70% とモデルのパフォーマンスを評価するための検証セットとしての 30% の 2 つの部分にランダムに分割されました。

ntree 値は 500 から始まり、2000 まで徐々に増加します。さらに、モデルエラー率への影響を評価するために、mtry ごとにランダムにサンプリングされた変数の数がテストされました。

モデルの構築プロセス中に、著者はモデルの精度をさらに保証するために 64 の予測変数を使用しました。

 5. モデル性能評価 

分類モデルのパフォーマンス指標は、RF 混同行列から計算されます。混同行列は、真陽性 (TP)、偽陽性 (FP)、および偽陰性 (FN) を決定します。また、ブリの全行動カテゴリーの実測値とモデル予測値の比較表も掲載しています。

 6. 天然ブリの行動を予測する 

RFアルゴリズムを用いて天然ブリ8尾の行動データを予測し、モデルの全体的な精度は 94% に達することがわかりました。

水泳と食事の認識精度は 84% を上回って最も高く、次いで求愛、逃走、怪我が分類精度スコアの低かった。

海洋を理解するには長い道のりがあります

海は地球資源の宝庫です。

海洋生物は、その経済的価値に加えて、海の生態学的バランスの鍵でもあります。海洋を研究することは、海洋生物、エネルギー、その他の資源をより深く理解するのに役立ちます。また、海洋資源の合理的な開発と保護にとっても重要なテーマです。