Research progress of intelligent identification technology in aquaculture
-
摘要:
智能识别技术是水产养殖由粗放型向集约型转变的关键技术。水产养殖中的智能识别是通过研究并利用机器视觉和机器学习技术实现水下生物和环境的监测，并对生产管理中出现的问题进行判断、分析和预测，以实现自动化养殖为目的。本文从生物的物种识别与分类、年龄识别、性别识别和行为识别4个方面分析了水产养殖中智能识别技术的研究和发展现状，阐述了水产养殖中采用的主要智能识别技术和原理，并对今后水产养殖中智能识别技术的发展进行了展望，以期为中国渔业现代化、智慧化发展提供参考和新思路。
Abstract:Intelligent identification technology is the key technology for the transformation of aquaculture from crude to intensive. Intelligent recognition in aquaculture is to realize the monitoring of underwater organisms and environment by researching and using machine vision and machine learning technology, and to judge, analyze and predict the problems arising in production management for the purpose of automated aquaculture. This review analyzed the research and development status of intelligent recognition technology in aquaculture from four aspects of species recognition and classification, age recognition, sex recognition and behavior recognition of organisms, described the main intelligent recognition technologies and principles used in aquaculture, and provided an outlook on the future development of intelligent recognition technology in aquaculture, with a view to providing references and new ideas for the modernization and intelligent development of Chinese fisheries industry.
-
氮(N)和磷(P)是影响植物生命活动的必要元素，对调节植物生长发育有重要意义[1]。热带和亚热带地区的土壤风化程度较高导致了土壤磷的缺乏，引起该地区的陆地生态系统受到磷的限制[2]。我国华南地区位于亚热带，近年来的社会发展和人类活动导致了氮沉降的持续发生[3]，可能会进一步加剧磷的限制作用。华南地区林业生产上，经常通过施加磷肥缓解森林土壤的磷缺乏，因此氮、磷添加对于林木生长发育的影响受到广泛关注。
碳(C)是组成植物体的重要结构性物质[4]，在调节林木生长发育和维持生态系统平衡方面发挥着关键作用[5-6]。研究表明，氮和磷等营养元素的输入能够影响植物的碳累积[7]，适度的氮沉降通常有利于植物的生长发育，而长期过量的氮沉降则抑制植物生长，引起土壤酸化并减弱生态系统的固碳能力[8]。磷添加可以缓解生态系统的磷限制，并提高生态系统的生产力。当前，磷沉降的研究主要集中在水生态系统[9]，鲜有森林生态系统磷沉降的报道。近年来，国内对森林生态系统碳储量的研究主要集中在不同林龄[10]、林分类型[11]和土壤[12]等方面，氮沉降对于森林碳储量的影响仍存在争议[13-14]，鲜有磷添加影响森林碳储量的报道。
密度是自然界中重要的选择压力，林分密度影响了植物对光照和养分的吸收利用，并引起相邻植物间对资源的激烈竞争，从而改变森林生物量的积累与分配[15]。当前，关于密度对植物幼苗的影响已有少量研究[16-17]，但鲜见氮、磷添加与密度的交互作用对幼苗碳储量影响的报道。樟树Cinnamomum camphora是我国特有的珍贵用材和经济树种[18]，前人主要研究了樟树的光合作用[19]、生理[20]、土壤碳氮储量[21]、施氮对土壤氮矿化的影响[22]和凋落物量及养分动态特征等[23]。本研究以1年生樟树幼苗为试验材料，通过分析氮、磷添加和不同种植密度对樟树幼苗各器官碳储量和分配格局的影响，以期了解氮磷沉降和密度影响樟树碳分配的机制，为氮磷沉降环境下亚热带地区樟树林的可持续经营提供科学依据。
1. 材料与方法
1.1 试验地概况
试验地位于广东省广州市华南农业大学试验林(113°21′E，23°09′N)，该地年平均气温21.9 ℃，平均相对湿度77%，年降雨量约为1 736 mm，全年水热同期，雨量充沛，属亚热带季风气候。试验地光照充足，适合幼苗的生长，土壤类型为砂页岩发育的酸性红壤，土壤磷含量较低。处理前土壤的pH为4.02，有机质、全氮和全磷的质量分数分别为14.27、0.62和0.17 g·kg−1，碱解氮和有效磷的质量分数分别为57.40和0.10 mg·kg−1。
1.2 试验设计
以广东国森林业有限公司所提供的樟树1年生实生苗为试验材料，幼苗平均株高0.47 m，平均地径0.36 cm，平均冠幅11.10 cm。采用直径35 cm，深30 cm的无纺布美植袋种植，基质为该试验地0~20 cm土层的土壤。本试验选择氯化铵(NH4Cl)模拟大气氮沉降，以二水合磷酸二氢钠(NaH2PO4·2H2O)进行磷添加。根据样地的氮沉降水平背景值以及参考同类研究方法[24-25]，并考虑到未来的氮沉降持续增加，确定N和P的添加量。
试验时间为2017年6—9月。试验采用4×4双因素析因设计。N、P添加处理设置4个水平：不加N和P(对照，CK)，加N，加P，加N+P。N、P及N+P每年的添加量分别为NH4Cl 40 g·m−2，NaH2PO4·2H2O 20 g·m−2，NH4Cl 40 g·m−2+ NaH2PO4·2H2O 20 g·m−2。种植密度设置4个水平：10、20、40和80株·m−2。试验采用完全随机区组设计，共16个处理，每处理3次重复，共48个小区，每个小区16株幼苗。根据处理水平的要求，N、P添加时，将各处理每次所需质量的肥料溶于12 L水中，向每袋的幼苗浇灌200 mL溶液，保证不会引起烧苗的现象，不施肥处理的只浇灌相同量的水。自6月起的每月月初和月中分2次向幼苗施肥直至收获，共施肥8次。幼苗处理前的平均苗高和平均地径分别为(0.47±0.03)和(0.36±0.07) cm。处理前的幼苗各器官生物量和碳含量见表1。
表 1 幼苗处理前各器官单株生物量和碳含量(平均值±标准误差)Table 1. Biomass and carbon content per seedling before treatment (mean ± SE)器官
Organ单株生物量/g
Biomass per seedlingw(C)/(g·kg−1) 根 Root 2.18±1.12 469.57±0.34 茎 Stem 1.11±0.25 487.02±1.92 枝 Branch 0.11±0.08 460.53±1.49 叶 Leaf 0.88±0.31 515.13±2.56 1.3 研究方法
2017年9月底，取16种处理的幼苗各15株，将植株分解为根、茎、枝和叶4部分，称量各器官鲜质量，再将其分别装入信封中编号，置烘箱中105 ℃条件下杀青2 h，转至80 ℃烘24 h至恒质量，称量各器官干质量，求出单株幼苗各器官的生物量，再根据种植密度估算出单位面积各器官的生物量。将不同处理幼苗的根、茎、枝和叶样品充分粉碎后，过60目筛，单株各器官分别取10 g样品，用重铬酸钾外加热法测定碳含量[26-27]，计算幼苗各器官碳储量(碳储量=生物量×碳含量)。土壤pH用电位法测定，用重铬酸钾氧化−外加热法测定土壤有机质含量，土壤全N和全P分别用半微量凯氏法和钼蓝比色法测定，土壤碱解N和有效P含量分别采用碱解−扩散法和0.5 mol·L−1碳酸氢钠法测定[26]。
1.4 数据处理
用Microsoft Excel 2003对数据进行平均值、标准误差分析和作图。用SAS 9.3统计分析软件对植物各器官碳含量和碳储量进行方差分析，而后对有显著差异的数据进行Duncan’ s多重检验，P<0.05为差异显著。
2. 结果与分析
2.1 氮、磷添加对不同种植密度樟树幼苗各器官碳含量的影响
试验结束时，各添加处理下的幼苗茎、枝、根的C含量差异不大。在各种植密度条件下，N和N+P添加处理下的幼苗叶片C含量均高于不加N和P处理(CK)。此外，随着种植密度的增大，叶片C含量表现出下降的趋势(表2)。
表 2 不同种植密度及氮、磷添加处理幼苗各器官的碳含量1)(平均值±标准误差)Table 2. Carbon contents of organs per seedling under different planting densities and nitrogen and phosphorus additions (mean±SE)种植密度/(株·m−2)
Planting densityN、P添加
N and P additionsw(C)/(g·kg−1) 根 Root 茎 Stem 枝 Branch 叶 Leaf 10 CK 452.75±10.52Aa 492.11±21.67Aa 478.82±7.42Aa 477.81±3.18Bc N 447.34±4.82Ba 494.13±2.16Aa 477.82±3.31Ba 499.36±4.91Ab P 446.27±3.87Aa 500.56±1.57Aa 481.53±4.88ABa 501.17±1.56Ab N+P 462.95±2.60Aa 489.97±1.04Ba 481.98±5.13Aa 512.34±3.61Aa 20 CK 460.81±5.39Aa 500.11±1.83Aa 481.11±3.66Aa 494.30±2.87Aab N 457.91±8.47ABa 503.78±7.88Aa 480.64±3.53ABa 502.38±4.51Aa P 466.52±3.48Aa 496.91±2.59Aa 474.63±4.16Ba 484.32±4.44ABb N+P 460.04±4.44Aa 500.79±1.46Aa 482.60±5.00Aa 503.61±4.71Aa 40 CK 459.78±1.86Aab 497.80±2.11Aa 474.88±5.83Aab 474.64±5.10Bab N 469.60±5.10Aab 499.21±8.71Aa 488.58±3.32Aa 480.58±6.92Bab P 447.74±12.65Ab 485.44±5.03Bab 471.16±4.35Bb 465.51±4.06BCb N+P 471.79±4.12Aa 472.21±1.47Cb 475.74±4.70Aab 484.62±4.63Ba 80 CK 457.01±5.11Aa 490.15±7.01Aa 492.16±6.15Aa 480.11±2.77Ba N 457.79±6.02ABa 492.82±2.25Aa 482.77±2.22ABab 483.05±1.17Ba P 449.37±3.65Aa 499.93±3.63Aa 490.58±3.17Aa 448.61±14.61Cb N+P 452.35±14.07Aa 496.53±3.24Aa 475.81±5.28Ab 486.18±4.52Ba 1) 同列数据后，不同大写字母表示相同N、P添加处理下不同种植密度间差异显著，不同小写字母表示相同种植密度下不同N、P添加处理间差异显著(P<0.05，Duncan’ s法)
1)Different capital letters in the same column indicate significant differences among different planting densities under the same N/P addition treatment, and different lowercase letters in the same column indicate significant differences among different N/P addition treatments under the same planting density (P<0.05, Duncan’ s test)2.2 氮、磷添加对不同种植密度樟树幼苗各器官碳储量的影响
与对照相比，N、P添加处理对单株幼苗C总储量整体表现为促进作用，但N、P添加各处理间差异不显著。随着种植密度的增大，相同N、P添加处理的单株幼苗C总储量呈现下降的趋势(表3)。
表 3 不同种植密度及氮、磷添加处理下单株幼苗各器官的碳储量和分配比例1)Table 3. Carbon storage of organs and its allocation per seedling under different planting densities and nitrogen and phosphorus additions种植密度/
(株·m−2)
Planting densityN、P添加
N and P additions根 Root 茎 Stem 枝 Branch 叶 Leaf 全株 Total C储量/g
C storage分配比例/%
RatioC储量/g
C storage分配比例/%
RatioC储量/g
C storage分配比例/%
RatioC储量/g
C storage分配比例/%
RatioC储量/g
C storage分配比例/%
Ratio10 CK 1.19Aa 41.66 0.97Aa 33.95 0.16Bb 5.47 0.54Ac 18.92 2.86Ab 100 N 2.04Aa 35.06 1.30Aa 22.32 0.78Aa 13.37 1.70Ab 29.25 5.82Aa 100 P 1.90Aa 32.78 1.04ABa 17.94 0.93Aa 16.00 1.93Ab 33.28 5.79Aa 100 N+P 2.13Aa 29.27 1.30Aa 17.86 1.05Aa 14.50 2.79Aa 38.37 7.27Aa 100 20 CK 1.00Aa 39.16 0.91ABa 35.33 0.15Bb 5.78 0.51Ac 19.73 2.57ABb 100 N 1.37Ba 32.94 1.07Aa 25.74 0.52Ba 12.38 1.21Ab 28.93 4.17Ba 100 P 1.42Ba 39.72 1.16Aa 32.53 0.26Bb 7.20 0.73Bc 20.55 3.58Ba 100 N+P 1.19Ba 28.11 0.98Aa 23.18 0.51Ba 11.94 1.56Ba 36.76 4.24Ba 100 40 CK 0.79Ab 37.97 0.75Ba 35.96 0.14Bb 6.83 0.40Ab 19.23 2.09BCb 100 N 1.36Ba 46.43 0.96Aa 32.86 0.23Cab 7.74 0.38Bb 12.97 2.93Ca 100 P 1.34Ba 47.16 0.80Ca 28.24 0.27Ba 9.34 0.43BCb 15.26 2.84BCa 100 N+P 1.27Ba 39.60 1.00Aa 31.36 0.31BCa 9.72 0.62Ca 19.33 3.20BCa 100 80 CK 0.79Aa 42.11 0.75Ba 39.84 0.22Aa 11.85 0.12Ba 6.20 1.88Ca 100 N 1.00Ba 43.05 0.90Aa 38.54 0.23Ca 9.74 0.20Ba 8.66 2.33Ca 100 P 0.71Ca 36.03 0.85BCa 42.94 0.21Ba 10.71 0.20Ca 10.33 1.98Ca 100 N+P 1.07Ba 42.72 0.99Aa 39.66 0.18Ca 7.01 0.27Ca 10.61 2.50Ca 100 1) 同列数据后，不同大写字母表示相同N、P添加处理下不同种植密度间差异显著，不同小写字母表示相同种植密度下不同N、P添加处理间差异显著(P<0.05，Duncan’ s法)
1) Different capital letters in the same column indicate significant differences among different planting densities under the same N/P addition, and different lowercase letters in the same column indicate significant differences among different N/P addition under the same planting density (P<0.05, Duncan’ s test)各处理的单株幼苗各器官的C储量分配表现各异。CK处理各密度单株幼苗的C储量的分配比例呈现为根>茎>叶>枝；对于N添加处理，在种植密度10和20株·m−2条件下，单株幼苗C储量分配比例呈现为根>叶>茎>枝，种植密度40株·m−2条件下其呈现为根>茎>叶>枝，种植密度80株·m−2条件下其呈现为根>茎>枝>叶；对于P添加处理，在种植密度10株·m−2条件下，单株幼苗C储量分配比例呈现为叶>根>茎>枝，种植密度20和40株·m−2条件下其呈现为根>茎>叶>枝，种植密度80株·m−2条件下其呈现为茎>根>枝>叶；对于N+P添加处理，在种植密度10和20株·m−2条件下，单株幼苗C储量的分配比例呈现为叶>根>茎>枝，种植密度40和80株·m−2条件下的单株幼苗C储量分配比例呈现为根>茎>叶>枝。可见，P和N+P添加处理在低种植密度条件下，单株幼苗叶的C储量分配比例相对较高，高密度种植则促进了C储量向茎进行分配。
由表4的方差分析可知，单株幼苗各器官C储量和总C储量在各种植密度间和不同N、P添加处理间均存在显著性差异，种植密度对单株幼苗及各器官C储量的影响均大于各N、P添加处理。种植密度和N、P添加处理的交互作用对单株幼苗的枝、叶和总C储量有显著影响。
表 4 不同种植密度和氮、磷添加对单株幼苗各器官碳储量交互作用的方差分析Table 4. Variance analyses of interaction effects of planting density and nitrogen and phosphorus additions on carbon storage of organs per seedling器官碳储量
Carbon storage of organs种植密度
Planting densityN、P添加
N and P additions种植密度与N、P添加交互作用
Interaction effect of planting density and N and P additionsF P F P F P 根 Root 17.219 0.000 6.261 0.001 1.003 0.441 茎 Stem 6.800 0.000 4.157 0.007 0.745 0.667 枝 Branch 33.459 0.000 13.035 0.000 5.281 0.000 叶 Leaf 93.367 0.000 28.212 0.000 8.978 0.000 全株 Total 54.661 0.000 18.687 0.000 3.565 0.001 2.3 氮、磷添加和不同种植密度处理下樟树幼苗各器官的单位面积碳储量
如表5所示，各N、P添加处理下幼苗各器官的单位面积C储量有所差异。总体而言，N、P添加处理能够促进幼苗的单位面积C储量增加，但是随着种植密度的增大，其促进效果逐渐减弱。
表 5 不同种植密度及氮、磷添加处理下幼苗各器官的单位面积碳储量和分配比例1)Table 5. Carbon storage of organs and its allocation in unit area under different planting densities and nitrogen and phosphorus additions种植密度/
(株·m−2)
Planting densityN、P添加
N and P additions根 Root 茎 Stem 枝 Branch 叶 Leaf 全株 Total C储量/
(g·m−2)
C storage分配比
例/%
RatioC储量/
(g·m−2)
C storage分配比
例/%
RatioC储量/
(g·m−2)
C storage分配比
例 /%
RatioC储量/
(g·m−2)
C storage分配比
例/%
RatioC储量/
(g·m−2)
C storage分配比
例/%
Ratio10 CK 11.89Ca 41.66 9.70Da 33.95 1.56Cb 5.47 5.40Cc 18.92 28.55Db 100 N 20.40Ca 35.00 12.98Ca 22.32 7.78Ba 13.37 17.02Bb 29.55 58.18Ca 100 P 18.99Ba 32.78 10.39Ca 17.94 9.27Ca 16.00 19.28Ab 33.28 57.93Ca 100 N+P 21.28Ca 29.27 12.99Ca 17.86 10.54Aa 14.50 27.90Aa 38.37 72.71Ca 100 20 CK 20.07BCa 39.16 18.11Ca 35.33 2.96Cb 5.78 10.11Bc 19.73 51.25Cb 100 N 27.47Ca 32.94 21.46BCa 25.74 10.33Ba 12.38 24.13Bb 28.93 83.39BCa 100 P 28.41Ba 39.72 23.27Ba 32.53 5.15BCb 7.20 14.70Ac 20.55 71.53Ba 100 N+P 23.84Ca 28.11 19.66Ca 23.18 10.13Aa 11.94 31.18Aa 36.76 84.80BCa 100 40 CK 31.80Bb 37.97 30.11Ba 35.96 5.72Bb 6.83 16.11Ab 19.23 83.74Bb 100 N 54.37Ba 46.43 38.47Ba 32.86 9.07Bb 7.74 15.18Bb 12.97 117.10Ba 100 P 53.62Aa 47.16 32.10Ba 28.24 10.62Ba 9.34 17.34Ab 15.26 113.68Ba 100 N+P 50.62Ba 39.60 40.08Ba 31.36 12.42Aa 9.72 24.70Aa 19.33 127.82Ba 100 80 CK 63.24Aa 42.11 59.83Aa 39.84 17.80Aa 11.85 9.31Ba 6.20 150.19Aa 100 N 80.25Aa 43.05 71.86Aa 38.54 18.17Aa 9.74 16.15Aa 8.66 186.43Aa 100 P 57.14Aa 36.02 68.12Aa 42.94 16.99Aa 10.71 16.39Aa 10.33 158.64Aa 100 N+P 85.55Aa 42.72 79.42Aa 39.66 14.03Aa 7.01 21.25Aa 10.61 200.24Aa 100 1) 同列数据后，不同大写字母表示相同N、P添加处理下不同种植密度间差异显著，不同小写字母表示相同种植密度下不同N、P添加处理间差异显著(P<0.05，Duncan’ s法)
1)Different capital letters in the same column indicate significant differences among different planting densities under the same N/P addition, and different lowercase letters in the same column indicate significant differences among different N/P additions under the same planting density (P<0.05, Duncan’ s test)CK处理情况下，种植密度10、20和40株·m−2时幼苗各器官的单位面积C储量呈现为根>茎>叶>枝，种植密度80株·m−2时其呈现为根>茎>枝>叶；N添加处理情况下，种植密度10和20株·m−2时幼苗各器官单位面积C储量为根>叶>茎>枝，种植密度40株·m−2时其呈现为根>茎>叶>枝，种植密度80株·m−2时其呈现为根>茎>枝>叶；P添加处理情况下，种植密度10株·m−2时幼苗各器官单位面积C储量呈现为叶>根>茎>枝，种植密度20和40株·m−2时其呈现为根>茎>叶>枝，种植密度80株·m−2时其呈现为茎>根>枝>叶；N+P添加处理下，种植密度10、20株·m−2时幼苗各器官单位面积C储量为叶>根>茎>枝，种植密度40和80株·m−2时其呈现为根>茎>叶>枝。总体而言，在各种植密度条件下，氮、磷添加处理的幼苗各器官的单位面积C储量基本上均有所增加。氮、磷添加对低种植密度下幼苗叶的单位面积C储量分配比例有促进效果，在高种植密度条件下，幼苗叶的单位面积C储量分配比例降低。
由表6可知，单株幼苗及根、茎和枝的单位面积C储量在各种植密度间和不同N、P添加处理间均有显著性差异，幼苗叶的单位面积C储量只在各氮、磷添加处理间有显著性差异，其中种植密度对单株幼苗及根茎和枝的单位面积C储量的作用较强，N、P添加处理对幼苗叶有较大影响。种植密度和N、P添加处理的交互作用对幼苗枝和叶的单位面积C储量有显著影响。
表 6 不同种植密度及氮、磷添加对幼苗各器官的单位面积碳储量交互作用的方差分析Table 6. Variance analyses of interaction effects of planting density and nitrogen and phosphorus additions on carbon storage of organs in unit area器官单位面积碳储量
Carbon storage of organs in
unit area种植密度
Planting densityN、P添加
N and P additions种植密度与N、P添加交互作用
Interaction effect of planting density and N and P additionsF P F P F P 根 Root 51.780 0.000 3.743 0.013 1.003 0.313 茎 Stem 127.420 0.000 2.741 0.047 0.676 0.730 枝 Branch 29.407 0.000 6.744 0.000 2.670 0.007 叶 Leaf 1.959 0.123 26.787 0.000 2.340 0.017 全株 Total 201.698 0.000 3.062 0.030 0.874 0.550 3. 讨论与结论
3.1 氮、磷添加对于不同种植密度樟树幼苗碳含量与分配的影响
本研究结果显示，N、P添加处理对幼苗根、茎和枝的C含量影响不显著，这与Currey等[28]的研究结果相类似。原因可能是植物体内的功能性物质含量受环境影响较大，而结构性物质受影响较小的缘故。C是组成植物体的结构性物质，故其含量较为稳定。此外，C通常不是植物生长受限的主要元素，所以其在大部分植物体内的含量较高且变化较小[29]。翁俊等[30]的研究结果表明，N沉降能促进毛竹Phyllostachys edulis叶的C含量增加，本研究也发现N和N+P添加处理在低密度种植时能够促使樟树幼苗叶的C含量上升。因为叶片是光合固碳的重要器官，N添加对植物叶片N素、叶绿素和光合色素含量[31]以及Rubisco酶浓度[32]有促进作用，从而提高植物的光合速率，最终引起叶C含量的升高。另外，N和P的输入可以缓解土壤的养分限制，从而增强植物根系对营养元素的吸收能力[33]，间接促进植物叶片光合作用的固C能力。
密度影响着植物个体生长过程中可获取的资源环境空间[34]。通常情况下，种植密度越大，资源对植物的限制作用越大[15]。本研究发现随着种植密度的增大，樟树幼苗叶片C含量表现出下降的趋势。这是因为高种植密度下个体间对养分的争夺较为激烈，并且植株间距小导致叶片较多地重叠和相互遮蔽，从而引起植物光合速率下降，造成植物叶片光合固碳能力的降低[35]。
3.2 氮、磷添加对不同种植密度樟树幼苗碳储量与分配的影响
本研究表明，相比于对照，N、P添加处理能够促进幼苗平均单株和单位面积C总储量增加，这与Yan等[7]的研究结果相类似，原因可能是N的输入提升了植物的净初级生产力[36]，从而提高幼苗的固C量。植物体内蛋白质的合成需要光合作用同化的C作为主要组分，而适当的P输入有助于蛋白质的积累，从而间接影响植物C累积[37]。N和P共同参与了植物体内光合代谢和矿质代谢过程，N+P添加处理同时为植物提供了大量的必需元素，有利于植物在生长代谢过程中吸收更多的养分，导致C储量增加。
Elser等[38]曾报道，N和P同时添加在各种类型生态系统中都有较强的正协同效应，本研究也发现，在低、中种植密度情况下，N+P添加处理对幼苗单株及叶片C储量的促进效果大于单一N或P添加处理。原因可能是仅添加N会提高土壤的N︰P质量比，加剧了生态系统的P匮乏，从而限制树木生物量的增加[39]。一方面，N添加使土壤酸性增强，促进土壤中的固相磷酸盐分解，并使其被土壤中的金属阳离子固定而沉淀，降低了P的有效性[40]。N添加还会引起土壤中铝离子的溶出增加，抑制了植物对P的吸收[41]；另一方面，本试验地为南方红壤区，土壤缺P较严重[42]，因此土壤中供应的P不足以平衡N，单一N添加处理会进一步增加P的匮乏程度，从而使P成为树木生长发育的限制因子[43]。P添加有利于提高生态系统中N的利用效率，N+P添加处理对净初级生产力的促进效果更为显著[44]。本研究中的N+P添加处理，为樟树幼苗提供了生长所需的N素，同时缓解了P限制，因此对幼苗碳储量的促进作用更强。
植物C的分配转移模式是植物种群提高竞争能力、克服逆境的重要策略[45]。研究表明，高密度的种植条件会抑制林冠的生长发育，在竞争压力较大的环境下，植物会优先将C分配给茎。本研究中随着种植密度增大，幼苗对叶的C分配比例减弱，而增加了对茎的分配比例。可能是种植密度的增大加剧了植物之间的竞争，茎对促进植物生长发育的作用增加，而叶片的作用相对减弱。另外，植物通过激素抑制侧芽的生长，将C从叶向茎转移，从而引起植物不同器官C储量的分配比例发生改变[46]。同时，由于高密度种植条件下植物的生长空间拥挤狭小，且林冠郁闭早，限制了树冠的生长发育，这也可能导致幼苗叶的C储量分配比例降低[47]。
本研究表明，种植密度和N、P添加处理的交互作用对幼苗枝和叶的单位面积C储量，以及幼苗单株及枝和叶的C储量有显著影响。按照最优化分配理论，当光资源受限时，植物增大枝叶的分配；而土壤养分受限时，植物增大根的分配[48]。N、P添加处理增加了土壤养分，能够在一定程度上缓解高密度条件下的养分限制，在养分已经满足了樟树幼苗需求的情况下，光合作用成为幼苗生物量积累的限制因素，因而幼苗将更多的生物量向叶片分配，而叶片生物量需要更大的枝条来支撑[49]，从而有利于幼苗枝和叶C储量及单株幼苗总C储量的增加。随着种植密度的增大，植物个体对N、P等土壤营养元素的竞争加剧，同时林冠层郁闭较早，从而阻碍了林冠的生长，幼苗生长空间受到限制，树木的侧枝数量和长度均下降，这也会导致枝、叶和单株幼苗总C储量的减少[46, 50]。
-
![]()
图 3 不同品种鱼的特征变换与知识迁移
Figure 3. Feature transformation and knowledge transfer of different fish species
-
[1] FAO. Fisheries and aquaculture statistics [M]. Rome: FAO fisheries and Aquaculture Department, Food and Agriculture Organization of the United Nations, 2016.
[2] 粮农组织渔业及水产养殖部. 2019冠状病毒(COVID-19)大流行对渔业和水产养殖的影响概述: 《2020年世界渔业和水产养殖状况》增补[M]. 罗马: 联合国粮食及农业组织, 2020. [3] 中国水产学会. 水产学学科发展报告: 2006—2007[M]. 北京: 中国科学技术出版社, 2007. [4] LANGAN R, COUTURIER M. Finfish aquaculture diversification[M]. London: CABI, 2002.
[5] DALSGAARD J, LUND I, THORARINSDOTTIR R, et al. Farming different species in RAS in Nordic countries: Current status and future perspectives[J]. Aquacultural Engineering, 2013, 53: 2-13. doi: 10.1016/j.aquaeng.2012.11.008
[6] 陈桂芬, 李静, 陈航, 等. 大数据时代人工智能技术在农业领域的研究进展[J]. 中国农业文摘(农业工程), 2019, 31(1): 12-16. [7] 黄志涛, 何佳, 宋协法. 基于鱼体运动特征和图像纹理特征的鱼类摄食行为识别与量化[J]. 中国海洋大学学报(自然科学版), 2022, 52(1): 32-41. doi: 10.16441/j.cnki.hdxb.20210050 [8] 袁小平, 石慧. 基于迁移学习的鱼类识别方法研究[J]. 计算机技术与发展, 2021, 31(4): 52-56. doi: 10.3969/j.issn.1673-629X.2021.04.009 [9] 袁红春, 张硕. 基于Faster R-CNN和图像增强的水下鱼类目标检测方法[J]. 大连海洋大学学报, 2020, 35(4): 612-619. [10] QUINLAN J R. Induction of decision trees[J]. Machine Learning, 1986(1): 81-106.
[11] LEWIS D D. Naive (bayes) at forty: The independence assumption in information retrieval [C]//Proceedings of the 10th European Conference on Machine Learning. Berlin : Springer-Verlag, 1998: 4-15.
[12] CORTES C, VAPNIK V. Support-vector networks[J]. Machine Learning, 1995, 20(3): 273-297.
[13] KRIZHEVSKY A, SUTSKEVER I, HINTON G. ImageNet classification with deep convolutional neural networks[J]. Communications of the ACM, 2017, 60: 84-90. doi: 10.1145/3065386
[14] VILLON S, MOUILLOT D, CHAUMONT M, et al. A Deep learning method for accurate and fast identification of coral reef fishes in underwater images[J]. Ecological Informatics, 2018, 48: 238-244. doi: 10.1016/j.ecoinf.2018.09.007
[15] RAUF H T, LALI M I U, ZAHOOR S, et al. Visual features based automated identification of fish species using deep convolutional neural networks[J]. Computers and Electronics in Agriculture, 2019, 167: 105075. doi: 10.1016/j.compag.2019.105075
[16] LI X, SHANG M, HAO J, et al. Accelerating fish detection and recognition by sharing CNNs with objectness learning[C]//OCEANS 2016 - Shanghai. Shanghai: IEEE, 2016: 1-5.
[17] LABAO A B, NAVAL P C JR. Cascaded deep network systems with linked ensemble components for underwater fish detection in the wild[J]. Ecological Informatics, 2019, 52: 103-121. doi: 10.1016/j.ecoinf.2019.05.004
[18] CAI K W, MIAO X Y, WANG W, et al. A modified YOLOv3 model for fish detection based on MobileNetv1 as backbone[J]. Aquacultural Engineering, 2020, 91: 102117. doi: 10.1016/j.aquaeng.2020.102117
[19] SHEVCHENKO V, EEROLA T, KAARNA A. Fish detection from low visibility underwater videos[C]//The 24th International Conference on Pattern Recognition (ICPR), Beijing: IEEE, 2018: 1971-1976.
[20] GAUDE G S, BORKAR S. Fish detection and tracking for turbid underwater video[C]//2019 International Conference on Intelligent Computing and Control Systems (ICCS). Madurai : IEEE, 2019: 326-331.
[21] TAMOU A B, BENZINOU A, NASREDDINE K, et al. Transfer learning with deep convolutional neural network for underwater live fish recognition[C]//2018 IEEE International Conference on Image Processing, Applications and Systems (IPAS). Sophia Antipolis: IEEE, 2018: 204-209.
[22] MENG L, HIRAYAMA T, OYANAGI. S. Underwater-drone with panoramic camera for automatic fish recognition based on deep learning[J]. IEEE Access, 2018, 6: 17880-17886. doi: 10.1109/ACCESS.2018.2820326
[23] XU W, MATZNER S. Underwater fish detection using deep learning for water power applications[C]//2018 International Conference on Computational Science and Computational Intelligence (CSCI). Las Vegas: IEEE, 2018: 313-318.
[24] KARTIKA D, HERUMURTI D. Koi fish classification based on HSV color space[C]//2016 International Conference on Information & Communication Technology & Systems. Surabaya: IEEE, 2017: 96-100.
[25] THARWAT A, HEMEDAN A A, HASSANIEN A E, et al. A biometric-based model for fish species classification[J]. Fisheries Research, 2018, 204: 324-336. doi: 10.1016/j.fishres.2018.03.008
[26] SALMAN A, JALAL A, SHAFAIT F, et al. Fish species classification in unconstrained underwater environments based on deep learning[J]. Limnology and Oceanography:Methods, 2016, 14(9): 570-585. doi: 10.1002/lom3.10113
[27] JALAL A, SALMAN A, MIAN A, et al. Fish detection and species classification in underwater environments using deep learning with temporal information[J]. Ecological Informatics, 2020, 57: 101088. doi: 10.1016/j.ecoinf.2020.101088
[28] CHRISTENSEN J H, GALEAZZI R, MOGENSEN L V, et al. Detection, ocalization and classification of fish and fish species in poor conditions using convolutional neural networks[C]//2018 IEEE OES Autonomous Underwater Vehicle Symposium. Porto: IEEE, 2018: 1-6
[29] SUN X , SHI J, DONG J, et al. Fish recognition from low-resolution underwater images[C]//2016 9th International Congress on Image and Signal Processing, BioMedical Engineering and Informatics (CISP-BMEI). Datong : IEEE, 2016: 471-476
[30] PRAMUNENDAR R A, WIBIRAMA S, SANTOSA P I. Fish classification based on underwater image interpolation and back-propagation neural network[C]//2019 5th International Conference on Science and Technology (ICST). Yogyakarta: IEEE, 2019: 1-6.
[31] RACHMATULLAH M N, SUPRIANA I. Low resolution image fish classification using convolutional neural network[C]//2018 5th International Conference on Advanced Informatics: Concept Theory and Applications (ICAICTA). Krabi: IEEE, 2018: 78-83.
[32] JIN L, HONG L. Deep learning for underwater image recognition in small sample size situations[C]//OCEANS 2017 - Aberdeen. Aberdeen: IEEE, 2017: 1-4.
[33] ALLKEN V, HANDEGARD N O, ROSEN S, et al. Fish species identification using a convolutional neural network trained on synthetic data[J]. ICES Journal of Marine Science, 2019, 76(1): 342-349. doi: 10.1093/icesjms/fsy147
[34] MATHUR M, VASUDEV D, SAHOO S, et al. Crosspooled FishNet: Transfer learning based fish species classification model[J]. Multimedia Tools and Applications, 2020, 79(41/42): 31625-31643. doi: 10.1007/s11042-020-09371-x
[35] SIDDIQUI S A, SALMAN A, MALIK M I, et al. Automatic fish species classification in underwater videos: Exploiting pre-trained deep neural network models to compensate for limited labelled data[J]. ICES Journal of Marine Science, 2017, 75(1): 374-389.
[36] QIN H, LI X, LIANG J, et al. DeepFish: Accurate underwater live fish recognition with a deep architecture[J]. Neurocomputing, 2016, 187: 49-58. doi: 10.1016/j.neucom.2015.10.122
[37] RATHI D, JAIN S, INDU S. Underwater fish species classification using convolutional neural network and deep learning[C]//2017 9th International Conference on Advances in Pattern Recognition (ICAPR). Bangalore: IEEE, 2017: 1-6.
[38] DEEP B V, DASH R. Underwater fish species recognition using deep learning techniques[C]//2019 6th International Conference on Signal Processing and Integrated Networks (SPIN). Noida : IEEE, 2019: 665-669.
[39] SUCHARITA V, JYOTHI S. An identification of penaeid prawn species based on histogram values[J]. International Journal of Advanced Research in Computer Science and Software Engineering, 2013, 3(7): 807-811.
[40] LIU Z, JIA X, XU X. Study of shrimp recognition methods using smart networks[J]. Computers and Electronics in Agriculture, 2019, 165: 104926. doi: 10.1016/j.compag.2019.104926
[41] 刘子豪. 基于机器视觉技术的南美白对虾分类算法研究与在线实现[D]. 杭州: 浙江大学, 2017. [42] 李渊博. 基于轻量级深度学习的虾关键点检测及个体识别算法研究[D]. 杭州: 浙江大学, 2021. [43] 张超. 计算机视觉技术在梭子蟹养殖中的应用研究[D]. 宁波: 宁波大学, 2014. [44] 韩牧轩, 秦杰文, 段友健, 等. 鸭绿沙塘鳢耳石质量与年龄的关系[J]. 辽东学院学报(自然科学版), 2022, 29(1): 6-11. doi: 10.14168/j.issn.1673-4939.2022.01.02 [45] 轩中亚, 姜涛, 刘洪波, 等. 基于耳石微化学分析的鱼类种群生态学研究进展[J]. 渔业科学进展, 2022, 43(1): 1-14. doi: 10.19663/j.issn2095-9869.20210528002 [46] 王继隆, 刘伟, 杨文波, 等. 基于耳石微化学特征的大麻哈鱼生境履历分析及其在群组鉴别中的应用[J]. 中国海洋大学学报(自然科学版), 2021, 51(10): 51-59. [47] 杨坤, 刘小帅, 李天才, 等. 鲈鲤早期鱼苗的耳石标记研究[J]. 水生生物学报, 2021, 45(4): 889-897. doi: 10.7541/2021.2019.259 [48] ROBERTSON S, MORISON A. Development of an artificial neural network for automated age estimation[M]. Department of Natural Resources and Environment, Victoria, 2001.
[49] FABLET R, JOSSE N L. Automated fish age estimation from otolith images using statistical learning[J]. Fisheries Research, 2005, 72(2/3): 279-290.
[50] BERMEJO S, MONEGAL B, CABESTANY J. Fish age categorization from otolith images using multi-class support vector machines[J]. Fisheries Research, 2007, 84(2): 247-253. doi: 10.1016/j.fishres.2006.11.021
[51] 刘凤连, 王玲, 温显斌, 等. 基于图像处理技术与支持向量机的鱼龄识别[J]. 光电子·激光, 2010, 21(11): 1730-1733. [52] MOEN E, HANDEGARD N O, ALLKEN V, et al. Automatic interpretation of otoliths using deep learning[J]. PLoS One, 2018, 13(12): e0204713. doi: 10.1371/journal.pone.0204713
[53] ORDONEZ A, EIKVIL L, SALBERG A B, et al. Explaining decisions of deep neural networks used for fish age prediction[J]. PLoS One, 2020, 15(6): e0235013. doi: 10.1371/journal.pone.0235013
[54] POLITIKOS D V, PETASIS G, CHATZISPYROU A, et al. Automating fish age estimation combining otolith images and deep learning: The role of multitask learning[J]. Fisheries Research, 2021, 242: 106033.
[55] BENZER S, GARABAGHI F H, BENZER R, et al. Investigation of some machine learning algorithms in fish age classification[J]. Fisheries Research, 2022, 245: 106151.
[56] WILLIAMS T, BEDFORD B C. The use of otoliths for age determination[C]//BAGENAL T B. The ageing of fish: Proceedings of the International Symposium. London: Allen & Unwin, 1974.
[57] PANFILI J, PONTUAL H D, TROADEC H, et al. Manual of fish sclerochronology[M]. Brest: IFREMER-IRD, 2002.
[58] WANG C H, WALTHER B D, GILLANDERS B M. Introduction to the 6th International Otolith Symposium[J]. Marine and Freshwater Research, 2019, 70: 1-3. doi: 10.1071/MF18355
[59] ELSDON, T S, WELLS, B K, CAMPANA, S E. Otolith chemistry to describe movements and life-history parameters of fishes: Hypotheses, assumptions, limitations and inferences[J]. Oceanography and Marine Biology:An Annual Review, 2008, 46: 297-330.
[60] 陶彬彬, 胡炜. 鱼类性别控制育种研究进展[J]. 中国农业科技导报, 2022, 24(2): 1-10. doi: 10.13304/j.nykjdb.2021.0582 [61] 韩玥, 蔺佳文, 韩英. 鱼类性别调控机制的研究进展[J]. 黑龙江动物繁殖, 2020, 28(1): 47-51. [62] 龙娟, 郑树清, 王晓双, 等. TGF-β信号通路在鱼类性别决定与分化中的作用[J]. 水产学报, 2020, 44(1): 166-177. [63] 喻杰, 杨弘. 鱼类性别决定的遗传基础及性别控制技术在水产养殖中的应用[J]. 大连海洋大学学报, 2020, 35(2): 161-168. doi: 10.16535/j.cnki.dlhyxb.2019-090 [64] 齐飘飘, 陈敏, 于跃, 等. 高温和皮质醇对黄颡鱼性别分化的影响[J]. 水生生物学报, 2021, 45(1): 106-117. doi: 10.7541/2021.2020.044 [65] DU H, ZHANG X, LENG X, et al. Gender and gonadal maturity stage identification of captive Chinese sturgeon, Acipenser sinensis, using ultrasound imagery and sex steroids[J]. General and Comparative Endocrinology, 2017, 245: 36-43.
[66] GOLPOUR A, BROQUARD C, MILLA S, et al. Gonad histology and serum 11-KT profile during the annual reproductive cycle in sterlet sturgeon adult males, Acipenser ruthenus[J]. Reproduction in Domestic Animals, 2017, 52: 319-326. doi: 10.1111/rda.12911
[67] YARMOHAMMADI M, POURKAZEMI M, KAZEMI R, et al. Sex steroid level and sexual dimorphism expression of genes in gonads of the great sturgeon Huso huso Linneaus, 1758 during maturity developmental stages[J]. Aquaculture Research., 2017, 48(4): 1413-1429. doi: 10.1111/are.12977
[68] BARULIN N V. Using machine learning algorithms to analyse the scute structure and sex identification of sterlet Acipenser ruthenus (Acipenseridae)[J]. Aquaculture Research, 2019, 50: 2810-2825.
[69] CUI Y, PAN T, CHEN S, et al. A gender classification method for Chinese mitten crab using deep convolutional neural network[J]. Multimedia Tools and Applications, 2020, 79(11/12): 7669-7684. doi: 10.1007/s11042-019-08355-w
[70] TODD E V, ORTEGA-RECALDE O, LIU H, et al. Stress, novel sex genes, and epigenetic reprogramming orchestrate socially controlled sex change[J]. Science Advances, 2019, 5(7): eaaw7006. doi: 10.1126/sciadv.aaw7006.
[71] LI D, WANG Z, WU S, et al. Automatic recognition methods of fish feeding behavior in aquaculture: A review[J]. Aquaculture, 2020, 528: 735508. doi: 10.1016/j.aquaculture.2020.735508
[72] ZHOU C, ZHANG B, LIN K, et al. Near-infrared imaging to quantify the feeding behavior of fish in aquaculture[J]. Computers & Electronics in Agriculture, 2017, 135: 233-241.
[73] ZHOU C, SUN C, LIN K, et al. Handling water reflections for computer vision in aquaculture[J]. Transactions of the ASABE, 2018, 61(2): 469-479.
[74] ZHOU C, XU D, CHEN L, et al. Evaluation of fish feeding intensity in aquaculture using a convolutional neural network and machine vision[J]. Aquaculture, 2019, 507: 457-465. doi: 10.1016/j.aquaculture.2019.04.056
[75] MåLøY H, AAMODT A, MISIMI E. A spatio-temporal recurrent network for salmon feeding action recognition from underwater videos in aquaculture[J]. Computers and Electronics in Agriculture, 2019, 167: 105087. doi: 10.1016/j.compag.2019.105087
[76] ADEGBOYE M A, AIBINU A M, KOLO J G, et al. Incorporating intelligence in fish feeding system for dispensing feed based on fish feeding intensity[J]. IEEE Access, 2020, 8: 91948-91960. doi: 10.1109/ACCESS.2020.2994442
[77] GIARDINA I. Collective behavior in animal groups: Theoretical models and empirical studies[J]. HFSP Journal, 2008, 2(4): 205-219. doi: 10.2976/1.2961038
[78] HAN F, ZHU J, LIU B, et al. Fish shoals behavior detection based on convolutional neural network and spatiotemporal information[J]. IEEE Access, 2020, 8: 126907-126926. doi: 10.1109/ACCESS.2020.3008698
[79] ZHANG B, XIE F, HAN F. Fish population status detection based on deep learning system[C]//2019 IEEE International Conference on Mechatronics and Automation (ICMA). Tianjin: IEEE, 2019: 81-85.
[80] PAPADAKIS V M, PAPADAKIS I E, LAMPRIANIDOU F, et al. A computer-vision system and methodology for the analysis of fish behavior[J]. Aquacultural Engineering, 2012, 46: 53-59. doi: 10.1016/j.aquaeng.2011.11.002
[81] ZHAO J, BAO W, ZHANG F, et al. Modified motion influence map and recurrent neural network-based monitoring of the local unusual behaviors for fish school in intensive aquaculture[J]. Aquaculture, 2018, 493: 165-175. doi: 10.1016/j.aquaculture.2018.04.064
[82] ZHAO J, GU Z, SHI M, et al. Spatial behavioral characteristics and statistics-based kinetic energy modeling in special behaviors detection of a shoal of fish in a recirculating aquaculture system[J]. Computers & Electronics in Agriculture, 2016, 127: 271-280.
[83] MORIMOTO T, ZIN T T, ITAMI T. A study on abnormal behavior detection of infected shrimp[C]//2018 IEEE 7th Global Conference on Consumer Electronics (GCCE). Nara: IEEE, 2018: 291-292.
下载:
计量
- 文章访问数: 350
- HTML全文浏览量: 34
- PDF下载量: 466
