مدیریت هوشمند اکسیژن محلول در استخرهای پرورش آبزیان

۲۲ September 2025

نمودار مفهومی که نشان می‌دهد چگونه اکسیژن محلولDO – (خاکستری روشن) تحت تأثیر عوامل مستقیم (آبی) و عوامل غیرمستقیم (نارنجی) در یک سیستم آبی قرار می‌گیرد. | منبع Yu et al. (2026); Aquacultural Engineering, 112, 102634.

در آبزی‌پروری، موفقیت یک دوره تولید به تعادل پیچیده‌ای از عوامل وابسته است، اما هیچ‌یک به اندازه اکسیژن محلول(DO) در آب حیاتی و پویا نیست. حفظ غلظت پایدار DO برای جلوگیری از کمبود اکسیژن ضروری است، وضعیتی که می‌تواند باعث استرس ماهی‌ها، کاهش رشد، تضعیف سیستم ایمنی و در موارد شدید، مرگ‌ومیر گسترده و زیان‌های اقتصادی سنگین شود.

وقایع تاریخی، مانند تلفات ماهی‌ها در فیلیپین یا از دست رفتن میلیون‌ها سالمون در شیلی به‌دلیل شکوفایی جلبک‌های مضر، پیامدهای وخیم مدیریت ناکارآمد DO را نشان می‌دهند. خوشبختانه، پیشرفت در فناوری حسگرها، هوش مصنوعی (AI) و اینترنت اشیا (IoT) روش‌های پایش و پیش‌بینی سطح اکسیژن را متحول کرده است.

مطالعه‌ای از محققان دانشگاه فلوریدا آتلانتیک که در نشریه Aquacultural Engineering منتشر شده، یافته‌های یک مرور علمی اخیر را درباره سه ستون مدیریت مدرن DO تشریح می‌کند: عوامل علت‌ساز که سطح اکسیژن را کنترل می‌کنند، مدل‌های پیش‌بینی برای پیش‌بینی تغییرات آن و فناوری‌های هوشمند پایش برای اندازه‌گیری آن در زمان واقعی.

یافته‌های کلیدی

اکسیژن محلول (DO) مهم‌ترین شاخصی است که سلامت گونه‌های پرورشی و پایداری فعالیت‌های آبزی‌پروری را تعیین می‌کند.
عواملی مانند دما، فتوسنتز، تنفس موجودات و تجزیه مواد آلی به‌طور مستقیم بر دسترسی اکسیژن محلول تأثیر می‌گذارند.
هوش مصنوعی (AI) با استفاده از مدل‌های یادگیری عمیق، ابزارهای قدرتمندی برای پیش‌بینی نوسانات DO با دقت بالا ارائه می‌دهد و امکان مدیریت پیشگیرانه را فراهم می‌کند.
حسگرهای نوری، که با فناوری اینترنت اشیا (IoT) یکپارچه شده‌اند، در خط مقدم پایش زمان واقعی قرار دارند، زیرا نسبت به روش‌های الکتروشیمیایی سنتی پایدارتر بوده و نیاز به نگهداری کمتری دارند.
ادغام مدل‌های پیش‌بینی و سیستم‌های پایش زمان واقعی، امیدوارکننده‌ترین راهکار برای خودکارسازی کنترل هوادهی و تبدیل مدیریت واکنشی به مدیریت پیش‌بینی‌کننده است.

چه عواملی سطح اکسیژن را در استخر تعیین می‌کنند؟

غلظت اکسیژن محلول (DO) در یک استخر ثابت نیست؛ بلکه نتیجه تعامل پیچیده‌ای از فرآیندهای فیزیکی، شیمیایی و زیستی است. برای درک بهتر این موضوع، این مطالعه عوامل مؤثر را به دو گروه اصلی طبقه‌بندی می‌کند.

عوامل مستقیم: فرآیندهایی که اکسیژن را به آب اضافه یا از آن حذف می‌کنند

این‌ها فرآیندهایی هستند که به‌طور مستقیم اکسیژن را به آب اضافه یا از آن حذف می‌کنند:

هوادهی (Aeration): انتقال اکسیژن از جو به سطح آب است. این فرآیند می‌تواند به‌طور طبیعی توسط باد رخ دهد یا با هواده‌های مکانیکی مانند پدل‌ویل انجام شود، که به‌ویژه در شب که فتوسنتز متوقف می‌شود، اهمیت زیادی دارد.
فتوسنتز (Photosynthesis): توسط فیتوپلانکتون‌ها و گیاهان آبزی انجام می‌شود و اصلی‌ترین منبع تولید اکسیژن در طول روز است، به‌طوری که اکسیژن به‌عنوان محصول جانبی تبدیل نور خورشید به انرژی آزاد می‌شود.
تنفس (Respiration): تمام موجودات استخر (ماهی‌ها، بی‌مهرگان، پلانکتون‌ها و میکروارگانیسم‌ها) اکسیژن را برای فرآیندهای متابولیکی خود مصرف می‌کنند. تعادل بین کل فتوسنتز و تنفس، دینامیک خالص اکسیژن محلول را تعیین می‌کند.
تجزیه و نیتریفیکاسیون (Decomposition and Nitrification): تجزیه مواد آلی (غذای خورده‌نشده، فضولات، پلانکتون مرده) توسط باکتری‌های هوازی یک مصرف‌کننده عمده اکسیژن است، به‌ویژه در کف استخر. همچنین، فرآیند نیترریفیکاسیون که آمونیاک سمی را به نیترات تبدیل می‌کند، مقادیر قابل توجهی DO مصرف می‌کند.

عوامل غیرمستقیم: شرایطی که محیط را شکل می‌دهند

این عوامل خودشان اکسیژن به آب اضافه یا از آن کم نمی‌کنند، اما شرایطی را تغییر می‌دهند که فرآیندهای مستقیم را تحت تأثیر قرار می‌دهد:

دمای آب (Temperature): شاید مهم‌ترین عامل باشد. با افزایش دما، ظرفیت آب برای نگه داشتن اکسیژن محلول کاهش می‌یابد. همزمان، متابولیسم موجودات افزایش می‌یابد و نیاز اکسیژنی آن‌ها بیشتر می‌شود.
لایه‌بندی حرارتی (Thermal Stratification): تابش خورشید سطح آب را گرم می‌کند و لایه‌هایی با دماهای متفاوت ایجاد می‌کند که مخلوط شدن عمودی را محدود می‌کند. این موضوع می‌تواند لایه‌های عمیق‌تر را با کمبود اکسیژن مواجه کند، زیرا تجزیه مواد ، اکسیژن موجود را مصرف می‌کند بدون اینکه از سطح جایگزین شود.
پی‌اچ (pH): سطح pH فرآیندهای زیستی و شیمیایی کلیدی را تحت تأثیر قرار می‌دهد. به‌عنوان مثال،pH بالاتر، سمیت آمونیاک را افزایش می‌دهد و باعث استرس تنفسی در ماهی‌ها می‌شود و آن‌ها مجبور به مصرف بیشتر اکسیژن برای خنثی‌سازی می‌شوند.
کدورت (Turbidity): وجود ذرات معلق زیاد (گل، مواد آلی) نفوذ نور را محدود می‌کند و ظرفیت فتوسنتزی فیتوپلانکتون‌ها و در نتیجه تولید اکسیژن را کاهش می‌دهد.

پیش‌بینی آینده اکسیژن: از آمار تا هوش مصنوعی

پیچیدگی این تعاملات پیش‌بینی اکسیژن محلول (DO) را به چالشی بزرگ تبدیل می‌کند. به‌طور تاریخی، مدل‌های مکانیکی مبتنی بر اصول فیزیکی و شیمیایی مورد استفاده قرار می‌گرفتند، اما به‌کارگیری آن‌ها در سیستم‌های واقعی اغلب پرهزینه و محدود است.

قدرت یادگیری ماشین و یادگیری عمیق

انقلاب با مدل‌های داده‌محور آغاز شده است. این الگوریتم‌های هوش مصنوعی نیازی به دانستن تمام قوانین فیزیکی به‌صورت صریح ندارند؛ بلکه از حجم بالایی از داده‌های تاریخی، الگوهای پنهان را «می‌آموزند».

مدل‌هایی مانند LSTM [۱](حافظه بلندمدت کوتاه) وGRU[۲] (واحدهای بازگشتی دروازه‌ای) در تحلیل داده‌های زمانی (مانند اندازه‌گیری‌های ساعتی DO) و شناسایی وابستگی‌های کوتاه‌مدت و بلندمدت بسیار مؤثر هستند.
مدل‌های ترکیبی (Hybrid) که معماری‌های مختلف را با هم ادغام می‌کنند، مانند استفاده از CNN [۳]برای الگوهای مکانی و LSTM برای الگوهای زمانی، اثربخشی بالایی نشان داده‌اند.

[۱] LSTM (Long Short-Term Memory) یک نوع شبکه عصبی بازگشتی (Recurrent Neural Network – RNN) است که برای تحلیل داده‌های زمانی و دنباله‌ای طراحی شده است. ویژگی اصلی آن، توانایی حفظ اطلاعات بلندمدت و کوتاه‌مدت است، به طوری که می‌تواند روابط پیچیده در داده‌های گذشته را برای پیش‌بینی آینده به‌کار گیرد. در آبزی‌پروری،LSTM برای پیش‌بینی نوسانات اکسیژن محلول (DO) در استخرها بسیار مفید است، زیرا می‌تواند تغییرات ساعتی یا روزانه DO را تحلیل و وابستگی‌های زمانی کوتاه‌مدت و بلندمدت را شناسایی کند. این قابلیت باعث می‌شود مدیریت هوادهی و کنترل اکسیژن به‌صورت پیشگیرانه و دقیق انجام شود.

[۲] GRU (Gated Recurrent Unit) نوعی شبکه عصبی بازگشتی (RNN) است که مشابهLSTM برای پردازش داده‌های زمانی و دنباله‌ای طراحی شده، اما معماری ساده‌تری دارد و محاسبات کمتری نیاز دارد. ویژگی اصلی GRU، کنترل جریان اطلاعات با دروازه‌ها (Gates) است تا شبکه بتواند اطلاعات مهم گذشته را نگه دارد و اطلاعات غیرضروری را فراموش کند. این ویژگی باعث می‌شود GRU در پیش‌بینی داده‌های زمانی مانند نوسانات اکسیژن محلول (DO) در استخرهای پرورش ماهی کارآمد باشد و با دقت مناسب، تغییرات کوتاه‌مدت و بلندمدت را شناسایی کند، در حالی که نیاز به منابع محاسباتی کمتری نسبت به LSTM دارد.

[۳] CNN (Convolutional Neural Network) یک نوع شبکه عصبی عمیق است که عمدتاً برای شناسایی الگوها در داده‌های مکانی و تصویری طراحی شده است. این شبکه با استفاده از فیلترهای کانولوشن، ویژگی‌های مهم داده‌ها را استخراج می‌کند و برای تشخیص الگوهای پیچیده در تصاویر یا داده‌های فضایی بسیار مؤثر است.

یکی از جبهه‌های بسیار امیدوارکننده، شبکه‌های عصبی با اطلاع از فیزیک (Physics-Informed Neural Networks – PINNs[۴]) است. این مدل‌ها قوانین فیزیکی بنیادی، مانند قانون هنری درباره حل‌پذیری گازها، را در فرآیند یادگیری هوش مصنوعی وارد می‌کنند. این کار باعث می‌شود مدل‌ها حتی در شرایط کمبود داده، دقیق‌تر و مقاوم‌تر عمل کنند.

[۴] شبکه‌های عصبی با اطلاع از فیزیک (Physics-Informed Neural Networks – PINNs) نوعی شبکه عصبی هستند که علاوه بر یادگیری از داده‌ها، قوانین فیزیکی و ریاضی پایه‌ای سیستم را نیز در فرآیند آموزش خود لحاظ می‌کنند.

پایش هوشمند: چشم‌ و گوش‌ استخر

برای عملکرد درست مدل‌های پیش‌بینی، به داده‌های باکیفیت و زمان واقعی نیاز است. اینجاست که سیستم‌های پایش هوشمند نقش حیاتی ایفا می‌کنند.

فناوری پشت پرده حسگرهای اکسیژن محلول

اندازه‌گیری اکسیژن محلول (DO) عمدتاً بر پایه دو فناوری انجام می‌شود:

حسگرهای الکتروشیمیایی (Electrochemical Sensors): این نوع سنتی‌تر است و با اندازه‌گیری جریان الکتریکی حاصل از کاهش اکسیژن روی یک الکترود کار می‌کند. اگرچه ارزان هستند، اما نیاز به نگهداری منظم دارند (تعویض غشاء و الکترولیت‌ها) و دقت آن‌ها می‌تواند تحت تأثیر جریان آب یا حضور سایر گازها قرار گیرد.
حسگرهای نوری (Optical Sensors): پیشرفته‌ترین فناوری محسوب می‌شوند و بر اساس اصل «خاموشی فلورسانس» کار می‌کنند. یک ماده لومینسانس با نور تحریک می‌شود و وجود اکسیژن شدت و مدت فلورسانس آن را کاهش می‌دهد. این حسگرها اکسیژن مصرف نمی‌کنند، از نظر طولانی‌مدت بسیار پایدارند، نیاز به نگهداری کمی دارند و تحت تأثیر گازهایی مانند H_۲S قرار نمی‌گیرند، بنابراین برای پایش مستمر در میدان ایده‌آل هستند.

انقلاب اینترنت اشیا (IoT) در آبزی‌پروری

تحول واقعی زمانی رخ می‌دهد که این حسگرها از طریق اینترنت اشیا (IoT) به هم متصل شوند. شبکه‌های حسگری که در استخر نصب شده‌اند، به‌طور مداوم داده‌هایی درباره اکسیژن محلول (DO) ، دما،pH و سایر پارامترها جمع‌آوری می‌کنند. این اطلاعات به‌صورت بی‌سیم (با استفاده از پروتکل‌هایی مانند LoRaWAN یا 5G ) به یک پلتفرم ابری منتقل می‌شوند.

در آنجا، مدل‌های هوش مصنوعی داده‌ها را به‌صورت زمان واقعی تحلیل می‌کنند، روند تغییرات DO را برای ساعت‌های آینده پیش‌بینی می‌کنند و در صورت شناسایی خطر کمبود اکسیژن، می‌توانند به‌طور خودکار سیستم‌های هوادهی را فعال کرده یا هشدار به پرورش‌دهنده ارسال کنند.

نتیجه‌گیری: به‌سوی آبزی‌پروری آینده بین و مقاوم

مدیریت مؤثر اکسیژن محلول دیگر تنها به تجربه و اندازه‌گیری‌های دستی وابسته نیست. ترکیب درک عمیق از عواملی که بر آن تأثیر می‌گذارند، قدرت مدل‌های پیش‌بینی مبتنی بر هوش مصنوعی و قابلیت اطمینان پایش هوشمند با حسگرهای نوری و اینترنت اشیا، عصر جدیدی را در آبزی‌پروری رقم زده است.

این رویکرد یکپارچه امکان انتقال از مدیریت واکنشی (اقدام پس از بروز مشکل) به مدیریت پیشگیرانه و پیش‌بینی‌کننده را فراهم می‌کند و از وقوع رویدادهای بحرانی جلوگیری می‌کند. استفاده از این فناوری‌ها نه تنها رفاه گونه‌های پرورشی را تضمین می‌کند، بلکه بهره‌وری از منابع مانند انرژی را بهینه، ریسک‌ها را کاهش و عملیات را پایدارتر، کارآمدتر و سودآورتر می‌سازد.

تعداد بازدید: ۲

لینک کوتاه: کپی کن!

بازنشر فانوس دریا به نقل از اتحادیه تولید و تجارت آبزیان