Sammendrag
Fôringsoptimalisering er avgjørende i lakseoppdrett på grunn av dens betydelige innvirkning på både
produktivitet og miljømessig bærekraft. OptiVekst-prosjektet har som mål å forbedre
fôringsstrategier ved å utnytte avanserte dataintegrasjon og maskinlæringsteknikker for å bedre
forstå fiskens appetitt og optimalisere fôrmengder. Ved å samle og integrere data fra ulike kilder som
produksjonsdatabaser, sensorer og manuelle observasjoner, skaper vi et omfattende datasett for
analyse. Denne integrerte tilnærmingen er essensiell fordi fiskens appetitt påvirkes av flere faktorer
som miljøforhold, produksjonspraksis og fiskehelse. Nåværende fôringspraksis utnytter ofte ikke
denne datarikdommen fullt ut, og går glipp av muligheter til å forbedre produktivitet og bærekraft.
For å løse dette gapet, samler OptiVekst data fra ulike plattformer og sensorer, og knytter
fiskgrupper til spesifikke merder og tidsperioder. Denne strukturerte datakatalogiseringsprosessen
gir et solid grunnlag for å utvikle prediktive modeller som gir bedre og mer målrettede
fôringsanbefalinger. Det integrerte datasettet analyseres deretter ved hjelp av
maskinlæringsmodeller, med fokus på nøkkelindikatorer som fôringsytelse, fôrutnyttelsesgrad (FCR),
spesifikk veksthastighet (SGR) og kamerabaserte (ML) vektestimater. Ulike maskinlæringsalgoritmer
brukes for å forutsi optimale fôrmengder som minimerer fôrsvinn og maksimerer vekst under
variable forhold. Resultatene fra disse AI-modellene sammenlignes med eksisterende teoretiske
modeller fra akvakulturnæringen, og fremhever forbedringer i fôrings- og vekstytelse. Potensialet i
de foreløpige forbedringene som observeres med hensyn til produksjon og økonomiske
konsekvenser illustreres av AquaTools®-simuleringer.
Gjennom OptiVekst-prosjektet har vi som mål å sette en ny standard i fôringsstyring innen
akvakultur, og fremme både produksjonsmessige, økonomiske og miljømessige fordeler.
produktivitet og miljømessig bærekraft. OptiVekst-prosjektet har som mål å forbedre
fôringsstrategier ved å utnytte avanserte dataintegrasjon og maskinlæringsteknikker for å bedre
forstå fiskens appetitt og optimalisere fôrmengder. Ved å samle og integrere data fra ulike kilder som
produksjonsdatabaser, sensorer og manuelle observasjoner, skaper vi et omfattende datasett for
analyse. Denne integrerte tilnærmingen er essensiell fordi fiskens appetitt påvirkes av flere faktorer
som miljøforhold, produksjonspraksis og fiskehelse. Nåværende fôringspraksis utnytter ofte ikke
denne datarikdommen fullt ut, og går glipp av muligheter til å forbedre produktivitet og bærekraft.
For å løse dette gapet, samler OptiVekst data fra ulike plattformer og sensorer, og knytter
fiskgrupper til spesifikke merder og tidsperioder. Denne strukturerte datakatalogiseringsprosessen
gir et solid grunnlag for å utvikle prediktive modeller som gir bedre og mer målrettede
fôringsanbefalinger. Det integrerte datasettet analyseres deretter ved hjelp av
maskinlæringsmodeller, med fokus på nøkkelindikatorer som fôringsytelse, fôrutnyttelsesgrad (FCR),
spesifikk veksthastighet (SGR) og kamerabaserte (ML) vektestimater. Ulike maskinlæringsalgoritmer
brukes for å forutsi optimale fôrmengder som minimerer fôrsvinn og maksimerer vekst under
variable forhold. Resultatene fra disse AI-modellene sammenlignes med eksisterende teoretiske
modeller fra akvakulturnæringen, og fremhever forbedringer i fôrings- og vekstytelse. Potensialet i
de foreløpige forbedringene som observeres med hensyn til produksjon og økonomiske
konsekvenser illustreres av AquaTools®-simuleringer.
Gjennom OptiVekst-prosjektet har vi som mål å sette en ny standard i fôringsstyring innen
akvakultur, og fremme både produksjonsmessige, økonomiske og miljømessige fordeler.
