• Trang chủ
• Tin tức
• NUÔI TRỒNG THỦY SẢN THÔNG MINH

NUÔI TRỒNG THỦY SẢN THÔNG MINH

Ngày đăng: 20/10/2020

GIỚI THIỆU

Sản lượng nuôi trồng thủy sản (NTTS) toàn cầu đã không ngừng tăng trưởng suốt 50 năm qua, trong đó chỉ riêng cá nuôi đã đạt kỷ lục 82 triệu tấn (2018). Đóng góp đáng kể vào sự phát triển này là các mô hình sản xuất truyền thống – không đòi hỏi quá nhiều vốn và kỹ năng, nhưng đang dần bộc lộ nhiều hạn chế do thị hiếu cùng ý thức bảo vệ môi trường của người tiêu dùng ngày càng được nâng cao. Phần lớn những mô hình này đã không còn hấp dẫn đối với giới trẻ do tiềm năng sinh lời thấp, bên cạnh sức ép lên đất đai, tài nguyên, rủi ro thiên tai (bão lụt, hạn hán, …) Giữa lúc ấy, công nghệ RAS với nhiều ưu điểm xuất hiện, hứa hẹn giúp giải quyết nhiều vấn đề tồn tại ở các mô hình canh tác truyền thống mặc dù vẫn còn một số trở ngại cần vượt qua. 

Công nghệ mới đã đưa NTTS chuyển dịch từ thâm dụng lao động (labor intensive) truyền thống sang cơ giới hóa (mechanization) và tự động hóa (automation). So với mô hình canh tác truyền thống chủ yếu dựa trên kinh nghiệm của con người dẫn đến chi phí lao động cao, thì RAS lại giúp cắt giảm đáng kể nhu cầu lao động và cải thiện năng suất. Tuy nhiên, phương thức sản xuất tự động lại đòi hỏi nhân lực kỹ thuật lành nghề, bên cạnh nhu cầu thức ăn, đảm bảo chất lượng nước,… cho nên cần tính toán hiệu quả chi phí khi đầu tư (Engle, Kumar, & van Senten, 2019). Do sự gia tăng không ngừng của nhu cầu đối với các sản phẩm thủy sản trong điều kiện nguồn cung lao động sụt giảm, cần thiết phải có những mô hình nuôi trồng (canh tác) thông minh mới. Nhờ sự phát triển của IoT (Internet kết nối vạn vật), Big Data (dữ liệu lớn), AI (trí tuệ nhân tạo), 5G, cloud computing (điện toán đám mây), robot, … viễn cảnh này đang dần trở thành hiện thực.

Nuôi trồng thủy sản thông minh (NTTSTM) là phương thức sản xuất hiện đại, hướng tới khai thác sức mạnh của những ứng dụng công nghệ kể trên để hoàn thành các tác vụ sản xuất, vận hành, quản trị và dịch vụ NTTS trên quy mô công nghiệp. Bên cạnh vai trò trung tâm của IoT, hoạt động động thu thập và nghiên cứu Big Data sẽ giúp thúc đẩy sáng tạo và ứng dụng AI trong NTTSTM. Ngoài ra, Big Data và AI cũng là thành phần cốt lõi của những tiến trình [thông minh] trên nền tảng IoT, thứ cần thiết để đảm bảo sự chính xác và hiệu quả kiểm soát tốt. Các thiết bị thông minh kết nối IoT sẽ giúp giải quyết những hạn chế về thiếu hụt lao động, đồng thời giảm thiểu tác động lên môi trường và tài nguyên do NTTS gây ra.

Một mô hình nuôi trồng thủy sản thông minh. Ảnh: Internet.

NTTSTM thường bao gồm những khía cạnh:

• Thu thập thông tin về nhiệt độ, độ ẩm, CO2, ánh sáng, lượng oxy hòa tan, … qua các loại cảm biến, cùng với dữ liệu hình ảnh (camera).
• Truyền dữ liệu thu thập được đến trung tâm điều khiển qua những nút giao tiếp (communication nodes). Thông tin có thể bao gồm tình hình sinh trưởng của cá, các thông số môi trường, hoạt động vận trù và phân bổ tài nguyên.
• Quá trình xử lý dữ liệu và ra quyết định được thực hiện trên nền tảng đám mây.
• Gửi feedback đến từng thiết bị thực thi tác vụ – theo hướng tự động và thông minh, để hiện thực hóa NTTS bền vững theo phương châm “hiệu quả, chất lượng, sinh thái, lành mạnh và thông minh.

Nhờ robot và nhiều thiết bị tiên tiến, NTTSTM có thể đảm nhận tốt khâu sản xuất giống và ương nuôi các loài, xử lý nước tuần hoàn, cho ăn chính xác, giám sát chất lượng nước, rửa lưới, đếm, đánh bắt, phân loại, ... Chẳng hạn, dựa trên dữ liệu thu thập được về chất lượng nước, thông tin khí tượng và hành vi của cá nuôi, hệ thống có thể điều chỉnh hoạt động của thiết bị sục khí, thiết bị xử lý nước tuần hoàn và thiết bị làm sạch để kiểm soát chính xác chất lượng nước; Hay dựa vào dữ liệu sinh khối, chất lượng nước, môi trường và hành vi của cá, sự kết hợp giữa máy cho ăn thông minh với công nghệ deep learning (học nhiều tầng) có thể giúp cải thiện hiệu quả cho ăn, đảm bảo cá nuôi phát triển nhanh và khỏe mạnh; Máy chia cá tự động có thể phân nhóm và thu hoạch cá con ở các kích cỡ và độ tuổi khác nhau; Nền tảng chuẩn đoán lỗi và cảnh báo sớm được thiết kế để đảm bảo sự vận hành an toàn của hệ thống nước tuần hoàn, ...

NHỮNG ỨNG DỤNG QUAN TRỌNG NHẤT TRONG NTTSTM

Cảm biến

Chiếm vị trí thiết yếu trong NTTSTM (Su, Sutarlie, & Loh, 2020), ngành công nghiệp cảm biến hiện đang phát triển nhanh chóng. Những đột phá trong công nghệ ICT hiện đại, điện toán đám mây, big data, … đã mở đường cho việc ứng dụng rộng rãi cảm biến trong sản xuất giống, nuôi thương phẩm, lưu trữ, vận chuyển, chế biến, ... cùng với vận hành và bảo trì các công cụ NTTS thông minh. Bên cạnh đó là nhu cầu ngày càng gia tăng đối với các loại cảm biến chính xác hiệu suất cao, đa năng, chi phí thấp, thu nhỏ được, có khả năng kết nối và tuổi thọ dài hơn. Điều này cũng mở ra triển vọng tích hợp cảm biến với những ứng dụng vật lý tiên tiến sau này như nano, laser, hồng ngoại, siêu âm, vi sóng, sợi quang học, siêu nam châm, đồng vị phóng xạ và nhiều công nghệ khác đang không ngừng phát triển (Sharma, Pant & Mathur, 2019). Một vài xu hướng mới là nghiên cứu các cảm biến cực nhạy cấp độ micromet, mạch xử lý chuyển đổi và hệ thống SoC, cũng như phát triển những cảm biến di động nhỏ đa năng với phạm vi ứng dụng rộng lớn hơn, cho độ tin cậy cao và tuổi thọ dài. Ngoài ra, cảm biến sinh học cũng là một hướng  đi khác của tương lai (Moretto & Kalcher, 2014). Người ta tin rằng, cùng với sự nở rộ của ứng dụng cảm biến trong NTTSTM, nhiều tác vụ từ giám sát thực địa, chẩn đoán, sửa lỗi, thu thập dữ liệu từ xa, … cho đến vận hành theo thời gian thực, đều có thể được xử lý thông qua nền tảng IoT, mở đường cho viễn cảnh NTTSTM tự động (Jennifer, 2017).

Một module cảm biến thông minh. Ảnh: Internet.

Internet kết nối vạn vật (IoT)

Mặc dù phát triển khá nhanh trong nhiều lĩnh vực thuộc nông nghiệp, nhưng phương thức canh tác thông minh tự động (không cần người giám sát) với độ chính xác cao vẫn cần vượt qua một số trở ngại để có thể được triển khai đầy đủ trong NTTS. Do đây là một lĩnh vực tiềm ẩn không ít rủi ro, thật khó để hình dung về viễn cảnh hoàn toàn vắng bóng con người đối với các hoạt động quản lý trong tương lai gần. Tuy nhiên, một lượng lớn thiết bị thông minh, bao gồm cảm biến micro và nano để theo dõi thông tin môi trường NTTS, robot mô phỏng sinh học (bionic robot) để tự vận hành sản xuất và kiểm tra, hay máy phân loại thông minh và thiết bị chế biến tiết kiệm năng lượng, … sẽ giúp tự động hóa nhiều khâu và giảm thiểu nhu cầu về sức lao động. Khi từng thiết bị thành phần sẽ được kết nối với nhau qua nền tảng IoT và đám mây đầu cuối, sự “phối hợp cộng tác” (collaborative cooperation) giữa các thiết bị theo hướng chính xác, tin cậy, bảo mật và thời gian thực sẽ quyết định hiệu quả vận hành của mô hình (Martin, 2019).

Trong tương lai, lớp “mạng” IoT trong NTTSTM cần đáp ứng được một số tiêu chí:

• Thứ nhất, có độ phủ rộng và liền mạch để tất cả các thiết bị kết nối trong trại đều có khả năng truy cập, không bị giới hạn bởi thời gian hay địa điểm.
• Thứ hai, băng thông đạt khoảng 100 Mbps ~ 1 Gbps (tiêu chuẩn 5G), cho khả năng định vị chính xác đến cm, và độ trễ giảm xuống mức micro giây.
• Thứ ba, xác suất mạng bị gián đoạn nhỏ hơn một phần triệu, với độ tin cậy siêu cao cho mật độ kết nối lên tới 100 thiết bị trên một
• Thứ tư, hỗ trở tích hợp đa mạng và giữa nhiều trại với nhau; kết nối liền mạch đến các mạng mặt đất, vệ tinh, trên không, …
• Thứ năm, việc được tích hợp sâu với những công nghệ mới như AI sẽ giúp các công cụ trở nên hiệu quả hơn trong  hoạt  động  quan sát, định vị và phân bổ nguồn lực (Jenssen, 2019).
• Thứ sáu, liên quan đến khía cạnh bảo mật, mô hình NTTS thông minh ứng dụng công nghệ truyền thông tin trong tương lai cần có khả năng chống chịu trước các cuộc tấn công và truy tìm nguồn gốc tội phạm mạng.

Phao thông minh của NOMAD được trang bị cảm biến đo thông số thời tiết và chất lượng nước, camera an ninh, …

Ảnh: Catalina Sea Ranch

Mô hình xử lý thông tin thông minh

Một nhu cầu quan trọng trong NTTS là theo dõi và đưa ra dự báo dựa trên thông tin về nhiều cá thể đối tượng nuôi. Điều này có thể được đáp ứng nhờ áp dụng các mô hình xử lý thông tin thông minh. Những tiến bộ và giải pháp kỹ thuật mới đã giúp việc nhận diện (loài, kích thước, giới tính, ...), định lượng (đếm, đo kích thước, …) và giám sát hành vi trên quy mô lớn được  xử lý khá chuyên sâu. Tuy nhiên, việc ứng dụng công nghệ thông tin trong NTTS sẽ phức tạp hơn nhiều lĩnh vực nông nghiệp khác do đối tượng nuôi khá nhạy cảm, dễ căng thẳng, ưa di chuyển, ... trong điều kiện môi trường rất khó kiểm soát ánh sáng, tầm nhìn và độ ổn định. Ngoài ra, các thiết bị cũng cần hoạt động được ở dưới nước hoặc trong môi trường ẩm ướt với chi phí phải chăng. Đó chính là những thách thức cần vượt qua để xây dựng các mô hình NTTSTM đạt hiệu quả như mong đợi và được thương mại hóa rộng rãi.

Mô hình xử lý thông tin. Ảnh: Buzzle.com

Mặc dù ngày càng được hoàn thiện hơn, nhưng các mô hình xử lý thông tin thông minh trong NTTS vẫn chưa phát triển đủ chín muồi và thực sự hữu ích. Nhiều vấn đề còn tồn tại khi chúng không thể lý giải được cơ chế sinh học đằng sau các mẫu được quan sát, và kết quả ngoại suy đối với dữ liệu nằm ngoài phạm vi của mẫu lại cho sai số lớn. Tuy nhiên, có rất nhiều ứng dụng công nghệ tiềm năng hứa hẹn sẽ giúp nâng cao chất lượng sản phẩm lẫn hiệu quả sản xuất. Mặc dù không ít mô hình NTTSTM đã được các quốc gia nghiên cứu áp dụng, song nhìn chung vẫn ở mức độ khá đơn giản, mục đích chính là thử nghiệm và chưa bị can thiệp sâu. Một số đề xuất cho rằng có thể nghiên cứu thêm mô hình hiệu chuẩn phi tuyến, kết hợp khai thác dữ liệu và công nghệ thông tin, mô hình máy hỗ trợ vectơ  và học dựa trên ký ức (memory-based learning), mạng nơ-ron nhân tạo và deep learning (học nhiều tầng) để cải thiện hiệu quả của các công nghệ trên cho mục đích thương mại hóa và ứng dụng trong nhiều ngành nghề.

Số hóa thiết bị, điều khiển chính xác và điện toán biên NTTSTM đòi hỏi các thiết bị phải được điều khiển thật chính xác. Lấy ví dụ về bộ sục khí: Trong mô hình NTTS truyền thống, người nuôi phải tự bật hoặc tắt công tắc để kiểm soát lượng oxy hoà tan trong nước; nhưng sang thời đại của cảm biến hiện đại, họ hoàn toàn có thể sử dụng các thiết bị đầu cuối như máy tính hoặc điện thoại di động để gửi mệnh lệnh từ xa và tự động tắt/bật máy sục, máy bơm … Những cải tiến kỹ thuật mới nhất còn cho phép truyền trực tiếp kết quả đo bằng cảm biến (chẳng hạn nồng độ oxy hòa tan, …) theo thời gian thực đến hệ thống xử lý trung tâm để phân tích. Dựa vào dữ liệu thu thập được và đối chiếu với ngưỡng cho phép của các thông số, bộ điều khiển trung tâm sẽ thực hiện thao tác tự động tắt/bật máy bơm, van điện tử, hay thiết bị xử lý nước, …

Các cảm biến ổn định và đáng tin cậy, với cơ sở dữ liệu chuyên nghiệp, chính là chìa khóa giúp duy trì hiệu quả vận hành của thiết bị. Môi trường NTTS phức tạp cũng có thể ảnh hưởng đến hệ truyền động, làm giảm tuổi thọ của máy. Nếu sự cố máy móc không được xử lý kịp thời, toàn bộ quy trình tự động hóa sẽ bị gián đoạn và gây hậu quả nghiêm trọng. Mặc dù các nhà chuyên môn đã nghiên cứu và phát triển nhiều kỹ thuật xử lý sự cố trên thiết bị NTTS, nhưng chủ yếu vẫn đang trong giai đoạn thử nghiệm và ít ứng dụng máy móc. Vì vậy, cần thực hiện thêm nhiều nghiên cứu để tìm cách tăng cường hiệu quả giám sát, đảm bảo thiết bị hoạt động chính xác và nguyên vẹn.

Dữ liệu lớn (Big Data) và nền tảng đám mây

Ảnh: Internet.

Do ảnh hưởng phức tạp của môi trường cùng nhiều nhân tố khác, công việc theo dõi, phát hiện, kiểm soát trong NTTS với đòi hỏi chính xác và tối ưu thực sự là một nhiệm vụ vô cùng khó khăn (Rao, Reddy, & Sucharita, 2018). Để giải quyết những thách thức này, định hướng cơ bản là kết hợp công nghệ Big Data với nền tảng đám mây trong xử lý và phân tích một lượng dữ liệu lớn sinh ra từ thực tiễn NTTS, sau đó trình bày trực quan các kết quả [có thể hữu ích] cho nhà sản xuất và người ra quyết định (Roy, 2020). Big Data và điện toán đám mây có tiềm năng ứng dụng trong NTTS rất lớn (Balakrishnan, Rani, & Ramya, 2019; Figueroa, Araneda, Correa, Lhorente, & Manuel Yáñez, 2018). Tiến trình thu thập, phân loại, xử lý, quản lý, khai thác và phân tích dữ liệu NTTS (Dzulqornain, Harun Al Rasyid, & Sukaridhoto, 2018) có thể giúp trích xuất những thông tin có giá trị để cung cấp cho các nhà sản xuất và người ra quyết định, nhằm đạt được những phản hồi chính xác, thông minh và tối ưu.

Big Data và đám mây đang  ngày càng được ứng dụng rộng rãi trong NTTS, như thu thập, lưu trữ và khai thác dữ liệu (Chen, Li, Liu, & Tao, 2019; Cruver, 2015). Trong đó, những công nghệ phục vụ thu thập dữ liệu phát sinh từ thực tiễn sản xuất, chế biến và thương mại hóa sản phẩm NTTS đóng vai trò hết sức quan trọng. Chúng  có thể  là dữ liệu Internet, cảm biến IoT, hệ thống quản lý công nghiệp, cơ sở dữ liệu chuyên ngành, hay từ các định dạng lưu trữ truyền thống, … nhưng đều cần được lưu trữ và xử lý bằng những công nghệ tiên tiến. Vì dữ liệu NTTS thường thiếu đồng nhất và đa nguồn, cho nên chúng cần được tích hợp trước khi lưu trữ trong các cơ sở dữ liệu đích, hay được xử lý hoặc phân tích thêm. Do dữ liệu NTTS rất đa dạng, việc lưu trữ và xử lý chúng thường cần đến những phương  pháp với định hướng mục tiêu rõ ràng. Các mô hình phân tích dữ liệu truyền thống thường sử dụng rất nhiều thông tin và công cụ (có sẵn), nhằm giúp con người bằng năng lực nhận thức của mình có thể rút ra quy luật từ dữ liệu và xây dựng nên các mô hình cơ chế (Oliveira, Costa, José, & Fernando, 2015). Chính tính phức tạp đặc thù của môi trường sản xuất NTTS đã dẫn đến sự đa dạng, thiếu đồng nhất và không chắc chắn của dữ liệu (Huang & Wu, 2016). Điều này thường khiến con người mất không ít thời gian để khám phá các quy luật lẫn tri thức đằng sau trong dữ liệu, và nhiều mô hình phổ biến trước kia giờ đây có thể không còn phù hợp. Mặt khác, một số công nghệ khai thác và phân tích tiên tiến cũng có khả năng tự phát hiện những ẩn số trong quá trình mô hình hóa dữ liệu (Ma & Ding, 2018), sau đó tích hợp kết quả lên đám mây cho người dùng tiếp cận và ra quyết định.

Những năm gần đây, Big Data và đám mây ngày càng được ứng dụng kết hợp nhiều trong NTTS, ở cả giai đoạn trước, trong và sau sản xuất (Roy, 2020). Nhờ có chúng, người ta đã xây dựng được các giải pháp hiệu quả cho việc dự báo và cảnh báo sớm rủi ro môi trường NTTS (Diamanti, Domenikiotis, Neofitou, & Panagiota, 2019; Qu, Sun, & Pu, 2017), dịch bệnh (Govindaraju, Itroutwar, Veeramani, & Kumar , 2019), phát hiện và phân tích các hành vi bất thường (Lu, Yu, & Liu, 2018), phân tích và khai thác dữ liệu thị trường (Purcell, Williamson, & Ngaluafe, 2018), kiểm soát chất lượng và truy xuất nguồn gốc (Freitas, Vaz - Pires, & Cmara, 2019). Tuy nhiên, xu hướng phát triển này cũng gặp phải một vài thách thức:

1. Đó là sự thiếu hụt (không có hoặc có rất ít) chia sẻ dữ liệu lớn trong Thách thức này lại càng gia tăng trước sự phát triển nhanh chóng của công nghệ thu thập dữ liệu và trên quy mô sản xuất công nghiệp. Tính đa dạng sinh học cùng môi trường sinh trưởng phức tạp của các loài thủy sinh đã gây nhiều khó khăn cho hoạt động thu thập dữ liệu. Hiện tại, rất nhiều nghiên cứu đang được thực hiện trong điều kiện mô phỏng ở phòng lab thay vì thực địa. Ngoài ra, cũng phải kể đến những khó khăn khi thu thập dữ liệu hình ảnh trong điều kiện môi trường tự nhiên, chẳng hạn tại thời điểm cá mắc bệnh và có những hành vi bất thường, …

2. Thiếu các mô hình và công nghệ phân tích thông Sự phát triển của Internet và IoT đã làm phong phú thêm nguồn dữ  liệu, là động lực cho sự hình thành của nền tảng Big Data trong NTTS. Tuy nhiên, hiệu quả ứng dụng từ những nghiên cứu trong lĩnh vực này vẫn được cải thiện thêm.

3. Thiếu các phân tích tương quan đối với dữ liệu của toàn bộ chuỗi giá trị ngành Một mặt, đó là do tính thiếu xác đáng về mặt không – thời gian của bản thân dữ liệu, cùng với những khác biệt về quy mô và chất lượng dữ liệu bởi mức độ ứng dụng công nghệ Big Data sâu rộng khác nhau trong NTTS. Điều này khiến ý tưởng kết hợp chuỗi dữ liệu cùng với việc sử dụng dữ liệu trong các phân tích tương quan cho những vấn đề khác nhau trở nên bất khả thi. Thứ nữa, do sự tách biệt của dữ liệu NTTS trước, trong và sau sản xuất, cho nên gần như không thể thâm nhập chuỗi ngành, và cũng rất khó khám phá các mối liên hệ ẩn sau đó.

Ảnh: Internet.

Tích hợp hệ thống

Tích hợp hệ thống là công nghệ đóng vai trò then chốt trong việc xây dựng những mô hình NTTSTM. Nó hướng tới kết nối tất cả các loại thiết bị NTTS và phân hệ (hệ thống con) với nhau để tạo thành một hệ thống hoàn chỉnh, toàn diện và thông minh, giải quyết được tất cả các nhu cầu của người NTTS, cho hiệu suất tối ưu, dễ thực hiện và có thể áp dụng linh hoạt. Hai thành phần quan trọng nhất của tích hợp hệ thống NTTSTM là tích hợp thiết bị và tích hợp ứng dụng.

Tích hợp hệ thống thiết bị: là sự kết hợp cả về chủng loại và số lượng của nhiều thiết bị NTTS khác nhau như máy làm giàu oxy, cảm biến, máy cho ăn và thiết bị xử lý nước, … Điều này đòi hỏi các thiết bị phải có cùng giao thức liên lạc, phương thức truyền dẫn, điện áp hoạt động và nhiều thông số khác, dẫn đến nhu cầu cần thiết lập những tiêu chuẩn thống nhất trong việc thiết kế thiết, lựa chọn và kết nối thiết bị NTTS trên nền tảng IoT để phục vụ hoạt động giám sát, điều khiển. Ngoài ra, cần tối ưu việc triển khai các thiết bị để chúng thực sự phát huy hiệu quả.

Tích hợp hệ thống ứng dụng: là sự kết hợp từng phân hệ cùng nền tảng tri thức chuyên môn trong lĩnh vực NTTSTM, chẳng hạn hệ thống giám sát chất lượng nước, hệ thống xử lý dữ liệu thông minh và kiến thức cơ sở về những tác nhân gây hại cho cá. Việc tích hợp các hệ thống con chủ yếu là để giải quyết nhu cầu về dữ liệu, trao đổi dữ liệu và những vấn đề khác phát sinh giữa chúng. Điện toán đám mây, điện toán biên (edge computing) và các phương án tiếp cận khác có thể mang lại những giải pháp tốt cho tích hợp hệ thống ứng dụng.

Tóm lại, hoạt động tích hợp hệ thống NTTSTM cần phải dựa trên nhu cầu của người nuôi, tiêu chuẩn thiết kế thiết bị, cùng với việc sử dụng các công nghệ phụ trợ để giải quyết những vấn đề phát sinh trong quá trình xây dựng hệ thống. Mục tiêu chính của các nghiên cứu tích hợp hệ thống NTTSTM là những nền tảng cho khả năng vân hành ổn đinh hay xử lý dữ liệu mạnh mẽ hơn. Mặc dù 5G và điện toán đám mây đang thúc đẩy sự phát triển của các hệ thống tích hợp thông minh trong NTTS, nhưng cần phát triển thêm nhiều thuật toán đáng tin cậy và cải thiện sự ổn định của thiết bị trong quá trình hoạt động.

TRIỂN VỌNG TƯƠNG LAI

Một hệ thống điện toán đám mây. Ảnh: Internet

NTTSTM có thể mang lại rất nhiều lợi ích, thông qua tăng cường tính bền vững trong hoạt động canh tác và hiệu quả sử dụng tài nguyên trên nhiều khía cạnh. Phương thức này cũng giúp giảm thiểu chi phí lao động, cải thiện năng suất và chất lượng sản phẩm. Tuy nhiên, vẫn còn nhiều thách thức cần phải vượt qua, nhất là vốn đầu tư và chi phí năng lượng cao, để đưa NTTSTM vào ứng dụng rộng rãi trong thực tế. Dưới đây là một số triển vọng và thách thức đối với NTTSTM:

1. NTTSTM có tiềm năng giúp giảm thiểu hoạt động xả thải, thúc đẩy tái chế chất thải và cải thiện hiệu quả sử dụng tài nguyên. Cụ thể, nó khuyến khích việc sử dụng tiết kiệm thức ăn chăn nuôi và kiểm soát chất lượng nước & chất thải tốt hơn thông qua phân tích dữ liệu lớn để có những điều chỉnh kịp thời. Muốn thực hành NTTS sinh thái xanh và bền vững, cần phải làm nhiều việc hơn như tăng cường sử dụng năng lượng tái tạo và các hệ thống canh tác kết hợp (ví dụ: thủy canh - aquaponics).
2. NTTSTM giúp cải thiện đáng kể sản lượng, chất lượng, và độ an toàn của sản phẩm thủy sản, bên cạnh cắt giảm toàn diện chi phí sản xuất và vận hành. Lấy ví dụ: chất lượng môi trường và sức khỏe cá nuôi được giám sát và quản lý hiệu quả theo thời gian thực nhờ sử dụng dữ liệu phân tích, đảm bảo cá sinh trưởng trong điều kiện tốt nhất và cho chất lượng như kỳ vọng. Tuy nhiên, mặc dù nhu cầu về lao động có thể được cắt giảm nhưng chi phí về vốn và năng lượng lại tăng lên. Do đó, sẽ cần thêm nhiều nghiên cứu và phân tích kinh tế chuyên sâu để xác định liệu các phương thức NTTSTM có thực sự mang lại hiệu quả kinh tế. Ngoài ra, NTTS là một lĩnh vực tiềm ẩn không ít rủi ro, cho nên những rủi ro với bộ cảm biến hoặc các thiết bị khác cũng rất dễ dẫn đến những thảm họa và thiệt hại nghiêm trọng. Vì vậy, các mô hình cần được phát triển tiếp để ngày càng hoàn thiện và ổn định hơn, cho những hệ thống hoàn toàn tự động.
3. NTTSTM giúp nâng cao sản lượng (giải quyết nhu cầu đang không ngừng gia tăng đối với các sản phẩm thủy sản), và giảm thiểu tác động lên môi trường sinh thái nhờ thông tin môi trường, khí hậu,… được quản lý hiệu quả. Điều này còn làm lợi cho sứ mệnh bảo vệ tài nguyên hoang dã.
4. NTTSTM cũng giúp cắt giảm chi phí lao động và cải thiện hiệu quả sản xuất. Ngoài ra, nó còn thúc đẩy kinh tế phát triển thông qua khuyến khích đầu tư vào các ngành công nghệ thông minh và sự chuyển dịch của lực lượng lao động theo hướng tay nghề cao. Mặc dù NTTS đang ngày càng được ứng dụng nhiều công nghệ, nhưng vẫn tương đối thua kém so với trình độ của nhiều ngành công nghiệp sản xuất thực phẩm khác. Điều này cho thấy sự cần thiết của việc tăng cường nghiên cứu và ứng dụng Big Data, IoT, robot, mô phỏng, … trong hoạt động sản xuất NTTS. Đến nay, nhiều quyết định quan trọng trong NTTSTM chủ yếu vẫn dựa trên kinh nghiệm hơn là dữ liệu thực tế. Vì vậy, cần phát triển thêm nhiều mô hình cho hiệu quả, ổn định và bền vững để hiện thực hóa tầm nhìn về một nền sản xuất NTTS thông minh với mức độ tự động hóa cao. Sau cùng, chính sách và tổ chức cũng là những yếu tố quan trọng ảnh hưởng đến sự phát triển bền vững của mô hình NTTSTM. Các động lực đổi mới sẽ bị hạn chế nếu cải cách ở khu vực nghiên cứu khoa học và cơ chế không theo kịp nhu cầu của thị trường.

THAM KHẢO

1. Balakrishnan, , Rani, S. S., & Ramya,
2. C. (2019). Design and development of IoT based smart aquaculture system in a cloud environment. International Journal of Oceans and Oceanography, 13(1), 121– 127.
3. Chen, Q., Li, S. F., Liu, H. M., Tao, P.

(2019). Application of intelligent technology in animal husbandry and aquaculture industry. 14th International Conference on Computer Science & Education (ICCSE). IEEE, Toronto, ON, Canada.

3. Cruver, (2015). Offshore aquaculture and

marine big data™. Environment Coastal &

Offshore, 3(6), 38– 45.

4. Diamanti, S., Domenikiotis, C., Neofitou, N., Panagiota, (2019). Preliminary study for quantitative determination of ammonium in aquaculture environment by the use of sentinel 2 satellite data.  14th  Conference of the Hellenic Hydrotechnical Association (H.H.A). Volos, Greece. 1–9.
5. Dzulqornain, M. I., Harun Al Rasyid,

U.,  &  Sukaridhoto,  S.  (2018).  Design  and development of smart aquaculture system based on IFTTT model and cloud integration. MATEC Web of Conferences, 164, 01030. https://doi.org/10.1051/ matecconf/201816401030

6. Engle, R., Kumar, G., & van Senten, J. (2019). Cost drivers and profitability of U.S. pond, raceway, and RAS aquaculture. Journal of the World Aquaculture Society, 2020, 1– 27.
7. Figueroa, ,   Araneda,   M.,   Correa,  K., Lhorente, J.P., Manuel Yáñez, J. (2018). GenDataSave: Information management platform for aquaculture genetic improvement programs optimized by means of parallel computing. Proceedings of 7th World Congress on Genetics Applied to Livestock Production. Montpellier, France.
8. Freitas, J., Vaz‐Pires, , & Cmara, J. S. (2019). From aquaculture production to consumption: Freshness, safety, traceability and authentication, the four pillars of quality. Aquaculture, 518, 734857.

9. Govindaraju, , Itroutwar, P. D., Veeramani, V., & Kumar, T. A. (2019). Application of nanotechnology in diagnosis and disease management of white spot syndrome virus (WSSV) in aquaculture. Journal of Cluster Science, 30, 1– 9.

10. Huang, X. , & Wu, W. (2016). Dynamics system analysis and intelligent identification of aquaculture water quality data. International Journal of Database Theory and Application, 9, 157– 168.

Jennifer, K. P. (2017). How sensors, robotics and artificial intelligence will transform agriculture. Forbes Magazine. Retrieved from https://www. forbes.com/sites/jenniferhicks/2017/03/19/how- sensors-robotics-and-artificial-intelligence-will- transform-agriculture/#2877b2df384b.

Jenssen, P. I. (2019). Artificial intelligence is shaping the future of aquaculture. The Aquaculture Blog. Retrieved from https://blog. akvagroup.com/artificial-intelligence-is-shaping- the-future-of-aquaculture.

Lu, H. D., Yu, X., & Liu, G. Q. (2018). Abnormal behavior detection method of fish school under low dissolved oxygen stress based on image processing and compressed sensing. Journal of Zhejiang University (Agriculture and Life Ences), 44(4), 499– 506.

Ma, Y., Ding, W. (2018). Design of intelligent monitoring system for aquaculture water dissolved oxygen. IEEE Advanced Information Technology, Electronic & Automation Control Conference.

Martin, H. (2019). Aquaculture 4.0: Applying industry strategy to fisheries management. Maritime & Fisheries News. Retrieved from https://www.governmenteuropa.eu/ aquaculture-4-0/93038/.

Moretto, L. M., & Kalcher, K. (2014). Environmental analysis by electrochemical sensors and biosensors fundamentals. New York, NY: Springer New York.

Oliveira, P., Costa, R., José, L., Fernando, L. F.(2015). A knowledge‐based approach for supporting aquaculture data analysis proficiency. ASME International Mechanical Engineering Congress and Exposition. ASME: Houston, Texas.

Purcell, S. W., Williamson, D. H., & Ngaluafe, P. (2018). Chinese market prices of beche‐de‐ mer: Implications for fisheries and aquaculture. Marine Policy, 91, 58– 65.

Qu, J. H., Sun, D. W., & Pu, H. (2017). Vis/ NIR chemical imaging technique for predicting sodium humate contents in aquaculture environment. Water, Air, and Soil Pollution, 228(5), 177.1– 177.10.

Rao, P. V., Reddy, A. R., & Sucharita, V. (2018). Big data analytics in aquaculture using hive and Hadoop platform. In Exploring the convergence of big data and the internet of things, Hershey, Pennsylvania: IGI Global.

Roy, A. K. (2020). Big data analytics to fight challenges of fisheries and aquaculture sector. Retrieved from https://www.researchgate.net/ publication/339941451

Sharma, N., Pant, B. D., & Mathur, J. (2019). MEMS devices used in agriculture—a review. Journal of Biosensors & Bioelectronics, 10(1), 1000267.

Su, X. D., Sutarlie, L., & Loh, X. J. (2020). Sensors, biosensors, and analytical technologies for aquaculture water quality. Research, 2020, 8272705.

Chenhong Li & Daoliang Li

Hải Mỹ dịch

Nguồn:  World Aquaculture Society

CHENHONG LI

Giáo sư, chủ nhiệm Khoa Thủy văn, Trường Thủy sản & Khoa học Sinh học, Đại học Hải dương Thượng Hải, Trung Quốc. Nghiên cứu tập trung vào lĩnh vực phân loại học phân tử và nguồn gen của các loài thủy sản nuôi, đặc biệt là bộ cá trích (Clupei- formes) và cá rô đồng Trung Quốc.

DAOLIANG LI

Giáo sư thực thụ (full-professor), Trường Kỹ thuật Điện & Thông tin, Giám đốc Trung tâm Đổi mới Quốc gia về Thủy sản Kỹ thuật số, Đại học Nông nghiệp Trung Quốc. Nghiên cứu của ông tập trung vào các ứng dụng ICT trong thủy sản và nông nghiệp, đặc biệt là lĩnh vực xử lý thông tin, cảm biến, hệ thống điều khiển thông minh và mô hình aquaponics.