基于改进生物能量学模型的杂交石斑鱼生长预测与投喂优化研究

《Aquaculture Reports》：Growth prediction and feeding optimization for hybrid grouper ( Epinephelus fuscoguttatus × E. lanceolatus) based on an improved bioenergetics model

本研究针对工业化水产养殖中生长预测不准与饲料浪费严重的问题，开发了一种适用于杂交石斑鱼（Epinephelus fuscoguttatus × E. lanceolatus）的改进生物能量学模型（IBM）。该模型整合生长、能量与密度子模型，实现了体重与投喂量的双向预测、能量代谢量化及养殖密度动态监测。验证结果表明，IBM较人工经验投喂显著降低饲料系数（FCR），提升能量留存率，并精准量化氨氮排泄与耗氧量。模型在三种工业化场景下均表现出强适用性，为精准投喂与智能养殖提供了可靠工具。

　　

在工业化水产养殖迅猛发展的今天，精准掌握鱼类生长轨迹并实现科学投喂，一直是提升养殖效率与可持续发展的核心挑战。传统养殖依赖人工经验判断投喂量，不仅劳动强度大、主观性强，更易造成饲料浪费与水环境污染。尤其对于杂交石斑鱼这类高经济价值物种，其生长受温度、溶解氧、非离子氨等多因子交织影响，经验式管理难以实现精准调控。尽管统计模型、机器视觉等技术已被尝试用于生长预测，但或缺乏生理机制解释性，或依赖昂贵设备，普适性受限。在此背景下，开发一种融合生理机制、环境响应与生产实际的高实用性模型，成为推动产业智能化转型的迫切需求。

本研究发表于《Aquaculture Reports》，作者团队提出了一种改进生物能量学模型（IBM），通过生长、能量与密度三个子模型的耦合，实现了杂交石斑鱼生长与投喂的精准预测。模型创新性地引入饱食水平（s）作为状态变量，构建了体重与投喂量的双向预测机制，并整合了关键环境因子（温度T、溶解氧DO、非离子氨UIA）的调控函数。在方法上，研究通过文献整合确定了杂交石斑鱼的生理参数（如代谢指数、营养需求），利用三组工业化养殖数据（Study A、B、C）进行模型验证，并采用Sobol全局敏感性分析量化了关键参数的独立与交互效应。

2.1. 模型性能验证

通过对比模型估计投喂量（f_IBM）与人工投喂量（f_manual），发现人工投喂存在明显失衡（图3）：投喂不足或过量均导致饲料残留（F_R）。IBM在三种场景下均能实现目标体重的精准预测（图4），其饲料系数（FCR）分别为1.08、1.08、1.12，显著低于人工组的1.2、1.15、1.13。能量代谢分析进一步表明，IBM投喂策略下的能量留存率（E_R）更高，且能量化氨氮排泄（E_N）、粪便损失（E_fae）与耗氧量（DO₂）（表7）。

2.2. 密度动态预测

基于初始数量与死亡率线性插值，IBM成功预测了养殖期间的数量变化与密度波动（图5）。模型还可按体重区间对鱼群进行分级统计，为分阶段管理提供依据。

2.3. 参数敏感性分析

全局敏感性分析显示，在适宜环境下，温度（T）与饱食水平（s）是影响模型输出的主导因子（主效应分别占21%与58%），且二者交互作用显著（约22%）。在极端环境下，溶解氧（DO）的影响跃居首位（主效应约20%），非离子氨（UIA）与饱食水平的交互作用尤为突出。饲料蛋白水平（F_p）主要影响能量留存率，但对其他输出指标影响微弱。

本研究开发的IBM模型首次实现了杂交石斑鱼生长与投喂的机制性量化调控，其双向预测功能与多场景适应性显著优于传统方法。通过引入饱食水平作为核心调控变量，模型有效解决了人工投喂的盲目性，在降低饲料系数的同时提升了能量利用效率。敏感性分析进一步明确了不同环境下关键参数的优先级，为精准管理提供了理论依据。该模型无需大量数据训练或昂贵设备，可直接嵌入现有养殖系统，推动水产养殖向智能化、低碳化转型。未来研究可探索模型与其他智能技术（如物联网传感器、机器学习）的深度融合，实现全周期自适应优化。