如何用随机森林算法，在深海养肥一群鱼

By 超神经

内容一览：分析并识别鱼类行为，对于养殖业具有重要意义，福林德斯大学博士生 Thomas Clarke 研发了一个机器学习模型，可以借助随机森林算法识别鱼类动作。

关键词：随机森林算法 机器视觉

爱吃生鱼片的朋友们对黄尾鰤鱼 (Yellowtail Kingfish) 肯定有所耳闻。在餐馆里，黄尾鰤鱼也常被写作黄师鱼、黄条鰤。

这种大型深海鱼肉质绵密、富含 Omega-3 且没有腥味，口感一流，被视为刺身极品。野生黄尾鰤鱼由于捕捞、钓期较短，捕捞困难等因素，价格也一直高居不下。

如何养肥、养好海洋生物

黄尾鰤鱼生长速度较快，但是野生种群数量不多，所以很难形成商业化捕捞。随着海洋养殖技术的发展，也可通过养殖黄尾鰤鱼，供应日益增长的消费需求。

对于海洋养殖业，如何全面掌握黄尾鰤鱼的生活习性及产卵繁殖特点，有针对地保护成熟期的黄尾鰤鱼，成为提高养殖生产效率和盈利水平的关键。

黄尾鰤鱼最大可长到 60kg

它们智力超群，海钓、捕捞难度很高

黄尾鰤鱼是一种随季节和温度变化做周期性洄游的鱼类，主要分布在我国各大沿海、日本、朝鲜半岛和澳大利亚周边远离岸边的外海岩礁区水域。

过去十年中，得益于观测设备的发展，生物追踪领域有了显著发展，对物种的远程监测也获得了诸多突破，越来越多针对海洋生物行为的观测和数据收集，开始大规模采用三轴加速器。

科研人员通过给黑鳍鲨鱼鳍配备最新加速器

监测黑鳍鲨运动行为

三轴加速器通过测量三个轴的加速度，可以产生描述生物运动、活动的时间序列，进而根据环境中加速度的特征，推演出动物行为。

此外加速器数据可以与时空数据（深度、地理位置、季节等）结合分析，以确定产卵、进食等生态学上的重要行为。

三轴加速器收集的数据量巨大，甚至多达数百万行（包括加速度、身体位置等），因此需要借助半自动分析系统，来对生物行为进行分类。

黄尾鰤鱼的移动行为也很复杂，平均时速在三四十公里，瞬间加速追捕猎物甚至能超过时速 100 公里。这类突然的高振福「爆发」行为，使得自动化分析技术的发展受到阻碍。

复杂生物数据，机器学习派上用场

面对包含运动速度、时间、深度、地理位置等多维度、数量庞杂的时空数据，机器学习成为科研人员的首选。

福林德斯大学科学与工程学院的博士生 Thomas Clarke，基于 6 条养殖黄尾鰤鱼在产卵期 624 个小时的加速器数据，训练了一个随机森林机器学习算法，确定了黄尾鰤鱼五种不同的行为（游泳、进食、受伤、逃跑和求偶) 。

Thomas Clarke 与同实验室的研究员合影

右一为 Thomas Clarke

这是第一个用机器学习技术，识别野生黄尾鰤鱼产卵行为的研究，对利用 AI 更好地理解深海鱼类的生殖模式，具有重要意义。

Thomas Clarke 和同事在这项研究中，通过描述和量化养殖黄尾鰤鱼的行为，在基准真相加速器数据的基础上，研发了一个有监督机器学习算法（RF 模型）。

随后这一模型被用于分析野生黄尾鰤鱼数据，进而预测自然发生的产卵行为。

养殖野生两头抓，试验方法详解

1、养殖黄尾鰤鱼试验

将性成熟的黄尾鰤鱼（于南澳捕获的野生黄尾鰤鱼）在大型容器中放养，持续观察其产卵行为。

2018 年 8 月至 2019 年 2 月期间，分别进行两次追踪任务，每次追踪 1 条雌鱼、2 条雄鱼。用三轴加速器数据记录仪，记录 6 条养殖黄尾鰤鱼的行为数据。

6 条养殖黄尾鰤鱼的相关描述

把容器中的黄尾鰤鱼取出放入含有 AQUI-S (10ppm) 的设备中标记。把记录仪固定在 黄尾鰤鱼背部，为了区别不同个体，加速器的按钮、夜间模式等都做了区分。标记完成 3 小时后，开始记录黄尾鰤鱼行为数据。

2、野生黄尾鰤鱼试验

2015 年 10 月至 2019 年 11 月期间，科研人员捕获并标记了 8 条与养殖黄尾鰤鱼体型相近的野生黄尾鰤鱼，并用加速器记录了 2-3 天的数据。

野生黄尾鰤鱼按照养殖黄尾鰤鱼相同的规格，固定加速器，区别是野生黄尾鰤鱼的加速器是可自行分离的可恢复安装包，包括一个加速器、电波发送器 (radio transmitter)、以及智能定位和温度传输标签，2-3 天后可自行脱落。

野生黄尾鰤鱼的记录仪可保持 2-3 天

3、数据分析

加速器数据可通过 IGOR Pro 进行下载，并用 Ethographer 软件进行可视化分析。

首先删除由于光线不足或摄像机没捕捉到目标的无效数据。

计算 3 个加速轴上的静态加速度和动态加速度，过滤掉由尾部拍打和身体姿态引起的主导信号，并隔离高振幅加速度的行为。

观察时间序列加速度数据，可以确定黄尾鰤鱼潜在的爆发行为。从视频中可以观察到黄尾鰤鱼的五个行为类别：进食、游泳、逃跑、求偶或受伤。

4、机器学习分类算法开发

基于随机森林分类法进行预测。用所有预测变量的值组成单一数据集，然后随机分成两部分：70% 用于模型训练，30% 作为验证集评估模型性能。

ntree 值从 500 开始，逐渐增加到 2000。此外，还测试了每个 mtry 随机抽样的变量数量，用于评估对模型错误率的影响。

在模型构建过程中，作者使用了 64 个预测变量，进一步保证了模型的准确性。

5、模型性能评估

分类模型的性能指标，由 RF 混淆矩阵计算得出。混淆矩阵确定了 true positive (TP)、false positive (FP) 以及 false negative (FN)，并且还提供了黄尾鰤鱼所有行为类别的实际观察值，与模型预测值的对比表。

6、预测野生黄尾鰤鱼的行为

用 RF 算法预测 8 条野生黄尾鰤鱼的行为数据，发现模型总体准确率达到 94% 。

用 RF 模型预测野生黄尾鰤鱼产卵事件 (n=16，粉标记)

和繁殖行为 (n=1，橙色箭头)

游泳和进食的识别准确率最高，超过 84%，其次是求偶，逃跑和受伤的分类准确度得分较低。

测试集上用 RF 算法计算出的养殖黄尾鰤鱼行为类别性能指标

灰色方框代表测试集中分类正确的数量

理解海洋，任重道远

海洋，是地球的资源宝库。

海洋生物除了具有经济价值外，也是海域生态平衡的关键。研究海洋，可以帮助我们更了解海洋生物、能源等资源，也是合理开发和保护海洋资源的重要课题。

参考：

https://phys.org/news/2021-06-artificial-intelligence-fishy-behavior.html

https://movementecologyjournal.biomedcentral.com/articles/10.1186/s40462-021-00248-8