Trước áp lực từ các vùng biển đang dần quá tải và các vấn đề môi trường như hiện tượng phú dưỡng đang siết chặt ngành nuôi trồng thủy sản truyền thống, các hệ thống nuôi trồng thủy sản tuần hoàn trên cạn (RAS) nổi lên như một giải pháp thay thế hàng đầu. Tuy nhiên, mô hình này phải đối mặt với một thách thức tài chính lớn: chi phí thức ăn thương mại chiếm tới 60% tổng chi phí vận hành.
Để giải quyết bài toán này và tối đa hóa lợi nhuận mà không cần đến các thí nghiệm tốn kém trên cá sống, một nhóm nhà khoa học Nhật Bản đã phát triển một công cụ số đột phá: một phần mềm mô phỏng được tùy chỉnh cho từng đàn cá, có khả năng dự báo chính xác quỹ đạo tăng trưởng của cá hồi vân (Oncorhynchus mykiss) và đánh giá hệ số chuyển đổi thức ăn. Bước đột phá chiến lược này đã được công bố trên tạp chí uy tín Scientific Reports. Nghiên cứu được dẫn dắt bởi một nhóm đa ngành của Đại học Hokkaido, bao gồm các thành viên từ Khoa Khoa học Thủy sản, Trường Cao học Khoa học Thủy sản và Trung tâm Khoa học Thực địa Sinh quyển phía Bắc.
Mô hình mới này về cơ bản đã mô phỏng thành công quỹ đạo tăng trưởng ngắn hạn của từng cá thể cá hồi. Nó hoạt động dựa trên sự kết hợp giữa mô hình hành vi Boids với các phương trình của Thuyết Ngân sách Năng lượng Động (DEB). Các thử nghiệm cũng cho thấy hiệu quả và hệ số chuyển đổi thức ăn thay đổi đáng kể tùy theo giai đoạn phát triển của cá. Tuy nhiên, các nhà khoa học thừa nhận những hạn chế ban đầu: về dài hạn, trình mô phỏng có xu hướng đánh giá cao hơn thực tế vì đã bỏ qua các biến số quan trọng như hiệu ứng mật độ và nồng độ oxy hòa tan.
Mô hình hoạt động ra sao?
Hệ thống được phát triển chia quy trình thành hai cấu phần chính, liên kết chặt chẽ với nhau và vận hành theo một chu trình hàng ngày.
Mô hình hành vi của cá: Để tái hiện chính xác cách cá hồi bơi và tương tác, các nhà nghiên cứu đã áp dụng mô hình Boids kinh điển vào môi trường động của bể nuôi. Theo đó, chuyển động của mỗi con cá được mô phỏng dựa trên các quy tắc cơ bản: chúng phải giữ khoảng cách để tránh va chạm, bám theo đàn và bơi cùng hướng. Đồng thời, mô hình cũng tính đến các yếu tố như xu hướng bơi riêng của từng cá thể, các chuyển động ngẫu nhiên và đặc biệt là hành vi thay đổi tốc độ, hướng bơi để tìm mồi khi thức ăn được thả vào.
Cơ chế bắt mồi: Khi thức ăn dồi dào và dạ dày của cá chưa đạt mức tiêu thụ tối đa trong ngày (thiết lập ở mức 4% trọng lượng cơ thể), cá sẽ kích hoạt "chế độ bắt mồi". Lúc này, tốc độ bơi tối đa sẽ tăng lên đáng kể để cạnh tranh thức ăn. Khi một con cá ảo trong mô hình tiếp xúc với viên thức ăn, hệ thống sẽ ghi nhận đó là một lần bắt mồi thành công.
Mô hình tăng trưởng dựa trên năng lượng: Toàn bộ dữ liệu về lượng thức ăn của từng cá thể sẽ được chuyển đến mô hình tăng trưởng. Mô-đun này sử dụng các phương trình của Thuyết Ngân sách Năng lượng Động (DEB), về cơ bản là một khung toán học mô phỏng các quá trình sinh lý quan trọng như trao đổi chất, đồng hóa và bài tiết. Bằng cách giải các phương trình này, trình mô phỏng có thể tính toán chính xác mức tăng trưởng hàng ngày về trọng lượng và chiều dài của mỗi con cá hồi.
Kiểm chứng thực nghiệm: Từ máy tính đến bể nuôi
Để kiểm chứng độ tin cậy của trình mô phỏng, các nhà nghiên cứu đã tiến hành một thí nghiệm nuôi thực tế kéo dài 203 ngày tại trạm sinh học của trường. Ban đầu, 331 con cá hồi giống được theo dõi trong một bể tròn 500 lít, với nhiệt độ nước được duy trì ở 10°C. Trong suốt thí nghiệm, cá được cho ăn theo chế độ dư thừa để đảm bảo chúng luôn được ăn no, và lượng thức ăn tiêu thụ thực tế hàng ngày được ghi lại cẩn thận.
Kết quả và những sai khác được phát hiện
Dữ liệu từ "bản sao kỹ thuật số" cho thấy sự tương đồng cao với kết quả thí nghiệm thực tế trong giai đoạn đầu. Cụ thể, trong 79 ngày đầu, hệ số chuyển đổi thức ăn (FCR) thực tế là 1,19, trong khi phần mềm tính toán ra con số gần như y hệt: 1,18. Tuy nhiên, từ ngày thứ 80, kết quả ảo bắt đầu chệch khỏi thực tế. Thống kê sau 203 ngày cho thấy, trọng lượng cuối cùng trung bình của cá trong mô phỏng cao hơn thực tế 19,0 gram (tức 22,7%), trong khi FCR tích lũy lại thấp hơn (1,06 so với 1,34).
Nguyên nhân của sự sai khác?
Các nhà khoa học đã chỉ ra ba nguyên nhân chính, đồng thời vạch ra lộ trình để tối ưu hóa phần mềm trong tương lai:
- Mô hình đã bỏ qua hiệu ứng mật độ. Trong suốt thí nghiệm, mật độ sinh khối trong bể tăng từ 0,19% lên 3,5%. Trong điều kiện thực tế, mật độ cao hơn sẽ làm chậm tốc độ tăng trưởng do môi trường sống bị suy giảm nhẹ – một yếu tố mà hệ thống chưa tính đến.
- Các biến động của oxy hòa tan chưa được tính đến. Mô hình hiện tại đã tính đến nhiệt độ nhưng bỏ qua nồng độ oxy hòa tan (DO), một biến số quan trọng làm hạn chế sự thèm ăn và quá trình trao đổi chất của cá hồi ở các giai đoạn sau.
- Sự cạnh tranh thức ăn trong mô hình chưa thực tế. Trong chương trình, những con cá lớn hơn sẽ bơi nhanh hơn. Điều này dẫn đến việc các cá thể vượt trội trong môi trường ảo chiếm được quá nhiều thức ăn, tạo ra sự chênh lệch về kích thước trong đàn lớn hơn so với những gì quan sát được trong bể nuôi thực tế.
Ứng dụng thực tiễn
Mặc dù cần tinh chỉnh để hoàn thiện khả năng dự báo dài hạn, nghiên cứu này vẫn cho thấy tiềm năng to lớn của các mô hình dựa trên hành vi cá thể. Ưu điểm lớn nhất của nó nằm ở khả năng dự báo quỹ đạo tăng trưởng của từng con cá một cách độc lập. Trong quản lý nuôi thương phẩm, công nghệ này mang lại những lợi thế chiến lược quan trọng:
Tối ưu hóa theo đàn: Việc xác định sớm các sai lệch về kích thước cho phép loại bỏ kịp thời những cá thể lớn bất thường. Điều này giúp ngăn chặn các tác động tiêu cực đến tính đồng đều của cả đàn – một yếu tố ảnh hưởng trực tiếp đến giá bán và quy trình chế biến công nghiệp.
- Tối ưu hóa thu hoạch và chiến lược cho ăn: Mô hình cũng giúp xác định thời điểm thu hoạch tốt nhất để đạt lợi nhuận tối đa. Hơn nữa, nó còn cho phép thiết kế các chiến lược cho ăn linh hoạt, được điều chỉnh riêng theo giai đoạn sinh trưởng của đàn, giúp giảm đáng kể chi phí sản xuất.
Tương lai của ngành
Phần mềm mô phỏng do Đại học Hokkaido phát triển đã đặt một nền tảng khoa học vững chắc cho sự chuyển đổi công nghệ trong ngành nuôi cá hồi trên cạn. Khả năng thực hiện các thử nghiệm ảo với các tỷ lệ và tần suất cho ăn khác nhau mà không ảnh hưởng đến sinh khối sống khiến nó trở thành một công cụ chiến lược cho việc lập kế hoạch kinh doanh và giảm thiểu dấu chân sinh thái của các hoạt động nuôi trồng thủy sản.
Việc tích hợp các biến số quan trọng trong tương lai, như nồng độ oxy hòa tan, tốc độ hòa tan của viên thức ăn và các mô hình bắt mồi dựa trên xác suất, hứa hẹn sẽ hoàn thiện hệ thống này thành một phần mềm hỗ trợ ra quyết định theo thời gian thực với độ chính xác cao, và có thể mở rộng ứng dụng sang các loài thủy sản thương mại giá trị cao khác.
