ترجمه: دکتر حمید بهنگار

فناوری پایش صوتی غیرفعال که به اختصار PAM شناخته می‌شود، به‌عنوان یک ابزار نوین و غیرتهاجمی در رفتارشناسی میگوی وانامی (Litopenaeus vannamei) برای ارزیابی رفتار تغذیه‌ای تحت فرکانس‌های مختلف تغذیه (Feeding Frequency) مورد استفاده قرار گرفت. این مطالعه با بهره‌گیری از هیدروفون‌های پیشرفته (Hydrophones) و نرم‌افزار تخصصی Raven® Pro، فعالیت تغذیه‌ای میگوها را در فرکانس‌های یک، دو، چهار و هشت بار در روز پایش کرد. نتایج حاصل از این تحقیق نشان داد که افزایش فرکانس تغذیه تا هشت بار در روز، تعداد کلیک‌های صوتی (Acoustic Clicks) و مصرف خوراک (Feed Consumption) را به‌طور قابل‌توجهی افزایش می‌دهد. این یافته‌ها نه‌تنها بر اهمیت تغذیه چندگانه (Multiple Feeding) تأکید دارند، بلکه نشان‌دهنده پتانسیل فناوری‌های خودکار (Automated Feeding Systems) در بهبود مدیریت پرورش میگو هستند. این رویکرد می‌تواند به کاهش ضایعات خوراک (Feed Waste)، بهبود کیفیت آب (Water Quality) و افزایش بازده تولید (Production Efficiency) کمک کند.

مقدمه‌ای بر رفتار تغذیه‌ ای میگو وانامی

رفتار تغذیه‌ای میگوی وانامی (Litopenaeus vannamei) یکی از مهم‌ترین جنبه‌های مدیریت در سیستم‌های پرورش میگو (Shrimp Aquaculture) است. هزینه خوراک (Feed Cost) به‌عنوان بالاترین هزینه متغیر در این صنعت، بیش از 50 درصد هزینه‌های عملیاتی را تشکیل می‌دهد (Rego et al., 2017; Nunes et al., 2022). این موضوع ضرورت توسعه پروتکل‌های مدیریت تغذیه (Nutrition Management) کارآمد را برجسته می‌کند. درک عمیق رفتار تغذیه‌ای (Feeding Behavior) می‌تواند به بهینه‌سازی مصرف خوراک، کاهش ضایعات و بهبود رشد (Growth Performance) و بقای میگو (Survival Rate) کمک کند. علاوه بر این، رفتار تغذیه‌ای تحت تأثیر عواملی مانند فرکانس تغذیه، کیفیت خوراک (Feed Quality) و شرایط محیطی مانند دما و شوری (Water Quality Parameters) قرار دارد. فناوری‌های نوین مانند پایش صوتی غیرفعال (PAM) و بینایی کامپیوتری (Computer Vision) ابزارهایی قدرتمند برای تحلیل دقیق این رفتارها ارائه می‌دهند. این مطالعه با تمرکز بر کاربرد PAM، به بررسی رفتار تغذیه‌ای میگو در شرایط آزمایشگاهی پرداخته و راهکارهایی برای بهبود مدیریت تغذیه در صنعت پرورش میگو پیشنهاد می‌کند.

اهمیت مدیریت تغذیه در پرورش میگو

مدیریت صحیح تغذیه در پرورش میگو تأثیر مستقیمی بر بازده تولید و پایداری سیستم‌های پرورشی دارد. فرکانس تغذیه (Feeding Frequency) به‌عنوان یکی از مهم‌ترین عوامل، می‌تواند مصرف خوراک را بهینه کرده و ضایعات را کاهش دهد. مطالعات نشان داده‌اند که تغذیه مناسب نه‌تنها نرخ رشد (Growth Rate) و بازده تبدیل خوراک (Feed Conversion Ratio – FCR) را بهبود می‌بخشد، بلکه از تجمع مواد آلی در آب جلوگیری کرده و کیفیت آب (Water Quality) را حفظ می‌کند (Tacon et al., 2002; Xu et al., 2020). علاوه بر این، مدیریت تغذیه کارآمد می‌تواند هزینه‌های تولید را کاهش داده و سودآوری مزارع پرورش میگو را افزایش دهد. استفاده از فناوری‌های پیشرفته مانند پایش صوتی (Acoustic Monitoring) و تحلیل داده‌ها (Data Analysis) امکان پایش دقیق‌تر رفتار تغذیه‌ای و تنظیم پروتکل‌های تغذیه را فراهم می‌کند. این روش‌ها به پرورش‌دهندگان کمک می‌کنند تا با دقت بیشتری نیازهای تغذیه‌ای میگو را تأمین کرده و از هدررفت منابع جلوگیری کنند.

فناوری‌های نوین برای مطالعه رفتار تغذیه‌ای

پیشرفت‌های اخیر در فناوری‌های رفتارشناسی (Behavioral Technologies) امکان تحلیل دقیق‌تر رفتار تغذیه‌ای میگو را فراهم کرده‌اند. این فناوری‌ها شامل پایش صوتی غیرفعال (PAM)، بینایی کامپیوتری (Computer Vision) و ابزارهای تحلیل داده‌های پیشرفته هستند. این ابزارها اطلاعات غیرتهاجمی (Non-Invasive) و دقیقی از الگوهای تغذیه‌ای (Feeding Patterns) ارائه می‌دهند و به پرورش‌دهندگان کمک می‌کنند تا استراتژی‌های تغذیه را بهینه کنند. ترکیب این فناوری‌ها با سیستم‌های خودکار تغذیه (Automated Feeding Systems) می‌تواند تحول بزرگی در صنعت پرورش میگو ایجاد کند.

پایش صوتی غیرفعال (PAM)

روش پایش صوتی غیرفعال (PAM) با ضبط کلیک‌های صوتی (Acoustic Clicks) تولیدشده توسط آرواره‌های میگو هنگام تغذیه، امکان مطالعه غیرتهاجمی رفتار تغذیه‌ای را فراهم می‌کند. این فناوری با استفاده از هیدروفون‌های حساس (Hydrophones) و نرم‌افزارهای تحلیل صوتی مانند Raven® Pro، اطلاعات ارزشمندی درباره فرکانس و شدت فعالیت تغذیه‌ای ارائه می‌دهد (Peixoto et al., 2022). PAM به‌دلیل دقت بالا و عدم نیاز به دخالت مستقیم در رفتار میگو، به‌عنوان یک روش ایده‌آل برای مطالعات آزمایشگاهی و مزرعه‌ای شناخته می‌شود. این فناوری همچنین امکان پایش بلادرنگ (Real-Time Monitoring) را فراهم کرده و می‌تواند در سیستم‌های خودکار تغذیه استفاده شود.

بینایی کامپیوتری و ابزارهای تحلیل رفتار

فناوری بینایی کامپیوتری (Computer Vision) با استفاده از الگوریتم‌های هوش مصنوعی (AI Algorithms) و تکنیک‌های تصویربرداری (Imaging Techniques)، حرکات میگو و الگوهای رفتاری (Behavioral Patterns) را ردیابی می‌کند. این روش می‌تواند اطلاعاتی درباره نحوه تعامل میگو با خوراک، زمان‌بندی تغذیه و رفتارهای اجتماعی ارائه دهد. ترکیب Computer Vision با PAM، دقت تحلیل رفتار تغذیه‌ای را به‌طور قابل‌توجهی افزایش می‌دهد و امکان توسعه مدل‌های پیش‌بینی (Predictive Models) برای مصرف خوراک را فراهم می‌کند (Li et al., 2021). این فناوری‌ها در کنار یکدیگر، ابزارهایی قدرتمند برای بهبود مدیریت تغذیه در پرورش میگو ارائه می‌دهند.

اهداف مطالعه

• بررسی کاربرد پایش صوتی غیرفعال (PAM) در تحلیل رفتار تغذیه‌ای میگوی وانامی در شرایط آزمایشگاهی.
• مقایسه رفتار تغذیه‌ای میگو تحت فرکانس‌های مختلف تغذیه (1x، 2x، 4x و 8x در روز) و تأثیر آن بر مصرف خوراک.
• ارزیابی ارتباط بین کلیک‌های صوتی (Acoustic Clicks) و مصرف خوراک (Feed Consumption) برای توسعه مدل‌های پیش‌بینی.
• ارائه توصیه‌های عملی برای بهبود مدیریت تغذیه در مزارع پرورش میگو با استفاده از فناوری‌های خودکار.

مواد و روش‌ها

طراحی آزمایش و شرایط نگهداری میگو

میگوهای وانامی با میانگین وزن 3.31 ± 0.49 گرم در 12 مخزن پلی‌ اتیلن (Polyethylene Tanks) با ابعاد 48 × 24 × 24 سانتی‌متر و تراکم ذخیره‌سازی (Stocking Density) 42 میگو در متر مربع توزیع شدند. مخازن با 27 لیتر آب فیلترشده (Filtered Water) با شوری 13 ppt پر شده و در یک سیستم چرخشی (Recirculating System) با فیلتر بیولوژیکی (Biological Filter) و هوادهی مداوم (Continuous Aeration) نگهداری شدند. پارامترهای کیفیت آب (Water Quality Parameters) شامل دما (29.3 ± 1.3°C)، اکسیژن محلول (Dissolved Oxygen: 4.9 ± 1.0 mg/L)، pH (8.7 ± 0.1)، آمونیاک (0.25 ± 0.11 mg/L) و نیتریت (0.85 ± 0.68 mg/L) به‌صورت روزانه با دستگاه مولتی‌پارامتر (YSI 556 MPS) پایش شدند. میگوها به‌مدت یک هفته با رژیم غذایی تجاری (Commercial Feed) با 45% پروتئین خام سازگار شدند تا از تطابق با شرایط آزمایش اطمینان حاصل شود.

برنامه تغذیه و دفعات خوراک‌دهی

چهار تیمار تغذیه با فرکانس‌های یک (1x)، دو (2x)، چهار (4x) و هشت (8x) بار در روز طراحی شد. مقدار کل خوراک (2 گرم) به‌صورت یک، دو، چهار یا هشت وعده روزانه ارائه شد. این برنامه تغذیه برای شبیه‌سازی شرایط واقعی مزارع پرورش میگو طراحی شد تا تأثیر فرکانس تغذیه بر رفتار و مصرف خوراک بررسی شود. جدول زیر برنامه زمانی تغذیه را نشان می‌دهد:

خوراک باقی‌مانده در پایان هر دوره پایش جمع‌آوری و وزن شد تا مصرف خوراک (Feed Consumption) با فرمول FC = (Fo – Fr) × Fl محاسبه شود، که در آن FC مصرف خوراک، Fo خوراک ارائه‌شده، Fr خوراک باقی‌مانده و Fl نسبت شستشوی خوراک است.

پایش صوتی فعالیت تغذیه‌ای

هیدروفون‌های AS-1 (Omnidirectional Hydrophones) با پاسخ فرکانسی 1 Hz تا 100 kHz و پیش‌تقویت‌کننده‌های PA4 برای ضبط کلیک‌های صوتی (Acoustic Clicks) استفاده شدند. ضبط‌ها با نرخ نمونه‌برداری 192 kHz و به‌مدت هشت ساعت (8:00 تا 16:00) انجام شد. برای کاهش نویز پس‌زمینه (Background Noise)، هوادهی در مخازن متوقف و در مخزن چاهک متمرکز شد. داده‌های صوتی با نرم‌افزار Raven® Pro 1.5 تحلیل شدند تا کلیک‌های تغذیه‌ای (Feeding Clicks) با استفاده از آشکارساز انرژی باند محدود (Band-Limited Energy Detector) شناسایی شوند. پارامترهای تحلیل شامل حداقل و حداکثر مدت‌زمان سیگنال (5 تا 50 میلی‌ثانیه) و باند فرکانسی 10 تا 90 kHz بود.

تحلیل آماری

داده‌ها با استفاده از تحلیل واریانس (ANOVA)، آزمون فیشر (Fisher’s Test) و رگرسیون خطی (Linear Regression) بررسی شدند. فرضیات نرمال بودن (Kolmogorov-Smirnov) و همگنی واریانس (Cochran) پیش از تحلیل تأیید شدند. تحلیل‌ها با نرم‌افزار Minitab 18.1 و در سطح معنی‌داری 95% انجام شدند تا ارتباط بین کلیک‌های صوتی و مصرف خوراک ارزیابی شود.

نتایج

پارامترهای کیفیت آب

پارامترهای کیفیت آب (Water Quality Parameters) در محدوده بهینه برای پرورش میگو حفظ شدند: دما (29.3 ± 1.3°C)، شوری (13.5 ± 0.8 ppt)، اکسیژن محلول (4.9 ± 1.0 mg/L)، pH (8.7 ± 0.1)، آمونیاک (0.25 ± 0.11 mg/L) و نیتریت (0.85 ± 0.68 mg/L). این شرایط پایدار، محیطی مناسب برای مطالعه رفتار تغذیه‌ای فراهم کرد و از تأثیر متغیرهای محیطی بر نتایج جلوگیری نمود. پایش منظم این پارامترها با دستگاه‌های دقیق مانند اسپکتروفتومتر (HACH 3900) و مولتی‌پارامتر (YSI 556 MPS) انجام شد تا از ثبات شرایط اطمینان حاصل شود.

اثر فرکانس تغذیه بر تعداد کلیک‌ها و مصرف خوراک

فرکانس تغذیه 8x بالاترین تعداد کلیک‌های صوتی (942.0 ± 242.5) و مصرف خوراک (1.316 ± 0.096 گرم) را نشان داد، درحالی‌که تیمار 1x کمترین مقادیر را داشت (217.3 ± 42 کلیک و 1.014 ± 0.131 گرم). تیمارهای 2x و 4x مقادیر میانی را ثبت کردند (591.3 ± 161.9 و 576.7 ± 45.3 کلیک؛ 1.225 ± 0.133 و 1.215 ± 0.176 گرم). این نتایج نشان‌دهنده تأثیر مستقیم فرکانس تغذیه (Feeding Frequency) بر فعالیت تغذیه‌ای و مصرف خوراک است. نمودارهای تحلیل داده‌ها (Data Visualization) نشان دادند که افزایش تعداد وعده‌های غذایی، میگوها را به فعالیت تغذیه‌ای مداوم‌تر تشویق می‌کند (شکل 1).

اوج‌های فعالیت صوتی در طول روز

اوج اولیه کلیک‌های صوتی در تمام تیمارها پس از اولین تغذیه روزانه (08:00) رخ داد، که احتمالاً به‌دلیل دوره ناشتایی 18 ساعته قبل از آزمایش است. در تیمارهای 2x، 4x و 8x، اوج‌های جدیدی پس از تغذیه‌های بعدی مشاهده شد، درحالی‌که در تیمار 1x، فعالیت صوتی پس از تغذیه اولیه به‌طور قابل‌توجهی کاهش یافت (شکل 2). این الگو نشان‌دهنده تأثیر فرکانس تغذیه بر رفتار تغذیه‌ای و تحریک اشتهای میگو (Appetite Stimulation) است. تحلیل هیستوگرام‌های زمانی (Time Histograms) نشان داد که میگوها در فرکانس‌های بالاتر، الگوهای تغذیه‌ای پویاتر و پایدارتری دارند.

همبستگی بین فعالیت صوتی و مصرف غذا

تحلیل رگرسیون خطی (Linear Regression) نشان داد که بین تعداد کلیک‌های صوتی (Acoustic Clicks) و مصرف خوراک (Feed Consumption) همبستگی مثبت و معنی‌دار (p < 0.001; r = 0.87) وجود دارد. این ارتباط قوی نشان‌دهنده قابلیت PAM در پیش‌بینی مصرف خوراک و ارزیابی رفتار تغذیه‌ای است. این یافته‌ها می‌توانند به توسعه مدل‌های پیش‌بینی (Predictive Models) برای مدیریت تغذیه در مزارع پرورش میگو کمک کنند.

بحث

اهمیت PAM در تحلیل رفتار تغذیه‌ای

روش پایش صوتی غیرفعال (PAM) به‌عنوان یک فناوری غیرتهاجمی، امکان شناسایی دقیق تغییرات رفتاری میگو تحت فرکانس‌های مختلف تغذیه را فراهم کرد. این روش با ثبت کلیک‌های صوتی (Acoustic Clicks) تولیدشده توسط آرواره‌های میگو، اطلاعات ارزشمندی درباره الگوهای تغذیه‌ای (Feeding Patterns) ارائه می‌دهد. در مقایسه با روش‌های سنتی مانند مشاهدات بصری (Visual Observations)، PAM دقت بالاتر و تداخل کمتری در رفتار طبیعی میگو دارد (Peixoto et al., 2022). این فناوری همچنین امکان پایش بلادرنگ (Real-Time Monitoring) را فراهم کرده و می‌تواند در سیستم‌های خودکار تغذیه (Automated Feeding Systems) استفاده شود.

تأثیر دفعات تغذیه بر فعالیت صوتی و مصرف خوراک

افزایش فرکانس تغذیه (Feeding Frequency) تا هشت بار در روز، فعالیت صوتی و مصرف خوراک را به‌طور قابل‌توجهی بهبود بخشید. این نتایج با مطالعات قبلی (Nunes et al., 2019b; Xu et al., 2020) که بر مزایای تغذیه چندگانه (Multiple Feeding) تأکید دارند، همخوانی دارد. تغذیه مکرر می‌تواند اشتهای میگو را تحریک کرده و از سیری زودهنگام (Early Satiety) جلوگیری کند. همچنین، ارائه خوراک در وعده‌های کوچک‌تر، شستشوی مواد مغذی (Nutrient Leaching) را کاهش داده و جذب خوراک را بهبود می‌بخشد (Carvalho & Nunes, 2006).

مقایسه با مطالعات قبلی

برخلاف برخی مطالعات که تغذیه بیش از سه بار در روز را غیرضروری می‌دانند (Peixoto et al., 2018; Wasielesky et al., 2020)، این مطالعه نشان داد که فرکانس‌های بالاتر (تا 8x) می‌توانند مصرف خوراک و عملکرد را بهبود بخشند. این تفاوت ممکن است به شرایط کنترل‌شده آزمایشگاهی، استفاده از PAM و دوره ناشتایی قبل از آزمایش مربوط باشد. مطالعات دیگر مانند Pontes et al. (2008) نشان داده‌اند که تغذیه کمتر (سه بار در روز) ممکن است رفتار جستجوی خوراک را تحریک کند، اما نتایج این مطالعه نشان‌دهنده برتری تغذیه مکرر در افزایش فعالیت تغذیه‌ای و مصرف خوراک است.

کاربردهای عملی برای بهبود مدیریت تغذیه

استفاده از فناوری PAM در کنار غذاده‌های خودکار (Automated Feeders) می‌تواند مدیریت تغذیه را در مزارع پرورش میگو بهینه کند. این روش‌ها ضایعات خوراک (Feed Waste) را کاهش داده و بازده تولید (Production Efficiency) را افزایش می‌دهند. همچنین، پایش بلادرنگ رفتار تغذیه‌ای امکان تنظیم دقیق‌تر برنامه‌های تغذیه را فراهم می‌کند، که برای پایداری صنعت پرورش میگو (Shrimp Aquaculture Sustainability) حیاتی است. استفاده از داده‌های صوتی برای توسعه مدل‌های پیش‌بینی مصرف خوراک می‌تواند هزینه‌های تولید را کاهش داده و سودآوری را افزایش دهد.

نتیجه‌گیری

فناوری پایش صوتی غیرفعال (PAM) ابزاری قدرتمند و غیرتهاجمی برای مطالعه رفتار تغذیه‌ای میگوی وانامی است. تغذیه چندگانه (Multiple Feeding) تا هشت بار در روز، فعالیت تغذیه‌ای و مصرف خوراک را به‌طور قابل‌توجهی بهبود می‌بخشد. استفاده از فناوری‌های خودکار مانند غذاده‌های صوتی (Acoustic-Based Feeders) می‌تواند مدیریت تغذیه را به سطح جدیدی ارتقا دهد. این رویکرد نه‌تنها بازده تولید را افزایش می‌دهد، بلکه به کاهش ضایعات و بهبود کیفیت آب کمک می‌کند. تحقیقات آینده می‌توانند بر ترکیب PAM با سایر فناوری‌ها مانند بینایی کامپیوتری تمرکز کنند تا درک جامع‌تری از رفتار تغذیه‌ای میگو ارائه دهند.