Руденко Р. А. Разработка системы AI-IоT для оптимизации рыбоводства в умном пруду // Научная жизнь. 2025. Т. 20. Вып. 1 (139). С. 84-90. DOI: 10.35679/1991-9476-2025 20-1-84-90

Руденко Роман Анатольевич, канд. с.-х. наук, доцент кафедры «Пищевые технологии», ФГБОУ ВО «Донской государственный аграрный университет»: Россия, 346493, Ростовская обл., Октябрьский район, п. Персиановский, ул. Кривошлыкова, зд. 24.

Тел.: (918) 502-09-69
E-mail: 6195756@mail.ru

В условиях растущего спроса на белковую продукцию и зависимости от импортных поставок рыбы страны с высокой численностью населения вынуждены искать новые пути повышения локальной продуктивности рыбоводства. Современные достижения в области искусственного интеллекта (AI), Интернета вещей (IoT) и облачных технологий открывают широкие возможности для автоматизации и оптимизации процессов в аквакультуре. В данной статье предлагается концептуальная модель системы «умного пруда», основанной на интеграции AI и IoT, который позволяет в режиме реального времени контролировать параметры водной среды, анализировать поведение рыб и принимать автономные решения для повышения продуктивности. Предложенная система включает в себя комплекс модулей: определение целей и требований, аппаратную инфраструктуру (установка датчиков, камер, автоматизированных кормораздатчиков и систем водообеспечения), сбор и интеграцию данных с последующей обработкой на облачной платформе, применение алгоритмов машинного обучения для прогнозирования роста и выявления отклонений, а также управление и автоматизацию технологических процессов. Экспериментальные исследования, проведённые в пилотных хозяйствах, демонстрируют потенциал снижения эксплуатационных затрат и повышения выживаемости рыбы за счёт оптимизации режимов кормления и водоочистки. Практическая значимость работы заключается в возможности внедрения системы как на уровне крупных коммерческих хозяйств, так и в бытовых условиях, что позволит снизить зависимость от импортной рыбы и обеспечить устойчивое развитие отрасли. Дальнейшие исследования должны быть направлены на разработку прототипа, его апробацию в реальных условиях и адаптацию системы к региональным особенностям производства.

аквакультура, умный пруд, AI, IoT, облачные технологии, мониторинг воды, автоматизация, рыбоводство, оптимизация, машинное обучение

Список литературы:

1. Петрова Л. Л. Инновационные кормовые технологии в рыбоводстве. – Новосибирск: Наука, 2020. – 240 с.
2. Кузнецова Е. В. Применение биотехнологий в аквакультуре. – М.: Аспект Пресс, 2019. – 200 с.
3. Сидоров А. А., Кузнецов В. В. Современные технологии в рыбоводстве. – СПб.: Питер, 2018. – 256 с.
4. Chiu M. C., Yan W. M., Bhat S. A., & Huang N. F. Development of Smart Aquaculture Farm Management System Using IoT and AI-Based Surrogate Models. // Journal of Agriculture and Food Research. – 2022. – № 9. https://doi.org/10.1016/j.jafr.2022.100357
5. FAO. How to Feed the World 2050. Global Agriculture Towards 2050. – 2009.
6. Jha B. K., Sivasankari G. G., & Venugopal K. R. Cloud-Based Smart Water Quality Monitoring System Using IoT Sensors and Machine Learning // International Journal of Advanced Trends in Computer Science and Engineering, 2020. – № 9 (3). – Pp. 3403–3409. https://doi.org/10.30534/ijatcse/2020/141932020
7. Ma D., Ding Q., Li Z., Li D., & Wei, Y. Prototype of an Aquacultural Information System Based on Internet of Things E-Nose // Intelligent Automation and Soft Computing. – 2012. – № 18 (5). – № 569–579. https://doi.org/10.1080/10798587.2012.10643266
8. Ministry of Budget and National Planning. National Policy on Food and Nutrition in Nigeria. Abuja: Ministry of Budget and National Planning. – 2016.
9. Mohan S., Venkatakrishnan A., Bobrow D., & Pirolli P. Health Behavior Coaching: A Motivating Domain for Human-Aware Artificial Intelligence Research. – 2017.
10. Ogubdari K., & Awokuse T. Assessing the Contribution of Agricultural Productivity to Food Security Levels in Sub-Saharan African Countries // Agricultural and Applied Economics Association Conferences. – 2016. – Annual Meeting. https://ageconsearch.umn.edu/record/235730
11. Ramya A., Rohini R., & Ravi S. (2019). IoT Based Smart Monitoring System for Fish Farming // International Journal of Engineering and Advanced Technology. – № 8 (6 Special Issue). – № 420–424. https://doi.org/10.35940/ijeat.F1089.0886S19
12. Ubina N. A., Lan H. Y., Cheng S. C., et al. Digital Twin-Based Intelligent Fish Farming with AIoT // Smart Agricultural Technology. – 2023. – № 5. https://doi.org/10.1016/j.atech.2023.100285
13. Vijayakumar N., & Ramya R. The Real Time Monitoring of Water Quality in IoT Environment // IEEE International Conference on Innovations in Information, Embedded and Communication Systems. – 2015.
14. Wang C., Li Z., Wang T., Xu X., Zhang X., & Li D. Intelligent Fish Farm—The Future of Aquaculture // Aquaculture International. – 2021. – № 29 (6). – Pp. 2681–2711. https://doi.org/10.1007/s10499-021-00773-8
15. Yang X., Cao D., Chen J., Xiao Z., & Daowd A. AI and IoT-Based Collaborative Business Ecosystem: A Case in Chinese Fish Farming Industry // International Journal of Technology Management. – 2020. – № 82 (2). – Pp. 151–171. https://doi.org/10.1504/IJTM.2020.107856

DEVELOPMENT OF AN AI-IoT SYSTEM FOR OPTIMIZING FISH FARMING IN A SMART POND

Rudenko Roman Anatolyevich, Cand. of Agr. Sci., Ass. Prof. of the Depart. of Food technologies, Donskoy state agrarian university, Persianovsky, Russia.

Keywords: aquaculture, smart pond, AI, IoT, cloud technologies, water monitoring, automation, fish farming, optimization, machine learning.

Abstract. In the context of growing demand for protein products and dependence on imported fish supplies, countries with a high population are forced to look for new ways to increase local productivity of fish farming. Modern advances in artificial intelligence (AI), the Internet of Things (IoT) and cloud technologies open up wide opportunities for automation and optimization of processes in aquaculture. This article proposes a conceptual model of a smart pond system based on the integration of AI and IoT, which allows real-time monitoring of the parameters of the aquatic environment, analyzing fish behavior and making autonomous decisions to increase productivity. The proposed system includes a set of modules: definition of goals and requirements, hardware infrastructure (installation of sensors, cameras, automated feed dispensers and water supply systems), data collection and integration with subsequent processing on a cloud platform, application of machine learning algorithms to predict growth and identify deviations, as well as management and automation of technological processes. Experimental studies conducted in pilot farms demonstrate the potential to reduce operating costs and increase fish survival by optimizing feeding and water treatment regimes. The practical significance of the work lies in the possibility of implementing the system both at the level of large commercial farms and in domestic conditions, which will reduce dependence on imported fish and ensure the sustainable development of the industry. Further research should be aimed at developing a prototype, testing it in real conditions and adapting the system to regional production specifics.