Type de document : article scientifique publié dans Frontiers in Robotics and AI
Auteurs : Burke Meredith, Nikolic Dragana, Fabry Pieter, Rishi Hemang, Telfer Trevor, Rey Planellas Sonia
Résumé en français (traduction) : Agriculture de précision en aquaculture : surveillance non invasive du comportement du saumon de l’Atlantique (Salmo salar) en réponse aux conditions environnementales dans les cages marines commerciales pour l’évaluation de la santé et du bien-être
Des études montrent que les saumons atlantiques en captivité adaptent leur répartition dans les cages marines en fonction des gradients environnementaux tels que la température, les vagues et la photopériode. Cette étude a utilisé un algorithme de vision par ordinateur dans trois fermes marines pour analyser le comportement de nage des groupes de poissons, appelé « activité » (mesurée en pourcentage), qui comprend l’abondance des poissons, la vitesse et la cohésion des bancs. La métrique de l’activité a permis de déduire la distribution en profondeur du principal groupe de poissons et a été analysée en fonction des conditions environnementales afin d’explorer les facteurs comportementaux potentiels et d’évaluer les changements de comportement des poissons en réponse à un facteur de stress, à savoir une tempête. En hiver, les fermes A et B présentaient une stratification thermique distincte, l’activité des poissons montrant une préférence pour la colonne d’eau inférieure plus chaude (39,6 ± 15,3 % et 27,5 ± 10,2 %) par rapport à la colonne d’eau supérieure (16,3 ± 5,7 % et 18 ± 3,3 % ; p ≤ 0,001). A la ferme C, avec une eau thermiquement homogène, l’activité des poissons était répartie de manière similaire entre la colonne d’eau supérieure (18,2 ± 6,9%) et inférieure (17,7 ± 7,6%). Le temps violent a augmenté la hauteur des vagues, influençant différemment la distribution horizontale des poissons dans les fermes B et C. Dans la ferme B, un site plus profond, les poissons sont restés dans la colonne d’eau inférieure plus chaude et ont évité les vagues de surface, tandis que dans la ferme C, avec des cages moins profondes, ils se sont déplacés vers le côté de la cage le plus proche du centre de la ferme, probablement moins exposé en raison de la proximité des cages. La compréhension des réactions comportementales des poissons aux conditions environnementales peut éclairer les pratiques de gestion, tandis que l’utilisation de caméras avec des algorithmes associés offre un outil puissant et non invasif pour surveiller en permanence et préserver la santé et le bien-être des poissons.
Résumé en anglais (original) : Studies show that Atlantic salmon in captivity adjust their distribution in sea cages based on environmental gradients like temperature, waves, and photoperiod. This study used a computer vision algorithm at three marine farms to analyse fish group swimming behaviour termed “activity” (measured in percent), which includes fish abundance, speed, and shoal cohesion. The activity metric inferred the depth distribution of the main fish group and was analysed with respect to environmental conditions to explore potential behavioural drivers and used to assess changes in fish behaviour in response to a stressor, a storm event. During winter conditions, Farms A and B showed distinct thermal stratification, with fish activity demonstrating preference for the warmer lower water column (39.6 ± 15.3% and 27.5 ± 10.2%) over the upper water column (16.3 ± 5.7% and 18 ± 3.3%; p ≤ 0.001). At Farm C, with thermally homogenous water, fish activity was similarly distributed between the upper (18.2 ± 6.9%) and lower (17.7 ± 7.6%) water column. Severe weather increased wave heights, influencing fish horizontal distribution differently at Farms B and C. At Farm B, a deeper site, fish remained in the warmer lower water column and avoided surface waves, while at Farm C, with shallower cages, they moved toward the side of the cage nearest the centre of the farm, presumably less exposed due to nearby cages. Understanding fish behavioural responses to environmental conditions can inform management practices, while using cameras with associated algorithms offers a powerful, non-invasive tool for continuously monitoring and safeguarding fish health and welfare.
