摘要: 为了探究潜水推流器作用下大型圆形养殖池内的水动力特性，利用研发的无人船搭载声学多普勒流速剖面仪(acoustic doppler current profiler, ADCP)系统现场测定了潜水推流器数量(n=2、4)对圆形养殖池不同水层(h=1.5,2.0,2.5 m)流场分布特性的影响。结果表明：当推流器数量为2个时，大型圆形养殖池1.5、2.0、2.5 m水层池边流速分别为0.4、0.3、0.1 m/s,当推流器数量为4个时，1.5、2.0、2.5 m水层池边流速分别为0.6、0.4、0.3 m/s;水平方向上，养殖池流速随着池边缘距池中心距离的减小而逐渐减小，垂直方向上，流速随着水层深度的增加而逐渐降低；平均流速分布显示，无论利用2个还是4个推流器推流，都能在养殖池内产生旋转流，但高流速仅仅在养殖池边缘附近，且养殖池中心附近的流速接近于0,导致污物很难到达养殖池中心的排污口。研究表明，推流器数量与大型圆形养殖池不同水层流场分布特性密切相关，养殖池内不同水层的平均流速均随着推流器数量的增加而增大；圆形养殖池由中心到池壁均产生较为明显的流场分区现象，高流速区域分布在养殖池表层池壁附近；大尺寸圆形养殖池在初始水动力条件、推流器数量一定时，环流仅在池边产生，池塘中间位置产生环流较小。本研究结果可为大型圆形养殖池内潜水推流器布设方式的改进提供参考依据。
摘要: 为探究南水北调中线工程蓄水后新水域环境对鱼类群落的影响，采用eDNA宏条形码技术（environmental DNA metabarcoding）首次对密云水库鱼类群落结构及多样性的时空变化特征进行了分析，并结合生态位宽度Shannon-Winner（Bi）和重叠Pianka指数(Qik)研究了鱼类种群间的相互作用、共生共存及生态位分化的响应过程。结果表明：本次调查密云水库共检出86个鱼类物种eDNA信息，隶属14目21科68属，有3个鱼类eDNA信息仅注释到科、属级分类水平；鱼类主要栖息于水库底层（61.63%）,以肉食性（43.02%）和杂食性（26.74%）摄食类型为主；PCoA分析显示，密云水库各采样点鱼类群落结构无显著性差异（P>0.05）,Alpha多样性各项指数也无显著性差异（P>0.05）;主要鱼类生态位宽度为1.15～9.25,均为中生态和广生态位种，其中，生态位重叠指数Qik>0.6的种对有517对，约占总种对数的14.15%;与历史资料相比，鲢（Hypophthalmichthys molitrix）、鳙（Aristichthys nobilis）、鲫（Carassius auratus）、鲂（Megalobrama terminalis）和鲤（Cyprinus carpio）等增殖放流鱼类仍为水库主要经济鱼类。研究表明，蓄水后营底栖、以肉食性和草食性为主要生活策略的水库鱼类对环境的适应能力较弱，且彼此之间竞争明显。
摘要: 为了解气候异常变化对茎柔鱼(Dosidicus gigas)摄食行为的潜在影响，采用基于形态学和DNA条形码技术的胃含物分析对东太平洋赤道海域不同气候模态(2017年的正常气候时期和2020年的La Ni1a事件发生时期)下的茎柔鱼饵料组成进行比较分析。结果表明：两种模态下，荧串光鱼(Vinciguerria lucetia)、朗明灯鱼(Diogenichthys laternatus)、翼足目(Pteropoda)和头足类是茎柔鱼的优势饵料生物，茎柔鱼在正常气候时期，还摄食褶胸鱼(Sternoptyx diaphana)和镜蛤属(Dosinia sp.),而在La Ni1a发生时期则会摄食墨西哥尾灯鱼(Triphoturus mexicanus)和尖菱蝶螺(Clio pyramidata);Amundsen图示法发现，茎柔鱼会摄食一些稀有饵料，属于高表型内贡献类型，是广食性鱼类；Shannon多样性指数分析显示，正常时期茎柔鱼的饵料组成多样性显著高于La Ni1a发生时期；NMDS分析显示，两个时期茎柔鱼存在一定食性分化，而La Ni1a发生时期茎柔鱼个体间食性差异更大；GII弦图及SIMPER相似性分析显示，不同气候模态下茎柔鱼的饵料差异主要体现在褶胸鱼和镜蛤属。研究表明，La Ni1a事件对茎柔鱼的摄食产生了显著影响。
摘要: 为了检测观赏鱼类的行为及其健康状况，设计了一种具有双层路由注意力机制的血鹦鹉(Vieja synspila♀×Amphilophus citrinellus♂)目标检测模型YOLOv8n-BiFormer,该方法在YOLOv8n模型基础上添加了双层路由注意力以减少计算量和内存，添加了新的视觉通用变换器BiFormer以提升计算效率，并采用ByteTrack算法追踪血鹦鹉的运动轨迹。结果表明：使用YOLOv8n-BiFormer模型对血鹦鹉的检测准确率达到99.2%,召回率为93.7%,平均精度均值(mAP@0.5)为99.1%,相较于YOLOv8n模型分别提升了0.8%、1.4%、1.0%;使用该模型对水族箱中的慈鲷(Chindongo demasoni)进行检测追踪同样取得了较好的效果，慈鲷的检测准确率达到97.0%,召回率为93.4%,平均精度均值为96.5%,相较于YOLOv8n模型召回率和平均精度分别提升了1.8%和1.9%。研究表明，本文中设计的YOLOv8n-BiFormer模型具有通用性，在检测和追踪血鹦鹉和慈鲷目标方面均表现优异，消耗的计算资源较少，可部署在水族箱监控系统中，为观赏鱼信息记录自动化和智能化提供了可行的解决方案。
摘要: 为了检测观赏鱼类的行为及其健康状况，设计了一种具有双层路由注意力机制的血鹦鹉(Vieja synspila♀×Amphilophus citrinellus♂)目标检测模型YOLOv8n-BiFormer,该方法在YOLOv8n模型基础上添加了双层路由注意力以减少计算量和内存，添加了新的视觉通用变换器BiFormer以提升计算效率，并采用ByteTrack算法追踪血鹦鹉的运动轨迹。结果表明：使用YOLOv8n-BiFormer模型对血鹦鹉的检测准确率达到99.2%,召回率为93.7%,平均精度均值(mAP@0.5)为99.1%,相较于YOLOv8n模型分别提升了0.8%、1.4%、1.0%;使用该模型对水族箱中的慈鲷(Chindongo demasoni)进行检测追踪同样取得了较好的效果，慈鲷的检测准确率达到97.0%,召回率为93.4%,平均精度均值为96.5%,相较于YOLOv8n模型召回率和平均精度分别提升了1.8%和1.9%。研究表明，本文中设计的YOLOv8n-BiFormer模型具有通用性，在检测和追踪血鹦鹉和慈鲷目标方面均表现优异，消耗的计算资源较少，可部署在水族箱监控系统中，为观赏鱼信息记录自动化和智能化提供了可行的解决方案。
摘要: 为解决水产养殖区遥感提取过程中近岸坑塘养殖目标和网箱养殖目标地物背景复杂，受房屋、植被、海水和船只等干扰提取精度较低等问题，提出了一种联合空间变换和置换注意力机制的近岸水产养殖区信息提取方法SA-STN-Net,选取海南省文昌市八门湾和万宁市坡头港为研究区域，先利用光谱特征和纹理特征构建水产养殖目标先验知识，然后在U-Net模型基础上联合空间变换网络(spatial transformer network, STN)和置换注意力机制(shuffle attention, SA),用于增强养殖目标空间特征、减少复杂地物的干扰并聚焦近岸水产养殖区域。结果表明：与原始U-Net模型相比，SA-STN-Net模型的总体提取精度和平均交并比提高了3.3%和5.7%;与当前较为先进的A2fpn、Swin-Transformer和Dc-Swin等深度学习分割算法相比，SA-STN-Net模型具有更好的分割性能，F1分数分别提高了6.7%、4.2%和7.2%。研究表明，本文提出的SA-STN-Net模型能适应近岸水产养殖目标地物背景复杂的情况，可对近岸养殖目标进行有效提取，本研究结果可为近岸规划与管理部门提供技术支持。
