THPL框架发布：革新循环水养殖精准投喂决策支持技术

摘要：ArXiv发布了一项关于循环水养殖系统（RAS）中精准投喂决策支持的研究，提出了一种名为THPL的新框架。该框架通过提取鱼类活动轨迹并量化投喂强度，结合层次化行为编码器（HBE）和反事实多模态直接偏好优化（mDPO），显著提升了决策准确性。实验结果表明，THPL在投喂强度预测中的准确率高达96.67%，并有效减少了模板化和操作偏差，为精准水产养殖提供了创新解决方案。

---

循环水养殖精准投喂的新突破

在循环水养殖系统（RAS）中，精准投喂对于降低运营成本和提高鱼类福利至关重要。然而，现有方法在鱼类行为与管理知识之间的认知对齐方面存在不足，阻碍了可执行、可解释的投喂决策的生成。为了解决这一问题，研究人员提出了THPL框架，该框架通过以下步骤实现精准投喂决策支持：

1. 鱼类轨迹提取与活动系数（AC）量化

   • 使用Fishsort工具提取鱼类轨迹，并计算活动系数（AC）以量化投喂强度。

2. 层次化行为编码器（HBE）建模

   • 采用时间Transformer和集合Transformer对个体时间进程和集体动态进行建模，将轨迹张量转换为显式物理和隐式软标记的双重证据表示。

3. LLM微调与反事实多模态直接偏好优化（mDPO）

   • 将双重证据标记与环境影响参数、元数据和专家规则整合，通过LoRA对LLM进行微调，并使用mDPO强化因果推理能力。

技术亮点

• 活动系数（AC）与专家标注的投喂强度呈显著正相关（Spearman $\rho = 0.925$, $p < 0.001$），验证了AC作为投喂强度指标的有效性。
• 决策准确性大幅提升：从仅使用文本基线的33.33%提升至使用双重证据标记的93.33%，再通过mDPO优化至96.67%。
• METEOR指标提升：从58.10%提升至85.30%，同时Self-BLEU-2从58.79%降低至52.88%，Distinct-3从6.68%提升至7.81%，有效抑制了模板化和操作偏差。

行业影响与开发者建议

• 精准水产养殖的创新解决方案：THPL框架为RAS中的精准投喂提供了新的技术路径，有助于提高鱼类福利并降低运营成本。
• LLM在农业领域的应用拓展：该研究展示了LLM在非传统领域的应用潜力，为农业AI应用提供了新的思路。
• 开发者建议：建议开发者关注THPL框架的代码实现和实验数据，并探索其在其他农业领域的应用可能性。

结论

THPL框架通过整合连续运动学与LLM推理，为精准水产养殖提供了一种全新的决策支持范式。该研究不仅在技术上取得了重要突破，还为AI在农业领域的应用开辟了新的方向。

---

消息来源：ArXiv AI (cs.AI) (2026-10-06)

—— 完 ——

主题标签： #RAS 关注 #精准投喂 关注 #LLM 关注 #决策支持 关注 #农业AI 关注