24/08/2026
*الذكاء الاصطناعي والرؤية الآلية للكشف المبكر عن الأمراض وتدهور جودة المياه في أنظمة الاستزراع المائي RAS*
*مقدمة*
يشهد قطاع الاستزراع المائي تحولًا متسارعًا نحو الأنظمة الذكية التي تعتمد على أجهزة الاستشعار والذكاء الاصطناعي وتحليل البيانات في الوقت الحقيقي. ويُعد نظام الاستزراع المائي بإعادة تدوير المياه RAS – Recirculating Aquaculture System من أبرز هذه الأنظمة، نظرًا إلى قدرته على توفير بيئة مائية يمكن التحكم في خصائصها وإعادة استخدام المياه بصورة مستمرة.
وعلى الرغم من المزايا التي توفرها أنظمة RAS، فإن كثافة الأسماك واعتماد النظام على تدوير المياه يجعلان أي خلل في جودة المياه قابلًا للتطور بسرعة والتأثير في صحة الأسماك. لذلك أصبحت المراقبة المستمرة لجودة المياه وسلوك الأسماك عنصرًا أساسيًا في الإدارة الحديثة لهذه الأنظمة.
ومن أخطر التحديات التي يمكن أن تواجه بعض منشآت RAS وجود كبريتيد الهيدروجين (H₂S) في البيئة المائية. ويمكن أن يرتبط ظهوره بعمليات ميكروبية في ظروف معينة، ما يجعل الكشف المبكر عن تغيراته جزءًا مهمًا من إدارة المخاطر. وتكمن المشكلة في أن الاعتماد على ظهور العلامات الواضحة على الأسماك قد يعني أن المشكلة أصبحت متقدمة بالفعل.
من هنا تظهر أهمية الجمع بين الاستشعار الكيميائي، والرؤية الحاسوبية، والذكاء الاصطناعي، وتحليل السلوك لإنشاء نظام إنذار مبكر قادر على اكتشاف التغيرات غير الطبيعية قبل تفاقمها.
*أولًا: لماذا يمثل الكشف المبكر تحديًا في أنظمة RAS؟*
تتميز أنظمة RAS بقدرتها على المحافظة على بيئة مائية مستقرة نسبيًا، إلا أن هذه الميزة تعني في الوقت نفسه أن التغيرات التي تحدث داخل النظام قد تنتشر عبر المياه المعاد تدويرها.
وتتأثر جودة المياه بمجموعة من العوامل، منها الأكسجين المذاب، ودرجة الحرارة، وثاني أكسيد الكربون، والأمونيا، والنتريت، والمواد العضوية، إضافة إلى المركبات الناتجة عن النشاط الميكروبي.
ولهذا فإن الإدارة التقليدية التي تعتمد على القياسات الدورية وحدها قد لا تكون كافية في جميع الحالات، لأن بعض التغيرات قد تحدث بين فترات القياس. أما أنظمة المراقبة المستمرة فتسمح ببناء سجل زمني لحالة المياه والأسماك، وهو ما يوفر للذكاء الاصطناعي بيانات يمكن تحليلها لاكتشاف الأنماط غير الطبيعية.
وقد أظهرت الدراسات الحديثة أن الذكاء الاصطناعي أصبح يُستخدم بصورة متزايدة في المراقبة الآنية لجودة المياه وسلوك الأسماك، إضافة إلى إدارة التغذية والكثافة الحيوية والكشف المبكر عن المشكلات الصحية.
*ثانيًا: كبريتيد الهيدروجين كأحد المخاطر المحتملة*
يُعد كبريتيد الهيدروجين من المركبات التي تستدعي اهتمامًا خاصًا في بعض أنظمة الاستزراع المائي، خصوصًا عندما تتوافر ظروف تسمح بتكوّنه نتيجة النشاط الميكروبي.
وتزداد أهمية هذه المشكلة لأن تأثير جودة المياه لا يظهر دائمًا في صورة تغير واضح يمكن اكتشافه بالعين مباشرة. ولذلك فإن وجود وسيلة تستطيع رصد التغيرات الكيميائية في المياه بصورة مستمرة يمكن أن يمثل طبقة إضافية من الحماية.
ومن المهم هنا التمييز بين الكشف عن المركب نفسه وبين الكشف عن آثاره على الأسماك. فالمستشعر الكيميائي يقيس التغير في البيئة المائية، بينما تستطيع الكاميرات والذكاء الاصطناعي رصد التغيرات السلوكية التي قد تشير إلى تعرض الأسماك للإجهاد.
وبذلك يمكن بناء منظومة تعتمد على مصدرين مستقلين للمعلومات بدل الاعتماد على مؤشر واحد.
*ثالثًا: المستشعرات الذكية ومراقبة جودة المياه*
يمثل تطوير مستشعرات صغيرة وحساسة أحد الاتجاهات المهمة في الاستزراع المائي الذكي. ويمكن دمج هذه المستشعرات مع أنظمة جمع البيانات لمتابعة المتغيرات البيئية بصورة مستمرة.
وتأتي المواد النانوية ضمن التقنيات التي يجري بحثها لتطوير مستشعرات أكثر حساسية وانتقائية، مع إمكانية تصميم أجهزة محمولة أو مدمجة في أنظمة المراقبة.
وفي المستقبل يمكن تصور منظومة استشعار متعددة تقيس عددًا من المتغيرات في الوقت نفسه، ثم ترسل البيانات إلى منصة تحليل تعتمد على الذكاء الاصطناعي. وبدلًا من النظر إلى كل قراءة بصورة منفصلة، يستطيع النموذج تحليل العلاقة بين المتغيرات واكتشاف الأنماط التي تسبق حدوث المشكلة.
وهنا تتحول عملية مراقبة المياه من مجرد قياس أرقام إلى تحليل ديناميكي لحالة النظام.
*رابعًا: الرؤية الآلية لمراقبة سلوك الأسماك*
لا تقتصر أهمية الذكاء الاصطناعي على تحليل المياه، بل يمكن استخدام الكاميرات تحت الماء لمراقبة الأسماك بصورة مستمرة ودون الحاجة إلى التعامل معها بشكل مباشر.
وتوفر الكاميرات بيانات مهمة عن:
- سرعة السباحة.
- اتجاه الحركة.
- انتظام حركة المجموعة.
- توزيع الأسماك داخل الحوض.
- تغير أنماط السباحة.
- بعض مؤشرات حركة الخياشيم والذيل.
- سلوك التغذية.
- ظهور الأسماك بصورة غير طبيعية أو انعزالها عن المجموعة.
وتكتسب هذه المؤشرات أهمية خاصة لأن سلوك الأسماك يمكن أن يتغير استجابةً للإجهاد أو تغير البيئة المائية.
وفي دراسة منشورة عام 2024، استخدم الباحثون نظام كاميرات تحت الماء وخوارزميات تعلم آلي لمراقبة سمك السلمون الأطلسي في نظام RAS أثناء التعرض لكبريتيد الهيدروجين. وتم تحليل سرعة السباحة ونمط الحركة وتشتت الأسماك، وأظهرت النتائج تغيرات سلوكية مرتبطة بارتفاع التعرض، ما يدعم إمكانية استخدام الرؤية الآلية كأداة إنذار مبكر لجودة المياه.
*خامسًا: كيف يمكن للذكاء الاصطناعي اكتشاف المشكلة؟*
يمكن بناء النظام الذكي على عدة مراحل مترابطة.
1. جمع البيانات
تجمع أجهزة الاستشعار بيانات المياه بصورة مستمرة، بينما تلتقط الكاميرات صورًا أو مقاطع فيديو للأسماك.
2. معالجة البيانات
تُنظَّف البيانات وتُستبعد القراءات غير الموثوقة، ثم تُحوَّل مقاطع الفيديو إلى معلومات قابلة للتحليل، مثل سرعة الحركة ومسار السباحة وتوزيع الأسماك.
3. التعرف على الأنماط
يتعلم نموذج الذكاء الاصطناعي الفرق بين السلوك الطبيعي والسلوك غير المعتاد. ويمكن تدريب النماذج باستخدام تسجيلات طويلة لحالات طبيعية وحالات إجهاد مختلفة.
4. دمج المعلومات
وهذه من أهم مراحل النظام المقترح؛ إذ لا يعتمد الذكاء الاصطناعي على الكاميرا وحدها أو على مستشعر المياه وحده، بل يجمع بين البيانات.
فمثلًا، إذا حدث تغير في أحد مؤشرات جودة المياه بالتزامن مع تغير واضح في حركة الأسماك، يمكن للنظام رفع مستوى التحذير بدرجة أكبر من الحالة التي يظهر فيها تغير منفرد.
وتشير الأبحاث الحديثة إلى أن دمج الرؤية مع المستشعرات البيئية وغيرها من مصادر البيانات يمكن أن يساعد في تجاوز محدودية الاعتماد على نوع واحد من البيانات.
*سادسًا: الكشف المبكر عن الأمراض*
يمكن أن تمتد الرؤية الحاسوبية إلى ما هو أبعد من مراقبة الإجهاد الناتج عن جودة المياه، لتصبح أداة مساعدة في مراقبة صحة الأسماك.
فبعض الأمراض قد ترتبط بتغيرات في السلوك أو النشاط أو نمط السباحة أو الشهية. كما يمكن استخدام تحليل الصور لاكتشاف بعض العلامات الخارجية غير الطبيعية.
وقد تناولت دراسات ومراجعات علمية استخدام الرؤية الحاسوبية في الكشف عن الأسماك غير الطبيعية وتشخيص بعض مظاهر الأمراض، مع التأكيد على أن هذه التقنيات ما زالت تحتاج إلى بيانات تدريبية عالية الجودة وتحسينات في الدقة قبل الاعتماد عليها كبديل كامل للخبرة البيطرية والمخبرية.
لذلك فإن الدور الأفضل للذكاء الاصطناعي في المرحلة الحالية هو أن يعمل كنظام إنذار ومساعدة في اتخاذ القرار، وليس باعتباره بديلًا عن الفحوص التشخيصية المتخصصة.
*سابعًا: التعلم العميق وتحليل الفيديو*
شهدت تقنيات التعلم العميق تطورًا كبيرًا في مجال تحليل الصور والفيديو. ويمكن استخدام نماذج الكشف والتتبع لتحديد الأسماك داخل الصورة، ثم متابعة حركتها عبر الزمن.
وتواجه الرؤية الحاسوبية في البيئات المائية تحديات عديدة، مثل ضعف الإضاءة، وتعكر المياه، وانعكاس الضوء، وتداخل الأسماك، واختلاف زوايا التصوير، وتشابه مظهر الأسماك.
ولهذا أصبحت تقنيات الرؤية ثلاثية الأبعاد والرؤية المجسمة محل اهتمام متزايد، لأنها تستطيع توفير معلومات أكثر عن موقع الأسماك وحركتها وأبعادها مقارنة ببعض أنظمة الرؤية ثنائية الأبعاد.
كما تشير مراجعات حديثة إلى أن التعلم العميق أصبح من التقنيات الرئيسية لتحليل سلوك الأسماك، بما في ذلك سلوك التغذية والإجهاد والمرض وغيرها.
*ثامنًا: نظام الإنذار المبكر المقترح*
يمكن تصور النظام المستقبلي على شكل منظومة مترابطة تتكون من أربع طبقات:
الطبقة الأولى – الاستشعار:
أجهزة لقياس جودة المياه والمتغيرات الكيميائية والفيزيائية بصورة مستمرة.
الطبقة الثانية – الرؤية:
كاميرات تحت الماء تراقب حركة الأسماك وسلوكها بصورة مستمرة.
الطبقة الثالثة – الذكاء الاصطناعي:
خوارزميات تحلل بيانات المياه والفيديو وتتعرف على الأنماط غير الطبيعية.
الطبقة الرابعة – الإنذار واتخاذ القرار:
عند اكتشاف نمط غير طبيعي، يصدر النظام تنبيهًا للمشغل ليتم التحقق من الحالة واتخاذ الإجراء المناسب وفق بروتوكولات المنشأة.
وهذا التصميم يجعل النظام أقرب إلى منصة إنذار مبكر متعددة المصادر بدلًا من كونه جهاز قياس منفرد.
*تاسعًا: أهمية تحليل السلوك بدل انتظار النفوق*
من أكبر مزايا هذا الاتجاه أنه ينقل الإدارة من مرحلة الاستجابة المتأخرة إلى مرحلة الوقاية.
فإذا انتظر المربي ظهور علامات شديدة أو نفوق الأسماك، فقد تكون الفرصة المتاحة للتدخل محدودة. أما إذا استطاع النظام اكتشاف تغير تدريجي في السلوك بالتزامن مع تغيرات بيئية، فيمكن تنبيه المسؤول إلى ضرورة فحص النظام قبل أن تتفاقم المشكلة.
وقد أظهرت دراسة خاصة بالسلمون في RAS أن تغيرات سلوكية مرتبطة بالتعرض لـ H₂S أمكن رصدها بواسطة الرؤية الآلية، وهو ما يعزز فكرة استخدام السلوك كمؤشر حيوي غير مباشر لجودة البيئة.
*عاشرًا: التحديات العلمية والتقنية*
رغم الإمكانات الكبيرة لهذه التقنيات، فإن تطبيقها على نطاق تجاري يواجه عددًا من التحديات، من أهمها:
1. الحاجة إلى قواعد بيانات كبيرة ومتنوعة لتدريب نماذج الذكاء الاصطناعي.
2. اختلاف سلوك الأسماك بين الأنواع والأعمار وظروف التربية.
3. صعوبة التصوير في المياه العكرة أو ضعيفة الإضاءة.
4. تداخل الأسماك عندما تكون الكثافة مرتفعة.
5. ضرورة التمييز بين السلوك الناتج عن المرض والسلوك الناتج عن تغير طبيعي في البيئة.
6. الحاجة إلى معايرة أجهزة الاستشعار والتحقق من دقتها.
7. ضرورة اختبار النماذج في ظروف تشغيل حقيقية وليس في المختبر فقط.
8. الحاجة إلى تقليل الإنذارات الكاذبة حتى لا يفقد العاملون الثقة في النظام.
وتشير المراجعات الحديثة إلى أن جودة البيانات، وتنوع البيئات، والتحديات البصرية، وقابلية تعميم النماذج لا تزال من أهم العقبات أمام التوسع في الرؤية الحاسوبية للاستزراع المائي.
*الحادي عشر: مستقبل المزارع السمكية الذكية*
من المتوقع أن يتجه مستقبل الاستزراع المائي إلى دمج عدة تقنيات في منصة واحدة تشمل إنترنت الأشياء، وأجهزة الاستشعار، والكاميرات، والذكاء الاصطناعي، والتحليل التنبؤي.
وفي هذا النموذج لن تكون مهمة الذكاء الاصطناعي مجرد اكتشاف المشكلة بعد حدوثها، وإنما تحليل البيانات التاريخية والحالية للتنبؤ باحتمال حدوث مشكلة مستقبلية.
كما يمكن أن تتطور الأنظمة إلى نماذج قادرة على التعلم من الظروف الطبيعية لكل مزرعة، بحيث لا تعتمد فقط على حدود ثابتة لجميع المنشآت، وإنما تتعرف على "خط الأساس" الخاص بكل نظام وكل مجموعة أسماك.
وتؤكد المراجعات المنشورة حديثًا أن دمج الذكاء الاصطناعي مع الاستشعار الآني وتحليل السلوك يمثل أحد الاتجاهات الرئيسية نحو تطوير الاستزراع المائي الذكي والمستدام.
الثاني عشر: النتائج المتوقعة من تطبيق النظام
يمكن أن يساهم النظام المقترح في:
- اكتشاف التغيرات البيئية في وقت مبكر.
- تحسين مراقبة رفاهية الأسماك.
- تقليل الاعتماد على الفحص البصري اليدوي المستمر.
- تحسين سرعة الاستجابة للحالات غير الطبيعية.
- توفير سجل رقمي مستمر لحالة المياه والأسماك.
- دعم قرارات إدارة المزرعة بالبيانات.
- تحسين كفاءة أنظمة RAS وتقليل المخاطر التشغيلية.
- المساهمة في تطوير مفهوم المزرعة السمكية ذاتية المراقبة.
*الخلاصة*
يمثل دمج الذكاء الاصطناعي والرؤية الآلية وأجهزة الاستشعار المتقدمة اتجاهًا واعدًا في تطوير أنظمة الاستزراع المائي بإعادة تدوير المياه. وتنبع أهمية هذا الاتجاه من إمكانية مراقبة عاملين أساسيين في الوقت نفسه: البيئة المائية وسلوك الأسماك.
فالمستشعرات توفر معلومات مباشرة عن حالة المياه، بينما توفر الكاميرات معلومات سلوكية مستمرة. وعندما تُدمج هذه البيانات بواسطة خوارزميات الذكاء الاصطناعي، يمكن إنشاء نظام إنذار مبكر قادر على التعرف على الأنماط غير الطبيعية ومساعدة العاملين على التدخل في الوقت المناسب.
وتشير الأدلة البحثية الحديثة، بما فيها تجارب مباشرة على سمك السلمون في أنظمة RAS، إلى أن تغيرات السلوك يمكن أن تكون مؤشرًا مبكرًا على تدهور جودة المياه، كما أن التطور السريع في التعلم العميق والرؤية الحاسوبية يفتح المجال أمام مراقبة أكثر دقة لصحة الأسماك وسلوكها.
وبناءً على ذلك، فإن مستقبل الاستزراع المائي لن يعتمد فقط على تحسين جودة المياه، بل سيتجه نحو مراقبة ذكية متكاملة تتنبأ بالمخاطر قبل تحولها إلى أزمات. وهذا التحول يمكن أن يجعل أنظمة RAS أكثر أمانًا وكفاءة واستدامة، ويعزز رفاهية الأسماك ويقلل الخسائر الاقتصادية الناتجة عن المشكلات التي يصعب اكتشافها بالطرق التقليدية.
*مراجع علمية مختارة*
1. He et al. (2026). Deep learning-based computer vision for fish behavior recognition in intensive aquaculture: A comprehensive review. Computer Science Review.
2. Artificial intelligence in aquaculture: Advancing sustainable fish farming through AI-driven monitoring, optimization, and disease management (2026). Aquaculture.
3. Early warning through video monitoring: Dissolved hydrogen sulphide (H₂S) affects Atlantic salmon swimming behavior in recirculating aquaculture systems (2024). Aquaculture.
4. Zhao et al. (2024/2025). A review of deep learning-based stereo vision techniques for phenotype feature and behavioral analysis of fish in aquaculture. Artificial Intelligence Review.
5. Research progress of computer vision technology in abnormal fish detection (2023). Aquacultural Engineering.
6. Cui et al. (2025). Fish Tracking, Counting, and Behaviour Analysis in Digital Aquaculture: A Comprehensive Survey. Reviews in Aquaculture.
*إعداد: الاستشاري عادل الحلفي*