چشم‌انداز هوش مصنوعی و یادگیری ماشین در علوم شیلاتی

یکپارچه‌سازی هوش مصنوعی و فناوری‌های نوین در علوم شیلات، تحولی اساسی در روش‌های مدیریت منابع دریایی ایجاد کرده است. در مطالعه حاضر، پیشرفت‌های اخیر در روش‌شناسی‌ هوش مصنوعی، از جمله یادگیری عمیق و رویکردهای سنتی یادگیری ماشین و کاربردهای آنها در شناسایی ماهی، نظارت بر جمعیت، مدیریت پایدار و ارزیابی ذخایر را تحلیل کرده است. یافته‌ها نشان می‌دهد که فناوری‌های هوش مصنوعی ابزارهای قدرتمندی برای مقابله با چالش‌های پیچیده آتی در شیلات جهانی ارائه می‌دهند که از جمله می‌توان به بهبود دقت شناسایی گونه‌ها، افزایش کیفیت ارزیابی ذخایر، کاهش صید ضمنی و مبارزه با ماهیگیری غیرقانونی اشاره نمود. با این‌حال، تحقق پتانسیل کامل هوش مصنوعی در مدیریت شیلات مستلزم رفع چالش‌های موجود در دسترسی به داده‌ها، حساسیت مدل‌ها و موانع فناوری است. مطالعه حاضر، نقشه راهی برای ادغام مسئولانه فناوری‌های هوش مصنوعی در مدیریت شیلات به‌ویژه در ایران ارائه می‌دهد و هدف آن پشتیبانی از شیوه‌های موثرتر و پایدارتر در مواجهه با چالش‌های پیچیده زیست‌محیطی و اجتماعی-اقتصادی است.

perspective of artificial intelligence (ai) and machine learning (ml) in fisheries science

introductionthe integration of artificial intelligence and emerging technologies into fisheries science has fundamentally transformed marine resource management approaches (bradley et al., 2019; ebrahimi et al., 2021). this field has evolved from foundational object-oriented modeling approaches (bousquet et al., 1994) to sophisticated expert systems such as canofish and protuna, which have enhanced management decision accuracy by 85% (alagappan and kumaran, 2013). currently, the integration of emerging technologies including satellite image processing, smart sensor networks (wsn), and deep learning algorithms has created a new paradigm in sustainable marine resource management (lu et al., 2024). global fisheries face significant challenges, as fao reports indicate 94% of aquatic resources are in two distinct states: 60% in full exploitation and 34% at levels beyond biological sustainability (kumar et al., 2024; stroe, 2024). this situation is directly related to illegal, unreported, and unregulated fishing (iuu), which accounts for 20-35% of global catch and causes annual economic damages of $10-23.5 billion (samy-kamal, 2022; grey, 2023; lubchenco and haugan, 2023). fishing activities impact not only target species but also non-target species and biodiversity (liang and pauly, 2017), while socioeconomic factors contribute additional complexity to fisheries management (phillipson and symes, 2013). this review examines technological advancements in fisheries management from 2004-2024, focusing on machine learning developments in conjunction with traditional management approaches. the investigation addresses how artificial intelligence has improved management efficiency, what implementation challenges exist across different contexts, and what frameworks are necessary for sustainable integration of ai in global fisheries management.