Tilbake til søkeresultatene

HAVBRUK2-Stort program for havbruksforskning

Causal categorisation of mortality as a model system for sustainable growth and increased value creation in aquaculture

Alternativ tittel: Årsaksspesifikk dødelighet som et modellsystem for bærekraftig vekst og økt verdiskapning i akvakultur

Tildelt: kr 12,0 mill.

Norsk laksenæring oppdretter årlig mer enn 400 millioner individer laks i sjø, og næringen sliter med sykdom og dødelighet. Mye data genereres, men kildene mangler standardisering og sporbarhet. Det overordnete målet med prosjektet er å skape et robust, databasert, system for daglig beslutningsstøtte for oppdretter for å redusere dødeligheten gjennom standardisering og strukturering av dataflyten. Vi skal gjennomføre månedlige besøk norske og islandske oppdrettsanlegg over en periode på 6-12 måneder. Fiskehelsepersonell skal evaluere den årsaksspesifikke dødelighetsregistreringen på anleggene, samt samle inn miljødata og andre produksjonsdata. Dette vil brukes til å validere årsaksspesifikk dødelighetsregistreringer som et verktøy for å identifisere årsaker til redusert overlevelse. En dødelighets-klassifiseringsmetode fra humanmedisin (datakodede verbale obduksjoner) skal brukes for å automatisk klassifisere de kausale årsakene til død. Her benyttes produksjonsdata, miljø, lab. og fiskehelserapporter samt hendelseslogger for å bygge modellen. En modell for universell datastruktur og standardisering for å spore populasjonene fra egg til produkt skal også bygges, samt utvikling av en populasjons identifisering for ulike fiskegrupper, og vise at dataene kan anonymiseres ved å endre identifiseringen, uten å redusere datakvaliteten. Maskinlæringsteknikker vil hjelpe oss å undersøke verdien av mange flere datakilder samtidig med tanke på kausalkategorisering. Dette skal sammenlignes med ordinære statistiske metoder. Maskinlæring vil bli benyttet for å finne sterke forklaringsvariabler for ulike dødsårsaker og kunnskap om ulike indikatorer for årsaksspesifikk dødelighet. Utviklingen i en relativt ung industri som operer i allmenningen trenger både reguleringsdrevet og selskapsdrevet utvikling. For å kunne allokere ressurser effektivt må vi vite driverne for verdiøkning og bærekraft, og benytte denne kunnskapen systematisk.

Knowledge from production data in salmon aquaculture represents a great potential for increased growth, value, and sustainability of the industry. High mortality and losses have been identified as one of the most critical challenges for the industry today. Different companies, regulators, research institutions etc does not use the same identifier on fish groups and this makes it difficult to get correct comparisons and aggregations. As a result, they lack a common foundation to identify significant parameters, make better decisions, and more accurate risk analysis. Lack of information makes it difficult to define objective measurements and automatize analysing processes, ultimately reducing possibilities for industry insights and improvements in production. The project aims to generate a robust, data driven, system for day-to-day decision support for the fish owner to reduce the mortality based on mortality causes through standardisation and structured data-flow in production, applicable at all levels in the farming industry. This will be done by validating the cause-specific mortality registration and using it as a tool to identify causes of reduced survival in salmon farming (WP1), here we will work actively with two major companies in Norway and all salmon farming companies in Iceland. The technique of “computer-coded verbal autopsy” will be adapted from human medicine to aid in the automatization of classification (WP2) based on the results from WP1. Further we will build a model for universal data structuring and standardization of production data from salmon farming (WP3), this also relies on production data provided by the farming companies. The same data will be utilised in WP4 for an automated assembling and analyses of data from multiple sources to identify mortality causes by machine learning. And finally, we will identify drivers for value creation in salmon industry and drivers for sustainability of the production (WP5).

Budsjettformål:

HAVBRUK2-Stort program for havbruksforskning