Page 180 - Công nghệ kỹ thuật và công nghệ thông tin trong tiến trình công nghiệp hóa - hiện đại hóa Đồng bằng sông Cửu Long
P. 180
các vị trí phù hợp và bền vững cho khu vực quản lý chăn nuôi thủy sản
(Longdill et al., 2008). Hơn nữa, FAO đã xem xét vai trò của việc phân tích
không gian trong việc quản lý bền vững nguồn lợi thủy sản trong ba nghiên
cứu. Cụ thể, Meaden and Aguilar-Manjarrez (2013) kết hợp của GIS và cảm
biến từ xa để tìm giải pháp cho các vấn đề có liên quan đến ngữ cảnh không
gian trong ngành thủy sản; Kapetsky et al. (2013) sử dụng GIS để đánh giá
tình hình và tiềm năng của việc phát triển lồng nuôi ngoài khơi để hỗ trợ sản
xuất thủy sản; Aguilar-Manjarrez and Crespi (2013) sử dụng Google Earth và
Google Maps để hỗ trợ các thành viên của FAO trong việc đánh giá và giám
sát nuôi trồng thủy sản. Ở Việt Nam, GIS đã được áp dụng trong việc dự đoán
vùng đánh bắt cá ngừ (Thuoc & Thanh, 2013). Mặt khác, GIS cũng được sử
dụng để xác định các khu vực phù hợp cho việc nuôi tôm ở tỉnh Bến Tre
(Thanh, 2008). GIS đã trở thành một kỹ thuật hữu ích cho phân tích không
gian, hỗ trợ việc xác định vị trí địa lý của các ao nuôi tôm. Giap et al. (2003)
đã thực hiện GIS tại tỉnh Thái Nguyên của Việt Nam để phát hiện các thay
đổi sử dụng đất và ước tính các khu vực tiềm năng cho phát triển chăn nuôi
thủy sản trong các ao hồ. Đáng chú ý, thông qua phân tích các yếu tố địa lý,
tích hợp và hiển thị dữ liệu thủy sản, GIS đã thể hiện sự hữu ích đối với ngành
thủy sản bằng cách chỉ ra các khu vực phù hợp cho nhiều mục đích để phát
triển các ao nuôi. Vì vậy, công nghệ này rất hữu ích cho quản lý dịch bệnh,
từ đó đóng góp vào sự phát triển bền vững của ngành thủy sản. Phương pháp
GIS là một công cụ hứa hẹn để cung cấp đánh giá toàn diện về các đợt bùng
phát bệnh và xem xét các triệu chứng, nguồn giống và môi trường sống. Tuy
nhiên, việc áp dụng GIS vào việc ngăn chặn dịch bệnh cho ngành nuôi tôm ở
ĐBSCL vẫn còn hạn chế.
Bên cạnh đó, máy học là một kỹ thuật tiên tiến có thể cung cấp sự hỗ
trợ mạnh mẽ cho ngành thủy sản, cụ thể là dự đoán các đợt bùng phát dịch
bệnh. Các ví dụ của ứng dụng máy học bao gồm xử lý ảnh số để chẩn đoán
bệnh (Rao, 2017), sử dụng mạng neuron nhân tạo và hồi quy logistic để dự
đoán sự xuất hiện của bệnh tôm (Leung & Liem, 2000) và áp dụng máy học
để dự đoán bệnh viêm gan tụy (Khiem et al., 2020). Ngoài ra, máy học đã
được áp dụng để dự đoán phân bố hoạt động đánh cá (Soykan et al., 2014) và
hỗ trợ ra quyết định liên quan đến việc đóng cửa ao nuôi hàu trong nuôi trồng
thủy sản (Shahriar & McCulluch, 2014). Sự kết hợp giữa GIS và máy học đã
được áp dụng trong việc nuôi tôm ở Ấn Độ. Cụ thể, mạng neuron nhân tạo đã
được sử dụng để dự đoán các tham số như chất lượng nước kết hợp việc lựa
chọn vùng nuôi tôm bền vững thông qua hệ thống thông tin địa lý (Rajitha et
166