上周我们应邀参加了一场关于鱼类清洗台和渔船监测的讨论。这原本是一场分享技术和项目进展的会议，却意外变成了一次非常坦率、也很有价值的反思。

一位长期从事渔业管理和统计工作的生物学家，在会上系统地讲了现有监测方法的痛点。并不是因为监测技术不够先进，而是因为渔业环境的巨大变化，很多方法跟不上现今捕鱼活动的节奏和管理需求。

credit: Pacific Salmon Foundation

清洗台监测：数据很好，但只是故事的一部分

鱼类清洗台项目的初衷其实很简单。很多钓鱼者在上岸后，会在固定的清洗台处理渔获。只要在这些位置安装摄像头和 PIT tag 天线，就可以在不打扰人的情况下，自动记录捕到的是什么鱼、是否带标记，以及一些个体信息。

从技术角度看，这个想法是成功的。鱼种和标记状态可以被稳定识别，PIT tag 数据质量也很高。清洗台确实让我们第一次能系统地、自动化地记录一部分渔获信息。

问题在于，它只能记录已经捕到鱼的人的渔获信息。

如果一个人钓了一整天却什么都没钓到，他根本不会前往清洗台。但在渔业统计里，这样的“零渔获”并不是噪声，而是非常重要的信息。很多核心指标，比如 catch per unit effort，正是依赖于这些数据。也正因为如此，清洗台数据天然带有偏置，只能作为补充，而无法单独支撑完整的effort估计。

另一个现实问题是成本。清洗台的视频仍然需要大量人工审核。这项工作耗时、枯燥，也很难长期维持。结果是，数据往往等到一年甚至两年后才被处理完。从总体来看，它并不一定比传统的码头访谈更省钱。

credit: https://frenchcreekharbour.ca/

航拍与渔船监测：重要，但也存在偏离

在effort监测方面，航拍调查长期以来都是核心手段。通过定期飞行，记录海面上正在钓鱼的船只数量，管理部门可以获得一个“当下有多少人在钓鱼”的快照。这些数据，再结合 creel survey，用来估计整体捕捞情况。

航拍的问题也很直接：贵，而且不连续。

一次航拍的成本不低，而估计精度又高度依赖频率。少飞几次，误差就会明显放大。更现实的是，航拍只提供离散时间点的信息。中间几天发生了什么，往往只能靠统计插值来“补”。在实际操作中，这意味着，如果天气不好、没人出海，但模型仍然假设 effort 保持在高位，结果自然会失真。

正因为这些限制，岸基渔船摄像头等自动化手段开始被引入。它们并不是为了取代航拍，而是提供一种更高频、边际成本更低的观测方式。比如，在港口出入口或常见钓鱼区域布设摄像头，可以持续记录船只活动的变化趋势，形成一个“活动强度”的指数。

这个指数本身并不等同于真实的 effort，但当它和航拍、天气、潮汐等信息结合时，可以让我们更好地理解 effort 在时间上的变化。

评价与反思

在这次会议中，那位生物学家的发言之所以引起共鸣，是因为他说出了很多人心里的真实感受。

他指出，现在广泛使用的 creel survey 和航拍方法，大多是在上世纪 80 年代设计的。当时渔业全年开放，管理者只需要年尺度的估计，10% 左右的误差也完全可以接受。但今天的渔业环境已经完全不同：开放窗口更短，变化更快，管理需要更及时的信息。在这样的背景下，继续沿用原有方法，本身就会越来越不适用。

他对清洗台项目的评价也很现实：技术上很漂亮，但在统计意义上存在先天缺陷，再加上人工审视频的不可持续性，让人不得不重新思考它的长期价值。

对航拍，他的态度同样务实。航拍依然重要，但成本高、资产难以积累，让整个体系在预算压力下显得脆弱。

不过，他并不是反对技术。相反，他对岸基摄像头和 AI 的态度是谨慎而乐观的。在他看来，摄像头不需要精确判断“这条船是不是在钓鱼”。只要能提供一个稳定、连续的活动信号，再用航拍和统计模型进行校准，就已经是很大的进步。他真正担心的，是那些看起来很先进，却忽略了现实成本和统计逻辑的系统。

从“更先进的技术”到“更好用的监测”

这次讨论让我们意识到，问题的核心并不是“现有方法对不对”，而是它们是否仍然适合今天的渔业环境。在很多场景下，AI 并不是用来替代现有方法的答案，而是用来补上它们最明显的短板：时间连续性、高成本和难以扩展。

对 SalmonVision 来说，这样的反馈非常重要。我们更关心的，不是模型在单一场景下能做到多精准，而是如何在不完美、带偏差的观测条件下，提供真正能被理解、被校准、也能被长期使用的监测信号。只有这样，技术才能真正应用于渔业管理，而不是成为又一个“看起来很先进”的系统。