Skal «lytte» etter rømt laks

Norge har over 100 millioner oppdrettslaks i merdene, og rømninger er et vedvarende miljøproblem. Nå prøver forskere ut en autonom drone som bruker kunstig intelligens og undervanns-akustikk for å spore opp rømte individer – før de rekker å svømme opp i elvene.

Utenfor kysten av Hitra i Trøndelag ligger oppdrettsanleggene tett i det kalde, næringsrike sjøvannet. Men i dag er det ikke laksen inne i merdene som har forskernes oppmerksomhet. Det er de potensielle utbryterne.

Når laks rømmer fra oppdrettsanlegg, er det kritisk å lokalisere og fange dem så raskt som mulig for å hindre at de blander seg med, og svekker, de ville laksebestandene i de nærliggende lakseelvene.

Problemet er at det å finne noen tusen rømte fisk i et enormt havområde er som å lete etter den berømte nåla i høystakken.

– Tradisjonelle metoder som gjenfangstgarn og visuell observasjon er trege og lite effektive. Innen vi får satt i gang tiltak, har fisken ofte spredt seg over store avstander, forklarer Kristoffer Lien (41), seniorforsker ved SINTEF Ocean.

Løsningen de nå tester, er en tre meter lang, torpedo-lignende undervannsdrone (AUV) spekket med avansert lytteteknologi og kunstig intelligens.

Kjenner igjen «lakse-lyder» i støyen

Dronen, som har fått navnet AquaTracker, patruljerer havområdene rundt oppdrettsanleggene helt autonomt i opptil 24 timer av gangen. Den bruker passive akustiske sensorer (hydrofoner) for å lytte til undervannsmiljøet.

At fisk lager lyd, er kanskje ukjent for mange, men laks i flokk og bevegelse genererer karakteristiske akustiske signaturer – alt fra svømmelyder til gassutslipp og spesielle adferdsmønstre i overflaten.

– Utfordringen i havet er at det er enormt mye bakgrunnsstøy fra bølger, båtmotorer og andre marine arter. Det er her den kunstige intelligensen kommer inn, sier marinbiolog Solveig Dahl (34).

En spesialtrent KI-modell om bord på dronen analyserer lydopptakene i sanntid. Den er trent på tusenvis av timer med opptak av laks for å kunne skille de svake laksesignaturene fra den øvrige støyen.

FAKTA: AquaTracker-prosjektet

• Hva: Autonom undervannsdrone (AUV) for tidlig deteksjon og sporing av rømt oppdrettslaks.
• Teknologi: Integrert passive hydrofoner (undervannsmikrofoner), AI-basert lydgjenkjenning (edge AI) og sonar.
• Kapasitet: Kan operere kontinuerlig i 24 timer ned til 150 meters dyp.
• Aksjon: Sender GPS-posisjon og estimert stim-størrelse til forskere og oppdrettere via satellitt eller mobilnett hver gang den bryter overflaten.
• Mål: Redusere tiden det tar å iverksette effektiv gjenfangst fra dager til timer.

Tester i «skarpt» miljø

Under testene på Hitra har forskerteamet simulert en mindre rømning ved å slippe ut akustisk merkede test-objekter, i tillegg til å overvåke områder der man vet det ferdes naturlige flokker med fisk.

Resultatene så langt er svært oppløftende. Dronen har klart å identifisere og posisjonere stimer med fisk på flere hundre meters avstand, og har sendt nøyaktige kartposisjoner tilbake til følgebåten.

– Hvis en oppdretter mistenker en rømning, kan vi sende ut dronen for å sveipe området umiddelbart. Den kan kartlegge hvor fisken beveger seg, slik at fiskerne kan sette ut gjenfangstgarn på akkurat de rette stedene, sier Lien.

Må tåle tøft kystklima

Selv om teknologien viser stort potensial, er det tøffe utfordringer som må løses før systemet kan settes i kommersiell drift. Norskekysten byr på tøffe værforhold, sterke strømmer og mye skipstrafikk.

– Dronen må være intelligent nok til å navigere trygt rundt både øyer, merder, trosser og båter i tette strømforhold. I tillegg er vi avhengige av at batteriteknologien og kommunikasjonen fungerer pletttfritt i kaldt vann, påpeker Dahl.

Prosjektet, som er et samarbeid mellom SINTEF, NTNU og flere store oppdrettsaktører, skal etter planen fortsette med tester gjennom vinteren for å se hvordan systemet takler stormer og mørketid.

– Målet er å skape et verktøy som gir oppdrettsnæringen og miljømyndighetene et helt nytt forsvarsverk mot konsekvensene av rømninger, avslutter Kristoffer Lien.