Central Telefónica (115) 616 2222 anexo 4260
Los investigadores de la East Delta University (Bangladesh) y Sejong University (Corea del Sur) proponen un sistema inteligente basado en el internet de las cosas para gestionar un cultivo biofloc.
Ellos presentaron un sistema que recopila datos de sensores, almacena datos en la nube, los analiza mediante un modelo de aprendizaje automático, como un modelo de árbol de regresión de decisiones, para predecir el estado del agua y proporciona monitoreo en tiempo real a través de una aplicación de Android.
Internet de las cosas
La internet de las cosas juega un rol significativo en la industria acuícola inteligente, permitiendo el monitoreo remoto en muchas condiciones.
Una piscigranja basada en la internet de las cosas simplifica las operaciones de la piscicultura mediante el uso de un rango de sensores en combinación con una robusta infraestructura de comunicación.
Sistema propuesto de IoT
El sistema propuesto por los investigadores monitorea y mide la calidad del agua utilizando sensores capaces de detectar la calidad de los componentes del agua, como oxígeno disuelto, nitrógeno, pH, temperatura del agua, nitrato, amonio y dióxido de carbono, y transmite los datos medidos a un dispositivo móvil a través de un dispositivo móvil.
“También utilizamos técnicas de aprendizaje automático, así como un árbol de regresión de decisiones en base a los datos del biofloc para entrenar y predecir la calidad del agua en el contenedor del biofloc”, describen.
Además, el sistema controla automáticamente los actuadores para resolver los problemas de calidad del agua si el nivel de los indicadores supera un cierto umbral.
Los piscicultores también pueden resolver este problema examinando los valores medidos de los parámetros de calidad del agua desde sus teléfonos inteligentes.
Análisis de los resultados
“El sistema propuesto se implementa con éxito en el sistema biofloc. Observamos la transmisión simultánea de datos desde el sistema a la nube y la aplicación de Android”, reportan.
“Es fácilmente observable que nuestro sistema recopila con éxito los datos del sensor. Dado que la condición del agua es muy importante para la producción saludable de peces, los datos de detección reales mantendrán la condición del agua en un nivel adecuado para acelerar la producción de peces sin necesidad de humanos”.
Los investigadores prepararon el conjunto de datos de 4000 muestras para el entrenamiento de clasificación de árboles de regresión.
“Utilizamos la temperatura, el pH y la turbidez como parámetros clave para determinar la condición del agua del sistema biofloc. También hemos establecido un cierto umbral para los parámetros clave para el buen estado, como la temperatura (24–30), PH (6–9) y turbidez (1200–1800)”, reportan.
Si algunos de los valores correspondientes de los parámetros superan el umbral, los investigadores etiquetaron los datos como malas condiciones de agua.
Los investigadores realizaron una comparación del sistema implementado con los sistemas preexistentes.
Destacamos la precisión, los parámetros, la predicción y la capacidad de toma de decisiones del método. Podemos ver que nuestro enfoque logró una buena precisión del 79%, lo que supera a algunos métodos existentes”, destacaron.
Conclusión
“El sistema inteligente analiza las condiciones del agua en tiempo real, lo que reduce los costos de producción, aumenta la productividad, reduce la dependencia humana y garantiza la sostenibilidad socioeconómica”, dijeron los investigadores.
De acuerdo con el estudio, el sistema sugerido verifica la calidad del agua en tiempo real y proporciona una advertencia inmediata al usuario.
“Según las pruebas, se logró un 79% de precisión. En el futuro, queremos mejorar la precisión del modelo y evaluar qué tan bien funciona en términos del crecimiento de los peces en el Biofloc”, finalizaron.
Contacto
A. S. M. Sharifuzzaman Sagar
Sejong University, Seoul, South Korea
Email: sharifsagar80@sju.ac.kr
Referencia (acceso libre)
Mozumder, S.A., Sharifuzzaman Sagar, A.S.M. (2022). Smart IoT Biofloc Water Management System Using Decision Regression Tree. In: Hossain, S., Hossain, M.S., Kaiser, M.S., Majumder, S.P., Ray, K. (eds) Proceedings of International Conference on Fourth Industrial Revolution and Beyond 2021 . Lecture Notes in Networks and Systems, vol 437. Springer, Singapore. https://doi.org/10.1007/978-981-19-2445-3_15
Fuente: Aquahoy
