Central Telefónica (115) 616 2222 anexo 4260
La industria del camarón representa sistemas de cultivo intensivo capaces de devolver altos rendimientos de proteína para el consumo humano. Los estanques de langostinos son sistemas dinámicos y complejos. Su desempeño se ve afectado por una combinación compleja de condiciones iniciales, prácticas de manejo y múltiples factores ambientales. Por ejemplo, dos estanques pueden tener rendimientos significativamente diferentes y, sin embargo, estar ubicados uno al lado del otro. Para comprender cómo cambia la dinámica de los estanques con el tiempo, la industria considera que la recopilación de datos en la finca es fundamental.
Asimismo, el rápido crecimiento de la cría de camarones a escala internacional desempeñará un papel importante para satisfacer las necesidades de proteínas de una población mundial en expansión. La gestión eficiente de los estanques comerciales para la producción saludable de langostinos es el mantra clave del éxito en esta industria. Es necesario mantener los parámetros de calidad del agua en estos estanques dentro de rangos específicos para crear un ambiente ideal de crecimiento óptimo de langostinos saludables.
La práctica actual de recopilación de datos sobre la calidad del agua y su uso para la toma de decisiones en la mayoría de las granjas no es eficiente y no aprovecha al máximo las últimas tecnologías. La investigación presentada en este documento tuvo como objetivo abordar este problema mediante la investigación sistemática y el desarrollo de un marco integrado donde (i) sensores modernos fueron investigados para determinar su idoneidad y desplegados para el monitoreo continuo de las variables de calidad del agua en estanques de langostinos; (ii) se investigaron nuevos modelos de aprendizaje automático en función de los datos recopilados y se implementaron para pronosticar con precisión el estado del estanque durante las próximas 24 h. Esto proporciona a los agricultores una idea de las situaciones que se avecinan y toman las medidas necesarias para evitar situaciones catastróficas; y (iii) realidad aumentada.
Se investigaron métodos de visualización basados ??en la mejora del proceso de captura de datos y la toma de decisiones eficiente a través de interfaces interactivas en tiempo real. El documento presenta el marco integrado, así como los detalles de los componentes de detección, aprendizaje automático y realidad aumentada. Descubrimos que (i) YSI EXO2 Multi-Sonde es el mejor sensor para el monitoreo continuo de estanques de langostinos; (ii) ForecastNet (nuestro modelo de aprendizaje automático desarrollado) proporciona los mejores resultados de pronóstico con un error porcentual absoluto medio simétrico de 6.1%, 9.6% y 8.5% para oxígeno disuelto, pH y temperatura; y (iii) la interfaz interactiva basada en realidad aumentada alcanza una precisión de hasta el 89,2% para las decisiones de gestión con al menos un 41% menos de tiempo.
Referencia (acceso abierto):
Ashfaqur Rahman, Mingze Xi, Joel Janek Dabrowski, John McCulloch, Stuart Arnold, Mashud Rana, Andrew George, Matt Adcock, 2021.Un marco integrado de detección, aprendizaje automático y realidad aumentada para la gestión de granjas de camarón acuícola.
