El futuro de la acuaponía está a la vista y pasa por la inteligencia artificial (IA). Un nuevo estudio publicado en la revista Computers and Electrical Engineering está dando que hablar al integrar el aprendizaje automático en este método de cultivo sostenible. Este enfoque innovador promete optimizar el crecimiento de los peces, mejorar la eficiencia de los recursos y allanar el camino para un futuro más basado en datos para la acuaponía.
Los investigadores de la Qatar University, de la University of Doha for Science and Technology, de la University of Engineering & Technology y de la Birzeit University presentan un enfoque innovador para la acuaponía mediante la integración de inteligencia artificial (IA). El sistema emplea un enfoque novedoso de aprendizaje automático para crear un sistema totalmente sostenible que mejora la nutrición y el crecimiento de los peces en los sistemas acuapónicos.
IA para un ecosistema próspero
Tradicionalmente, la acuaponía se basa en equilibrar las necesidades de los peces y las plantas dentro de un solo sistema. El agua rica en nutrientes de la pecera nutre a las plantas, mientras que las plantas filtran el agua para los peces. Sin embargo, mantener este delicado equilibrio puede ser un desafío. Este estudio aborda esto mediante el uso de IA para predecir el crecimiento de los peces en función de varios parámetros ambientales.
El aprendizaje automático, una rama de la IA que permite a las computadoras «aprender» a partir de los datos, puede mejorar aún más la eficiencia y la sostenibilidad de la acuaponía. Al analizar datos de varios parámetros ambientales, los algoritmos de aprendizaje automático pueden optimizar los ciclos de nutrientes, predecir el crecimiento de las plantas y los peces y automatizar la gestión del sistema. Esta capacidad predictiva permite la detección temprana de posibles desequilibrios, lo que garantiza un sistema saludable y productivo.
El poder del aprendizaje automático
Si bien la acuaponía ofrece numerosos beneficios, uno de los desafíos clave radica en comprender y gestionar los requisitos nutricionales específicos de las plantas y de los peces durante la temporada de crecimiento. Estudios anteriores se han centrado en las prácticas generales de gestión de nutrientes, pero se necesita un enfoque más matizado para optimizar el crecimiento y el rendimiento de las plantas y de los peces.
El estudio explora el uso del aprendizaje automático. Los investigadores desarrollaron un sistema que analiza varios parámetros ambientales dentro del sistema acuapónico, incluidos:
- Niveles de pH
- Niveles de amoníaco
- Niveles de nitrato
Al analizar estos datos, el sistema puede predecir la longitud y el peso de los peces con una precisión notable. Esto permite a los productores acuapónicos:
- Adaptar las estrategias de alimentación en función de los patrones de crecimiento previstos.
- Optimizar la calidad del agua para una salud y un crecimiento óptimos de los peces.
- Minimizar los desechos mediante la gestión proactiva de los niveles de nutrientes.
Garantizar la precisión y la transparencia
La investigación va más allá de la simple predicción del crecimiento de los peces. El equipo empleó una técnica llamada «LightGBM» (Light Gradient Boosting Machine), un potente modelo de aprendizaje automático. Para garantizar su precisión, utilizaron un método de «validación cruzada de cinco pasos», que básicamente prueba el modelo en diferentes conjuntos de datos para confirmar su generalización.
Pero la transparencia no termina allí. Los investigadores implementaron un enfoque novedoso llamado «LIME» (Local Interpretable Model-Agnostic Explanations). Esto les permite comprender cómo los factores individuales (como el pH o los niveles de amoníaco) influyen en las predicciones del modelo. Esta transparencia es crucial para generar confianza en el sistema de IA y para un mayor refinamiento.
Un futuro sustentable para la acuaponía
Los hallazgos de este estudio son importantes porque demuestran el potencial de la IA para revolucionar las prácticas acuapónicas. Con una predicción precisa del crecimiento de los peces, los productores pueden lograr:
- Mayor producción de peces
- Reducción del consumo de recursos (agua, alimento)
- Minimización del impacto ambiental
Esta investigación también allana el camino para futuras aplicaciones. El marco se puede adaptar a diferentes especies de peces simplemente ajustando los parámetros analizados por el sistema de IA.
Conclusión
El estudio ha demostrado el potencial transformador de la inteligencia artificial (IA) para revolucionar la industria de la acuaponía. Al aprovechar las técnicas avanzadas de aprendizaje automático, los investigadores han desarrollado un modelo que predice con precisión la longitud y el peso de los peces, allanando el camino para prácticas de piscicultura más eficientes y sostenibles.
Hallazgos clave:
- Exactitud predictiva superior: El modelo LightGBM, optimizado mediante un ajuste riguroso, superó a otros algoritmos de aprendizaje automático en la predicción del crecimiento de los peces.
- Transparencia mejorada: El uso de LIME para la interpretación de modelos proporciona información valiosa sobre los factores que influyen en las predicciones, lo que fomenta la confianza y la comprensión entre las partes interesadas.
- Robustez y generalización: La validación externa exitosa confirma la confiabilidad y aplicabilidad del modelo en diferentes contextos.
- Potencial para la acuicultura sostenible: El marco propuesto ofrece una solución prometedora para la piscicultura sostenible, en particular en regiones con recursos limitados.
A partir del éxito de este estudio, las investigaciones futuras pueden explorar la integración de otras tecnologías impulsadas por IA, como la visión artificial y la robótica, para automatizar y optimizar aún más los sistemas acuapónicos. Además, ampliar la aplicación de este marco a una gama más amplia de especies de peces y condiciones ambientales puede contribuir a la adopción más amplia de prácticas de acuicultura sostenibles.
El estudio fue financiado por Qatar National Research Fund (QNRF).
Contacto
Amith Khandakar
Department of Electrical Engineering, College of Engineering, Qatar University
Doha 2713, Doha, Qatar
Email: amitk@qu.edu.qa
Referencia (acceso abierto)
Khandakar, A., Elzein, I., Nahiduzzaman, M., Ayari, M. A., Ashraf, A. I., Korah, L., Zyoud, A., Ali, H., & Badawi, A. (2024). Smart aquaponics: An innovative machine learning framework for fish farming optimization. Computers and Electrical Engineering, 119, 109590. https://doi.org/10.1016/j.compeleceng.2024.109590
