Acuaponía inteligente: la arquitectura de referencia que integra sensores, visión artificial e IA

Puntos clave

1. La digitalización en acuaponía suele basarse en prototipos aislados y herramientas dispersas, lo que dificulta su escalabilidad e integración técnica.
2. Investigadores de la Bursa Technical University, Qatar University y Wageningen University & Research crearon una «arquitectura de referencia» para estructurar proyectos acuapónicos de forma modular.
3. El modelo clasifica los elementos indispensables (tanques, biofiltros, bombas y control base) frente a módulos avanzados opcionales (cámaras multiespectrales, visión computacional y modelos predictivos), adaptándose desde instalaciones piloto hasta plantas comerciales.
4. La propuesta se contrastó teóricamente frente a dos configuraciones documentadas —una orientada a sensórica con procesamiento local (edge computing) y otra a monitorización visual avanzada—, demostrando su compatibilidad en ambos escenarios.
5. Aunque el marco no incluye pruebas de rendimiento empírico en una granja acuapónica, aporta una guía metodológica clave para mitigar riesgos de diseño antes de comprometer capital.

A las seis de la mañana, un productor revisa su teléfono antes de entrar al invernadero. Una aplicación reporta el nivel de oxígeno disuelto; otra, de un proveedor distinto, gestiona el fotoperiodo; el controlador de recirculación opera en un panel independiente y las métricas de alimentación permanecen en una hoja de cálculo desactualizada. Mientras tanto, la cámara instalada para supervisar el cardumen acumula grabaciones que nadie analiza.

De forma individual, cada componente cumple su función. El verdadero desafío surge al intentar interoperarlos: lograr que un descenso de oxígeno active automáticamente los aireadores, correlacionar la pérdida de apetito en los peces con anomalías foliares en el cultivo vegetal, o centralizar la telemetría en un único panel de control. Es el instante en que el operario confirma que adquirió dispositivos desconectados, no una solución integral.

Este escenario recurrente impulsó la investigación divulgada en la revista Aquacultural Engineering. El equipo científico plantea que la acuaponía inteligente enfrenta un cuello de botella por carecer de un estándar estructural: un mapa que defina cómo deben comunicarse la sensórica, los flujos de datos, la automatización y los algoritmos de analítica predictiva. Su arquitectura de referencia ofrece esa pauta técnica, permitiendo a productores e integradores tecnológicos reducir la improvisación, erradicar silos de información y proyectar instalaciones escalables sobre bases sólidas.

Por qué la acuaponía exige un control técnico de alta precisión

La acuaponía integra dos sistemas productivos consolidados: los sistemas de recirculación en acuicultura (RAS) y la hidroponía o cultivo sin suelo. Mediante este acoplamiento biológico, los efluentes con desechos metabólicos de los peces dejan de ser un pasivo ambiental y se transforman en una fuente de nutrientes para la producción vegetal.

El engranaje biológico fundamental reside en el microbioma. La biomasa acuícola excreta amoníaco que, en concentraciones elevadas, resulta letal. En los biofiltros y sustratos de cultivo, comunidades bacterianas nitrificantes (Nitrosomonas y Nitrobacter) oxidan el amoníaco primero a nitrito y finalmente a nitrato, compuesto asimilable por las raíces. Este proceso depura el efluente antes de retornarlo a las unidades de cultivo.

El desafío operativo radica en sincronizar tres organismos con requerimientos dispares de pH, temperatura y oxígeno disuelto: peces, plantas y biopelículas bacterianas. Aunque la gestión empírica funciona en escalas piloto, la estabilidad colapsa al escalar la densidad productiva. Por ello, la industria tecnifica sus instalaciones mediante sensores de Internet de las Cosas (IoT), automatización de procesos e inteligencia artificial.

El desafío de la acuaponía inteligente: múltiples soluciones aisladas y ningún marco común

La investigación aplicada a la acuaponía y a la acuicultura de precisión experimenta un crecimiento notable. La literatura científica documenta avances en el conteo de peces mediante visión artificial, la detección de alimento residual en el fondo de los tanques, el diagnóstico temprano de patologías y parásitos por imagen, la identificación de deficiencias nutricionales foliares y la estimación fotométrica de la turbidez del agua.

No obstante, tal como advierten Ahmet Kasif, Cagatay Catal y Bedir Tekinerdogan, la mayor parte de este esfuerzo tecnológico se enfoca en resolver tareas puntuales o en optimizar variables aisladas. El diseño estructural que permita integrar armónicamente estos módulos sigue siendo un área desatendida. Como consecuencia, el sector enfrenta una alta fragmentación técnica que restringe la interoperabilidad entre fabricantes, frena la escalabilidad operativa e impide replicar soluciones exitosas en otras instalaciones.

Frente a la ausencia de una arquitectura de referencia documentada para la acuaponía inteligente, los autores proponen llenar ese vacío estratégico.

¿Qué es una arquitectura de referencia en acuaponía?

Imagine el diseño de una sala de incubación o de un sistema de recirculación en acuicultura (RAS). Antes de adquirir la primera bomba, se proyectan la disposición de los tanques, la dinámica hidráulica, la secuencia de filtración mecánica y biológica, y las futuras ampliaciones. Ese plano no sustituye a la granja en operación, pero previene fallos estructurales y tuberías incompatibles.

Una arquitectura de referencia cumple exactamente esa función para la infraestructura digital: es un marco estandarizado que establece qué módulos componen el sistema automatizado, las responsabilidades de cada componente y sus protocolos de interoperabilidad. Posteriormente, cada productor o integrador adopta este modelo base y lo calibra según su escala productiva e inversión disponible.

El consorcio científico —liderado por el investigador de Wageningen University & Research como autor de correspondencia— desarrolló este marco dentro de un proyecto internacional de acuaponía impulsada por inteligencia artificial y seguridad alimentaria, en alianza con instituciones de Países Bajos, Qatar y Turquía, incluida Akdeniz University. La investigación contó con el respaldo financiero del Qatar Research, Development, and Innovation (QRDI) Council. El equipo aporta experiencia previa en arquitecturas digitales para agricultura de precisión, logística automatizada y gemelos digitales para mantenimiento predictivo.

Cinco dimensiones analíticas para diseñar una granja acuapónica inteligente

En lugar de un esquema estático y unidimensional, la arquitectura de referencia se estructura a partir de cinco perspectivas complementarias, análogas a las de examinar una planta acuícola desde su diseño hidráulico, sus líneas eléctricas y su sala de control.

• El catálogo de capacidades: El primer eje es un modelo de características que discrimina los requerimientos mandatorios de los opcionales. La infraestructura hidráulica básica (tanques, biofiltros y bombas) constituye el núcleo imprescindible; los filtros de tambor rotatorio, la iluminación suplementaria, los sistemas de visión computacional y los algoritmos de aprendizaje automático representan módulos escalables. Asimismo, define los protocolos de conectividad (Wi-Fi, Bluetooth, redes celulares, WSN o protocolos ligeros para IoT como MQTT) y la topología de cómputo: procesamiento local (edge computing), almacenamiento en la nube o soluciones híbridas. Esta modularidad permite que tanto un sistema artesanal de bajo coste como una planta comercial intensiva deriven del mismo marco conceptual.
• Los perfiles e interactores del sistema: La segunda dimensión identifica a los agentes del ecosistema operativo. El operario programa rutinas y recibe telemetría crítica; el administrador gestiona el mantenimiento preventivo y las políticas de acceso. De forma modular, se integran perfiles especializados como el agrónomo y el patólogo o veterinario acuícola, cada uno con paneles analíticos de biomasa y sanidad. El modelo también incorpora la cadena de suministro —proveedores de equipamiento para posventa y de balanceados para logística de abastecimiento—, subrayando que la digitalización trasciende la calidad del agua e impacta en la gestión empresarial.
• Segmentación modular funcional: El tercer eje desglosa la plataforma en tres dominios clave: telemetría y control automatizado (desacoplando el subsistema de recirculación de peces del circuito hidropónico vegetal), gobierno de datos (adquisición, depuración, analítica, almacenamiento, interfaz y ciberseguridad) e infraestructura de telecomunicaciones. Esta partición responde a una necesidad biológica estricta: los requerimientos fisicoquímicos y las dinámicas de control del pez difieren notablemente de las exigencias del cultivo vegetal.
• Arquitectura de capas IoT: La cuarta perspectiva organiza el flujo operativo en siete niveles jerárquicos basados en estándares de Internet de las Cosas. En la base operan los sensores y actuadores de campo; prosiguen los niveles de red, analítica y soporte para la toma de decisiones; sobre estos opera la lógica agronómica y zootécnica (tasa de alimentación, bienestar animal, sanidad vegetal y balance de nutrientes); en la cúspide se ubican los paneles ejecutivos y aplicaciones móviles. De manera transversal, una capa de ciberseguridad resguarda la integridad de todo el ecosistema.
• Distribución física del despliegue: La última dimensión distribuye los componentes computacionales entre el nodo perimetral (edge), los servidores y las terminales del usuario. Las rutinas críticas que demandan latencia cero —como paradas de emergencia o control de oxigenación— se ejecutan en el hardware local, mientras que los modelos de analítica avanzada y tendencias históricas se delegan al servidor central.

Validación técnica: dos enfoques contrastados bajo un mismo marco arquitectónico

Para verificar la aplicabilidad del modelo en escenarios operativos, el equipo evaluó dos sistemas documentados previamente en la literatura científica, cuyos diseños responden a filosofías tecnológicas divergentes.

El primer caso, desarrollado por Wan et al. (2022), corresponde a una arquitectura modular de monitoreo diseñada con criterios de bajo coste y compacidad. La solución integra un microcontrolador accesible conectado a sondas de pH, oxígeno disuelto, dióxido de carbono y temperatura del agua, complementado con una computadora monoplaca Raspberry Pi y un sensor óptico de 5 megapíxeles para seguir el crecimiento foliar. La telemetría se transmite vía Wi-Fi mediante el protocolo MQTT hacia un servidor en la nube, permitiendo al productor accionar bombas, fotoperiodo y alarmas desde una interfaz en WeChat. Todos los componentes encajaron con precisión en las cinco dimensiones del modelo.

El segundo caso, denominado AquaVision y propuesto por Malik et al. (2025), prioriza la visión computacional. El sistema implementa cámaras multiespectrales asociadas a una Raspberry Pi 4 que procesa secuencias visuales a 15 fotogramas por segundo. Su núcleo integra dos modelos de redes neuronales: uno dedicado a evaluar el comportamiento y los biomarcadores de estrés de los peces mediante series temporales, y otro enfocado en diagnosticar el perfil nutricional foliar.

Esta contrastación aportó una conclusión reveladora: el estudio de AquaVision omitía detalles sobre los protocolos de telecomunicaciones, la interfaz de usuario, los mecanismos de ciberseguridad y la topología de almacenamiento. Lejos de asumir datos no documentados, los investigadores clasificaron estos campos como «no especificados en la fuente».

Para acuicultores e integradores tecnológicos, el valor de este plano radica en su uso como lista de verificación técnica (checklist). Si una solución comercial no transparenta el gobierno de los datos, la seguridad perimetral o la redundancia ante caídas de red, el comprador cuenta con el criterio para exigir esas especificaciones antes de invertir.

Alcances y limitaciones de la arquitectura: los desafíos pendientes del estudio

Los propios investigadores son explícitos respecto a las restricciones metodológicas del trabajo. La validación se sustentó únicamente en dos casos documentados en la literatura científica y dependió estrictamente de la exhaustividad de los datos reportados. El modelo arquitectónico no fue implementado empíricamente en una instalación productiva en tiempo real; en consecuencia, no existen métricas cuantitativas sobre tiempos de respuesta, latencia, escalabilidad operativa, interoperabilidad entre fabricantes, mantenibilidad o robustez en ciberseguridad. Adicionalmente, mapear los componentes individuales dentro de las capas del modelo conllevó cierto margen de interpretación, sesgo que fue mitigado mediante la triangulación y revisión cruzada de tres evaluadores independientes.

El equipo reconoce asimismo que futuros desarrollos tecnológicos podrían introducir requerimientos no contemplados en la estructura actual. En respuesta a ello, concibieron un esquema modular y ampliable. Entre las líneas de trabajo prioritarias destacan la integración de gemelos digitales para la simulación prospectiva de la granja, la compatibilidad con plataformas de agricultura de precisión y el fortalecimiento de protocolos de ciberseguridad y gobernanza de datos en instalaciones descentralizadas.

En síntesis, la propuesta no constituye una solución comercial lista para operar (llave en mano), sino un marco metodológico de referencia que ha demostrado su capacidad para estructurar sistemas acuapónicos heterogéneos bajo un estándar unificado.

Guía práctica para productores: cómo aplicar la arquitectura de referencia en su instalación

Aunque la investigación original está orientada a ingenieros de software e integradores, aporta directrices estratégicas de aplicación inmediata para quienes proyectan tecnificar su granja acuapónica:

• Priorice la arquitectura modular antes de la compra: Identifique los requerimientos críticos e indispensables de su operación frente a las fases de escalabilidad futura, evitando la adquisición fragmentada de equipos supeditada a promociones comerciales.
• Desacople las rutinas críticas de la analítica: La automatización de soporte vital (oxigenación disuelta y bombeo) debe operar en hardware local con redundancia garantizada ante caídas de red; los modelos analíticos y registros históricos pueden delegarse a la nube.
• Gestión de peces y cultivos de forma diferenciada pero sincronizada: Aunque compartan el flujo hídrico, las variables biológicas, nutricionales y de control de cada subsistema demandan protocolos de monitoreo específicos.
• Exija especificaciones técnicas completas a sus proveedores: Protocolos de comunicación, topología de almacenamiento, gobernanza de datos y ciberseguridad no deben figurar como «no especificados» en los contratos de integración.
• Integre el factor humano en el diseño: Operarios, asesores agronómicos, veterinarios y proveedores de insumos conforman eslabones funcionales del ecosistema operativo.

Retomemos la escena matutina: el productor conserva sus sensores, luminarias, bombas y cámaras. La diferencia sustancial radica en la articulación del sistema: cada dispositivo ocupa una posición designada, los flujos de telemetría convergen en canales definidos y las alertas críticas se derivan al personal responsable. El estudio no promueve otra aplicación aislada; entrega una metodología estratégica para asegurar la interoperabilidad de cada inversión y transformar una acumulación de herramientas en una infraestructura productiva cohesionada.

Referencia (acceso abierto)
Kasif, A., Catal, C., & Tekinerdogan, B. (2027). A model-based Reference Architecture for smart aquaponics systems. Aquacultural Engineering, 116, 102830. https://doi.org/10.1016/j.aquaeng.2026.102830

Milthon Lujan

Editor de la revista digital AquaHoy. Biólogo Acuicultor titulado por la Universidad Nacional del Santa (UNS) y Máster en Gestión de la Ciencia y la Innovación por la Universidad Politécnica de Valencia, con diplomados en Innovación Empresarial y Gestión de la Innovación. Posee amplia experiencia en el sector acuícola y pesquero, habiendo liderado la Unidad de Innovación en Pesca del Programa Nacional de Innovación en Pesca y Acuicultura (PNIPA). Ha sido consultor senior en vigilancia tecnológica, formulador y asesor de proyectos de innovación, y docente en la UNS. Es miembro del Colegio de Biólogos del Perú y ha sido reconocido por la World Aquaculture Society (WAS) en 2016 por su aporte a la acuicultura.