La calidad del agua es un factor determinante para el éxito de los cultivos acuícolas. Los métodos tradicionales de monitoreo, basados en análisis manuales y esporádicos, resultan ineficientes para garantizar condiciones óptimas para la vida acuática.
La necesidad de una vigilancia constante y la capacidad de tomar decisiones rápidas en respuesta a cambios en la calidad del agua en los sistemas de recirculación para acuicultura (RAS) se han convertido en desafíos apremiantes para el sector. Sin embargo, la creciente adopción de tecnologías avanzadas está transformando este panorama.
En este sentido, los investigadores del National Institute of Technology Raipur (India) proponen una red neuronal convolucional espacio-temporal dilatada (DSTCNN) mejorada para el monitoreo de la calidad del agua en la acuicultura, que utiliza una configuración de sistema de Internet de las cosas (IoT) para capturar datos en tiempo real de los tanques de acuicultura. Los datos de calidad del agua capturados a través de los sensores IoT se etiquetan según los estándares del índice de calidad del agua (WQI) para su análisis.
Aprovechamiento de IoT y el índice de calidad del agua para una mejor gestión
Los sistemas habilitados para el Internet de las Cosas (IoT) ofrecen un enfoque integral para el monitoreo de la calidad del agua al recopilar datos en tiempo real de múltiples estanques de acuicultura. Sin embargo, esta riqueza de información requiere un análisis sofisticado para extraer información significativa. El Índice de Calidad del Agua (WQI) proporciona un marco valioso para evaluar la calidad general del agua en función de varios parámetros, lo que facilita la toma de decisiones informada.
Al combinar los datos de IoT con los cálculos del WQI, los operadores de acuicultura pueden obtener una imagen más clara de las condiciones de sus estanques e identificar posibles problemas de manera temprana. Sin embargo, el WQI por sí solo no puede predecir las tendencias futuras de la calidad del agua.
Aprendizaje profundo: Liberando el poder predictivo
El aprendizaje profundo, un subconjunto de la inteligencia artificial, ha demostrado un inmenso potencial para analizar patrones complejos dentro de grandes conjuntos de datos. Si bien los modelos tradicionales de aprendizaje profundo se han aplicado a los estudios de calidad del agua, a menudo no logran capturar las intrincadas relaciones espaciales y temporales inherentes a los entornos acuáticos.
Para superar estas limitaciones, los investigadores han desarrollado la Red Neuronal Convolucional Espacio-Temporal Dilatada (DSTCNN). Este modelo innovador se destaca en el análisis de datos de calidad del agua al considerar factores espaciales y temporales simultáneamente. Al incorporar una función de activación híbrida que combina ReLU y softmax, la DSTCNN mejora la precisión y la confiabilidad.
Una Solución Innovadora: DSTCNN
Investigadores han desarrollado una nueva técnica llamada Red Neuronal Convolucional Espacial-Temporal Dilatada (DSTCNN) para superar estas limitaciones. Esta avanzada solución utiliza un sistema IoT para recopilar datos en tiempo real de los estanques acuícolas. Los datos recopilados son etiquetados según los estándares del índice de calidad del agua (ICA) y clasificados por el modelo DSTCNN en dos categorías: apto para el crecimiento de peces o potencialmente mortal.
La clave del éxito de DSTCNN radica en su capacidad para manejar la complejidad de los datos espaciotemporales. Gracias a las convoluciones dilatadas, el modelo puede capturar patrones y características esenciales en múltiples puntos de tiempo, lo que le permite comprender las intrincadas relaciones entre los diferentes factores que afectan la calidad del agua.
Para evitar el sobreajuste y mejorar la generalización, los investigadores han incorporado una función de activación híbrida que combina las ventajas de ReLU y sigmoid.
Resultados Impresionantes
Los resultados obtenidos con DSTCNN son extraordinarios. El modelo alcanzó una precisión del 99.28% en datos en tiempo real y del 99.02% en datos públicos, superando significativamente al modelo de referencia PCR-GB.
Mejora de la acuicultura con DSTCNN
El modelo DSTCNN propuesto ofrece varias ventajas sobre los enfoques existentes:
- Análisis integral: Captura la compleja interacción de los factores espaciales y temporales que influyen en la calidad del agua.
- Mayor precisión: Ofrece una precisión de predicción mejorada mediante el uso de una función de activación híbrida.
- Sistema de alerta temprana: Permite medidas proactivas para prevenir problemas de calidad del agua y proteger a los organismos acuáticos.
El Futuro de la acuicultura en los RAS
La implementación de DSTCNN representa un gran avance en la acuicultura, permitiendo una gestión más eficiente y sostenible de los cultivos. Al prevenir problemas de calidad del agua, se puede reducir la mortalidad de peces, optimizar el uso de recursos y mejorar la rentabilidad de las granjas acuícolas.
Esta tecnología tiene el potencial de revolucionar la industria, brindando a los acuicultores una herramienta poderosa para tomar decisiones basadas en datos y garantizar la salud de sus cultivos.
Conclusión
En conclusión, DSTCNN representa un avance significativo en el monitoreo de calidad del agua en acuicultura. Su capacidad para analizar datos complejos y proporcionar predicciones precisas lo convierte en una herramienta invaluable para los productores y un paso importante hacia una acuicultura más eficiente y respetuosa con el medio ambiente.
Contacto
K. Jairam Naik
Department of Computer Science & Engineering, National Institute of Technology Raipur
Raipur, India
Email: Jnaik.cse@nitrr.ac.in
Referencia (acceso abierto)
Arepalli, P. G., & Jairam Naik, K. (2024). An IoT based smart water quality assessment framework for aqua-ponds management using Dilated Spatial-temporal Convolution Neural Network (DSTCNN). Aquacultural Engineering, 104, 102373. https://doi.org/10.1016/j.aquaeng.2023.102373
