La acuicultura inteligente (smart) es una de las últimas tendencias de desarrollo más importantes en la industria acuicultura para que los acuicultores puedan monitorear la calidad del agua, el suministro de alimentos, el desbalance de temperatura y el reciclaje del agua.
La predicción inteligente de la calidad del agua en tiempo real utilizando modelos de aprendizaje automático y sensores de Internet de las Cosas establecen la base para la evaluación, planificación y regulación inteligente del sistema acuícola.
Un equipo de investigadores de Heritage Institute of Technology, y de la Jadavpur University propusieron un sistema de biofloc basado en el Internet de las Cosas y Aprendizaje automático inteligente para mejorar la eficiencia, la producción, el sistema de reciclaje de agua y el sistema de alimentación automática.
Acuicultura inteligente
El desarrollo de tecnologías como el Internet de las Cosas, big data y la inteligencia artificial ha permitido que la acuicultura progresivamente se vuelva más intensiva, precisa e inteligente.
En los sistemas de acuicultura intensivos, el monitoreo continuo y la predicción de la calidad del agua en tiempo real es de gran significado para prevenir el deterioro del agua y para evitar el brote de enfermedades.
Un sistema de acuicultura inteligente basado en el Internet de las Cosas puede ayudar a los productores a medir los parámetros de calidad del agua de forma continúa usando sensores.
Modelos de aprendizaje automático
El estudio propone un sistema que recopila datos de procesos de los sensores, almacena datos en la nube y los analiza utilizando diferentes modelos de aprendizaje automático (Decision tree, Random Forest, Logistic Regression & Support Vector Machine), para predecir la calidad del agua y proporcionar monitoreo en tiempo real, a través de una aplicación de Android.
La base de datos que se generó con los sensores de Internet de las Cosas, y que han sido usada para entrenamiento del modelo de aprendizaje automático y la validación incluye los siguiente parámetros: pH, dureza, sólidos, cloraminas, sulfatos, conductividad, carbono orgánico, trihalometanos, turbidez y potabilidad.
Según los investigadores, Random Forest Classifier superó a todos los demás modelos en términos de precisión, recuperación y puntuación F1.
“Random Forest Classifier exhibió una exactitud de 73.76%, recuperación, precisión y puntuación F1 de 90%, 75% y 82%, respectivamente; mientras que Support Vector Machine exhibió una exactitud de 71.29%, recuperación, precisión y puntuación F1 de 81%, 76% y 79%, respectivamente”, reportan los investigadores.
En cuanto al tiempo de predicción, Random Forest Classifier registró un tiempo de predicción de 0.054 segundos.
Conclusión
“En este estudio diferentes modelos de aprendizaje automático como Logistic Regression, Random Forest, Support Vector Machine, Decision Tree, K-nearest Neighbors, XGBoost, Gradient Boosting y Naive Bayes han sido desarrollados para predecir los valores de pH, dureza, sólidos, cloraminas, sulfato, Conductividad, carbono orgánico, trihalometanos, Turbidez y potabilidad”, destacaron.
“Random Forest Classifier superó a todos los demás modelos en términos de precisión, recuperación, precisión y puntuación F1. Random Forest Classifier ha exhibido una precisión del 73,76 %, recuperación, precisión y puntuación F1 del 90 %, 75% y 82% respectivamente”, concluyen.
Referencia (acceso libre)
Sen, Sohom; Maiti, Samaresh; Manna, Sumanta; Roy, Bibaswan; GHOSH, ANKIT (2023): Smart Prediction of Water Quality System for Aquaculture using Machine Learning Algorithms. TechRxiv. Preprint. https://doi.org/10.36227/techrxiv.22300435.v1
