Técnicas de minería de datos para la reducción de costos en la automatización del proceso de cultivo de tilapia.
DOI:
https://doi.org/10.29105/mdi.v7i09.208Palabras clave:
Arduino, Automatización, Calidad del agua, Minería de datosResumen
La inversión económica en tecnología dificulta la automatización de los procesos de las personas dedicadas a actividades agrícolas, ganaderas o pesqueras, debido principalmente al precio elevado de algunos sensores utilizados. En las instalaciones del Centro de Bachillerato Tecnológico Agropecuario No. 14 se realizó la automatización del proceso de cultivo de tilapia con el objetivo de evaluar la ganancia en el peso y tamaño de esta especie usando un sistema mecanizado frente al sistema tradicional. Las variables físicas y químicas que influyen en el desarrollo biológico de estos peces son diversas; sin embargo, el oxígeno disuelto (OD) es el factor que mayor relevancia tiene en el proceso de cultivo.
Desafortunadamente, el costo del sensor requerido para este proceso es caro. Por esta razón se utilizaron técnicas de minería de datos con el fin de determinar un modelo que permita predecir los niveles de oxígeno disuelto a partir de los valores obtenidos por los sensores de turbidez, temperatura y potencial de hidrógeno (pH). Las técnicas utilizadas para este estudio fueron los algoritmos de perceptrón multicapa, M5P y regresión lineal. El modelo matemático que se obtenga permitirá pronosticar el grado del OD sin la necesidad de contar con el sensor correspondiente. El impacto radica en que el modelo podría ser extrapolado a otros proyectos de automatización similares reduciendo con ello sus costos de inversión.
Citas
Bautista, J. y Ruiz, J. (2011). Calidad del agua para el cultivo de tilapia en estanques de geomembrana. Recuperado el 5 de Diciembre de 2018, de http://fuente.uan.edu.mx/publicaciones/03-08/2.pdf
Borrás, J., Delegido, J. Pezzola, A., Pereira, M., Morassi, G. y Camps, G. (2017). Clasificación de usos del suelo a partir de imágenes Sentinel-2. Recuperado el 6 de Diciembre de 2018, de https://riunet.upv.es/bitstream/handle/10251/83604/7133-28392-1-PB.pdf?sequence=1 DOI: https://doi.org/10.4995/raet.2017.7133
FAO (s.f.). Mejora de la calidad del agua en los estanques. Recuperado el 5 de Diciembre de 2018, de http://www.fao.org/fishery/static/FAO_Training/FAO_Training/General/x6709s/x6709s02.htm
Flórez, R. y Fernández, J. (2008). Las redes neuronales artificiales. Fundamentos teóricos y aplicaciones prácticas. España: Netbiblo
Guisande, C., Barreiro, A., Maneiro, I., Riveiro, I., Vergara, A. y Vaamonde, A. (2006). Tratamiento de datos. España: Ediciones Díaz de Santos
Hernández, J., Ramírez, M. y Ferri, C. (2004). Introducción a la minería de datos. España: Pearson
Hornick, M., Marcadé, E. y Venkayala, S. (2007). Java Data Mining. Strategy, Standard, and practice. A practical guide for architecture, design and implementation. E.E.U.U.: Morgan Kaufmann publications DOI: https://doi.org/10.1016/B978-012370452-8/50031-1
Mendiburu, H. (2003). Automatización medioambiental. Recuperado el 5 de Diciembre de 2018, de http://www.liceus.com/cgi-bin/ac/pu/AutomatizacionMedioambiental.pdf
Pérez, C. y Satín, D. (2007). Minería de datos. Técnicas y herramientas. España: Paraninfo
Riquelme, J., Ruiz, R. y Gilbert, K. (2006). Minería de datos. Conceptos y tendencias. Recuperado el 6 de Diciembre de 2018, de https://www.redalyc.org/html/925/92502902/
Robertson, D. (2017). An Evaluation of Fast Multi-Layer Perceptron Training Techniques for Games. Recuperado el 6 de Diciembre de 2018, de https://rke.abertay.ac.uk/ws/portalfiles/portal/14242051/Robertson_AnEvaluationOfFastMultiLayerPerceptron_Published_2017.pdf
SEDER (2014). Calidad del agua en la acuacultura. Recuperado el 5 de Diciembre de 2018, de https://seder.jalisco.gob.mx/fomento-acuicola-y-pesquero-e-inocuidad/519
Vinuesa, P. (2016). Correlación: teoría y práctica. Recuperado el 6 de Diciembre de 2018, de http://www.ccg.unam.mx/~vinuesa/R4biosciences/docs/Tema8_correlacion.pdf
Viscanino, P. (2008). Aplicación de técnicas de inducción de árboles de decisión a problemas de clasificación mediante el uso de weka (waikato environment for knowledge analysis). Recuperado el 5 de Diciembre de 2018, de http://www.konradlorenz.edu.co/images/stories/suma_digital_sistemas/2009_01/final_paula_andrea.pdf
Descargas
Publicado
Cómo citar
Número
Sección
Licencia
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-SinDerivadas 4.0.