Data mining techniques for the reduction of costs in the automation of the tilapia cultivation processdata mining techniques for the reduction of costs in the automation of the tilapia cultivation process.
DOI:
https://doi.org/10.29105/mdi.v7i09.208Keywords:
Arduino, Automation, Water quality, Data miningAbstract
The economic investment in technology hinders the automation of the processes of people engaged in agricultural, livestock or fishing activities, mainly due to the high price of some sensors used. In the facilities of the Centro de Bachillerato Tecnológico Agropecuario No. 14, the automation of the tilapia cultivation process was carried out in order to evaluate the gain in the weight and size of this species using a mechanized system versus the traditional system. The physical and chemical variables that influence the biological development of these fish are diverse; however, dissolved oxygen (DO) is the most important factor in the cultivation process. Unfortunately, the cost of the sensor required for this process is expensive. For this reason, data mining techniques were used in order to determine a model that allows predicting the levels of dissolved oxygen from the values obtained by turbidity, temperature and hydrogen potential (pH) sensors. The techniques used for this study were multilayer perceptron algorithms, M5P and linear regression. The mathematical model obtained will allow predicting the degree of the DO without the need to have the corresponding sensor. The impact is that the model could be extrapolated to other similar automation projects, thereby reducing its investment costs.
References
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
Downloads
Published
How to Cite
Issue
Section
License
This work is licensed under a Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.