Diseño e implementación de un sistema predictivo de calidad del agua para piscicultura en Colombia, basado en tecnología IoT y aprendizaje automático

Abstract
La piscicultura en Colombia es crucial económica y socialmente. El control efectivo de las variables fisicoquímicas del agua es fundamental para su éxito. Este trabajo presenta el diseño, implementación y evaluación de un sistema IoT para monitorear estas variables en una piscicultura en Jamundí, Valle del Cauca. El sistema, que incluye hardware para medir temperatura del agua, pH y total de sólidos disueltos en el agua (TDS), transmite datos a una plataforma web cada 15 minutos. En el desarrollo del software de la plataforma web se empleó una arquitectura modelo-vista-controlador (MVC) con Java y Spring Boot, garantizando seguridad y usabilidad. Además, se aplicaron técnicas de machine learning para optimizar la gestión del agua, evaluando modelos como la regresión lineal, regresor de máquinas de soporte vectorial, regresor de k-vecinos más cercanos, regresor de árbol de decisión y regresor de bosque aleatorio. El modelo que obtuvo el menor MAE (Error absoluto medio) fue el regresor de árboles de decisión. En la plataforma web, los piscicultores pueden registrar las mediciones fisicoquímicas del agua de manera manual o utilizar el dispositivo diseñado para obtener las mediciones automáticamente. Las variables para las que se realizaron predicciones fueron la temperatura del agua, la conductividad del agua, los TDS y el pH. El sistema desarrollado permite a los operadores de pisciculturas acceder a datos actualizados en línea desde cualquier dispositivo con conexión a internet. Los datos recolectados se presentan de manera clara y comprensible mediante gráficos, facilitando su interpretación y análisis. Además, los modelos de aprendizaje automático implementados han demostrado ser efectivos en la predicción de la calidad del agua, lo que mejora significativamente la toma de decisiones y optimiza la gestión de mediciones en la piscícola.
Description
item.page.descriptioneng
Fish farming in Colombia is crucial economically and socially. Effective control of the physicochemical variables of water is essential for its success. This work presents the design, implementation and evaluation of an IoT system to monitor these variables in a fish farm in Jamundí, Valle del Cauca. The system, which includes hardware to measure water temperature, pH and water total dissolved solids (TDS), transmits data to a web platform every 15 minutes. In the development of the web platform software, a model-view-controller (MVC) architecture with Java and Spring Boot was used, guaranteeing security and usability. In addition, machine learning techniques were applied to optimize water management, evaluating models such as linear regression, support vector machine regressor, k-nearest neighbors regressor, decision tree regressor and random forest regressor. The model that obtained the lowest MAE (Mean Absolute Error) was the decision tree regressor. On the web platform, fish farmers can record physicochemical water measurements manually or use the device designed to obtain measurements automatically. The variables for which predictions were made were water temperature, water conductivity, TDS and pH. The developed system allows fish farm operators to access updated data online from any device with an internet connection. The collected data is presented in a clear and understandable manner through graphs, facilitating its interpretation and analysis. In addition, the machine learning models implemented have proven to be effective in predicting water quality, which significantly improves decision making and optimizes measurement management in the fish farm.
Keywords
Aprendizaje de máquina, Internet de las cosas, Total de Sólidos Disueltos en el agua, Conductividad del agua, Modelo-Vista-Controlador, Machine learning, Internet of Things, Total dissolved solids in wáter, Water conductivity, Model-View-Controlle
Citation