IMPLEMENTACIÓN DE NUEVAS TECNOLOGÍAS EN LA ACUICULTURA

Palabras clave: Inteligencia artificial, sensor, algoritmo, modelado de datos, RPAS (Vehículo aéreo no tripulado), ROV (Vehículo operado remotamente).

Resumen

La acuicultura es uno de los sistemas productivos con más rápido crecimiento a nivel mundial, por lo cual se ha impulsado el desarrollo de nuevas tecnologías que logren optimizar el proceso productivo y ahorrar costos operacionales en la industria. Una de las herramientas implementadas son los sistemas de inteligencia artificial que permiten que los productores tengan un mayor conocimiento de aquello que pasa bajo el agua, este tipo de innovaciones dentro del sector acuícola asegura el bienestar de los peces y la eficiencia de las operaciones. En la actualidad dispositivos de hardware como los sensores son de gran relevancia en la medición de parámetros y monitoreo de las condiciones ambientales dentro de la actividad, compuestos por sistemas de tres nodos; nodo sensor, nodo coordinador y nodo de publicación, con un programa de monitoreo que despliega los valores obtenidos y emite alertas cuando se rebasen los límites de referencia especificados. En el mercado tecnológico también se encuentran los sensores remotos capaces de ubicar e identificar áreas marinas productivas, características del hábitat, patrones de migración y áreas de actividad pesquera.  Igualmente existen los nanomateriales y las nanotecnologías aplicados en ciencias analíticas, esta implementación de biosensores en ambientes controlados y ambientes reales permite caracterizar el comportamiento alimentario y la sanidad de los organismos. Otro dispositivo innovador que se ha sumado a la nueva era de la acuicultura y tecnología son los Drones, dispositivos de múltiples funciones, de bajo costo y no tripulados, idóneos para ambientes marinos, pesqueros y acuícolas, capaces de desplazarse por grandes extensiones de cultivo recopilando información y realizando tareas específicas de reparación, control y monitoreo, contrarrestando así costos de mano de obra.

Descargas

La descarga de datos todavía no está disponible.
Visitas al resumen del artículo: 295

Biografía del autor/a

Yulieth Nathalia Guevara Portilla, Estudiante Ingeniería en producción acuícola

Universidad de Nariño

Richard Andrés Terán López, Estudiante Ingeniería en producción acuícola

Universidad de Nariño

Angie Nathaly Achicanoy Tulcán, Estudiante Ingeniería en producción acuícola

Universidad de Nariño

Referencias

[1]. FAO. El estado mundial de la pesca y la acuicultura. 2020. Disponible en: https://www.fao.org/3/ca9229es/ca9229es.pdf

[2]. Gonzáles J, Nuñez B, Viloria P. Sistema de monitoreo en tiempo real para la medición de temperatura. Scientia et Technica. 2012, vol. 17, n.º 50, p. 128-131.

[3]. Olivo M, Verduzco J, García N, Villalobos J, Olivo A. Prototipo para el monitoreo automatizado de parámetros de calidad del agua en una granja de camarón. Científica. 2018, vol. 22, núm. 2, p. 87-95. Disponible en: https://www.redalyc.org/jatsRepo/614/61458109001/html/index.html

[4]. Navarro A, Prias J, Marin J, Padilla J. Construcción de un sistema de instrumentación para le medición de las variables que intervienen en la piscicultura bajo condiciones de estanque artificial. Armenia, Colombia. Universidad del Quindío. 2010.

[5]. Verduzco J, Figueroa P, Barajas J, Bricio E, Benavides J. Dispositivo portátil para monitoreo de calidad del agua en granjas acuícolas de camarón. Revista Ingeniantes. 2019. Disponible en: https://citt.itsm.edu.mx/ingeniantes/articulos/ingeniantes6no2vol2/8.%20Dispositivo%20Port%C3%A1til%20para%20Monitoreo%20de%20Par%C3%A1metros%20de%20Calidad%20del%20Agua%20en%20Granjas%20Acu%C3%ADcolas%20de%20Camar%C3%B3n.pdf

[6]. Hu Z, Li R, Xia X, Yu C, Fan X, Zhao Y. Environ Monit Assess. [Internet]. [consultado 12 septiembre 2021]. Disponible en: https://doi.org/10.1007/s10661-020-08409-9

[7]. Oviedo J, Oviedo A, Carmona C, Velez G, Reina J. Design of an aquaponic system monitored by internet of things and artificial intelligence. Revista espacios. 2020, vol. 41 (47), p. 60. Available from: http://www.revistaespacios.com/a20v41n47/a20v41n47p05.pdf

[8]. Yu R, He Y. Introduction to Machine Learning. Springer, Cham. In Deep Reinforcement Learning for Wireless Networks. 2019.

[9]. Baclic O, Tunis M, Young K, Doan C, Swerdfeger H, Schonfeld J. Natural language processing (NLP) a subfield of artificial intelligence. Government of Canada. 2020. Available from: https://www.canada.ca/en/public-health/services/reports-publications/canada-communicable-disease-report-ccdr/monthly-issue/2020-46/issue-6-june-4-2020/natural-language-processing-subfield-artificial-intelligence.html

[10]. Yigit E, Sabanci K, Toktas A, Kayabasi A. A study on visual features of leaves in plant identification using artificial intelligence techniques. ScienceDirect. 2019. Available from: https://www.sciencedirect.com/science/article/abs/pii/S0168169918308524

[11]. Gao Z, Wanyama T, Singh I, Gadhrri A, Reiner S. From Industry 4.0 to Robotics 4.0-A Conceptual Framework for Collaborative and Intelligent Robotic Systems. ScienceDirect. 2020. Available from: https://www.sciencedirect.com/science/article/pii/S235197892030963X

[12]. Yue K, Yubang S. An overview of disruptive technologies for aquaculture. Aquaculture and Fisheries. 2021. Available from: https://doi.org/10.1016/j.aaf.2021.04.009

[13]. QuestionPro. Análisis de datos. [Internet]. 2019. [consultado 15 octubre 2021]. Disponible en: https://www.questionpro.com/es/analisis-de-datos.html

[14]. Gutirrez M, Ramirez J. Prototipo para el monitoreo automatizado de parámetros de calidad del agua en una granja de camarón. [Internet]. 2018. [consultado 12 noviembre 2021]. Disponible en: http://www.cientifica.esimez.ipn.mx/manuscritos/V22N2_087_095.pdf

[15]. Mwegoha W, Kaseva M, Sabai S. Mathematical modeling of dissolved oxygen in fish ponds. African Journal of Environmental Science and Technology. 2010, vol. 4, p. 623–638.

[16]. Aguilar J, Pacheco P, Rodrin S. “Automated aquaculture system that regulates pH, temperature and ammonia, IEEE 9th International Conference on Humanoid, Nanotechnology, Information Technology, Communication and Control, Environment and Management (HNICEM). 2017. p. 1–6.

[17]. Chumkiew S, Jaroensutasinee M, Koad P. “Physical factors affecting oyster diversity and distribution in Southern Thailand,”. Journal of Environmental Biology. 2019. p. 03–08.

[18]. Rodriguez H, Anzola E. La calidad del agua y la productividad de un estanque en acuicultura. 2012. Disponible en: http://bibliotecadigital.agronet.gov.co/bitstream/11348/4997/3/051.3.pdf

[19]. Joong, K. K., Kyoung, J. P., Kyoung, S. C., Nam, S. W., Park, T. J., & Bajpai, R. (2005). Aerobic nitrification-denitrification by heterotrophic Bacillus strains. Bioresource Technology, 96(17), 1897–1906. https://doi.org/10.1016/j.biortech.2005.01.040

[20]. Metcalf-Eddy, Tchobanoglus, G., Stensel, H. D., Tsuchihashi, R., L, F., & Burton. (2013). Wasterwater Engineering Treatment and Reuse. (I. Metcalf & Eddy, Ed.) (fourth). New York: Mc Graw Hill.

[21]. Morita, M., Uemoto, H., & Watanabe, A. (2008). Nitrogen-removal bioreactor capable of simultaneous nitrification and denitrification for application to industrial wastewater treatment. Biochemical Engineering Journal, 41(1), 59–66. https://doi.org/10.1016/j.bej.2008.03.008

[22]. Gutierrez N. Agricultura y Desarrollo Rural. Calidad del agua en la acuicultura. [Internet]. 2014. [consultado 20 noviembre 2021]. Disponible en: https://sader.jalisco.gob.mx/fomento-acuicola-y-pesquero-e-inocuidad/519

[23]. Yang S, Li Y. “Dissolved oxygen remote monitoring system based on the internet,”. Electronic Measurement Technology, 2011. p. 88–90.

[24]. Duran J, Hernandez D. "Sistema hydroacústico para caracterizar el comportamiento alimentario de especies acuícola, Repositorio Universidad de Machala" [Internet]. 2017. [consultado 22 octubre 2021]. Disponible en: http://repositorio.utmachala.edu.ec/bitstream/48000/12472/1/T-2627_DURAN%20PESANTEZ%20JORDI%20MARCELO.pdf

[25]. IDEAM. Protocolo de monitoreo del agua. 2017. Disponible en: http://documentacion.ideam.gov.co/openbiblio/bvirtual/023773/PROTOCOLO_MONITOREO_AGUA_IDEAM.pdf

[26]. INVEMAR. Plan de investigaciones en sistemas de información geográfica –sig y sensores remotos –SR ajustado. Institución de Investigaciones Marinas y Costeras. INVEMAR; 2005. Disponible en: http://www.invemar.org.co/redcostera1/invemar/docs/2637PlanInvestigacionesSIG-SR2005-2010.pdf

[27]. Solanki H, Dwivedi S, Nayak V. Fishery forecast using OCM chlorophyll concentration and AVHRR SST. Remote Sens. 2003. p. 3691–3699.

[28]. Rodhouse P, Trathan P. Remote sensing of the global light-fishing fleet: an analysis of interactions with oceanography, other fisheries and predators. Adv. Mar. Biol. 2001. 261–303.

[29]. Valavanis V. Geographic Information Systems in oceanography and fisheries. Taylor & Francis. 2002. p. 240.

[30]. Agostini V, Bakun A. Ocean triads in the Mediterranean Sea: physical mechanisms potentially structuring reproductive habitat suitability (with example application to European anchovy, Engraulis encrasicolus). 2012; 11: 129–142.

[31]. Perez, A. Biosensores contra las enfermedades de peces y moluscos de acuicultura. Desarrollo Inteligente. 2010. Disponible en: https://canal.ugr.es/wp-content/uploads/2010/07/molusco.pdf

[32]. Holgado M. Aquicultura y pesca. Proyecto de Biosensor busca Prevenir Enfermedades en la Acuicultura: [Internet]. 2014. [consultado 29 noviembre 2021]. Disponible en: https://www.aqua.cl/2014/01/06/ue-proyecto-de-biosensor-busca-prevenir-enfermedades-en-la-acuicultura/#

[33]. Cheng K, Chan S, Lee H. Remote sensing of coastal algal blooms using unmanned aerial vehicles (UAVs). Marine Pollution Bulletin. 2020. Available from: https://doi.org/10.1016/j.marpolbul.2020.110889

[34]. Sousa D, Sargento S, Pereira A, Luis M. Self-adaptive Team of Aquatic Drones with a Communication Network for Aquaculture. EPIA conference on artificial intelligence. 2019. p. 569 - 580.

[35]. Yoo Seung-Hyeok, Ju Yeong-Tae, Kim Jong-Sil, Eung-Kon. Design and Development of Underwater Drone for Fish Farm Growth Environment Management. 2020 Available from: https://www.koreascience.or.kr/article/JAKO202030161610195.page

[36]. Hung-Yuan Chen, Shyi-Chyi Cheng, Chin-Chun Chang. Semantic scene modeling for aquaculture management using an autonomous drone. 2020. Available from: https://www.spiedigitallibrary.org/conference-proceedings-of spie/11515/2566273/Semantic-scene-modeling-for-aquaculture-management-using-an-autonomous-drone/10.1117/12.2566273.short

[37]. Munguía A. Los drones vigilan el mar. [Internet]. 2018. [consultado 02 octubre 2021]. Disponible en: https://www.seg-social.es/wps/wcm/connect/wss/6ca8756e-d0cc-448c-94fb-bbc303111109/MAR585_marcadores.pdf?MOD=AJPERES

[38]. Marine Instruments. Tunadrone Uav. For the detection of free school tuna. 2021. Available from: https://www.marineinstruments.es/wp-content/uploads/2020/02/Tunadrone-av105-EN.pdf

[39]. ADENTU. Plashdrone 4, dron multifuncional a prueba de agua [Internet]. [consultado 20 octubre 2021]. Disponible en: https://www.adentu.cl/producto/splashdrone-4-dron-multifuncional-a-prueba-de-agua/

[40]. ESWELLPRO. El primer dron impermeable del mundo, ahora es aún mejor. [Internet]. [consultado 22 septiembre 2021]. Disponible en: https://eswellpro.com/splash-drone-3-plus/#impermeable

[41]. Jackson L. Ascenso de las máquinas: La revolución robótica en la acuacultura. Global Seafood Alliance. [Internet]. 2017. [consultado 02 septiembre 2021]. Disponible en: https://www.globalseafood.org/advocate/ascenso-de-las-maquinas-la-revolucion-robotica-en-la-acuacultura/

[42]. International Aquafeed. Cómo los ROV están Transformando la Acuicultura. 2020. Disponible en: https://aquafeed.co/entrada/como-los-rov-estan-transformando-la-acuicultura-21966

[43]. DJI. Drones con camára. [Internet]. [consultado 11 Febrero 2022]. Disponible en: https://store.dji.com/shop/education-and-industry?from=store-nav
[44]. Deep Trekker. Revolución Rov. [Internet]. [consultado 11 Febrero 2022]. Disponible en: https://www.deeptrekker.com/shop
[45]. Resolución No. 4201 del 27 de diciembre de 2018. Disponible en: https://www.aerocivil.gov.co/normatividad/Resoluciones%20TA%202018/RESL.%20%20N%C2%B0%2004201%20%20DIC%2027%20de%20%202018.pdf
[46]. Aquahoy. (14 de Junio de 2019). Avances en la nanotecnología para la acuicultura y pesca sostenible. Disponible en: https://www.aquahoy.com/i-d-i/sistemas-de-cultivo/33389-avances-en-la-nanotecnologia-para-la-acuicultura-y-pesca-sostenible

[47]. Martos Sitcha, J., Sosa, J., Valido, D., Bravo, F., Calduch Giner, J., Cabruja, E., . . . Perez Sanchez, J. (29 de Mayo de 2019). Ultra-Low Power Sensor Devices for Monitoring Physical Activity and Respiratory Frequency in Farmed Fish. Available from: https://doi.org/10.3389/fphys.2019.00667

[48]. Wang, J., Zhao, J., Wang, Y., Wang, W., Gao, Y., Xu, R., & Zhao, W. A New Microfluidic Device for Classification of Microalgae Cells Based on Simultaneous Analysis of Chlorophyll Fluorescence, Side Light Scattering, Resistance Pulse Sensing. Micromachines. 2006. Available from: https://doi.org/10.3389/fphys.2019.00667

[49]. Su X, Sutarlie L, Jun X. Sensors, Biosensors, and Analytical Technologies for Aquaculture Water Quality. 2019, Article ID 8272705, p. 15.

[50]. Piamba T, Zambrano L, Montaño L. Implementación de un sistema de monitoreo IoT aplicado a una piscicultura de trucha. Sena. 2020. Disponible en: http://revistas.sena.edu.co/index.php/inf_tec/article/view/2937/3686
Publicado
2022-06-24
Sección
Revisión Literaria