DESARROLLO

DE UN

SISTEMA

INTELIGENTE

PARA

EL

MONITOREO Y PREDICCIÓN DE VARIABLES CRÍTICAS EN UN

SISTEMA DE RECIRCULACIÓN ACUÍCOLA (RAS) MEDIANTE IOT E

INTELIGENCIA

ARTIFICIAL,

EN LA

UNIDAD

ACADÉMICA

INVESTIGATIVA EL REMANSO (U.D.C.A).

Dairo Alexander Rodelo Cueto

UNIVERSIDAD EL BOSQUE

FACULTAD DE INGENIERIA

PROGRAMA DE BIOINGENIERIA

BOGOTA

2026

DESARROLLO DE UN SISTEMA INTELIGENTE PARA EL MONITOREO Y

PREDICCIÓN

DE

VARIABLES

CRÍTICAS

EN UN

SISTEMA

DE

RECIRCULACIÓN ACUÍCOLA (RAS) MEDIANTE IOT E INTELIGENCIA

ARTIFICIAL, EN LA UNIDAD ACADÉMICA INVESTIGATIVA EL REMANSO

(U.D.C.A).

Dairo Alexander Rodelo Cueto

TRABAJO DE GRADO EN MODALIDAD PRODUCTO

Tutor académico Wilmar Alirio Botello Suárez

UNIVERSIDAD EL BOSQUE

FACULTAD DE INGENIERIA

PROGRAMA DE BIOINGENIERIA

BOGOTA

2026

Nota de Aceptación

Presidente del Jurado

Jurado

Jurado

Ciudad y Fecha (día, mes, año) (Fecha de entrega)

Dedicatoria

Le dedico esta tesis de grado a mi mamá Yesica Cueto, sin su apoyo estoy seguro de que nunca fuera llegado tan lejos.

“Mujeres buenas hay muchas, pero tú eres la mejor de todas” Proverbios 31:29

Agradecimientos

En primer lugar, me gustaría agradecer a Dios por permitirme llevar a cabo este proyecto, por el pude encontrar la fortaleza para ejecutar este trabajo a pesar de los obstáculos.

A mi familia, en especial a mis padres por brindarme un apoyo incondicional ante las adversidades.

A mi director de tesis el Dr. Wilmar A. Botello S. porque a pesar de que las circunstancias lo pusieron nuevamente en una situación atípica, este siempre mostró interés durante todo el proyecto, le agradezco por la confianza depositada y la paciencia que me dedicó a mi como su tesista.

A la Universidad de Ciencias Aplicadas y Ambientales (U.D.C.A) por abrirme sus puertas, en especial al Dr. Camilo Prieto M. por permitirme trabajar a su lado y brindarme todas las herramientas para yo poder ejecutar mi proyecto de grado.

De igual manera, agradezco a la Universidad El Bosque, a la Facultad de Bioingeniería y a todos los docentes.

Tabla de contenido

1. Resumen ................................................................................. 15

2. Abstract ................................................................................... 17

3. Introducción ............................................................................ 19

4. Planteamiento del problema .................................................... 22

5. Justificación ............................................................................ 27

6. Objetivos ................................................................................. 31

7. Marco referencial .................................................................... 32

8. Metodología ............................................................................ 64

9. Resultados y discusión ............................................................ 88

10. Conclusiones. ..................................................................... 178

11. Recomendaciones. ............................................................. 181

12. Bibliografía ......................................................................... 182

Lista de Tablas

Tabla 1. Cuadro comparativo de las ventajas y desventajas asociadas a los sistemas de recirculación acuícola (fuente: autor). ................................................ 40 Tabla 2. Principales compuestos que actúan como bases para reaccionar con el ion H+ (Adaptado de: (Boyd et al., 2011)). ............................................................. 43 Tabla 3. Efectos del pH a los principales organismos acuáticos (Boyd, 2017). ..... 44 Tabla 4. Entidades gubernamentales encargadas de regular las actividades acuícolas en el territorio nacional. .......................................................................... 54 Tabla 5. Maco legal y normativo que regula cualquier actividad relacionada con las practicas acuícolas en el territorio nacional (Ministerio de agricultura, 2022). ....... 55 Tabla 6. Escala de Saaty para comparar la relevancia de parámetros en una matriz de decisión (Adaptada de Goepel, 2013). ................................................... 70 Tabla 7. Criterios técnicos para sistema de monitoreo (Fuente: Autor). ................ 74 Tabla 8. Criterios de selección para el material de construcción (fuente: Autor). .. 77 Tabla 9. Criterios para el consumo energético del sistema (Fuente: Autor). ......... 78 Tabla 10. Descripción general resumida de los componentes y parámetros actuales del RAS (Fuente: Autor). ......................................................................... 90 Tabla 11. Descripción de parámetros (alternativas) y criterios de evaluación (Fuente: Autor). ...................................................................................................... 95 Tabla 12. Matriz de eigenvector ponderada con cada uno de los seis criterios de selección (Fuente: Autor). ...................................................................................... 96 Tabla 13. Resultados obtenidos a partir del cálculo de la matriz de eigenvector (Fuente: Autor). ...................................................................................................... 97 Tabla 14. Resultados de matriz de decisión de las variables a monitorear (Fuente: Autor). .................................................................................................................... 97 Tabla 15. Rangos de temperatura optima reportados por estudios recientes (autoría propia). ................................................................................................... 101 Tabla 16. Rangos operativos de temperatura para el sistema (Fuente: Autor). .. 104 Tabla 17. Rangos de pH óptimos reportados por literatura. (Fuente: Autor). ...... 104 Tabla 18. Síntesis estadística de los valores reportados en literatura (Fuente: Autor). .................................................................................................................. 105 Tabla 19. Rangos operativos de pH para el sistema (Fuente: Autor). ................. 105 Tabla 20. Características técnicas de las alternativas para la selección del sensor de temperatura, basado en información concebida en las hojas de datos (Fuente: Autor). .................................................................................................................. 106 Tabla 21. Matriz de decisión para el sensor de temperatura en agua (Fuente: Autor). .................................................................................................................. 107

Tabla 22. Características técnicas de las alternativas para la selección del sensor de pH, basado en información concebida en las hojas de datos (Fuente: Autor).

............................................................................................................................. 109

Tabla 23. Matriz de decisión para el sensor de pH en agua (Fuente: Autor). ...... 109 Tabla 24. Características técnicas de las alternativas para la selección del sensor de conductividad, basado en información concebida en las hojas de datos (Fuente: Autor). .................................................................................................................. 112 Tabla 25. Matriz de decisión para el sensor de conductividad en agua (Fuente: Autor). .................................................................................................................. 112 Tabla 26. Características técnicas de las alternativas para la selección de la unidad central de procesamiento, basado en información concebida en las hojas de datos (Fuente: Autor). ..................................................................................... 115 Tabla 27. Matriz de decisión para la selección de la unidad central de procesamiento (Fuente: Autor). ........................................................................... 115 Tabla 28. Matriz de decisión ponderada para la elección del material de la estructura de almacenamiento (Fuente: Autor). ................................................... 119 Tabla 29. Consumo energético de cada componente del sistema. ..................... 121 Tabla 30. Resumen de las mediciones realizadas para el protocolo de calibración del sensor de temperatura DS18B20 (Fuente: Autor). ......................................... 124 Tabla 31. Resumen de las mediciones realizadas a las soluciones de referencia (Fuente: Autor). .................................................................................................... 126 Tabla 32. Comparación de las mediciones de conductividad (µS/cm) realizadas por el sensor y el equipo de referencia (Fuente: Autor). ...................................... 129 Tabla 33. Tabla descriptiva de los criterios de selección para el protocolo de comunicación. Adaptada de: (Kashyap & Sharma, 2025b). ................................. 130 Tabla 34. Matriz de decisión para los protocolos de comunicación (Fuente: Autor).

............................................................................................................................. 131

Tabla 35. Matriz de decisión para la plataforma IoT (Fuente: Autor). .................. 132 Tabla 36. Matriz de decisión para la selección de la plataforma IoT. (Fuente: Autor). .................................................................................................................. 133 Tabla 37. Criterios de evaluación para la selección del servicio de almacenamiento de datos (Fuente: Autor). ..................................................................................... 134 Tabla 38. Matriz de decisión para el servicio de almacenamiento de datos (Fuente: autor). .................................................................................................................. 136 Tabla 39. Rangos de operación para los parámetros de calidad del agua en el RAS de la unidad académica El Remanso (Fuente: Autor). ................................ 141 Tabla 40. Resumen de anomalías detectadas en la etapa de procesamiento. (Fuente: Autor). .................................................................................................... 143 Tabla 41. Resumen estadístico de las variables estudiadas (Fuente: Autor). ..... 148

Tabla 42. Criterios de selección para el modelado de la solución propuesta (Fuente: autor). .................................................................................................... 153 Tabla 43. Descripción de los modelos candidatos (Fuente: Autor). ..................... 154 Tabla 44. Matriz de decisión para la selección del modelo predictivo (Fuente: Autor). .................................................................................................................. 155 Tabla 45. Descripción de la terminología utilizada en métricas de rendimiento para modelos de clasificación adaptada de: (Naim et al., 2025). ................................. 166 Tabla 46. Resultados obtenidos para las métricas de rendimiento del modelo de clasificación (Fuente: Autor)................................................................................. 167 Tabla 47. Análisis comparativo de las mediciones realizadas por el módulo y el instrumento patrón (Fuente: Autor). ..................................................................... 174 Tabla 48. Matriz de verificación de cada funcionalidad del sistema (Fuente: Autor).

............................................................................................................................. 177

Lista de Figuras

Figura 1. Árbol del problema. Fuente: autor. ......................................................... 26 Figura 2. Jaulas flotantes en altamar / estanques naturales a cielo abierto (Steriltech, 2022). ................................................................................................... 32 Figura 3. Organigrama de los tipos de acuicultura (Ahmad et al., 2021a). ........... 33 Figura 4. Principio de funcionamiento de un sistema de recirculación acuícola (RAS) (J, 2022). ..................................................................................................... 37 Figura 5. Formas de tanque más utilizadas en los sistemas de recirculación acuícola (Malone, 2013). ....................................................................................... 38 Figura 6. Diagrama ilustrativo del proceso de aprendizaje automático. (Adaptado de: (Sghaier et al., 2025a)). ................................................................................... 50 Figura 7. Clasificación de los algoritmos de aprendizaje automático (El Naqa & Murphy, 2015). ....................................................................................................... 52 Figura 8. Localización de la universidad de ciencias aplicadas y ambientales U.D.C.A, la unidad académica El Remanso se encuentra ubicada en la sede El Remanso (ArcGIS Online). .................................................................................... 52 Figura 9. Localización de las instalaciones en donde se llevarán a cabo las pruebas en el RAS (Universidad de Ciencias Aplicadas y Ambientales. (2022). Jornada de Inducción y Bienvenida a Estudiantes.https://www.udca.edu.co/wpcontent/uploads/2022/01/PROGRAMA-JORNADA-DE-INDUCCION-Y- BIENVENIDA-A-ESTUDIANTES-2022-I-1.pdf. ...................................................... 53 Figura 10. Diagrama metodología general (autoría propia). ................................. 65 Figura 11. Ingeniería conceptual de la solución planteada (Fuente: Autor). ......... 68 Figura 12. Metodología para el segundo objetivo (Fuente: Autor). ....................... 71 Figura 13. Metodología para la definición de los rangos operativos (Fuente: Autor).

............................................................................................................................... 72

Figura 14. Metodología para calibración del sensor de temperatura (Fuente: adaptado de: Shadadpuri Goplani, 2018). ............................................................. 80 Figura 15. Metodología desarrollada para el objetivo específico 3. (Fuente: autor).

............................................................................................................................... 83

Figura 16. Metodología implementada para dar cumplimiento al objetivo específico 4 (Fuente: Autor). ................................................................................................... 87 Figura 17. Filtro biológico de lecho sumergido del sistema RAS de la unidad temática El Remanso. ............................................................................................ 88 Figura 18. Turbina mecánica tipo blower industrial, este equipo generalmente es usado para la oxigenación de los tanques en acuicultura. ..................................... 89

Figura 19. Evidencia fotográfica del estado actual del RAS de la unidad temática El Remanso. .......................................................................................................... 89 Figura 20. Parámetros principales de calidad del agua en acuicultura (Adaptado de: Su et al., 2020b). .............................................................................................. 94 Figura 21. Temperatura a lo largo de las mediciones. (Fuente: Autor). .............. 100 Figura 22. Diagrama de Boxplot, de las tendencias mostradas por la temperatura durante el periodo analizado. (Fuente: Autor). ..................................................... 100 Figura 23. Sensor de temperatura DS18B20 (Mahardika & Gunawan, 2022). ... 108 Figura 24. Diagrama de flujo de la rutina de programación para el sensor de temperatura (Fuente: Autor)................................................................................. 108 Figura 25. Sensor de pH SEN0161 (Nasution et al., 2020). ................................ 110 Figura 26. Diagrama de flujo para la programación del sensor de pH seleccionado (Fuente: Autor). .................................................................................................... 111 Figura 27. Sensor de solidos disueltos totales (TDS) (CQRobot, 2025). ............ 113 Figura 28. Diagrama de flujo para la programación del sensor TDS (Fuente: Autor). .................................................................................................................. 114 Figura 29. Diagrama de caja negra del prototipo propuesto (Fuente: autor). ...... 116 Figura 30. Diagrama de caja gris del sistema de monitoreo. (Fuente: Autor). .... 117 Figura 31. Diagrama general de la arquitectura del sistema. (Fuente: autor). .... 118 Figura 32. Simulación en Fritzing de las conexiones físicas entre cada uno de los componentes. ...................................................................................................... 118 Figura 33. Diagrama de conexiones eléctricas del sistema (fuente: autor). ........ 119 Figura 34. Implementación de la estructura de almacenamiento (Fuente: Autor).

............................................................................................................................. 121

Figura 35. Prototipo preliminar implementado en placa de pruebas (Fuente: Autor). .................................................................................................................. 122 Figura 36. Montaje utilizado para determinar el punto de ebullición del agua (Fuente: Autor). .................................................................................................... 123 Figura 37. Esquema para la conexión del cortocircuito del puerto BNC (Fuente:https://www.electroniclinic.com/ph-meter-arduino-ph-meter-calibrationdiymore-phsensor-arduino-code/) ........................................................................ 125 Figura 38. Pinout del módulo de pH (pH sensor for water-based solution with ph- 4502c and ESP32 microprocessor, 2009.). ......................................................... 125 Figura 39. Comparación de las lecturas del sensor TDS y el equipo de referencia a la muestra de agua del RAS (Fuente: Autor). ................................................... 128 Figura 40. Curva de calibración del sensor TDS en función de los datos adquiridos por el equipo de referencia (Fuente: Autor). ........................................................ 130 Figura 41. Arquitectura del sistema de monitoreo IoT (Fuente: Autor). ............... 137 Figura 42. Inicio de sesión a la plataforma IoT (Fuente: Autor)........................... 138

Figura 43. Página principal con las funciones de monitoreo integradas (Fuente: Autor). .................................................................................................................. 138 Figura 44. Instalación del prototipo de monitoreo en el RAS de estudio (Fuente: Autor). .................................................................................................................. 139 Figura 45. Metodología para el desarrollo del modelo para la predicción y anticipación de cambios críticos en la calidad del agua en el RAS (Fuente: Autor).

............................................................................................................................. 141

Figura 46. Digitalización de registros. (Fuente: Autor). ....................................... 142 Figura 47. Gráfico de barras para la cantidad de registros realizados a cada tanque de cultivo. (Fuente: Autor). ....................................................................... 144 Figura 48. Distribución de las mediciones realizadas por jornada. (Fuente: Autor).

............................................................................................................................. 145

Figura 49. Distribución de los registros realizados en función del mes (Fuente: autor). .................................................................................................................. 145 Figura 50. pH promedio por tanque de cultivo en el RAS. (Fuente: Autor). ........ 146 Figura 51. Gráfica de la temperatura promedio en función de los tanques de cultivo (Fuente: Autor). ......................................................................................... 147 Figura 52. Distribución de frecuencias para las mediciones del pH y la temperatura. (Fuente: Autor)................................................................................ 149 Figura 53. Evolución de los parámetros de interés a lo largo del tiempo (Fuente: Autor). .................................................................................................................. 150 Figura 54. Descripción de las características seleccionadas para alimentar el modelo (fuente: autor). ......................................................................................... 150 Figura 55. Descripción del funcionamiento de las nuevas features (fuente: autor).

............................................................................................................................. 152

Figura 56. Arquitectura del modelo seleccionado (Fuente: Autor). ..................... 156 Figura 57. Desempeño de las técnicas de validación en relación al R2 (Fuente: Autor). .................................................................................................................. 159 Figura 58. Desempeño de las técnicas de validación en relación al MAE (Fuente: Autor). .................................................................................................................. 160 Figura 59. Desempeño de las técnicas de validación en relación al RMSE (Fuente: Autor). .................................................................................................................. 161 Figura 60. Scatter plot del rendimiento de la predicción para el pH (Fuente: Autor).

............................................................................................................................. 163

Figura 61. Scatter plot del rendimiento de la predicción para la temperatura (Fuente: Autor). .................................................................................................... 164 Figura 62. Distribución de los registros en sus zonas operativas (Fuente: Autor).

............................................................................................................................. 165

Figura 63. Distribución de los registros en sus rangos operativos (Fuente: Autor).

............................................................................................................................. 166

Figura 64. Matriz de confusión para las jornadas de mediciones (Fuente: Autor).

............................................................................................................................. 168

Figura 65. Curva ROC de las zonas operativas (Fuente: Autor). ........................ 170 Figura 66. Emisión de la alerta en dispositivo móvil (Fuente: Autor). .................. 171 Figura 67. Puesta en marcha del sistema (Fuente: Autor). ................................. 172 Figura 68. Visualización de las mediciones en tiempo real en el dashboard desplegado en Streamlit (Fuente: autor). ............................................................. 173 Figura 69. Comparación de mediciones en campo (Fuente: Autor). ................... 175 Figura 70. Actualización del servicio de almacenamiento (Fuente: Autor). ......... 176

Abreviaturas.

Cm

Centímetros

mV

Milivoltios

mA

Miliamperios

ºC

Grados Centígrados

pH

Potencial de Hidrogeno

RAS

Sistema de recirculación acuícola

OD

Oxígeno disuelto

U.D.C.A Universidad De Ciencias Aplicadas y Agrícolas

1. Resumen

Los sistemas de recirculación acuícola (RAS) se plantean como una alternativa tecnológica para solventar las problemáticas que actualmente enfrenta la industria acuícola, siendo la gestión del recurso hídrico una de las principales. A la fecha, el programa de medicina veterinaria y zootecnia de la universidad de ciencias aplicadas y ambientales (U.D.C.A) cuenta con un (RAS) operativo y funcional ubicado en la Unidad Académica El Remanso. Este sistema, actualmente carece del instrumental tecnológico apropiado para llevar a cabo el monitoreo de los parámetros de calidad del agua de manera eficiente y oportuna.

En respuesta a esta necesidad, el presente documento expone el desarrollo de un trabajo que integró el diseño, implementación y evaluación de un sistema inteligente basado en tecnologías IoT e inteligencia artificial, orientado al monitoreo y la predicción de variables críticas en este tipo de sistemas. Para consolidar el desarrollo de este sistema, se adoptó un enfoque integral basado en la metodología CDIO, la cual permitió organizar la ejecución del proyecto en fases jerárquicas. Inicialmente, se identificaron las variables a analizar dentro del RAS objeto de estudio mediante un proceso sistemático que integró la búsqueda, evaluación y selección de información. Posteriormente se diseñó e implementó un prototipo funcional para el monitoreo de las variables identificadas. Para el desarrollo del modelo predictivo, se adoptó una metodología estándar la cual contempló inicialmente el análisis de las necesidades del RAS, posteriormente se procedió a la digitalización de la base de datos, la exploración y el despliegue de las Feature Engineering. Por último, se evaluaron los modelos candidatos y se seleccionó el que mejor desempeño obtuvo en las métricas de validación.

Finalmente, se evaluó el funcionamiento del sistema mediante un protocolo basado en pruebas de verificación funcional FAT (Factory Acceptance Test), dando como resultado un prototipo funcional calibrado que cuantifica variables de calidad del agua y transmite los datos hacia una plataforma web donde se puede visualizar su estado actual y futuro.

PALABRAS CLAVE: Acuicultura, Aprendizaje automático, Calidad del agua, Productividad, Sostenibilidad.

2. Abstract

Recirculating aquaculture systems (RAS) are presented as a technological alternative to address the challenges currently facing the aquaculture industry, with water resource management being one of the main ones. To date, the Veterinary Medicine, and Animal Science program at the University of Applied and Environmental Sciences (U.D.C.A.) has an operational and functional RAS located at the El Remanso Academic Unit. This system currently lacks the appropriate technological equipment to monitor water quality parameters efficiently and promptly.

In response to this need, this document presents the development of a project that integrated the design, implementation, and evaluation of an intelligent system based on IoT and artificial intelligence technologies, aimed at monitoring and predicting critical variables in this type of system.

To consolidate the development of this system, an integrated approach based on the CDIO methodology was adopted, which allowed for the organization of the project's execution into hierarchical phases. Initially, the variables to be analyzed within the RAS under study were identified through a systematic process that integrated the search, evaluation, and selection of information. Subsequently, a functional prototype was designed and implemented for monitoring the identified variables.

For the development of the predictive model, a standard methodology was adopted, which initially included an analysis of the RAS's needs. This was followed by the digitization of the database, the exploration, and the deployment of the Feature Engineering tools.

Finally, the candidate models were evaluated, and the one that performed best in the validation metrics was selected.

Lastly, the system's functionality was evaluated using a protocol based on Factory Acceptance Testing (FAT), resulting in a calibrated functional prototype that quantifies water quality variables and transmits the data to a web platform where its current and future state can be visualized.

Keywords: Aquaculture, Machine learning, Productivity, Sustainability, Water quality.

3. Introducción

Actualmente la acuicultura es el sector de mayor crecimiento dentro de la industria de producción agrícola, con un aumento de más del 600% desde 1990 (Halim et al., 2025). Sin embargo, este sector enfrenta desafíos significativos, siendo la gestión de la calidad del agua uno de los aspectos claves para disminuir la tasa de mortalidad masiva, las cuales a menudo derivan en pérdidas económicas para los acuicultores (Manoharan et al., 2020).

Dentro de este contexto, los RAS han surgido como una alternativa tecnológica sostenible para el cultivo de especies acuáticas de interés económico en ambientes altamente controlados, con un ahorro del recurso hídrico de hasta el 95% (Grandez- Yoplac, Pachas-Caycho, Cristobal, Chapa-Gonza, Mori-Zabarburú, & Guadalupe, 2025a; Rodríguez-Leal et al., 2023). No obstante, su desempeño a menudo se ve condicionado por limitaciones técnicas asociadas a prácticas de monitoreo tradicionales que requieren mucha mano de obra y que generalmente resultan en intervenciones tardías, derivando en episodios de mortalidad en el cultivo (Ashraf Rather et al., 2024; Chandran et al., 2025; Grandez-Yoplac, Pachas-Caycho, Cristobal, Chapa-Gonza, Mori-Zabarburú, & Guadalupe, 2025b; Sen et al., 2026).

Los recientes avances en tecnologías emergentes como el internet de las cosas (IoT) y la inteligencia artificial (IA), han permitido la transformación de la acuicultura tradicional a una acuicultura de precisión, a través del desarrollo de soluciones integrales impulsadas por técnicas como el monitoreo remoto y el machine learning se garantiza la toma de decisiones basadas en datos. Lo cual permite intervenciones proactivas en situaciones de riesgo (Sen et al., 2026).

Actualmente, el programa de medicina veterinaria y zootecnia de la universidad de ciencias aplicadas y ambientales (U.D.C.A) cuenta con un (RAS) operativo y funcional, empleado para actividades de docencia e investigación. Este equipo carece de una herramienta tecnológica que le permita el acceso a la información

relacionada con los parámetros de calidad de agua en el RAS de manera continua y remota. Debido a esto, el sistema es propenso a eventos críticos aleatorios capaces de provocar escenarios de mortalidad masiva en el cultivo, afectando la trazabilidad de los ensayos realizados y la producción científica. En vista de lo planteado, el presente proyecto se centra en el desarrollo de un sistema de bajo costo para el monitoreo de los parámetros de calidad del agua en el RAS de la unidad temática El Remanso de la universidad U.D.C.A, utilizando herramientas IoT e inteligencia artificial. Con esta propuesta se busca optimizar la operabilidad del sistema, a través del fortalecimiento de la capacidad de respuesta por parte del personal encargado del RAS ante eventos aleatorios que afecten la calidad del agua del sistema.

El sistema se planteó en su totalidad mediante el uso de una metodología estructurada, a partir de la cual se generaron una serie de matrices de decisión cuya finalidad fue la de disminuir el sesgo por parte del tesista al momento de evaluar las alternativas de diseño.

El marco metodológico del estudio se fundamenta en cuatro etapas: la etapa inicial comprendió el análisis conceptual de la problemática. Esta revisión permitió determinar cuáles serían los parámetros de calidad del agua a monitorear dentro del RAS. Posteriormente, se desarrolló una arquitectura para el monitoreo de dichos parámetros, lo cual implico el diseño del hardware para el monitoreo insitu de los parámetros y el software para la gestión de los datos a una plataforma en la nube para su visualización en tiempo de real de manera remota. En la tercera etapa, se implementó un modelo de machine learning para la predicción de los parámetros de calidad del agua y su anticipación ante eventos críticos aleatorios, la validación del modelo predictivo fue realizada a través de pruebas de campo y ambientes simulados, generando una serie de datos que corroboraron su validez. Finalmente se evaluó la funcionalidad del sistema a través de la verificación de cada subsistema y de manera global.

En las secciones 8 y 9 del presente documento se presenta de manera detallada los procesos realizados para el desarrollo de la propuesta con la cual se busca dar cumplimiento a los objetivos planteados.

4. Planteamiento del problema

La población mundial ha aumentado a un ritmo acelerado. Según el último estudio llevado a cabo por el Departamento de Asuntos Económicos y Sociales (DESA), la población mundial en 2024 alcanzó aproximadamente 8200 millones de personas (ONU, 2024). Se espera que la tendencia se mantenga, y que supere los 10.200 para fin de siglo (Gupta et al., 2021). Esta situación genera gran preocupación en la comunidad internacional debido a que ello implica un aumento en la demanda de servicios y recursos, en especial la producción de alimentos.

La acuicultura es una de las industrias de más alto crecimiento en el sector agrícola a nivel mundial. Según la FAO, la producción acuícola mundial ha superado por primera vez a la pesca de captura, con 223,2 millones de toneladas generadas en el año 2022 (FAO, 2024), convirtiéndola en uno de los sectores de mayor crecimiento en la industria alimentaria. Expertos catalogan a la acuicultura como la industria de mayor proyección a futuro (Espinós Gutiérrez, 2020), principalmente por ser considerada una fuente importante de ingresos que contribuye al desarrollo socioeconómico de muchas naciones (Vaseeharan & Jesudhasan, 2025).

Los recursos pesqueros son considerados una fuente importante de proteínas para muchas comunidades de bajos recursos, particularmente el pescado se valora como un alimento de alto valor nutricional, rico en nutrientes esenciales como proteínas, ácidos grasos y omega 3 (Demelash Abera & Alefe Adimas, 2024; Hosomi et al., 2012). Además, el consumo de pescado tiene beneficios para la salud como la prevención de enfermedades cardiacas incluido la reducción en los riesgos de sufrir accidentes cerebrovasculares (Lichtenstein et al., 2021; Tsoupras et al., 2022). Es por ello que la acuicultura se ha establecido como una de las principales alternativas para garantizar la seguridad alimentaria a nivel mundial (Vaseeharan & Jesudhasan,

2025).

Dentro de este marco, los sistemas de recirculación acuícola (RAS) forman parte de un conjunto de tecnologías emergentes enfocadas en maximizar la productividad con un uso eficiente del recurso hídrico (Badiola et al., 2018; Fudge et al., 2023). La efectividad de esta tecnología se debe a que representa un sistema parcial o totalmente cerrado, lo que facilita el monitoreo continuo de parámetros determinantes en el bienestar y crecimiento de la especie cultivada (Badiola et al., 2018; Joseph & Augustine, 2020; Stieglitz, 2024).

Monitorear los parámetros ambientales del agua es una actividad crucial que contribuye al éxito de las operaciones acuícolas, mediante el uso de sensores se obtiene información detallada sobre parámetros fisicoquímicos y biológicos de la calidad del agua, la cual influye directamente en la salud de los organismos especialmente en sistemas RAS.

En los RAS comerciales la etapa de monitoreo es realizada a partir de una serie de sensores especializados los cuales se apoyan en una robusta arquitectura digital que garantiza la estabilidad y la integridad del sistema, permitiendo la respuesta inmediata ante potenciales variaciones (N. Ahmed & Turchini, 2021; Badiola et al., 2018; Huang & Khabusi, 2025). En contraste, en la mayoría de entornos académicos este tipo de tecnología presenta limitaciones principalmente asociadas a su alto costo de implementación, por lo que suele restringirse al ámbito educativo, limitándose solo como una herramienta demostrativa de fenómenos, pero sin alcanzar todo su potencial en contextos prácticos y aplicados (Føre et al., 2018; Olawade et al., 2024).

Generalmente, el seguimiento de las variables ambientales es realizado de manera manual y discontinua. Los protocolos de monitoreo de los parámetros ambientales implican intervalos de muestreo irregulares ocasionando que no se tenga un diagnóstico completo y preciso del estado del cultivo. Esta limitación dificulta la detección de variaciones abruptas en la calidad de agua, comprometiendo la estabilidad del sistema y el bienestar de los organismos cultivados (Ferreira et al.,

2007; Neal et al., 2012; Olawade et al., 2024; Sampaio et al., 2021; Zhang et al.,

2020).

En la actualidad el programa de Medicina veterinaria & Zootecnia de la Universidad de ciencias aplicadas y ambientales (U.D.C.A) cuenta con un (RAS) operativo y funcional, empleado para actividades de docencia e investigación. No obstante, este sistema carece de los recursos tecnológicos que faciliten el monitoreo de parámetros críticos ambientales, lo que limita el aprovechamiento eficiente y continuo. Esta tecnología carece de las herramientas electrónicas que permitan efectuar un monitoreo de forma permanente, precisa y en tiempo real, lo cual representa un riesgo para la productividad del cultivo (Ottinger et al., 2016). En consecuencia, el equipo solo es usado para prácticas ocasionales y de corta duración lo que impide consolidarlo como una herramienta apta para la formación e investigación continua. La falta de sensores y protocolos estandarizados para el monitoreo genera desconocimiento en el estado de la calidad del recurso hídrico, aumentando la vulnerabilidad de los organismos frente a episodios de estrés o mortalidad lo que limita la posibilidad de desarrollar tecnologías innovadoras en ámbitos relacionados a la ingeniería, específicamente la acuicultura sostenible (Føre et al., 2018; W. Li et al., 2023).

De mantenerse con estas limitantes el sistema RAS continuará como un recurso subutilizado, el cual no tendrá un impacto relevante en la formación práctica de la comunidad estudiantil. Además, los costos asociados a los sistemas autónomos de recolección de datos comerciales se plantean como una limitante a la hora de precisar de información confiable sobre la dinámica ambiental que tiene lugar dentro un RAS (Mulema & García, 2019; Olawade et al., 2024; Sampaio et al., 2021; C. Zhang, 2024; X. Zhang et al., 2020), dificultando la generación de conocimiento aplicable a sistemas locales.

Informes publicados por el gobierno colombiano reportan que la industria acuícola local no está desarrollada adecuadamente (Carrera-Quintana et al., 2022). Lo

anteriormente mencionado limita las oportunidades de transferir tecnologías afines hacia comunidades productivas las cuales podrían ser beneficiarias de soluciones sostenibles y de bajo costo. En definitiva, se desperdicia el potencial de una tecnología prometedora como herramienta pedagógica, investigativa y de innovación tecnológica.

Como se observa en el diagrama de la Figura 1, el problema identificado se resume al hecho de que actualmente el sistema implementado en la U.D.C.A está siendo desaprovechado y su uso solo se limita a ensayos piloto debido a la ausencia del instrumental tecnológico idóneo que permita el monitoreo de las condiciones bioambientales del sistema, lo cual dificulta la trazabilidad en los resultados y a su vez disminuye la calidad de los ensayos. Esta problemática se ve agravada por la disponibilidad de presupuesto destinado a la implementación de herramientas que faciliten la labor investigativa. De manera que, para obtener resultados más confiables, es crucial el desarrollo de una arquitectura con un enfoque integrador que combine tecnologías y herramientas electrónicas que faciliten el monitoreo de parámetros de calidad de agua y así obtener información precisa en tiempo real.

Figura 1. Árbol del problema. Fuente: autor.

5. Justificación

Según la ONU, se proyecta que la población mundial superará los 9.000 millones de personas para 2050 y 11.200 millones para 2100 (FAO, 2023) es por ello qué el garantizar la seguridad alimentaria se ha convertido en uno de los mayores desafíos de este último siglo para la comunidad internacional (Carrera-Quintana et al., 2022b). En ese contexto, los recursos pesqueros se posicionan como una fuente importante de nutrientes para muchas poblaciones de bajos recursos en áreas rurales. Sin embargo, métodos tradicionales como la pesca de captura ha venido disminuyendo su actividad de manera drástica, debido más que nada a la inevitable reducción de las poblaciones de peces disponibles. Es aquí donde la acuicultura surge como una alternativa para abordar los desafíos relacionados con el acceso a los alimentos. Su relevancia se fundamenta en la alineación que tiene su práctica con múltiples objetivos de desarrollo sostenible delineados por la ONU en la agenda 20230, como el ODS 2 (hambre cero), el ODS 12 (consumo y producción responsable) y el ODS 14 (vida submarina) (Carrera-Quintana et al., 2022b; Garcia & Rosenberg, 2010b; Leal et al., 2025.

En la edición de 2024 del informe “El estado de mundial de la pesca y la acuicultura (sofia)” (FAO, 2024), se señala que la producción acuícola alcanzó una cifra récord de 130 millones de toneladas. En Colombia la situación es similar, el sector acuícola tiene un buen ritmo de crecimiento, consolidándose como sector estratégico para la seguridad alimentaria y la economía nacional. En el más reciente boletín técnico del departamento administrativo nacional de estadística (DANE), sobre el producto interno trimestral, la pesca y la acuicultura fueron los sectores de mayor crecimiento en el primer trimestre del presente año (carrascal, 2024). Según informes publicados por la (UANAP), en Colombia el sector acuícola no está desarrollado completamente, este ha enfrentado numerosas dificultades, siendo la falta de modernización en las plantas de producción uno de los factores más determinantes que han derivado en una reducción en los índices de productividad y rentabilidad (Carrera-Quintana et al., 2022)

A nivel nacional uno de los principales retos a los que se enfrenta este sector pasa por la falta de modernización en las plantas de producción y procesamiento, lo cual ha derivado en una baja productividad y rentabilidad en la actividad acuícola (Carrera-Quintana et al., 2022ª; UANAP et al., 2025). Este panorama demanda la adopción de sistemas productivos más innovadores y eficientes que permitan abordar los desafíos de sostenibilidad planteados (Porter et al., 2014; Quevedo Cascante et al., 2022).

Una de esas alternativas tecnológicas que surge con un enfoque innovador son los RAS, estos sistemas cerrados tienen la posibilidad de operar en interiores con un menor consumo de agua y una arquitectura altamente controlable, lo que permite ciclos de producción durante todo el año. El monitoreo de los parámetros de calidad del agua es una actividad esencial en prácticas acuícolas la cual busca asegurar la salud, bienestar y productividad del ecosistema donde habitan los organismos (Simbeye et al., 2014). En estos hábitats artificiales la calidad del agua es un factor influyente y crítico a la hora de preservar la salud de los organismos y aumentar la productividad del cultivo, esto se debe a que las variaciones en parámetros ambientales como la temperatura, el oxígeno disuelto (OD), el pH y la turbidez inciden directamente en la salud y las tasas de crecimiento de los organismos del cultivo (Baena-Navarro et al., 2025a; Simbeye et al., 2014). Uno de los principales retos que afronta las practicas acuícolas en RAS consiste en la preservación de las condiciones óptimas de los parámetros de calidad del agua, esto se debe a que cualquier variación deriva en una serie de complicaciones que van desde alteraciones en los ciclos de alimentación de los organismos hasta episodios de mortalidad masiva, lo que resulta en pérdidas económicas sustanciales. Sin embargo, mantener de manera consistente las condiciones óptimas de calidad del agua en un RAS es un desafío complejo que requiere monitoreo y gestión de manera continua. Los métodos que tradicionalmente son utilizados para el monitoreo de la calidad del agua implican el muestreo de manera manual con intervalos de tiempo prolongados, lo cual requiere mucha mano de obra

e influye en la calidad del análisis (Forhad et al., 2024; Sampaio et al., 2021; Sen et al., 2026). Es por ello que resulta necesario la implementación de una herramienta tecnológica que permita monitorear y gestionar la calidad del agua en estos sistemas de manera oportuna y continua.

Por lo anteriormente expuesto, surge la necesidad de desarrollar una estrategia tecnológica de bajo costo que integre herramientas de sensórica basadas en IoT e IA. Las plataformas IoT, implementan una red de sensores y dispositivos interconectados a lo largo del sistema para medir los parámetros críticos de calidad del agua y transmitir los datos obtenidos a una plataforma de monitoreo centralizada de forma inalámbrica, lo que facilita la gestión en tiempo real y de manera remota de los parámetros de calidad del agua (Forhad et al., 2024; Sen et al., 2026). Una red de sensores IoT impulsada por modelos de IA permite la gestión automatizada de la calidad del agua a través del monitoreo continuo y automático de los parámetros críticos del cultivo, los datos obtenidos de las mediciones pueden ser procesados y con esa información alimentar modelos predictivos que pronostiquen tendencias y anomalías futuras sobre la salud de los organismos y la calidad del agua, lo que ayudaría al personal encargado del RAS a implementar medidas preventivas (Rasheed Abdul Haq & Harigovindan, 2022a; Sen et al., 2026).

Resulta importante destacar que la herramienta desarrollada será implementada en un RAS ubicado en la Unidad Temática El Remanso de la UDCA, este sistema actualmente no cuenta con el instrumental electrónico adecuado para establecer una trazabilidad en las mediciones realizadas durante los ensayos y con ello reducir las pérdidas a nivel cultivo.

En entornos académicos la implementación de este tipo de herramientas se ha visto limitada a proyectos piloto de baja escala que carecen del instrumental tecnológico adecuado para alcanzar una mejor producción y así aumentar la sostenibilidad (Valenti et al.,

2021).

Esta situación deriva en una subutilización y desaprovechamiento de los recursos físicos dentro un ambiente académico, lo que

restringe su impacto como herramienta tecnológica, dificultando la transferencia desde la academia hacia el sector productivo (Böpple et al., 2024; Gendel & Lahav, 2013; Halim et al., 2025; J, 2022).

Al disponer de este tipo de herramienta en entornos académicos, se promueve la labor investigativa al tiempo que se fortalecen los enfoques interdisciplinarios propios de áreas del conocimiento incluidos en el perfil de un bioingeniero, tales como el núcleo temático de simulación y automatización de ambientes en donde se busca establecer las interacciones entre las variables.

Este proyecto aborda la limitada capacidad de monitoreo de parámetros ambientales en un sistema de acuicultura de recirculación (RAS), lo cual constituye una problemática técnica susceptible de ser solucionada mediante el desarrollo de un sistema de monitoreo automatizado. La propuesta incluye la definición de requerimientos técnicos, la revisión de tecnologías existentes, la justificación del diseño como alternativa de solución, y la metodología para su desarrollo y evaluación funcional.

6. Objetivos

Objetivo general

Desarrollar un sistema inteligente para el monitoreo y predicción de variables ambientales críticas en un sistema de recirculación acuícola (RAS), mediante el uso de tecnologías IoT e inteligencia artificial.

Objetivos específicos

1. Identificar los parámetros bio-ambientales críticos que afectan la calidad del

agua dentro un RAS, teniendo en cuenta los requerimientos del sistema a implementar.

2. Diseñar y construir un prototipo funcional de arquitectura IoT para la

adquisición y gestión de datos en tiempo real de los parámetros bioambientales del RAS, considerando criterios de rentabilidad, bajo costo y escalabilidad.

3. Implementar un modelo de machine learning para la predicción y anticipación

de cambios críticos en la calidad del agua, apoyado en el análisis de datos históricos de las variables previamente monitoreadas.

4. Evaluar el desempeño del sistema planteado mediante pruebas de

verificación de funcionalidad FAT (Factory Acceptance Test).

7. Marco referencial

7.1 Acuicultura.

El termino acuicultura proviene del latín “aqua” que significa agua y “cultura” que se define como cultivo (RAE, 2025), por lo que etimológicamente se refiere al “cultivo de agua” estrictamente se refiere al cultivo de especies animales y vegetales en cualquiera de sus fases de desarrollo (INCOPESCA, 2025). Para la FAO la palabra acuicultura se define como el cultivo de organismos acuáticos, incluyendo peces, moluscos, crustáceos y plantas acuáticas. El cultivo implica algún tipo de intervención en el proceso de cría para mejorar la producción, como la repoblación regular, la alimentación y la protección contra depredadores (FAO,2024), entornos marinos naturales o recintos terrestres marinos, entre los que figuran jaulas o estanques pueden ser utilizados como zonas de cultivo en la acuicultura (M. S. Ahmed et al., 2022a), un ejemplo de ello se ilustra en la Figura 2.

Figura 2. Jaulas flotantes en altamar / estanques naturales a cielo abierto (Steriltech, 2022).

La acuicultura se divide en varias categorías teniendo en cuenta factores como el tipo de organismo, el ambiente donde se desarrolla, el propósito de la producción o el grado de intensidad (Ahmad et al., 2021a).

Según la especie a producir el tipo de acuicultura toma su nombre sea animal o vegetal, dentro las más importantes encontramos peces, algas, moluscos y crustáceos. La Figura 3 simplifica lo anteriormente mencionado.

Figura 3. Organigrama de los tipos de acuicultura (Ahmad et al., 2021a). 7.1.1 Acuicultura según el ambiente de cultivo.

El entorno donde se desarrollará el cultivo acuícola es una variable critica que interviene en la selección del sistema de producción, la cual está relacionada a las condiciones fisicoquímicas del agua, un parámetro crítico es la concentración de sal en el agua (salinidad). (Ahmad et al., 2021b) establece que el nivel de sal en el agua dulce es menor a <0.05 ppt, el agua salobre tiene niveles que oscilan entre las 0.05

– 30 ppt y el agua de mar supera las 30 ppt; dichas condiciones intervienen

directamente en la fisiología, crecimiento y supervivencia de los organismos cultivados (M. S. Ahmed et al., 2022b), bajo este enfoque la acuicultura se clasifica en acuicultura continental y marina.

La acuicultura continental se fundamenta en el cultivo de especies propias de agua dulce, esta actividad es realizada en entornos artificiales tales como ríos, estanques o lagos, situación que se encuentra directamente relacionada con los RAS, los cuales permiten transformar un ambiente de cultivo convencional en un sistema de alta precisión independiente de las condiciones del entorno natural (Bostock et al., 2010; Nagaraju et al., 2025).

7.1.2 Acuicultura según el grado de intensidad.

Los sistemas de producción acuícola suelen clasificarse de múltiples maneras, una de ellas aborda el grado de intensidad con el cual son intervenidos en términos de: desarrollo tecnológico, recursos invertidos y su producción por unidad de volumen (m3) o superficie (m2) cultivada (Lekang, 2013). Esta definición permite establecer un contraste entre la acuicultura rural (caracterizada principalmente por la dependencia de los métodos naturales, priorizando la sostenibilidad ambiental) y sistemas más avanzados que integran tecnologías cuyo objetivo es maximizar el rendimiento del cultivo (Davis et al., 2021; Oddsson, 2020). A partir de ello encontramos tres categorías: acuicultura extensiva, semi-intensiva e intensiva.

Los sistemas extensivos se caracterizan por tener una mínima o nula intervención humana de hecho la acción del hombre solo se limita exclusivamente a la siembra y cosecha de la especie (Acuicultura, 2001). La acuicultura donde la labor del acuicultor solo se restringe a la preparación del estanque y a la siembra de los alevines se le llama semi-intensiva, este sistema es un hibrido entre los sistemas intensivo – extensivo. Finalmente, los sistemas intensivos se caracterizan por una alta densidad de siembra, lo cual requiere una mayor instrumentación tecnológica y un régimen nutricional constante (Acuicultura, 2001; Davis et al., 2021). En la acuicultura moderna el grado de intensidad está estrechamente relacionado con la capacidad de gestión de los parámetros de calidad del agua, por lo que se han diseñado diversas alternativas para gestionar de manera más eficiente ese parámetro, los RAS son sistemas altamente intensivos cuya configuración permite el manejo de altas densidades de siembra, superando por mucho los sistemas de cultivo tradicionales (Espinal & Matulić, 2019a).

7.2 Sistemas de recirculación acuícola (RAS).

Los RAS son sistemas desarrollados para prácticas acuícolas de carácter intensivo, donde su diseño facilita el control de cada uno de los aspectos bioambientales del cultivo, así como la reutilización del recurso hídrico, razón por la cual son

implementados en escenarios donde la disponibilidad de agua es restringida, se cree que el reciclaje dentro un RAS oscila entre un 30 y 100% (Badiola et al., 2012; Gupta et al., 2024; J, 2022).

Últimamente los RAS han visto incrementado su utilización en el sector acuícola, debido principalmente a las ventajas que ofrece con respecto a los métodos tradicionales en materia de mitigación de impactos ambientales, mejor gestión del recurso hídrico, menores costos, bioseguridad ambiental y mejores tasas de conversión de alimentos (Espinal & Matulić, 2019b; Halvorson & Smolowitz, 2009).

7.2.1 Definición de conceptos asociados a los sistemas de recirculación

acuícola.

Para llevar a cabo el desarrollo de tecnologías e investigaciones asociadas a sistemas de recirculación acuícola, es necesario el uso preciso y consistente de los conceptos técnicos que permitan interpretar de manera adecuada los procesos y variables empleados en el desarrollo de este trabajo. Esta sección presenta la definición de los conceptos clave involucrados en la operación de los RAS, estos conceptos fueron establecidos a partir de una rigurosa revisión bibliográfica.

7.2.2 Calidad de agua en RAS.

La calidad del agua está definida por un conjunto de características las cuales se dividen en categorías que incluyen parámetros físicos, químicos, contaminantes orgánicos y biológicos (Su et al., 2020a).

7.2.3 Parámetros de calidad de agua.

Son indicadores fisicoquímicos cuantificables los cuales describen estado puntual de la calidad del agua. Los principales parámetros que componen esta categoría incluyen pH, temperatura, potencial redox, oxígeno disuelto. Las variaciones en la calidad del recurso hídrico pueden inducir a cambios en el comportamiento de los peces por lo que mantener el rango ideal en estos parámetros es vital para mejorar

la tasa de crecimiento de los peces y a su vez reducir la aparición de enfermedades (Lindholm-Lehto, 2023a; Tolentino et al., 2021).

7.2.4 Rango de calidad de agua.

Un rango de calidad se refiere a un referente fisicoquímico que establece el estado de la especie a través de los limites operativos categorizándolos por niveles (Badiola et al., 2018; Lindholm-Lehto, 2023a).

7.2.5 Rango optimo.

Es un intervalo de valores para un parámetro de calidad de agua en el cual los organismos del cultivo presentan un funcionamiento fisiológico adecuado (Lindholm-Lehto, 2023a).

7.2.6 Rango de tolerancia.

Es el rango de valores para un parámetro de calidad de agua en el cual los organismos pueden mantenerse con vida a pesar de que se puedan manifestar alteraciones metabólicas y su rendimiento productivo decaiga (Lindholm-Lehto, 2023a).

7.2.7 Principio de funcionamiento de un RAS.

El principio de funcionamiento de un RAS se ilustra en la Figura 4. En este sistema, el agua sale de los acuarios donde se encuentran los peces y circula hacía la etapa de filtrado mecánico, en donde a través de unos filtros de tambor el material particulado de cierto tamaño es eliminado, una vez finalizada la etapa de filtrado mecánico el agua circula hacia un biofiltro en donde el amoniaco junto con otras partículas es removido. A continuación, el agua es sometida a un proceso de desgasificación para eliminar el CO2 y por último es oxigenada antes de ser devuelta a los acuarios (Gupta et al., 2024; Halvorson & Smolowitz, 2009; J, 2022). Otros sistemas pueden ser integrados dentro el proceso de recirculación de ser necesarios, tales como desinfección con UV o aireación extra para suplir las necesidades del cultivo.

Figura 4. Principio de funcionamiento de un sistema de recirculación acuícola (RAS) (J, 2022).

7.2.8 Componentes básicos de un RAS.

La implementación de un RAS funcional abarca una cadena de procesos continuos en donde cada etapa desempeña una función en la creación de un ecosistema estable y saludable para la salud del cultivo (Waller, 2024a). Para ello es importante conocer a detalle los componentes funcionales que harán parte de cada una de las etapas anteriormente mencionadas, un sistema de recirculación convencional consta de tanques de cultivo, filtros (mecánico - biológico), aireadores, bombas y un oxigenador.

7.2.8.1 Tanques de cultivo.

Es el espacio físico donde se crían las especies, en los sistemas de recirculación acuícola los peces mantienen en uno o más tanques. Los tanques deben tener unas características específicas las cuales favorecen la higiene del medio y así mismo la salud del cultivo, estas estructuras deben ser autolimpiables con un bajo tiempo de retención de partículas y su diseño estructural debe al máximo los espacios dedicas a su instalación, estos factores pueden tener un impacto considerable en el rendimiento de las especies criadas, así como de su densidad poblacional (Balami,

2021).

Las geometrías circulares son frecuentemente las más utilizadas debido a que un tanque circular o cuadrado con las esquinas redondeadas el agua sigue un patrón de flujo circular lo que ocasiona que todo el cuerpo de agua gire alrededor del centro

del tanque, esta acción facilita la remoción de partículas orgánicas sediméntales optimizando la salud del cultivo (Balami, 2021; J, 2022; Waller, 2024b), la Figura 5 expone los diseños de tanque más utilizados en los sistemas de recirculación acuícola.

Figura 5. Formas de tanque más utilizadas en los sistemas de recirculación acuícola (Malone, 2013).

7.2.8.2 Filtros mecánicos.

Generalmente los RAS suelen generar muchos residuos, en su mayoría son sólidos producidos por las heces de los peces y alimento no consumido que posterior a su sedimentación se van aglomerando en partículas más grandes (hasta 1µm de diámetro) y densas. Si estos aglomerados no son removidos al momento comenzaran a descomponerse en partículas más pequeñas que son más difíciles de remover (Holan et al., 2020; TIMMONS, 2001.). La mayoría de los esquemas alimenticios utilizados en sistemas intensivos generan hasta un 50% de residuos sólidos lo cual podría potencialmente llevar a la degradación de la calidad del agua.

La mayor parte de los sistemas de recirculación acuícola tradicionales emplean una estructura equipada con una tela con características filtrantes que oscila entre los

40 – 100 µm (J, 2022). Tradicionalmente, los filtros más usados son los de tambor

rotatorio, este tipo de filtro usa una malla giratoria cuya porosidad oscila entre los

60 y 200 µm para capturar sólidos suspendidos, en este tipo de filtro el proceso de

filtrado es un proceso continuo e ininterrumpido, lo cual garantiza la remoción de un mayor volumen de material particulado en suspensión (Cripps & Bergheim, 2000; de Jesus Gregersen et al., 2025; Ebeling & Timmons, 2012).

7.2.8.3 Filtros biológicos (biofiltros).

Este componente tiene como función la disminución de la concentración del amoniaco, el cual es un producto de la ruta metabólica de la mayoría de los organismos acuáticos y su forma ionizada (NH3) es tóxica para los peces. Dicha toxicidad está relacionada con la concentración del amoniaco en su estado gaseoso, el cual se encuentra en equilibrio con el ion amonio. El objetivo del biofiltro el llevar a cabo la conversión el amonio a nitrito y posteriormente a nitrato mediante un proceso oxidativo. Los biofiltros son compartimientos con un medio fijo en donde se aloja y se favorece el crecimiento de un consorcio bacteriano que incluye especies como Nitrosomonas sp., Nitrosococcus sp. y Nitrospira sp. Nitrobacter sp (Holan et al., 2020b; Ip & Chew, 2010; Schreier et al., 2010a; Waller, 2024c). 7.2.8.4 Sistema de oxigenación.

El oxígeno disuelto (DO) es uno de los parámetros más importantes en los sistemas de recirculación intensivos, estudios han relacionado el estrés en los organismos acuáticos con bajos niveles de oxígeno disuelto (Espinal & Matulić, 2019c), se considera que 10 ppm es una medida alta de DO en un cultivo intensivo, por lo tanto se recomienda como óptima una medida que oscile entre 5 – 6 ppm (Malone, 2013). El suministro de O2 se realiza mediante aireación continua con oxigeno atmosférico o bien sea oxigeno gaseoso a través del uso de aireadores o sistemas difusores (Balami, 2021).

7.2.8.5 Sistema de desgasificación.

El proceso de desgasificación que se lleva a cabo en un RAS está relacionado con la remoción del CO2, este gas altamente soluble es producido por la actividad metabólica tanto de peces como de los microorganismos presentes en el cultivo. Dicho gas cuando se encuentra en grandes cantidades reduce el pH del medio lo

que detiene la actividad metabólica de las bacterias nitrificantes, ocasionando que aumenten los niveles de amoniaco y nitritos, finalmente esto se ve reflejado en el deterioro de la salud de los organismos presentes en el cultivo (Malone, 2013). Para remover el CO2, los RAS utilizan un dispositivo de transferencia que lo que hace es poner en contacto al CO2 con grandes cantidades de otro gas, en la mayoría de casos oxigeno gaseoso (Espinal & Matulić, 2019c).

7.3 Ventajas y desventajas de los sistemas de recirculación acuícola. Los sistemas de recirculación acuícola (RAS) fueron pensados como una herramienta para sistemas intensivos donde el objetivo principal es alcanzar una producción económicamente sostenible y competitiva en entornos donde la disponibilidad de agua es restringida (Viswasanthi et al., 2024), en un contexto donde la industria acuícola se ha visto obligada a desarrollar sistemas económicamente viables que no solo sean productivos, sino que también deban lidiar con este tipo limitaciones.

Partiendo de sus componentes y su funcionamiento esta tecnología tiene el potencial para superar dichas limitaciones mientras se proporciona un ambiente optimo y sostenible para la cría de cualquier especie acuática (Schreier et al., 2010b), no obstante, es importante resaltar los principales retos y ventajas que presenta actualmente está tecnología, lo cual se encuentra concebido en la información de la Tabla 1.

Tabla 1. Cuadro comparativo de las ventajas y desventajas asociadas a los sistemas de recirculación acuícola (fuente: autor). Ventajas Desventajas Requiere menos cantidad de agua en comparación con sistemas convencionales (N.

Ahmed et al., 2019) Altos costos asociados a la inversión de capital inicial y operativos (Badiola et al., 2012; Schneider et al., 2006).

El agua ingresa al sistema en cantidades que facilitan su control, lo que se ve reflejado Generación de costos adicionales asociados al consumo de electricidad (bombas, aireadores, etc) (Badiola et al., 2012).

en una mayor bioseguridad (Asche & Smith, 2010).

Su instalación requiere menos superficie (N. Ahmed et al.,

2019).

Su configuración permite el control de variables bioambientales (Yan et al.,

2021).

Prácticas que aseguran una mejor gestión sanitaria (Holan et al., 2020c)

7.4 Parámetros que afectan la calidad del agua en RAS.

La calidad del agua se encuentra definida como la combinación de parámetros fisicoquímicos y biológicos del agua ya sea en su forma natural o después de ser intervenida por actividades humanas (Abd El-Hack et al., 2022a; Chaudhuri et al., 2012; López-Luna et al., 2013), en sistemas de recirculación acuícola donde la tasa de recambio hídrico es mínima la acumulación de compuestos orgánicos se constituye como una problemática, más que nada porque la calidad del agua decrece afectando la salud, la supervivencia y el crecimiento de los organismos acuícolas cultivados, es por ello que resulta crítico para la estabilidad del cultivo mantener las propiedades del agua a niveles óptimos (Boyd, 2017; Wanja et al.,

2020).

Los parámetros más importantes que determinan la calidad del agua en un sistema RAS son: temperatura, pH, oxígeno disuelto, salinidad y potencial Redox. Dentro del nitrógeno total se encuentra el nitrito y el nitrato (Chandramenon et al., 2024a; Somerville, 2014). En la siguiente sección se analizarán los parámetros de calidad de agua críticos para el correcto funcionamiento de un RAS.

7.4.1 Temperatura del agua.

Este parámetro es uno de los factores ambientales más importantes no solo para la calidad del agua, sino, más importante aún para la fisiología de las especies en el cultivo (Svobodova,, 2017). La temperatura del agua influye de manera drástica en

diversos aspectos fisiológicos de las especies acuáticas, se tiene conocimiento que debido a factores térmicos las propiedades funcionales y estructurales de las proteínas en animales ectodérmicos como los peces pueden verse afectadas, incidiendo directamente en las propiedades catalíticas de las enzimas (Lermen et al., 2004), otros factores fisiológicos pueden verse drásticamente afectados como es el caso del crecimiento, digestión, alimentación, asimilación de nutrientes y en algunos casos la actividad del sistema inmunitario (Lermen et al., 2004; Makori et al., 2017a; Panase et al., 2018; Sun et al., 2019).

Si bien las especies acuáticas manifiestan un alto grado de tolerancia a la temperatura, los cambios repentinos pueden provocar estrés y, si estos son lo suficientemente bruscos puede llevar a la muerte, los niveles de tolerancia dependen en su mayoría de factores como, la especie, el tipo de sistema y las condiciones ambientales. Cada especie tiene un rango de temperatura ideal donde su crecimiento se da de manera óptima, un ejemplo de ello son los rangos de temperatura óptimos para el desarrollo, reproducción y crecimiento normales para la tilapia, los cuales se encuentran entre 25 y 32° (Chandramenon et al., 2024b; Dai et al., 2025a; Eck et al., 2019; Gnanasagar et al., 2020; Wood et al., 2016).

7.4.2 pH del agua

El pH como bien se sabe es un parámetro físico de los más importantes dentro del criterio de calidad del agua, formalmente es el logaritmo negativo que indica la concentración de iones hidrogeno (H+) solubles en un cuerpo de agua, su valor es un reflejo del equilibrio entre la acidez y la alcalinidad del agua, un pH bajo en indicativo de que el agua es más acida, mientras que un pH elevado se considera como alcalino (Boyd et al., 2011; Chandramenon et al., 2024c; Hong et al., 2024). El concepto de pH tiene sus bases en la siguiente ecuación (Ecuación 1), la cual explica la ionización del agua:

H2O = H+ + OH- Ecuación 1. Ionización del agua (Fuente: Autor)

A la propiedad que describe como cierta concentración de bases en el agua pueden reaccionar con el ion hidrogeno (H+) se le denomina alcalinidad; como sucede en la reacción anterior donde el ion hidroxilo actúa como base, varios compuestos pueden reaccionar con el ion H+, la Tabla 2 menciona las principales (Boyd et al., 2011, 2016; Dai et al., 2025b; Lindholm-Lehto, 2023b).

Tabla 2. Principales compuestos que actúan como bases para reaccionar con el ion H+ (Adaptado de: (Boyd et al., 2011)).

Sustancia Reacción Hidróxido (OH− + H+ = H2O) Carbonato

(CO3 2− + H+ = HCO3−)

Bicarbonato

(HCO3− + H+ = H2O + CO2)

Amonio (NH3 + H+ = NH4+) Fosfato

(PO4 3− + H+ = HPO4 2−; HPO4− + H+ = H2 PO4−)

Boro (H2 BO4− + H+ = H3 BO4) Silicato (H3 SiO4− + H+ = H4 SiO4)

A la capacidad que tiene el agua para neutralizar bases fuertes se le denomina acidez, una sustancia común que actúa como agente neutralizante en el agua es el CO2, compuesto altamente soluble derivado de la descomposición de la materia orgánica y la respiración de los peces (Boyd et al., 2011, 2016; Dai et al., 2025b; Lindholm-Lehto, 2023b).

El valor optimo del pH en el agua para los peces resulta ser un factor importante para la homeostasis, desarrollo y supervivencia de los peces en el cultivo, un valor de pH demasiado alto (pH 11) alcalino o demasiado bajo (pH 3.5) acido puede resultar letal para la supervivencia de los peces, ya que conlleva a alteraciones del equilibrio iónico (Boyd, 2017; Parra & Baldisserotto, 2007), esto se debe a que producto del estrés hay un aumento de iones H+ que altera la estructura y función de las branquias en los peces.

Los bajos niveles de pH en el medio acuático producen cambios en la estructura y función de las branquias, esto ocasiona estrés en los peces lo cual genera un

aumento de iones H+ en la sangre que no pueden ser secretados debido a la alteración de las branquias, lo anterior ocasiona acidosis sanguínea, disminuyendo así la capacidad de la hemoglobina de transferir oxigeno (Fromm, 1980). Un pH elevado en entornos acuáticos inhibe la capacidad de la sangre de transportar oxígeno a los tejidos (Aride et al., 2007), la Tabla 3 explica a detalle los principales efectos de las fluctuaciones del pH en los peces.

Tabla 3. Efectos del pH a los principales organismos acuáticos (Boyd, 2017). Nivel de pH Efectos fisiológicos

4

Punto de muerte ácida 4–5 Inhibición de la reproducción 4–6.5 Crecimiento lento 6.5–9 Alcance óptimo 9–11 Crecimiento lento y efectos reproductivos adversos

11

Punto de muerte alcalino

7.4.3 Oxígeno disuelto en agua

Este parámetro fisicoquímico define los niveles de oxígeno gaseoso (O2) disuelto en agua disponible para los organismos acuáticos (Caldwell & Hinshaw, 1994). Este gas es transferido a los cuerpos acuáticos mediante difusión desde la atmosfera o como bioproducto de la fotosíntesis realizada por plantas y microorganismos acuáticos (Makori et al., 2017b; Svobodova, 2017).

El oxígeno disuelto desempeña un papel vital en la supervivencia de los organismos acuáticos, tales organismos necesitan del oxígeno disuelto ya que este el receptor terminal de electrones en la respiración aerobia, los peces y demás organismos acuáticos respiran a través de las branquias las cuales absorben el oxígeno molecular presente en el medio acuático. (Chandramenon et al., 2024c; Hargreaves & Tucker, 2002; Sallenave, 2016). Un suministro insuficiente de oxígeno modifica y reduce la tasa metabólica del organismo, provoca estrés y disminución en la

alimentación, lo que podría disparar las tasas de mortalidad del cultivo (Boyd et al., 2011, 2016; TIMMONS, s. f.-b).

Autores como (Boyd, 2017) sugieren que para que los organismos del cultivo prosperen, las concentraciones optimas de oxígeno disuelto deben mantenerse ligeramente sobre los 5 mg/L.

7.4.5 Conductividad eléctrica.

La conductividad eléctrica de una solución hacer referencia a las propiedades conductivas que tienen los iones presentes en un determinado volumen de solución, lo cual implica que, un mayor número de iones genera una menor resistencia y así una mayor conductividad (Tsai et al., 2022). En acuicultura este parámetro determina la capacidad del agua para conducir corriente eléctrica a través de la concentración de iones disueltos presentes en el agua, dichos iones se encuentran presente en sales inorgánicas tales como: Ca2+, Mg2+, HCO₃-, CO₃-, NO₃- y PO₃- . Comprender sus niveles de concentración y rangos operativos es de suma importancia para el monitoreo de la calidad del agua en acuicultura, ya que los niveles por fuera de sus valores óptimos pueden ser útiles para determinar la pureza del agua y la salud del ecosistema (J. Zhang et al., 2013). La conductividad del agua se mide en microsiemens por centímetro (µS/cm), según (Boyd, 1998), la conductividad del agua para acuicultura oscila entre 50 – 1500 µS/cm, sin embargo teniendo en cuenta los niveles de contaminación este parámetro puede alcanzar los 10000 µS/cm.

7.4.5.1 Relación entre la conductividad del agua y la salinidad. La salinidad determina el contenido de sales disueltas en el agua de cultivo, dentro de estas se encuentran iones de calcio, fosfato, cloruro, sodio y potasio (Ebeling & Timmons, 2012). Según su concentración de sal el agua se puede clasificar como agua dulce o salada, con predominancia de iones Cl- y Na+ para el agua salada y carbonatos para el agua dulce (Bœuf & Payan, 2001).

La osmorregulación en los peces les permite mantener en equilibrio sus niveles de sales disueltas a través de sus fluidos corporales, por lo que encontrar el nivel de salinidad correcto para cada especie es esencial para la sostenibilidad de la producción (Ebeling & Timmons, 2012), niveles por fuera de los rangos óptimos puede conllevar a una alteración del metabolismo del amoniaco produciendo estrés en las especies dentro del cultivo.

Es por ello que mantener los niveles de salinidad dentro de los rangos óptimos ayuda a promover el crecimiento eficiente de los organismos lo que mejora el rendimiento del cultivo (Lindholm-Lehto, 2023c).

7.4.6 Amoniaco.

El nitrógeno amoniacal es un gas incoloro compuesto por una parte de hidrogeno y tres de nitrógeno (NH3), si bien este compuesto juega un papel importante en procesos ambientales críticos (ciclo biogeoquímico del nitrógeno – mecanismos fisiológicos de regulación metabólica en peces), en altas concentraciones puede llegar a ser toxico para muchos ecosistemas (Edwards et al., 2024a; Fryzuk, 2004), este compuesto es el principal producto de la descomposición de sustancias nitrogenadas (vegetal, animal, antropogénica) y llega a los ecosistemas acuáticos como el principal desecho nitrogenado formado durante el catabolismo proteico de la mayoría de peces y organismos acuáticos (Edwards et al., 2024b; Evans et al., 2005; Kajimura et al., 2004; Weihrauch & Allen, 2018).

El nitrógeno amoniacal total (TAN) altamente soluble en agua se deriva de la combinación de las moléculas NH3 (amoniaco no ionizado) y el NH4+ su forma ionizada, la toxicidad del TAN se debe a la concentración de su forma no ionizada (NH3) debido a su capacidad para atravesar las membranas celulares de los peces a través de segmentos lipoidales causando una serie de problemáticas como la alteración en el metabolismo de las células nerviosas, lo que conlleva a la aparición de trastornos nerviosos (Smutná et al., 2002); por otro lado, (M.-J. Liu et al., 2021) reporta que una alta concentración de TAN en estanques de acuicultura conllevo a una serie de alteraciones en el epitelio respiratorio de las branquias, causando

dificultades respiratorias, episodios de estrés, agotamiento, crecimiento lento y por último la muerte (M.-J. Liu et al., 2021; Smutná et al., 2002).

7.4.7 Salinidad.

Es un parámetro ambiental que determina la concentración de sales disueltas en agua, incluyendo iones de sodio, potasio bicarbonato, sulfato y cloruro (Ebeling & Timmons, 2012; Lindholm-Lehto, 2023b). Según el nivel de salinidad el agua continental se divide en agua salobre o dulce, con predominancia de iones Cl- y Na+ en el agua salobre mientras que los carbonatos y el HCO3- predominan en el agua dulce.

Cada especie acuática tiene un rango óptimo de salinidad distinto, es por ello que encontrar el nivel adecuado para cada especie es un factor crítico para la supervivencia y la productividad del cultivo (Ebeling & Timmons, 2012). Cambios drásticos en los niveles de salinidad puede provocar episodios de estrés en los organismos acuáticos, afectando diferentes procesos fisiológicos y obligándolos a mantener la osmolalidad y el equilibrio hídrico a través de mecanismos osmorreguladores, el cual es un proceso que requiere entre un 10% - 50% del presupuesto energético total de un pez (Alam et al., 2020; Boamah et al., 2024; Saravanan et al., 2018), esta inversión energética debilita el sistema inmunitario y reduce el crecimiento.

7.4.8 Dióxido de carbono (CO2).

Este compuesto es altamente tóxico para los organismos acuáticos, la densidad poblacional en un cultivo es el principal factor para su generación, ya que es producido por la respiración de los peces. Cuando el CO2 está presente en grandes cantidades el gradiente de difusión en la sangre de los peces se inhibe lo cual acidifica la sangre y reduce el consumo de oxígeno (Lindholm-Lehto, 2023d). todos estos factores concluyen en el deterioro del sistema respiratorio de los peces lo cual podría desencadenar episodios de mortalidad (Fivelstad et al., 2003).

7.5 Internet de las cosas (IoT).

El IoT (internet de las cosas) es un término acuñado por Kevin Ashton en el año de 1999, utilizado para describir el espacio de integración entre campos tecnológicos y sociales (M. S. Ali et al., 2019), en ese entonces existían diversos enfoques cuya definición derivaba de los componentes que la integraban (Čolaković & Hadžialić, 2018). A partir de ese momento el significado del término ha ido evolucionando hasta que gracias a la iniciativa IoT del IEEE se publicó un documento para establecer una definición de referencia de la IoT. Básicamente la IoT es una red de objetos interconectada a través de internet, la cual recopila datos de su entorno que utilizados para realizar funciones automatizadas que sean de ayuda para los seres humanos (M. S. Ali et al., 2019). Según (Atzori et al., 2010) el IoT es un término que unifica tres paradigmas, los objetos, el internet y el conocimiento o área de aplicación. Un término familiar dentro del IoT es la arquitectura, este término define como se interconecta cada uno de los componentes que hacen parte de un sistema IoT, a un grupo de componentes agrupado en una categoría se le llama capa, en la literatura se proponen muchos sistemas IoT con arquitecturas de varias capas, siendo la de tres capas la más básica. La arquitectura de tres capas cubre las funciones básicas de un sistema IoT el cual está conformado por una capa de percepción, red y aplicación. La capa de percepción puede incluir componentes como sensores y actuadores (Rastegari et al., 2023) los cuales son los encargados de interactuar con el medio físico, mientras que la capa de red es la encargada de transmitir y procesar esa información, por último la capa de aplicación brinda servicios al usuario final (N. M. Kumar & Mallick, 2018; Rastegari et al., 2023; Sethi & Sarangi, 2017).

En prácticas acuícolas la tecnología IoT se propone como una alternativa concreta para garantizar la rentabilidad y sostenibilidad del cultivo mediante el uso de algoritmos operativos y actuadores para la toma de decisiones sin intervención humana directa (Abdullah et al., 2024; Ghosh et al., 2018; O’Donncha & Grant,

2019).

7.5.1 Inteligencia artificial.

El concepto de inteligencia artificial se refiere a la capacidad que tiene una máquina para razonar, resolver problemas y adaptarse al entorno, similar a como lo haría un humano (R. H. Chen & Chen, 2022), existen dos criterios por los cuales una IA puede ser clasificada (según su capacidad y según su funcionalidad), debido a la naturaleza de esta propuesta nos centraremos en los modelos según su funcionalidad, especialmente en las técnicas y enfoques de los mismos.

7.5.2 Machine learning.

Machine learning o en español aprendizaje automático es una rama de la inteligencia artificial que se encarga fundamentalmente de asignar capacidades a las computadoras para la resolución de problemas a partir de una entrada de datos (Domingos, 2012). Los modelos de machine learning utilizan algoritmos que aprenden de forma iterativa a partir de una gran cantidad de datos de entrenamiento, explorando las correlaciones entre ellos y encontrando patrones complejos que producen un resultado sin necesidad de una programación especifica (Janiesch et al., 2021; Taye, 2023). Esta técnica tiene un rango muy amplio de aplicabilidad, específicamente en tareas que implican el manejo de datos con alta dimensionalidad, como la regresión y clasificación (Janiesch et al., 2021). El proceso de aprendizaje automático implica una serie de actividades los cuales se observan en la Figura 6.

Figura 6. Diagrama ilustrativo del proceso de aprendizaje automático. (Adaptado de: (Sghaier et al., 2025a)).

La metodología anterior inicia con la recopilación de datos, dicha actividad implica un proceso de levantamiento de la información, teniendo en cuenta distintas fuentes. A continuación los datos brutos son preparados a través de un proceso de limpieza el cual busca eliminar errores y extraer características (Sghaier et al., 2025a).

El modelo de aprendizaje automático es seleccionado en función del problema de estudio, una vez seleccionado el modelo se da inicio al entrenamiento. Para optimizar el modelo es necesario ajustar los parámetros de este, mejorando la precisión; finalmente el modelo es evaluado utilizando datos de entrada independientes a los datos de entrenamiento y aplicando diversas métricas de evaluación, entre ellas se destacan:

✓ Exactitud.

Esta métrica describe la proporción de predicciones correctas en relación con el número total de predicciones (Sghaier et al., 2025b).

✓ Precisión.

Corresponde al número de verdaderos positivos sobre el número total de predicciones positivas (Sghaier et al., 2025b).

✓ Sensibilidad.

Es una métrica de evaluación equivalente al número de verdaderos positivos sobre el número total de predicciones positivas (Sghaier et al., 2025b).

✓ F1 – score.

Es el promedio entre precisión y sensibilidad (Sghaier et al., 2025b).

✓ Matriz de confusión.

Es una matriz comparativa que expone el rendimiento de un modelo a través de la visualización de los verdaderos positivos, los falsos positivos, los verdaderos negativos y los falsos negativos (Sghaier et al., 2025b).

7.5.3 Aprendizaje automático.

El aprendizaje automático se divide principalmente según la naturaleza del etiquetado de los datos, en supervisado, no supervisado y semi-supervisado. El aprendizaje automático supervisado usa datos etiquetados, esto consiste en que el algoritmo recibe un conjunto de datos como entradas con sus respectivas salidas correctas, el algoritmo aprende comparando los datos de entrada con la salida esperada y reajustando sus parámetros hasta alcanzar un umbral de aceptabilidad previamente establecido. El aprendizaje automático no supervisado trabaja bien con datos de entrada no etiquetados, es decir, el sistema desconoce la respuesta correcta por lo que debe interpretar la información presentada por lo que el algoritmo busca similitudes entre grupos de datos, lo cual genera clústeres y agrupación de datos. En el aprendizaje automático semi-supervisado son utilizados datos tanto etiquetados como no etiquetados como datos de entrenamiento, para su validación la proporción es ajustada de la siguiente manera: una pequeña cantidad de datos etiquetados versus un gran volumen de datos sin etiquetar (El Naqa & Murphy, 2015; J. Liu et al., 2018; Tu & Yang, 2019).

La Figura 7 describe la clasificación del aprendizaje automático según la naturaleza de los datos.

Figura 7. Clasificación de los algoritmos de aprendizaje automático (El Naqa & Murphy, 2015).

7.6 Marco geográfico.

El área de estudio abarca un territorio ubicado en la sabana de la cuidad de Bogotá, en su parte más plana, al extremo norte de la ciudad y donde finaliza la zona urbana se encuentra la Universidad de ciencias aplicadas y ambientales (U.D.C.A), localizada en las coordenadas geográficas 4º 35´latitud norte y 74º04´longittud oeste como se observa en la Figura 8. El clima predominante en la zona es templado de montaña con periodos secos y lluviosos que se alternan durante todo el año y una temperatura promedio de 13.5º (Estupiñán & Cabrera, 2008; Garavito A, 2020).

Figura 8. Localización de la universidad de ciencias aplicadas y ambientales U.D.C.A, la unidad académica El Remanso se encuentra ubicada en la sede El Remanso (ArcGIS Online).

El proyecto comprende una segunda area de estudio la cual se encuentra ubicada dentro las instalaciones del campus universitario, con mayor exactitud la planta de

tratamiento localizada en el espacio academico campus sur, como se puede observar en la Figura 9.

Figura 9. Localización de las instalaciones en donde se llevarán a cabo las pruebas en el RAS (Universidad de Ciencias Aplicadas y Ambientales. (2022). Jornada de Inducción y Bienvenida a Estudiantes.https://www.udca.edu.co/wpcontent/uploads/2022/01/PROGRAMA-JORNADA-DE-INDUCCION-Y-BIENVENIDA-A- ESTUDIANTES-2022-I-1.pdf.

7.7 Marco legal y normativo.

En Colombia existen diferentes instituciones que han contribuido al fortalecimiento de la investigación y el desarrollo de la acuicultura, el estado colombiano cuenta con diferentes entidades en total facultad de sus competencias legales se encargan de velar por el desarrollo de este sector en el territorio colombiano, en la Tabla 3 se mencionan las principales entidades encargadas de regular la actividad acuícola en Colombia.

Tabla 4. Entidades gubernamentales encargadas de regular las actividades acuícolas en el territorio nacional. Entidad Funciones Ministerio de Agricultura y desarrollo rural

(MADR).

Este ministerio es el órgano rector encargado de la formulación, expedición y evaluación de políticas asociadas a la pesca y la acuicultura. Autoridad nacional de acuicultura y pesca

(AUNAP).

Institución adscrita al MADR y su función es la de ejercer la autoridad en materia de pesca y acuicultura a través de procesos de planificación, fomento, ordenamiento, control y vigilancia. Instituto colombiano agropecuario (ICA) Instituto encargado de la prevención, vigilancia y control de los riesgos biológicos derivados del sector agropecuario, pesquero y acuícola. Unidad de planificación rural agropecuaria

(UPRA)

Es una entidad encargada de gestionar el uso del suelo y de los procesos de adecuación de tierras Ministerio de ambiente y desarrollo sostenible (MADS) Tiene como función la formulación de políticas asociadas al manejo de los ecosistemas del territorio marino y costero.

Autoridad nacional de licencias ambientales (ANLA) Autoridad con facultades para aprobar o negar licencias en proyectos asociados a actividades acuícolas.

Dirección general marítima y portuaria

(DIMAR)

Entidad encargada de la administración y control de actividades marítimas y portuarias.

Desde el punto de vista legal en Colombia se han instaurado una serie de normativas las cuales tienen como objetivo promover la conservación y protección del medio ambiente y los recursos naturales, para ello es importante mencionar la importancia del artículo 8 de la constitución política colombiana el cual recalca la obligación del estado colombiano de proteger las riquezas naturales y recursos hidrobiológicos. A continuación, en la Tabla 4 se detallan las leyes y decretos encargadas de regular la actividad acuícola en el territorio nacional.

Tabla 5. Maco legal y normativo que regula cualquier actividad relacionada con las practicas acuícolas en el territorio nacional (Ministerio de agricultura, 2022). Norma Objeto Decreto 2811 de 1974 Decreto que tiene como finalidad definir los recursos hidrobiológicos y catalogarlos como bienes de la nación, de igual manera define la acuicultura como “cultivo de organismos hidrobiológicos con técnicas apropiadas, en ambientes naturales o artificiales y generalmente bajo control” (artículo 286) Decreto 561 de 1984, por el cual se reglamenta la ley 09 de 1979.

Este decreto reglamenta los requisitos y medidas sanitarias de seguridad para cualquier actividad pesquera, en él se regula todo el proceso desde la captura, procesamiento, transporte y expendio de cualquier producto derivado de la pesca. Ley 13 de 1990 Esta ley determina al INPA como organismo competente para la administración de cualquier actividad pesquera y acuícola, de igual manera se definen los lineamientos que abarca dicha actividad.

Ley 99 de 1993 La ley reorganiza el SINA y otorga facultades a entidades como son las CAR y las CDS para manejo y desarrollo de acuicultura Ley 101 de 1993 Llamada ley general de desarrollo agropecuario y pesquero por la cual se crea las organizaciones de cadena en el sector agropecuario, pesquero, forestal y acuícola.

Ley 165 de 1994 Ley que ratifica el convenio sobre la diversidad biológica de Rio de Janeiro del 5 de julio de 1992, que señala la obligación de los estados en impedir que se introduzcan y controlará y erradicará las especies exóticas que amenacen los ecosistemas y a las especies que se encuentren en ellos.

Ley 611 del 2000 Esta ley dicta las normas para el manejo sostenible de especies de fauna silvestre y acuáticas.

7.8 Estado del arte.

Según datos recientes de la FAO la producción mundial de acuicultura alcanzó máximos históricos en 2022, con una producción total de más de 130 millones de toneladas valoradas en 313 millones de dólares (FAO, 2024), es por ello que resulta

necesario potenciar el desarrollo de la acuicultura sostenible a través de la optimización de cada uno de sus procesos, entre ellos destaca el uso de sistemas de recirculación acuícolas (RAS) como alternativa para mitigar el alto consumo de agua y la contaminación ambiental (Dalsgaard et al., 2013). Así mismo, gracias al continuo desarrollo de tecnologías digitales, entre las que destaca el internet de las cosas (IoT) y la inteligencia artificial (IA), se ha podido identificar a estas como potenciales facilitadores a la hora de solventar las problemáticas a las que actualmente se enfrenta el sector acuícola (Ali & Kecskemeti, 20240805). A través del análisis predictivo y el monitoreo de datos en tiempo real, se busca optimizar y garantizar la sostenibilidad de la industria acuícola (Uddin et al., 2023). En el siguiente estado del arte, se revisarán los principales avances en materia de diseño e implementación de sistemas de recirculación (RAS), aplicados al sector acuícola, así mismo se estarán revisando aplicaciones que integren (IoT) e inteligencia artificial (IA) en procesos acuícolas a fin de identificar oportunidades que sustenten la pertinencia del presente trabajo.

En un contexto como el ambiental, donde intervienen múltiples variables ambientales correlacionadas, la inteligencia artificial (IA) y el internet de las cosas (IoT) recientemente se han consolidado como herramientas clave para la optimización de sistemas complejos en entornos ambientales como los presentes en el sector acuícola.

7.8.1 Sistemas acuícolas.

• Un parámetro clave en la producción acuícola es la calidad del agua y en un

trabajo realizado por (Rasheed Abdul Haq & Harigovindan, 2022) se estimó la calidad del agua a partir de un sistema hibrido de aprendizaje profundo en donde se utilizaron dos conjuntos de datos (aproximadamente 2 años de datos), para comparar cada uno de los modelos híbridos propuestos frente a modelos de línea base, los resultados mostraron que un modelo CNN-LSTM

superó a los otros modelos en términos de precisión de predicción y tiempo de cálculo.

• Un estudio de caso detalla la situación de una pequeña empresa acuícola

que implementa una solución integral para el monitoreo de variables de calidad de agua basada en IoT como solución de mejora tecnológica («IoT- Based Monitoring System for Freshwater Fish Farming», 2022).

• Según un estudio realizado por (Hernández Martínez et al., 2025), es posible

la reducción del consumo energético en un sistema piscícola con tecnología de biofloc mediante un control lógico programable utilizando un PLC, el cual se configuró para recibir instrucciones y en función de información que reciben de variables criticas como la oxigenación y la recirculación ejecutar un ajuste en los tiempos de operación y la intensidad de los aireadores.

• Una tesis doctoral que data del año 2010 expone el desarrollo de un sistema

de automatización integral para sistemas acuícolas en la producción de tilapia (Reochromis niloticus) donde se consideraron dos aspectos principales como el diseño del RAS y las necesidades tecnológicas del sector acuícola. Los resultados obtenidos indican que es viable la producción de tilapia con un sistema de recirculación abierto construido con materiales de bajo costo a lo largo de los siete meses que duró el experimento, si bien los rendimientos obtenidos no superaron el 8.5% esto se compensa con el hecho de que dicha producción fue realizada con un 35% menos de inversión a su vez que se reducía el gasto de agua en un 95% en comparación sistemas que no usan RAS; en cuanto a los sistemas de automatización integral desarrollados, estos resultaron ser una buena opción para el monitoreo de variables críticas, cada una de las tres versiones implementadas trabajó de manera óptima exponiendo mejoras notorias, más que nada en el apartado de los tiempos de respuesta de cada actuador y sensor (Zarazua, 2010).

• Según un estudio realizado por (Hernández Martínez et al., 2025), es posible

la reducción del consumo energético en un sistema piscícola con tecnología de biofloc mediante un control lógico programable utilizando un PLC, el cual se configuró para recibir instrucciones y en función de información que reciben de variables criticas como la oxigenación y la recirculación ejecutar un ajuste en los tiempos de operación y la intensidad de los aireadores.

7.8.2 Inteligencia artificial aplicada a los sistemas acuícolas

• El trabajo realizado por (Y. Chen et al., 2020), explora métodos de

inteligencia artificial para predecir la calidad del agua, los autores resumieron las principales variables de calidad de agua y por último, ejecutaron un análisis multivariado que les permitió seleccionar los modelos RNA como el adecuado por abordar los procesos de predicción y modelado RAS.

• Un estudio realizado en Bangladesh presenta un estudio de la pureza del

agua basado en el internet de las cosas (IoT), el cual combina datos de sensores en tiempo real con aprendizaje automático (Machine learning) para ejecutar un análisis predictivo que garantice agua potable a zonas turísticas del país. El sistema está conformado por una red de cuatro sensores conectados a un microcontrolador el cual transmite los datos por medio de WI-FI a un servidor centralizado. Para el estudio se evaluaron cinco modelos de aprendizaje automático donde un algoritmo basado en una red neuronal artificial (ANN) alcanzó un 92.66% de precisión (Md. A. Islam et al., 2025).

• El siguiente estudio (Md. M. Islam et al., 2023) propone un sistema embebido

el cual utiliza sensores y un microcontrolador Arduino para efectuar el monitoreo de variables de calidad de agua en cinco estanques. Una vez los datos fueron obtenidos en tiempo real estos fueron sometidos a análisis mediante la implementación de diez algoritmos de aprendizaje automático,

descubriendo que de los cinco estanques solo tres eran ideales para cultivo. De los algoritmos de aprendizaje automático desplegados Random Forest fue el que obtuvo la calificación más alta en las métricas de rendimiento, con una precisión del 94.42%.

• Un trabajo realizado por (Arabelli et al., 2025a), desarrolla un modelo de red

neuronal profunda (DNN) que ajusta parámetros específicos para evaluar la calidad del agua para acuicultura. El modelo presentado se valida mediante la comparación con otros modelos de aprendizaje automático, dicho modelo obtuvo una exactitud de entrenamiento del 97,41%.

• El estudio realizado por (Baena-Navarro et al., 2025) integra una solución

basada en IoT, aprendizaje automático y algoritmos de optimización aproximada cuántica (QAOA), para mejorar el monitoreo de la calidad de agua de acuicultura en entornos rurales con recursos limitados. Cuatro variables de calidad de agua fueron monitoreadas en tiempo real, los modelos de aprendizaje automático proporcionaron predicciones de alta precisión, mientras que el algoritmo de optimización aproximada cuántica redujo el tiempo de entrenamiento de los modelos en un 50%.

• Un estudio innovador expone una comparativa entre dos tecnologías (RAS

y Biofloc), en términos de crecimiento, calidad del agua y respuesta inmune durante 45 días, en donde el biofloc presentó una reducción en niveles los niveles de nitrito en comparación del RAS, así mismo los valores de rendimiento productivo en el crecimiento de juveniles fue mayor en el biofloc con respecto al RAS (da Rocha et al., 2025). Un proyecto similar va más allá y en (Alsharabi et al., 2024), los autores integran tecnologías de blockchain e inteligencia artificial para contribuir a una pesca sostenible. Utilizando blockchain los autores proponen el rastreo de productos pesqueros a través de toda su cadena productiva partiendo desde su cosecha hasta el momento

de su comercialización de igual manera los autores proponen el uso de un algoritmo basado en inteligencia artificial para el monitoreo de poblaciones de peces y así mejorar la sostenibilidad ambiental.

• La industria acuícola ha desarrollado varios métodos para llevar a cabo el

cultivo de peces en ambientes controlados de agua dulce o salada, presentando a esta última como un enfoque novedoso debido al aprovechamiento de los grandes cuerpos de agua salinos, un ejemplo de lo que se acaba de mencionar es el estudio realizado por (Banno et al., 2022) en donde se presentó un sistema para el monitoreo de peces silvestres en jaulas de acuicultura mediante visión artificial. Con la ayuda de múltiples cámaras subacuáticas instaladas en un cultivo de salmón los autores buscaron comprender los patrones y la cantidad de agregaciones de peces silvestres en dicho cultivo, el sistema de detección está basado en el marco de detección de objetos YOLOV4. Se realizaron ensayos con una comparativa entre un conteo manual y el modelo propuesto, los resultados arrojados mostraron un rendimiento de más del 7% en la tasa de falsos positivos.

• (Ranjan et al., 2023b) integra conceptos parecidos al implementar un sistema

de imágenes asistido por inteligencia artificial para detectar y alertar sobre la mortalidad de peces en un sistema RAS, el modelo presentado en este estudio obtuvo un rendimiento del 93% para la detección de la mortalidad en peces.

• Un estudio similar llevado a cabo por (M. S. Ahmed et al., 2022a) ensaya una

máquina de soporte vectorial en imágenes de acuicultura e identificar enfermedades presentes en una clase de salmón, dicho algoritmo obtuvo rendimientos entre 91 – 94%.

• (Ranjan et al., 2023a), desarrolló una plataforma para la adquisición de

imágenes subacuáticas y así entrenar un modelo basado en YOLOV5 y evaluar los efectos de la calidad de los datos en la detección de peces en un tanque RAS, obteniendo una precisión superior al 86% en comparación con un modelo de prueba.

7.9 Levantamiento de requerimientos

7.9.1 Requerimientos estudio preliminar

• Considerando que el presente proyecto se encuentra en su fase de

implementación, a continuación, se presentan los requerimientos que fueron utilizados como lineamientos para el desarrollo de la propuesta. Por lo tanto, el prototipo deberá ser capaz de:

• Monitorear variables fisicoquímicas de calidad de agua en ambientes

cerrados como los RAS.

• Contar con una arquitectura que facilite el almacenamiento y acceso en

tiempo real de datos históricos en la nube.

• Analizar y predecir comportamientos anómalos en los parámetros de

calidad de agua monitoreados.

7.9.2 Requerimientos funcionales

• Los parámetros bio-ambientales a monitorear deben seguir un criterio de

selección estandarizado, teniendo en cuenta requerimientos de usuario y restricción.

• La etapa de monitoreo deberá medir las variables seleccionadas en

tiempo real, permitiendo un ajuste en la adquisición de la muestra en un rango que oscile entre 1 – 2 muestras/hora (Ferreira et al., 2011; Lindholm-Lehto, 2023e; Sampaio et al., 2021).

• El sistema de monitoreo deberá tener una configuración para excluir los

datos que se encuentren por fuera del rango operativo.

• El modelo de inteligencia artificial deberá predecir al menos una variable

critica con una precisión superior al 80%.

7.9.3 Requerimientos no funcionales

• La solución planteada deberá tener un bajo costo de implementación.

• Se tendrá que considerar el uso de sensores componentes accesibles y

de bajo costo.

• La arquitectura de la capa de monitoreo deberá facilitar la integración de

sensores adicionales para posibles trabajos futuros u otras aplicaciones.

• El sistema de monitoreo contará con fuentes de respaldo energético lo

cual le permita operar de forma continua.

• El diseño de la interfaz de usuario deberá ser amigable para usuarios sin

experiencia técnica.

7.9.4 Requerimientos de usuario

• El sistema de visualización tendrá que ofrecer la opción de mostrar la

información de manera gráfica.

• El usuario podrá acceder a la plataforma a través de cualquier navegador

web.

7.9.5 Requerimientos técnicos

• La arquitectura IoT tendrá que considerar el uso de software libre en cada

una de las etapas de aplicación.

• Los sensores seleccionados deberán trabajar con voltajes de

alimentación de entre 0 – 5V.

• Los sensores utilizados deberán ser calibrados bajo protocolos

estandarizados.

• El microcontrolador utilizado deberá tener conectividad WI-FI.

• Los modelos de aprendizaje supervisado a considerar han de ser

aplicables al procesamiento de series de tiempo relacionadas a parámetros de calidad del agua en RAS.

7.9.6 Requerimientos operativos

• El prototipo de monitoreo deberá ser diseñado siguiendo criterios que

garanticen la portabilidad de este.

• Los sensores seleccionados para la etapa de monitoreo tendrán que ser

aptos para trabajar en entornos acuáticos.

8. Metodología

El siguiente apartado expone los procedimientos que se llevaron a cabo para desarrollar un sistema inteligente para el monitoreo de variables críticas en un cultivo de tilapia roja (Oreochromis mossambicus) en RAS mediante IoT e inteligencia artificial. Con el propósito de dar cumplimiento al objetivo general del proyecto, la metodología estuvo guiada bajo los estándares CDIO, para ello se fundamentó en las cuatro fases que comprenden dichos estándares (concebirdiseñar-implementar-evaluar). En la Figura 10 se puede observar el diagrama correspondiente a la metodología general (Jaramillo Patiño, 2013).

La primera fase del proyecto se articuló a través del diagnóstico y el análisis de la situación actual de la problemática, mediante una revisión bibliográfica se buscó sentar una base conceptual solida que permitiera una comprensión detallada del funcionamiento de un sistema de recirculación acuícola, previo a la visita técnica donde verificó el funcionamiento del sistema y se examinó a detalle cada uno de sus componentes, por último se realizó un análisis de las ensayos efectuados en el sistema para así establecer las variables a monitorear y relacionarlas con los requerimientos del proyecto.

A partir de la información definida en la etapa uno se avanzó a la segunda fase del proyecto la cual comprendió la consolidación de lo que se conoce en ingeniería como el diseño detallado del prototipo, teniendo en cuenta los parámetros a monitorear y los requerimientos asociados a estos, se llevó a cabo el dimensionamiento del sistema electrónico de monitoreo, seleccionando los componentes adecuados bajo restricciones presupuestales y de funcionalidad. Acto seguido se avanzó con la implementación del diseño conceptual en una placa de pruebas para validar el funcionamiento de los componentes. Finalmente se hizo un despliegue de los protocolos de calibración para cada uno de los sensores con el objetivo de garantizar la trazabilidad e integridad de la información de campo.

En la etapa de implementación se ejecutaron una serie de validaciones para corroborar el correcto funcionamiento de los componentes de acuerdo con los rangos operativos previamente definidos, una vez finalizadas las pruebas se llevó a cabo la integración de los componentes en una sola arquitectura a la cual se realizó la construcción de la estructura de almacenamiento.

Figura 10. Diagrama metodología general (autoría propia).

8.1 Diseño de investigación.

8.1.1 Enfoque.

Teniendo en cuenta la naturaleza del proyecto, así como las técnicas y actividades que se necesitan realizar para darle cumplimiento a los objetivos se tiene que el enfoque que aborda es cuantitativo, esto debido a el desarrollo de procedimientos de carácter experimental que inciden sobre unas variables previamente establecidas, la adquisición de información relacionada con unos eventos y el posterior análisis que ayudara a verificar la validez y utilidad de los datos (González,

2016).

Durante el desarrollo de este trabajo se evaluó el funcionamiento de un sistema inteligente para el monitoreo de unos parámetros de calidad de agua en un RAS. Mediante revisión bibliográfica se establecieron tanto los objetivos como el marco

conceptual del proyecto, el desarrollo metodológico parte de una base conceptual en donde se identificaron unos parámetros relacionados a la calidad de agua presente en un RAS, seguido del diseño de una arquitectura IoT para el monitoreo de tales parámetros y su posterior predicción cuando entren en rangos subóptimos y críticos.

8.1.2 Alcance.

Partiendo de las características y la intención del proyecto se estableció que su alcance aborda varios enfoques. En primer lugar, lo que se busca es desarrollar un sistema integral capaz de efectuar el monitoreo de una serie de parámetros de calidad del agua en un sistema de recirculación acuícola con la ventaja de que este sistema tendrá la capacidad de predecir eventos aleatorios donde el parámetro entre en rangos subóptimos y críticos mediante un algoritmo de machine learning. A pesar de que el número de tecnologías de soporte para los sistemas de recirculación acuícola van en aumento, estas resultan ser de difícil adquisición, esto sin dejar de lado el factor de que es complicado encontrar una tecnología que se adapte al contexto del RAS de estudio. Es por ello que este trabajo aborda una perspectiva donde se busca clasificar los rangos operativos del RAS teniendo en cuenta el contexto de este.

Finalmente se necesita evaluar el funcionamiento del prototipo en términos del funcionamiento de cada una de sus etapas, por tanto, este análisis se desarrolla en un contexto correlacional.

8.1.3 Técnicas.

Según los enfoques que aborda la ejecución del proyecto se debe tener en cuenta cuales son las técnicas más acordes a la temática de este estudio, para la ejecución de este proyecto fueron: cuantitativas, dado que los parámetros monitoreados generaron unos datos que permitieron establecer unos rangos de operación. Documentales debido a que, para definir la arquitectura del sistema, su diseño y funcionamiento se necesitó de una revisión bibliográfica detallada.

Adicionalmente, se aplicaron técnicas de análisis correlacional para establecer la relación entre el desempeño del sistema y los parámetros de calidad de agua en un RAS. Una vez definidos los componentes se llevó a cabo la etapa de diseño detallado del sistema y si arquitectura de almacenamiento, lo que implicó la elaboración de los planos y sus respectivos ensambles. Así mismo, se identificaron y se seleccionó los materiales adecuados para luego dar lugar a la implementación del prototipo.

Por último, se realizó un ensayo preliminar a fin de analizar su estabilidad y de esa manera constatar su funcionamiento, con vistas a contemplar un rediseño del prototipo. Por último, se dio una descripción detallada de los procesos de fabricación y operación para continuar con las etapas de evaluación.

8.2 Metodología para el objetivo específico 1.

El desarrollo de la solución inicia con esta etapa, la cual busca entender el contexto de la problemática y así definir los requerimientos del sistema. Inicialmente se realizó un diagnóstico sobre el estado del sistema de recirculación en la unidad temática El Remanso, de esta manera se analizaron las condiciones reales del RAS para evaluar su infraestructura y verificar el estado de otros componentes físicos que conforma el sistema tales como: tanques, bombas, filtros o sensores existentes. De igual manera se realizó un análisis preliminar de los parámetros de calidad del agua en condiciones estables, con esto se validó el estado actual del sistema, logrando de ese modo identificar posibles fallos.

Cumplido lo anterior, se procedió a la generación y definición de conceptos a través de una revisión documental en donde se identificaron los parámetros ambientales críticos en un RAS, así como sus rangos óptimos y niveles de riesgo. A partir de esta información se procedió a definir los requerimientos del sistema. Dado que lo que se busca es un prototipo académico funcional y viable se priorizaran soluciones que tengan un bajo costo de implementación con una alta eficiencia. Para concluir

se estructuró el registro documental detallado de los parámetros cuya selección se ajustó a criterios previamente consolidados.

El diagrama de la Figura 11 expone a detalle lo anteriormente mencionado.

Figura 11. Ingeniería conceptual de la solución planteada (Fuente: Autor).

8.2.1 Revisión del contexto del RAS de la unidad temática El Remanso en la

Universidad UDCA.

Se llevó a cabo una visita técnica al sitio donde se encuentra operando el RAS de estudio (Unidad Temática El Remanso de la Universidad de Ciencias Aplicadas y ambientales) para realizar un diagnóstico de las condiciones actuales del sitio.

Posteriormente se procedió a realizar una caracterización de las condiciones actuales del RAS incluyendo sus componentes, esto con la intención de verificar el estado de la infraestructura y otros componentes físicos del sistema tales como: tanques, bombas, filtros o sensores existentes, posteriormente se realizó un análisis de los datos obtenidos en ensayos previos, para determinar el estado actual del sistema, verificar su frecuencia de uso e identificar posibles fallos. Este análisis previo permitió identificar a detalle posibles escenarios críticos y procesos susceptibles de optimización.

8.2.3 Identificación de parámetros críticos.

Teniendo en cuenta la operación y estabilidad de un sistema de recirculación acuícola, se realizó la identificación de los parámetros críticos de calidad de agua que influyen de manera directa en su sostenibilidad basado en el marco referencial de la presente propuesta. Este análisis conceptual permitió establecer los parámetros más relevantes dentro de la dinámica de un RAS, y así transitar con mayor claridad hacia la etapa en donde se clasificarían estos parámetros.

8.2.4 Clasificación de parámetros de calidad de agua en RAS. Posterior a la revisión documental se procedió a la jerarquización de las variables previamente identificadas, clasificándolas según sus propiedades físicas, biológicas y químicas. La segmentación de los parámetros se realizó en seis categorías en las cuales se agruparon cada uno de los parámetros establecidos en la sección anterior, este proceso permitió establecer con claridad una arquitectura que determinara la independencia de variables.

8.2.5 Selección de parámetros críticos.

Una vez realizada la investigación sobre las especificaciones de los parámetros de calidad de agua que deben ser monitoreados en un sistema de recirculación acuícola, se procedió a utilizar una metodología para priorizar los criterios de selección a tener en cuenta y así responder a la pregunta de ¿Qué parámetros deben ser monitoreados teniendo en cuenta los requerimientos del RAS de estudio? Partiendo de las características de este trabajo, se utilizó el Proceso de Jerarquía Analítica (AHP), esta es una metodología estructurada para la toma de decisiones multicriterio, conforme (Gómez Motoya et al., 2008).

Este proceso emplea una escala de valores enteros que va de 1 a 9 con la cual se pondera la importancia relativa entre los elementos pareados, la descripción del valor ponderado se muestra en la Tabla 5.

Tabla 6. Escala de Saaty para comparar la relevancia de parámetros en una matriz de decisión (Adaptada de Goepel, 2013). Escala numérica Escala verbal Descripción

1

Igual importancia.

Los dos elementos contribuyen igualmente a la propiedad o criterio.

3

Moderadamente más importante un elemento que el otro.

El juicio y la experiencia previa favorecen a un elemento frente al otro.

5

Fuertemente más importante un elemento que el otro.

El juicio y la experiencia previa favorecen fuertemente a un elemento frente al otro.

7

Mucho más fuerte la importancia de un elemento que la de otro.

Un elemento domina fuertemente. Su dominación está probada en práctica.

9

Importancia extrema de un elemento frente al otro.

Un elemento domina al otro con el mayor orden de magnitud posible.

8.3 Metodología para el objetivo específico 2. Partiendo del objetivo específico 2, en la Figura12 se muestra la metodología que se llevó a cabo para el desarrollo de un prototipo funcional de arquitectura IoT para la adquisición en tiempo real de parámetros de calidad del agua en un RAS, para ello se tuvieron en cuenta el cumplimiento de una serie de procesos y metodologías complementarias asociadas al diseño conceptual e ingeniería de detalle.

Inicialmente se realizó un análisis de la base conceptual establecida en el marco referencial, la cual abordó la identificación de los parámetros clave para determinar la calidad del agua en un RAS, por lo que una vez determinados dichos parámetros, se procedió a estructurar sus rangos operativos.

La etapa de ingeniería de detalle se fundamentó en el uso de matrices de decisión, priorizando los requerimientos de la propuesta, lo cual facilitó la selección de componentes y el diseño de circuitos electrónicos.

Figura 12. Metodología para el segundo objetivo (Fuente: Autor). 8.3.1 Definición de rangos operativos de los parámetros a medir. 8.3.1.1 Temperatura.

Esta metodología se centró en la definición de umbrales críticos, teniendo en cuenta los parámetros establecidos en la sección anterior y los requerimientos fisiológicos de la especie cultivada en el RAS, la cual corresponde a la tilapia roja (Oreochromis sp). Para esto se realizó un análisis fisiológico comparativo de los parámetros de calidad del agua fundamentado en los conceptos de CTmax – CTmin y rango de tolerancia térmica, cuyos significados derivan del concepto de ventana de tolerancia térmica (Cereja, 2020a; Dressler et al., 2023; Madeira et al., 2012a).

Inicialmente realizó un análisis documental de literatura científica publicada, para determinar e identificar valores reportados CTmax, CTmin, TSM y rangos de tolerancia térmica en RAS para Tilapia roja (Oreochromis sp) o especies filogenéticamente similares (Cereja, 2020a), debido a la naturaleza específica del presente trabajo, se optó por no usar restricciones cronológicas. Para esta tarea se utilizaron bases de datos tales como: ELSEVIER, ScienceDirect, Scielo, Pubmed y MDPI, Medline, Web of Science, Scopus y Google Scholar. En los criterios de búsqueda se incluyeron títulos, artículos de revista, resúmenes, capítulos de libros que incluían palabras claves como: “RAS” OR “Sistemas de recirculación acuícola” OR “Tilapia Roja” OR “Parámetros ambientales” OR “Calidad

del agua” OR “Rangos óptimos” OR “pH” OR “Temperatura” OR “CTmax” OR “CTmin” OR “Oxígeno disuelto” OR “Monitoreo”, el idioma no fue un parámetro de restricción, posterior a ello cada recurso fue revisado y su idoneidad fue evaluada para el desarrollo de este trabajo (Sheehan & Lam, 2015).

Ratificada la base conceptual, esta fue sometida a un proceso de discriminación el cual permitiera identificar estudios realizados en contextos similares a fin de encontrar similitudes que facilitaran la parametrización de los umbrales de operación para el RAS de estudio.

Tras consolidar los estudios afines al contexto de estudio, se procedió a determinar los valores operacionales promedio del RAS en la unidad temática El Remanso, esto se realizó a través de un análisis estadístico basado en estadística descriptiva de los registros preliminares en condiciones estacionarias, con esto se establecieron los valores de referencia para los organismos de la especie cultivada.

Por último, se definieron las ecuaciones para el cálculo de los limites operativos y con ellos se hizo el despliegue de las zonas de tolerancia experimental. En la Figura 13, se puede observar con mejor detalle la metodología desarrollada para cumplir con la actividad anterior.

Figura 13. Metodología para la definición de los rangos operativos (Fuente: Autor).

8.3.3.2 pH.

Ante la ausencia de criterios fisiológicos como lo son el CTmax o CTmin, para estimar los rangos operativos del pH se decidió abordar un enfoque estadístico, este se fundamentó en una revisión bibliográfica similar a la realizada en la sección 8.3.1.1, haciendo especial énfasis en la información relacionada con el pH y la especie cultivada en el RAS de estudio.

Dada la variabilidad de los rangos operativos de pH reportados por los trabajos seleccionados, se procedió a segmentar cada rango en dos componentes: límite inferior y límite superior, estos fueron analizados de forma independiente. El proceso anterior facilitó un análisis estadístico basado en el cálculo de las medianas y los percentiles. Esta estrategia permitió transformar información cualitativa en un conjunto de datos cuantificables.

De esta manera los rangos operativos no fueron establecidos como un valor único, en su lugar fueron definidos como zonas operativas, categorizándolas en regiones de operación optima, subóptima y crítica.

8.3.2 Criterios de selección de componentes, materiales y simuladores. El sistema propuesto fue diseñado específicamente para el monitoreo de parámetros de calidad de agua del RAS ubicado en la unidad temática El Remanso (UDCA). Este sistema consta de una red de sensores para la adquisición de señales procedentes de variables fisco-químicas del agua en un RAS, una unidad central de procesamiento para la gestión de las señales provenientes de los sensores y una herramienta para la visualización y gestión de la información en línea.

La capa de medición (sensores) tiene la función de interactuar con el agua dentro del RAS, estos a través de una serie de procesos electrónicos (transducción, acondicionamiento, comunicación) transforman los fenómenos fisicoquímicos en señales eléctricas (Areny, 2004). La capa de procesamiento es la encargada de la digitalización (conversión análogo-digital) y trasmisión de la señal de la señal (Wifi, Bluetooth, Zig-Bee) mediante el uso de una placa de desarrollo (Arduino, Raspberry,

Esp-32, Beaglebone, etc.). Además, esta placa es la encargada del envió de la información a la herramienta de visualización y la gestión del suministro eléctrico de todo el sistema.

A continuación, se presenta la Tabla 6 donde se muestra una relación entre las características técnicas que se deben tener en cuenta para la selección de los componentes que hacen parte del sistema de monitoreo y los requerimientos aprobados en la presente tesis de grado.

Tabla 7. Criterios técnicos para sistema de monitoreo (Fuente: Autor). Requerimiento del estudio Características sensor de temperatura.

Características sensor de pH Características sensor solidos disueltos (TDS) Características unidad de procesamiento R1 • Resolución ≥

9 Bits

• Resolución ≥

9 Bits

• Resolución ≥ 9 Bits • Resolución

32

Bits R2 • Temperatura de medición:

acorde a los rangos operativos de la variable.

• pH de medición:

acorde a los rangos operativos de la variable.

• TDS de medición:

acorde a los rangos operativos de la variable.

N/A R3 • Bajo costo • Bajo costo • Bajo costo • Bajo costo R4 • Bajo costo • Asequible en el mercado • Bajo costo • Asequible en el mercado • Bajo costo • Asequible en el mercado • Bajo costo • Asequible en el mercado R5 N/A N/A N/A • Cantidad de pines: amplio

R6 • Voltaje de alimentació n de 0 – 5 V • Voltaje de alimentación de 0 – 5 V • Voltaje de alimentación de 0

– 5 V

• Voltaje de alimentación de

0 – 5 V

R7 N/A N/A N/A • Placa de desarrollo con conectividad inalámbrica

R8 • Dimensione s pequeñas • Dimensiones pequeñas • Dimensiones pequeñas • Dimensiones pequeñas R9 • Materiales impermeabl es • Materiales impermeable s • Materiales impermeables N/A

R1: La etapa de monitoreo deberá medir las variables seleccionadas en tiempo real, permitiendo un ajuste en la adquisición de la muestra en un rango que oscile entre 1 – 2 muestras/hora (Ferreira et al., 2011; Lindholm- Lehto, 2023e; Sampaio et al., 2021).

R2: Monitorear variables fisicoquímicas de calidad de agua en ambientes cerrados como los RAS. R3: La solución planteada deberá tener un bajo costo de implementación. R4: Se tendrá que considerar el uso de sensores componentes accesibles y de bajo costo. R5: La arquitectura de la capa de monitoreo deberá facilitar la integración de sensores adicionales para posibles trabajos futuros u otras aplicaciones R6: Los sensores seleccionados deberán trabajar con voltajes de alimentación de entre 0 – 5V. R7: El microcontrolador utilizado deberá tener conectividad WI-FI. R8: El prototipo de monitoreo deberá ser diseñado siguiendo criterios que garanticen la portabilidad de este. R9: Los sensores seleccionados para la etapa de monitoreo tendrán que ser aptos para trabajar en entornos acuáticos.

Las características técnicas consideradas para cada uno de los componentes se encuentran concebidas en la Tabla 6. Aspectos como el consumo energético, la resolución de los sensores y los rangos de medición para cada parámetro de calidad del agua son criterios técnicos asociados al correcto funcionamiento del sistema de monitoreo, de igual manera el requerimiento del consumo energético se estableció teniendo en cuenta el voltaje de alimentación que suministran la mayoría de las placas de desarrollo comerciales. En cuanto al criterio asociado a las dimensiones del sistema, este fue establecido para condicionar la portabilidad del prototipo. Por último, el costo y la asequibilidad de los componentes están asociados a un criterio que responde a la necesidad de ajustarse a un presupuesto limitado, esto con el objetivo de implementar una alternativa rentable y funcional que aumente la posibilidad de trasladar este desarrollo a contextos productivos.

8.3.3 Selección de componentes.

Esta etapa considera la selección de los componentes (sensores) que llevan a cabo la ejecución de la etapa de monitoreo, para la selección de cada componente se realizó una matriz de decisión cuya función es la de evaluar varias alternativas de solución para la cuantificación de las variables en cuestión, dicha ponderación se realizó considerando los requerimientos previamente establecidos. Inicialmente se elaboró un listado provisional de componentes cuyas características se ajustarán a los requerimientos de ingeniería ya establecidos, cada componente listado se escogió teniendo en cuenta la función que desempeñará dentro de la etapa de monitoreo del prototipo y los criterios de selección establecidos en la sección 8.3.4.

8.3.4 Integración de componentes.

El sistema requirió la integración de los componentes seleccionados, lo que incluyó sensores y unidades centrales de procesamiento. Se necesitó describir la interacción entre cada uno de estos componentes, para lo cual se empleó diagramas de caja gris y caja negra, en ellos se observaron los variables de entrada y las salidas asociadas a estas.

8.3.5 Diseño electrónico del circuito de monitoreo.

Para establecer el diseño electrónico del sistema de monitoreo, inicialmente se partió de un proceso integral el cual comprendió la búsqueda, análisis y selección de información relacionada a los conceptos empleados en el proceso de monitoreo de variables fisicoquímicas que impactan en la calidad del agua de un RAS, una vez definidos dichos conceptos; los criterios de selección y alternativas de solución fueron redactadas, estos resultados se evidencian en la sección de selección de componentes. Teniendo en cuenta dichos criterios se procedió a la selección de los componentes electrónicos del sistema.

Finalmente se realizó el despliegue de los diseños esquemáticos que simularían las conexiones físicas entre los sensores y la unidad central de procesamiento, de esta manera se evaluó el comportamiento electrónico y la comunicación entre componentes previa a la materialización del prototipo. Los resultados serán mostrados en la sección de resultados.

8.3.6 Diseño estructura de almacenamiento.

En esta etapa se comprendió la visualización de una estructura física conformada por un conjunto de piezas que constituyen lo que será una caja protectora para los sensores y la unidad central de procesamiento, dicha estructura deberá responder a los requerimientos de diseño previamente establecidos, para lo cual se establecieron una serie de criterios para evaluar los posibles materiales de construcción (Tabla 7).

Teniendo en cuenta las características espaciales de la unidad temática El Remanso se priorizaron características técnicas que garantizaran la resistencia, durabilidad, portabilidad y permeabilidad del prototipo.

Una vez establecidos los criterios de selección, se elaboró una lista con los posibles materiales de construcción y mediante una matriz de decisión se seleccionó el material más adecuado para la construcción de la estructura de almacenamiento del sistema de monitoreo, donde la calificación de cada alternativa va de 1 a 5, donde 1 significa que no cumple y 5 que cumple en su totalidad (Tabla 8). Una vez finalizada la calificación de cada requerimiento se realizó una sumatoria para cada alternativa propuesta y por último se seleccionó la alternativa de mayor ponderación.

Tabla 8. Criterios de selección para el material de construcción (fuente: Autor). Estructura de almacenamiento Características Definición Peso Desde el punto de vista de la construcción de la estructura el material seleccionado ha de ser ligero para facilitar su transporte y manipulación.

Aislamiento eléctrico Para prevenir el paso de corrientes de fuga y mitigar las interferencias electrónicas, el material debe tener propiedades aislantes lo cual garantiza la integridad de los componentes electrónicos y el correcto funcionamiento del sistema.

Resistencia al agua Teniendo en cuenta el contexto espacial del lugar de operación del equipo, el material debe ser impermeable para proteger los componentes electrónicos contra el agua.

Resistencia a la humedad Se refiere a la capacidad que tiene el material de soportar ambientes saturados de vapor de agua sin perder su estabilidad. Durabilidad en el tiempo Esto es el ciclo de vida útil del material, nos aseguramos de que este no pierda sus propiedades mecánicas debido a agentes ambientales. Resistencia mecánica Nos aseguramos de que el material conserve su estabilidad estructural ante impactos inesperados y cargas mecánicas. Precio Este apartado permite ajustarse a los requerimientos presupuestales previamente establecidos, garantizando un equipo funcional y económicamente viable.

Accesibilidad Los materiales utilizados en la construcción del prototipo deben ser de fácil acceso dentro del mercado local.

Manipulación Las propiedades mecánicas del material facilitan su manipulación sin comprometer la resistencia mecánica.

8.3.7 Cálculos del suministro energético para el sistema. Se realizaron cálculos electrónicos con el objeto de establecer el consumo eléctrico individual de cada componente y así cuantificar el consumo energético necesario para todo el sistema, para ello fue necesario el despliegue de una serie de criterios que orientaran el proceso de diseño para la fuente de alimentación. La Tabla 9 expone los criterios a tener en cuenta para cuantificar el consumo energético del sistema en su totalidad.

Tabla 9. Criterios para el consumo energético del sistema (Fuente: Autor). Consumo energético Característica eléctrica Definición Voltaje de trabajo (VDD) Es el voltaje de entrada requerido para que los circuitos internos del componente puedan encenderse y operar de la manera correcta.

Consumo de corriente (mA) Esta corresponde a la demanda energética del componente en su estado activo.

Potencia otorgada (W) Este criterio representa la energía que consume el componente en un periodo de tiempo.

Una vez definidos los criterios energéticos se procedió a realizar los cálculos que permitieran estimar la alimentación energética del sistema de monitoreo integral, se evaluó el consumo energético de los sensores y la unidad central de procesamiento, validando que el sistema disponga de la fuente de alimentación correcta que garantice su funcionamiento y autonomía.

Para evitar las sobrecargas del sistema y otras anomalías eléctricas, se cuantificó la suma total de la corriente consumida por cada componente y así contrastar que el valor obtenido por la sumatoria se encuentre dentro de los rangos de corriente suministrado por la fuente de alimentación. La Ecuación 2 y 3 describe el procedimiento mencionado anteriormente.

𝑉 = 𝐼∗𝑅

Ecuación 2

Donde: V = Voltaje; I = Corriente; R = Resistencia

∑𝐶𝑜𝑟𝑟𝑖𝑒𝑛𝑡𝑒 𝑡𝑜𝑡𝑎𝑙= 𝑈𝑃𝐶+ 𝐼𝑠𝑒𝑛𝑠𝑜𝑟𝑒𝑠 Ecuación 3

8.3.8 Montaje en placa de pruebas.

Se ejecutó la implementación del prototipo establecido en la sección anterior en una placa de pruebas, con esto se cotejó el diseño teórico con la respuesta electrónica de los componentes. Se integraron los sensores con la unidad central de procesamiento de acuerdo con el diseño conceptual de la arquitectura electrónica. Esto sirvió para evaluar la integridad de las conexiones y la comunicación entre componentes, garantizando la integridad en la continuidad de las señales generadas.

8.3.9 Calibración de sensores.

Previo a la etapa de implementación, los sensores se calibraron bajo protocolos basados en la norma ISO/IEC 17025:2017. Esta norma se fundamenta en la comparación de mediciones realizadas por el instrumento a calibrar y un instrumento patrón de referencia con una trazabilidad verificable. Este proceso se realizó con el propósito de asegurar la precisión, trazabilidad y exactitud de las mediciones realizadas por el nodo de sensores (ISO 5814, s. f.).

8.3.9.1 Calibración sensor de temperatura.

El sensor de temperatura en agua (DS18B20) se calibró utilizando el método de calibración de dos puntos (Two Point Calibration), este protocolo establece la medición de dos puntos térmicos distantes en un elemento conocido para ser utilizados como valores de referencia y así realizar un ajuste entre el sensor y el instrumento patrón de referencia trazable a través de la Ecuación 4 (Shadadpuri Goplani, 2018).

Ecuación 4 El proceso planteado anteriormente se describe con mejor detalle en la Figura 14.

Figura 14. Metodología para calibración del sensor de temperatura (Fuente: adaptado de: Shadadpuri Goplani, 2018).

8.3.9.2 Calibración sensor de pH.

El protocolo calibración para el sensor de pH se realizó mediante un proceso estructurado en dos fases. La fase uno del protocolo comprendió el ajuste digital de la respuesta del voltaje suministrado por el sensor durante la caracterización de soluciones buffer de pH conocido 4.0, 7.0. La segunda fase consistió en la medición de las soluciones buffer con un instrumento patrón y con ello evaluar el grado de similitud entre las mediciones realizadas por el sensor y el instrumento de referencia.

8.3.9.3 Calibración del sensor SDT

Para la calibración del sensor de STD se optó por establecer un protocolo basado en el método de dos puntos. Teniendo en cuenta que el sensor trabaja con una sonda para medir la conductividad eléctrica de una solución, que luego mediante un factor de conversión (EC) convierte en solidos disueltos totales (ppm), es necesario disponer de una solución de referencia de conductividad conocida. Ante la ausencia de una solución con esas características, se decidió utilizar muestras de agua del RAS de estudio como solución de estándar. A las muestras de agua se le midieron los sólidos disueltos totales con un equipo de referencia calibrado y con ello comparar los registros con los realizados por el sensor a calibrar. Por último se realizó un ajuste digital al factor de calibración dentro del algoritmo de control de los sensores (Isabella Wibowo et al., 2019).

8.3.10 Desarrollo del software para la gestión de los datos. Se implementó un algoritmo de control que le permitió a la unidad central de procesamiento la adquisición y gestión de los datos registrados por los sensores en el RAS. La información fue transmitida hacia una base de datos provisional mediante un protocolo de comunicación que garantizara una transmisión de datos eficiente y coherentes. Por último, se realizó el despliegue de una interfaz web que permitiera la visualización de los datos relacionados a la calidad del agua en el RAS de manera íntegra y en tiempo real.

Para la adquisición y gestión de los registros se implementó un algoritmo estructurado en la plataforma Arduino IDE (Integrated Development Environment), este entorno de programación permitió la escritura del código y su posterior despliegue en la unidad central de procesamiento.

La selección del protocolo de comunicación para la información se fundamentó en un proceso estructurado a partir del despliegue de una matriz de decisión, debido a que las aplicaciones que integran tecnologías IoT suelen exigir una comunicación fiable que garantice la entrega de la información de manera precisa y oportuna, se hizo necesario evaluar los aspectos más importantes en la arquitectura del protocolo para así seleccionar el adecuado (Kashyap & Sharma, 2025a). Tras la consolidación del proceso de selección para el protocolo de transmisión de la información, fue necesario realizar el despliegue de la plataforma IoT que actuó como unidad de almacenamiento provisional para los datos entregados por los sensores y que además permitiera la visualización de la información en tiempo real. Partiendo de diversas alternativas, se decidió adoptar un enfoque basado en un análisis de alternativas multicriterio sustentado en una matriz de decisión.

8.4 Metodología para el objetivo específico 3.

La metodología que describe el diagrama de la Figura 15 abarcó el desarrollo y posterior implementación de un modelo para predecir un evento crítico, donde las magnitudes de un parámetro de calidad del agua dentro el sistema excede el umbral aceptable.

Inicialmente se definieron los parámetros de calidad de agua que se quieren predecir dentro del sistema a partir de las actividades realizadas con anterioridad en la sección 8.2.5 (Selección de variables criticas).

Como conjunto de entrenamiento se utilizó una base de datos derivada de una recopilación de mediciones realizadas en el sistema durante un periodo de aproximadamente 1 año, esta fue digitalizada y posteriormente unificada en un formato de fácil manejo.

La etapa de preprocesamiento se fundamentó en técnicas para la detección y tratamiento de anomalías y datos atípicos. Se identificaron patrones y tendencias a través de estadística descriptiva, con ello se logró la comprensión de las significancias de las relaciones observadas.

Se desplegó una serie de modelos y acto seguido cada uno fue entrenado, el modelo que mejor desempeño obtuvo fue seleccionado para su validación.

Figura 15. Metodología desarrollada para el objetivo específico 3. (Fuente: autor). 8.4.1 Requisitos de investigación.

Para dar cumplimiento al objetivo asociado a la siguiente metodología, se partió por dar contexto acerca de la problemática que se busca solventar, para ello se hizo necesario definir el propósito de esta herramienta a través de una pregunta de investigación, la cual estableció los lineamientos a alcanzar con el desarrollo de esta herramienta (Cortina Januchs, 2012).

8.4.1.1 Selección de variables.

Durante el desarrollo del proyecto, en la sección 8.2.5 (selección de parámetros críticos), se seleccionaron una serie de parámetros de calidad del agua basados

en criterios estandarizados. Partiendo de dichos resultados se procedió a seleccionar los parámetros que serían implementados en el modelo de predicción.

8.4.3 Recopilación de datos.

Los datos de los parámetros de calidad del agua del RAS que se utilizaron en instancias subsiguientes se obtuvieron de la unidad temática El Remanso (UDCA) Bogotá – Colombia. Estos datos fueron recopilados durante un periodo comprendido entre el 03/02/2025 y el 04/12/2025, con una frecuencia de registro de dos veces al día: una medición en la mañana y otra en la tarde. Dado que la información fue registrada inicialmente de forma manual, fue necesario realizar un proceso de digitalización y estandarización. Para ello, se diseñó una plantilla en Excel en la que se definieron criterios específicos del muestreo, permitiendo así validar la consistencia e integridad de los datos recopilados.

8.4.4 Procesamiento de datos.

En esta sección se explica los procesos que se utilizaron para la preparación y limpieza de los datos obtenidos a partir de los procesos de digitalización y unificación.

Para garantizar la integridad de los datos se realizó un análisis preliminar del dataset en busca de errores de formato o registros faltantes, lo que llevo a la segunda etapa la cual consistió en una depuración de datos duplicados o faltantes.

8.4.5 Análisis y exploración de los datos.

Esta metodología inició con el análisis del Dataset procedente de la etapa de procesamiento (sección 8.4.4), mediante un proceso estructurado el cual comenzó con la visualización de los registros de la base de datos, se buscaba visualizar la distribución de las mediciones realizadas a los parámetros de calidad del agua en el RAS y así explorar las relaciones existentes entre ellas. Con esto se pretendía garantizar la coherencia entre la información y el comportamiento de los parámetros de calidad del agua en el RAS.

Finalmente se realizó un análisis estadístico que incluyó la estimación del promedio, la mediana y la desviación estándar, lo que ayudó a identificar patrones que permitieran establecer relaciones entre los parámetros registrados en la base de datos.

8.4.6 Despliegue y selección de modelo.

Con el propósito de identificar el modelo que mejor se adapte a las características de los datos de entrada. Se realizó un análisis comparativo basado en una matriz de decisión, cuyos criterios de selección se ajustan a los requerimientos técnicos de presente propuesta.

Debido a la complejidad y variabilidad del evento critico a predecir, la elección del modelo no solo se basó en métricas de rendimiento cuantitativas, de igual manera se consideró cómo cada alternativa modelaba la dinámica fisicoquímica del RAS. Se tomaron en cuenta principalmente modelos de machine learning capaces de procesar datos procedentes de series temporales.

8.4.7. Feature Engineering

En esta fase del modelado, la intención pasó por la creación de nuevas features o características a partir de las existentes. Mediante un análisis de las características previas se buscó identificar las más relevantes para la tarea y con ello enriquecer al modelo de mayor información de la cual aprender.

8.4.8 Entrenamiento y validación del modelo.

La fase de entrenamiento de los modelos se realizó utilizando la base de datos digitalizada y corregida previamente. Para la división de los sets de datos se implementaron varios métodos de entrenamiento con el objetivo de analizar el comportamiento del modelo y a partir de allí seleccionar el método que mejor se ajuste a las necesidades de la propuesta (Blum et al., 1999; Schorfheide & Wolpin,

2016).

Para la validación se utilizaron métricas de evaluación para estimar el desempeño del modelo en condiciones específicas.

8.5 Metodología para el objetivo específico 4.

Para la validación del funcionamiento de la presente propuesta y la verificación del cumplimiento de los requerimientos establecidos, se empleó una metodología fundamentada en el Test de Funcionalidad FAT. Este proceso estructurado planteó la evaluación del prototipo en términos de la funcionalidad de cada subsistema que conforma el sistema principal. El objetivo de este proceso es validar los resultados obtenidos en términos de los requerimientos previamente establecidos, con ello se garantiza el cumplimento de cada uno. De igual manera, este enfoque permitió validar el funcionamiento de cada nodo del sistema, abordando Hardware, software de forma independiente.

Este protocolo inició con la validación del sistema de monitoreo, lo cual incluyó la verificación del arranque del sistema, acto seguido, se procedió a la validación de los sensores por medio de una comparación en las mediciones realizadas por el prototipo y un instrumento de referencia, esto con el objetivo de asegurar la precisión de la capa de sensores.

La capa de transmisión y almacenamiento de la información se verificó a través de un proceso estructurado en donde se corroboró el estado de la conexión de la unidad central de procesamiento y él envió de paquetes de datos procedentes de los sensores hacia el entorno de almacenamiento. Con ello se validó el correcto funcionamiento del protocolo de comunicación a través de la visualización de los datos en tiempo real.

Para la validación del modelo predictivo, se realizó un análisis comparativo entre los modelos desplegados, se comparó la coherencia de las predicciones realizadas a través del ajuste del horizonte de predicción y el cálculo de métricas de desempeño. Finalmente se hizo el despliegue del sistema integrado y se corroboró su funcionamiento en condiciones operativas reales.

La Figura 16 describe a detalle el proceso seguido para dar cumplimiento al objetivo específico 4.

Figura 16. Metodología implementada para dar cumplimiento al objetivo específico 4 (Fuente: Autor).

9. Resultados y discusión

9.1 Resultados objetivo específico 1

9.1.2 Revisión del contexto del RAS de la unidad temática El Remanso en la

Universidad UDCA.

El sistema RAS de la U.D.C.A está destinado al cultivo controlado de varias especies de peces, en esta oportunidad se está llevando a cabo el cultivo de tilapia roja (Oreochromis sp), cuya población se encuentra en etapa de engorde. El sistema está conformado por diez tanques de cultivo interconectados, cada uno está fabricado en polietileno negro con aditivo U.V los cuales tienen una capacidad volumétrica de 250 litros, así mismo el RAS cuenta con un sistema de filtración mecánica de tipo malla estática que ayuda a retener solidos mayores a 200 µm, seguido de tres biofiltros de lecho sumergido los cuales se pueden observar a detalle en la Figura 17.

Figura 17. Filtro biológico de lecho sumergido del sistema RAS de la unidad temática El Remanso.

Adicionalmente el sistema cuenta aireación mecánica a través de dos turbinas mecánicas tipo blower de 180W de potencia (Figura 18). El agua es calentada a través de dos termostatos de 100W de potencia.

Figura 18. Turbina mecánica tipo blower industrial, este equipo generalmente es usado para la oxigenación de los tanques en acuicultura. Se puede considerar que los componentes del RAS se encuentran en óptimas condiciones, los tanques de cultivo no presentan desgaste y las bombas fueron adquiridas recientemente. La descripción anterior puede apreciarse con mayor claridad en la Figura 19.

Figura 19. Evidencia fotográfica del estado actual del RAS de la unidad temática El Remanso.

Este sistema opera en un espacio cerrado, bajo un esquema de recirculación continua con un volumen total aproximado de 3500 litros Actualmente, el monitoreo de los parámetros de calidad del agua es realizado a través de la medición de parámetros físicos y fisicoquímicos tales como: temperatura, pH y oxígeno disuelto, utilizando un equipo multiparámetro HI98193 de la marca Hanna. De igual manera se hace seguimiento a parámetros químicos específicamente: amoniaco, nitratos y nitritos, para tal propósito se implementa el uso del API freshwater Master Test Kit. La frecuencia de la medición es diaria, el registro de la información se efectúa de manera fotográfica y manual. Durante la revisión inicial del sistema se realizaron una serie de pruebas preliminares para observar la temperatura del agua, se encontraron variaciones comprendidas entre los 17 - 20°C, en cuanto al pH se reportaron valores próximos entre 6 – 7. Lo anterior es evidencia de la influencia de factores operativos y ambientales en la estabilidad del sistema, lo cual resulta idóneo para el desarrollo e implantación de metodologías orientadas al fortalecimiento del control ambiental en contextos académicos. La Tabla que se muestra a continuación (Tabla 10) presenta una caracterización general del sistema.

Tabla 10. Descripción general resumida de los componentes y parámetros actuales del RAS (Fuente: Autor).

Componente Descripción Tipo de sistema RAS piloto/investigación y docencia Grado de intensidad Semi-intensivo Especie cultivada Tilapia roja Etapa productiva Engorde Entorno de operación Entorno cerrado (interior) Volumen total

2500 L

Parámetros para monitorear Temperatura, pH, Oxígeno disuelto, conductividad.

Tipo de monitoreo Manual Frecuencia del monitoreo Diaria

La revisión del contexto actual del RAS revelo limitaciones operativas asociadas a la falta criterios cuantitativos que permitan clasificar de forma precisa el estado de la calidad del agua, esto sumado a la ausencia de instrumentos que realicen una lectura eficiente y en tiempo real de los parámetros de interés justifican la necesidad de implementar una estrategia metodológica que permita definir umbrales operativos basados en evidencia científica teniendo en cuenta el contexto especifico del RAS en cuestión.

9.1.3 Identificación de variables críticas.

Para operar de manera exitosa un sistema de recirculación acuícola es primordial comprender el estado de los parámetros de calidad de agua que influyen de manera directa en la estabilidad del sistema y a su vez en el bienestar del cultivo, esto incluye tanto el monitoreo como el control de dichos parámetros. Estas herramientas (RAS) se caracterizan por trabajar con una densidad de cultivo, lo cual se encuentra directamente relacionado con el número de individuos mientras que la tasa de recambio del recurso hídrico en algunos casos es mínima. Lo anterior conlleva a que pequeñas perturbaciones en ciertos parámetros puedan generar efectos nocivos significativos sobre los procesos internos del sistema RAS, afectando de manera directa los organismos del cultivo (Makori et al., 2017b).

En vista de lo expuesto anteriormente, resulta crucial para el éxito del RAS identificar aquellos parámetros de calidad del agua que, por su impacto fisiológico y operativo se consideran críticos, lo cual amerita el monitoreo prioritario. Se establecieron criterios de búsqueda especializados en bases de datos indexadas (Pubmed, ScienceDirect, Scielo, entre otras) para identificar los parámetros más relevantes teniendo en cuenta la fisiología de la especie objetivo, la frecuencia en la tasa de cambio del parámetro en RAS y la facultad que pueda tener para establecer interacciones con otros parámetros.

9.1.4 Parámetros que afectan la calidad del agua en RAS.

La calidad del agua se encuentra definida como la combinación de parámetros fisicoquímicos y biológicos del agua ya sea en su forma natural o después de ser intervenida por actividades humanas (Abd El-Hack et al., 2022a; Chaudhuri et al., 2012; López-Luna et al., 2013), en sistemas de recirculación acuícola donde la tasa de recambio hídrico es mínima la acumulación de compuestos orgánicos se constituye como una problemática, más que nada porque la calidad del agua decrece afectando la salud, la supervivencia y el crecimiento de los organismos acuícolas cultivados, es por ello que resulta crítico para la estabilidad del cultivo mantener las propiedades del agua a niveles óptimos (Boyd, 2017; Wanja et al.,

2020).

Los parámetros más importantes que determinan la calidad del agua en un sistema RAS son: temperatura, pH, oxígeno disuelto, salinidad y potencial Redox. Dentro del nitrógeno total se encuentra el nitrito y el nitrato (Chandramenon et al., 2024a; Somerville, 2014). En la siguiente sección se analizarán los parámetros de calidad de agua críticos para el correcto funcionamiento de un RAS.

9.1.4.1 Criterios para la selección de parámetros de calidad de agua en

sistemas de recirculación acuícola (RAS).

Los criterios de calidad de agua para sistemas de recirculación acuícola son una serie de normas y estándares diseñados para evaluar como dichos parámetros impactan en el bienestar de las especies de peces en un cultivo acuícola (Arabelli et al., 2025b; Colt, 2006) y en la estabilidad del sistema RAS en sí. Estos criterios son establecidos por entidades tales como la FAO o instituciones gubernamentales como el ICA las cuales suelen considerar una amplia de criterios los cuales tienen como objetivo la protección de la especie y el funcionamiento del sistema. Teniendo en cuenta la naturaleza del proyecto, el desarrollo de este tuvo un enfoque basado en la prevención del daño a las especies cultivadas en el RAS, de manera que, según la información concebida en la literatura académica reciente, se establecieron los siguientes criterios:

9.1.4.2 Influencia directa sobre procesos fisiológicos fundamentales. Se define como la capacidad que tiene un parámetro de incidir de manera directa e inmediata sobre los procesos fisiológicos fundamentales de la especie cultivada, impactando funciones biológicas criticas tales como el metabolismo, respiración y la osmorregulación. Un sistema RAS con una calidad de agua deficiente puede provocar a los individuos del cultivo una serie de afecciones entre las que destacan: deterioros de la función orgánica y sistemas sensoriales, desequilibrios osmorreguladores y estrés (Bosker et al., 2017; Johnsen et al., 1990; K. Zhang et al., 2025). De igual manera sucede con el comportamiento de los peces, ya que este se ve alterado por las condiciones ambientales de medio acuático, muestra de ello es lo que sucede cuando la temperatura del agua sufre cambios drásticos, lo que obliga a los peces a abandonar la seguridad del banco a cambio de comodidad individual (Cooper et al., 2018).

9.1.4.3 Interacciones entre los parámetros de calidad del agua y el estrés en

los animales acuáticos.

En sistemas RAS el estrés puede verse expresado como el conjunto de respuestas fisiológicas mediante las cuales el organismo intenta mantener o restablecer un metabolismo normal (homeostasis) frente a una serie de factores desfavorables ya sean ambientales (mala calidad del agua) o sociales (hacinamiento y jerarquía) (Boyd, 2017; P. Kumar et al., 2015), los efectos del estrés en organismos acuáticos ha sido ampliamente estudiado, uno de ellos consiste en la supresión de las funciones sistema inmunitario de los peces haciéndolos susceptibles a enfermedades infecciosas, parasitarias y virales (Bly et al., 1997; Boyd, 2017).

9.1.5 Clasificación de parámetros de calidad de agua en RAS. Los sistemas de recirculación acuícola (RAS) se han consolidado como una tecnología que representa la vanguardia de una acuicultura sostenible y de precisión, su capacidad para llevar a cabo la producción intensiva de peces bajo condiciones mínimas de agua y tierra se ha vuelta crucial para el desarrollo

sostenible de la pesca moderna (Badiola et al., 2018; Kamali et al., 2022; Vielma et al., 2022; Yang et al., 2023a). La baja tasa de recambio sumado a la reutilización intensa del agua pueden ocasionar la acumulación de residuos tóxicos en el agua, lo que deriva en la alteración de la calidad del agua (Demeke & Tassew, 2016; Pan et al., 2020).

La calidad del agua es un parámetro critico el cual afecta directa o indirectamente los insumos de soporte y la fisiología de la mayoría de las especies acuáticas, comprometiendo así la eficiencia y el rendimiento del cultivo (Hridoy et al., 2025; Mo et al., 2024).

Para gestionar de manera eficiente este aspecto fue necesario clasificar los parámetros de calidad de agua según sus propiedades e impacto en el ciclo productivo del cultivo, la clasificación permite definir protocolos de monitoreo de manera específica teniendo en cuenta las necesidades del sistema en cuestión. La calidad del agua se puede dividir en categorías, dentro de las cuales se incluyen parámetros físicos, químicos, contaminantes orgánicos y biológicos, la siguiente imagen ilustra lo anteriormente mencionado (Figura 20).

Figura 20. Parámetros principales de calidad del agua en acuicultura (Adaptado de: Su et al., 2020b).

9.1.6 Selección de variables críticas.

El Proceso de Jerarquía Analítica (AHP), en este contexto se utilizó para seleccionar y priorizar los parámetros de calidad de agua a monitorear teniendo en cuenta criterios de costo y disponibilidad de cada uno de sus componentes (requerimientos).

El método AHP parte de una pregunta objetivo (problemática), la cual busca ser resuelta a través de la comparación sistemática entre una serie de criterios (alternativas) para así cuantificar la importancia relativa de cada criterio (pesos) y por último seleccionar las mejores alternativas (Goepel, 2013).

Considerando las generalidades del proceso AHP, se inicia con la pregunta objetivo (problemática) la estaría definida de la siguiente manera: “Teniendo en cuenta requerimientos, ¿Cuáles son los parámetros de calidad de agua que deben ser monitoreados en el sistema de recirculación acuícola?” A continuación, la Tabla 11, describe las alternativas y los criterios de evaluación para cada una de ellas.

Tabla 11. Descripción de parámetros (alternativas) y criterios de evaluación (Fuente: Autor).

Parámetros pH Temperatura Nitritos Oxígeno disuelto Conductividad Amoniaco (NH3/NH4+) Sulfatos Salinidad Calidad del agua Turbidez Criterio de selección Justificación Costo del sensor (CS1) Tener en cuenta las restricciones presupuestales previamente concebidas en los requerimientos.

Disponibilidad del sensor (CS2) Los sensores deben ser de fácil adquisición.

Relevancia académica (CS3) Impacto y valor académico que tiene el parámetro dentro de la investigación.

Tasa de variación (CS4) La velocidad con la que varía el parámetro para darle sentido a la medición.

Relevancia biológica del parámetro (CS5) El parámetro tiene una influencia directa en la generación de episodios de estrés o mortalidad en el organismo.

Mantenimiento del instrumental (CS6) El instrumental puede ser reparado de forma fácil y rápida.

A continuación, se realizó una comparación sistemática (dos a dos) entre cada parámetro (alternativa) para determinar qué criterio es más relevante e idóneo dentro del contexto del proyecto, por último, se le agrega una valoración cualitativa al más relevante siguiendo la escala de Saaty (Goepel, 2013). La comparación par a par de cada criterio de selección haciendo uso de la escala de Saaty, la diagonal de 1 representa la comparación de cada criterio consigo mismo, la tabla a continuación (Tabla 11) se le conoce como matriz de eigenvector ponderado.

Tabla 12. Matriz de eigenvector ponderada con cada uno de los seis criterios de selección (Fuente: Autor).

(CS1) (CS2) (CS3) (CS4) (CS5) (CS6) (CS1)

1

3

1/3

5

1/5

3

(CS2) 1/3

1

1/5

1

1/5

3

(CS3)

3

5

1

5

1/3

5

(CS4) 1/5

1

1/5

1

1/5 1/3 (CS5)

5

5

3

5

1

5

(CS6) 1/3 1/3 1/5

3

1/5

1

Una vez realizada la comparación (par a par) se procedió a calcular los pesos normalizados para determinar cuáles son los criterios más importantes para evaluar y seleccionar las variables a monitorear dentro del RAS, la Tabla 13 muestra los resultados asociados al proceso de jerarquía.

Los resultados obtenidos muestran que los criterios de costo, relevancia académica y relevancia biológica fueron los más importantes.

Tabla 13. Resultados obtenidos a partir del cálculo de la matriz de eigenvector (Fuente: Autor).

Criterio de selección Peso geométrico promedio Peso normalizado (CS1)

1,19

14%

(CS2)

0,57

7%

(CS3)

2,16

26%

(CS4)

0,36

4%

(CS5)

3,34

41%

(CS6)

0,47

5%

Suma total

8,09

A partir de la información concebida en la Tabla 13 y el análisis pertinente, se pudieron establecer los criterios de selección, los cuales fueron de ayuda para establecer la matriz de decisión de las variables a medir. Tras definir los criterios de selección, su importancia relativa fue comparada frente a los parámetros de calidad de agua que podían ser monitoreados en un RAS, lo que permitió evaluar cada uno de ellos y finalmente seleccionar los más críticos teniendo en cuenta los requerimientos y restricciones del proyecto.

Tabla 14. Resultados de matriz de decisión de las variables a monitorear (Fuente: Autor).

Parámetros de calidad de agua Criterio 1 (Costo) Criterio 3 (Relevancia biológica) Criterio 5 (Relevancia académica) pH Medio Muy alta Alta Temperatura Bajo Muy alta Muy alta Nitritos Alto Baja Media Oxígeno disuelto Muy Alto Alta Baja Conductividad Bajo Media Media Amoniaco (NH3/NH4+) Muy Alto Media Media Sulfatos Medio Medio Medio Salinidad Medio Bajo Medio

Calidad del agua Alto Alto Alto Turbidez Medio Bajo Bajo

Considerando los resultados obtenidos por el método de jerarquía analítica (AHP) y la matriz de decisión de la Tabla 14, se identificaron tres parámetros de calidad de agua para ser monitoreados en el RAS de estudio, estos son temperatura, pH y

STD.

9.2 Resultados para el objetivo específico 2.

9.2.1 Rangos operativos de las variables a monitorear.

9.2.1.1 Temperatura.

Según el marco metodológico previamente definido, inicialmente se llevó a cabo un análisis documental de información relacionada a los rangos operativos de las variables a monitorear en el RAS en este caso la temperatura, mediante la información concebida en bases de datos se pudo recolectar y consolidar una base conceptual solida que facilitó la construcción de los rangos operativos para la predicción de escenarios de criticidad en las variables seleccionadas. A continuación, se presenta la información que se debe tener en cuenta para entender con mayor rigor la importancia de los rangos operativos y su incidencia en organismos acuáticos.

9.2.1.2 CTmax.

Es una metodología utilizada para estimar la tolerancia térmica de un organismo tanto terrestres como acuáticos, este término fue descrito inicialmente por (Cowles & Bogert, 2006) y lo describe como “El punto térmico en el que la actividad locomotora se desorganiza y el animal pierde su capacidad para escapar de situaciones que los pueden llevar a la muerte”. Este valor es mayor en especies que se encuentran en ambientes térmicamente inestables (Cereja, 2020b; Madeira et al., 2012b).

9.2.1.3 Tolerancia térmica.

Se describe como una ventana de temperatura favorable o de amplitud de crecimiento, la cual incluye tanto las zonas optimas como las zonas subóptimas. Por fuera de esa ventana el rendimiento de la especie se ve afectado negativamente y la especie no puede sobrevivir más allá de un corto periodo de tiempo (Madeira et al., 2012b).

9.2.1.4 CTmin.

Es el mínimo térmico crítico, es una temperatura baja la cual está cercana al punto mínimo letal (Leonard & Skov, 2022).

9.2.1.5 Margen de seguridad térmica (TSM).

Se define como el exceso de tolerancia térmica que experimenta una especie en relación con la temperatura ambiental máxima (Kitudom et al., 2022; Sunday et al.,

2014).

9.2.1.6 Rangos de referencia nominal.

Durante las visitas técnicas a la unidad temática, se realizaron una serie de mediciones durante un periodo de 16 días, esto con el objetivo de evaluar la estabilidad del sistema mediante un análisis de las condiciones operativas recientes del sistema. Se calcularon parámetros descriptivos como el promedio y la desviación estándar con el fin de caracterizar el funcionamiento y la variabilidad diaria de la temperatura en el sistema.

Este análisis permitió determinar no solo la temperatura promedio del sistema (18°C), sino también las fluctuaciones térmicas a lo largo de los 16 días. En la Figura

21 se observa los cambios de temperatura a lo largo del periodo de tiempo

establecido.

Dado que el sistema carece de una trazabilidad en los datos rigurosa, se hizo necesario establecer la condición térmica actual para así partir de los valores nominales promedio.

Figura 21. Temperatura a lo largo de las mediciones. (Fuente: Autor). Así mismo, se obtuvo la descripción de los valores máximos y mínimos a lo largo del periodo de pruebas preliminares, la temperatura máxima registrada fue 19.9 °C la cual se dio en el día 12, la temperatura mínima fue 17.4 °C y se registró el segundo día 2 de los ensayos, finalmente la temperatura promedio del sistema fue de 18.7 °C. La Figura 22 resume lo anterior.

Figura 22. Diagrama de Boxplot, de las tendencias mostradas por la temperatura durante el periodo analizado. (Fuente: Autor).

9.2.1.7 Cálculo de limites operativos.

Teniendo en cuenta los resultados obtenidos en la etapa anterior se optó por utilizar la temperatura promedio del sistema como temperatura de aclimatación, ya que según el personal encargado, la temperatura ha conservado cierta estabilidad

dentro de los rangos reportados mientras que la tasa de mortalidad ha sido depreciable (Kitudom et al., 2022).

Para estimar los rangos operativos a partir del valor promedio nominal del sistema, se necesita determinar el CTmax y el CTmin para la especie cultivada. Ante la ausencia de información precisa sobre los limites térmicos (CTmax y CTmin) para la especie cultivada en el RAS (Tilapia Roja Orechromis sp), se optó por adoptar un enfoque fisiológico comparativo utilizando los valores reportados para la Tilapia del Nilo (Oreochromis niloticus). Esta decisión se justifica por la relación filogenética de la Tilapia Roja, la cual se define como un hibrido entre Oreochromis niloticus y Oreochromis mossambicus.

Esta proximidad taxonómica permite emplear los rangos de tolerancia térmica descritos para O. niloticus como referencia fisiológica válida, bajo el supuesto de conservación de rasgos termofisiológicos entre especies del mismo género (Refaey et al., 2022).

La Tabla 15 que se muestra a continuación presenta una lista de los rangos de temperatura reportados por artículos de investigación y trabajos recientes en donde la temperatura y la especie cultivada son un tema relevante dentro del estudio.

Tabla 15. Rangos de temperatura optima reportados por estudios recientes (autoría propia).

Rangos promedio Fuente Min - Max (26,20 – 27,41) ºC Promedio (26,81) ºC (Makori et al., 2017c)

26 – 30 °C (optimo crecimiento)

(Hamed et al., 2021) Promedio (22,25) ºC ± 0,87 ºC (Jongjaraunsuk et al., 2024) CTmax = 36.0 °C CTmin = 9.4 °C (Beitinger et al., 2000a) CTmax = 27.25 °C

TSM = 17.2 °C

(Cereja, 2020b) Promedio (25.00) ºC (Hashmi et al., 2025) Min – Max (19,13 – 33,20) ºC (Siddique et al., 2025)

28 – 30 ºC

(Mustapha et al., 2014)

Promedio (27,4) ºC (Sahubawa, Triyatmo, & Ambarwati,

2025)

Promedio (22 – 29) (Chandramenon et al., 2024d) Rango (28 – 32) ºC (Rairat et al., 2022) Promedio (18,0) ºC ± 1,0 (de Jesus Gregersen & Pedersen, 2023)

10 – 11 ºC (optimo crecimiento)

20 – 22 ºC (30% crecimiento)

29 – 31 ºC (Mínimo letal)

37 – 38 ºC (enfermedades estrés)

(Abd El-Hack et al., 2022b) Rango optimo = 20,2 – 31,7ºC CTmin = Inferior 13,1ºC CTmax = Superior 38,8ºC (Leonard & Skov, 2022) Rango (20 – 30) ºC Optimo (Mirea et al., 2013)

25 – 34 ºC (Optimo crecimiento)

15 – 38 ºC (temperatura tolerable)

<7 ºC (letal) <42 (letal) (¿Qué es la tilapia roja?, 2025) Rango optimo (24 - 32°) (El-sayed & Kawanna, 2008)

Para definir los rangos operativos del sistema se utilizó el concepto de límite de tolerancia térmico. De acuerdo con la información de la Tabla 15 se tiene que los estudios con mayor grado de similitud, donde se usó una especie filogenéticamente parecida y que reportan limites críticos (CTmax - CTmin) fueron tres, donde el más reciente fue el estudio realizado por (Leonard & Skov, 2022), por ello nos decantamos a usar como referencia los valores reportados por estos autores.

Para estimar el límite de tolerancia térmico se adaptó la metodología planteada por (Beitinger et al., 2000b), la cual establece la siguiente ecuación (Ecuación 5 ): 𝐿𝑇𝑇= 𝐶𝑇𝑚𝑎𝑥−𝐶𝑇𝑚𝑖𝑛 Ecuación 5

Donde CTmax corresponde al valor reportado por (Leonard & Skov, 2022) y CTmin es la temperatura critica mínima reportada.

De manera que se tiene que para el sistema de estudio el LTT es como dicta la siguiente ecuación (Ecuación 6):

𝐿𝑇𝑇= 38.8 °𝐶−13.1 °𝐶 Ecuación 6 𝑳𝑻𝑻= 25.7°𝐶 Con el valor de LTT se calculó el límite de tolerancia experimental del sistema RAS de estudio, como se evidencia en la siguiente Ecuación.

𝐿𝑇𝑇𝑡𝑒𝑜𝑟𝑖𝑐𝑜= 𝐿𝑇𝑇−𝑇𝑎𝑐𝑙𝑖

Ecuación 7 Donde Tacli vendría siendo la temperatura promedio del RAS a la cual ya se encuentran aclimatados los organismos cultivados.

Por lo tanto 𝐿𝑇𝑇𝑡𝑒𝑜𝑟𝑖𝑐𝑜= 25.7 °𝐶−18.7 °𝐶 𝑳𝑻𝑻𝒕𝒆𝒐𝒓𝒊𝒄𝒐= 7 °𝐶 Se tendría que, para el RAS de estudio 7 grados por encima del rango optimo (16 °C - 20°C) y 7 ° debajo de este constituyen zonas subóptimas (27.0 °C - 11°C), así mismo, valores por fuera de esa zona se considerarían como zonas críticas o de mortalidad. Lo anterior se corresponde con lo expuesto en literatura por (Abdel- Ghany et al., 2019; Charo-Karisa et al., 2005; Sifa et al., 2002) en cuanto a los rangos térmicos en mínimos (CTmin).

La Tabla 16 resume el proceso por el cual se establecieron los rangos operativos para el sistema de estudio.

Tabla 16. Rangos operativos de temperatura para el sistema (Fuente: Autor). Rangos operativos Temperatura Nivel Temperatura °C Significado Óptimo 16.0°C – 20.0°C Condición ideal Subóptimo

11.0 °C – 16.0 °C & 20.0°C – 27.0 °C

Estrés Crítico T < 11.0°C & T > 27.0 °C Alarma

9.2.2 pH.

Los recursos bibliográficos seleccionados reportan una notable variabilidad en los rangos de tolerancia de la tilapia roja (Oreochromis sp.) con respecto al pH, dentro de los RAS, de manera que resulta metodológicamente inadecuado seleccionar un único valor como referencia, es por ello que se decidió adoptar un enfoque estadístico que sintetizara e integrara de manera objetiva la información proveniente de múltiples fuentes bibliográficas. La Tabla 17 presenta los resultados del análisis bibliográfico realizado, en ella se muestra un listado de los artículos seleccionados para establecer los rangos operativos del pH.

El rango óptimo de pH reportado en literatura está definido por un conjunto de datos integrado por un umbral inferior y uno superior, estos umbrales fueron tratados como información fisiológica de referencia y no como valores puntuales, por ende, fueron segmentados en límite inferior y límite superior, lo cual facilito su posterior análisis estadístico.

Tabla 17. Rangos de pH óptimos reportados por literatura. (Fuente: Autor). Fuente Bibliográfica Rango pH optimo reportado (Makori et al., 2017d)

6.1 – 8.3

(Panigoro et al., 2024)

6.5 – 8.5

(Boyd, 1998) 6,5 – 9 (Lawson, 1994)

7 – 8

(El-Sherif & El-Feky, 2009)

7 – 8

(Sahubawa, Triyatmo, Ambarwati, et al., 2025)

7.4 – 7.6

(Martins et al., 2019) 6,5 – 7.5 (Makori et al., 2017b)

6.5 - 9

(AbdElNabi et al., 2013)

5 – 9

(Lindholm-Lehto, 2023f; TIMMONS, s. f.-b)

6.5 – 8.5

(Rebouças et al., 2016)

5.5 – 9.0

(Emam et al., 2025)

7.0 – 8.0

(Mengistu et al., 2020)

6.4 – 8.2

(Saavedra et al., 2006)

6.0 – 9.0

(Quintero Sanchez et al., 2024)

5.0 – 11.0

Cada conjunto de datos (límite inferior – límite superior) fue tratado como independiente, a los cuales se le aplicó estadística descriptiva, incluido la mediana y los percentiles 25 y 75, esto teniendo en cuenta que los datos son producto de una síntesis de valores bibliográficos y que el tamaño de la muestra es pequeño, con ello la intención pasa por lograr identificar los valores representativos y delimitar los intervalos de mayor consenso entre las fuentes bibliográficas consultadas.

Teniendo en cuenta la expuesto anteriormente, la Tabla 18 explica de manera detallada los resultados obtenidos a partir del análisis estadístico realizado a los conjuntos de datos.

Tabla 18. Síntesis estadística de los valores reportados en literatura (Fuente: Autor). Parámetro Limite Valor P_25% P_75% pH Inferior

6,5

6,05

6,75

pH Superior

8,5

8,0

9,0

Los resultados obtenidos en la Tabla 18 fueron integrados para definir los rangos operativos del pH, con ellos se categorizaron tres zonas operativas, optima, subóptima y crítica. La Tabla 19 expone la delimitación de los rangos operativos.

Tabla 19. Rangos operativos de pH para el sistema (Fuente: Autor). Rangos operativos pH Nivel pH Significado Óptimo

6.5 – 8.5

Condición ideal Subóptimo

6.05 – 6.5 & 8.5 – 9.0

Estrés Crítico pH< 6.05 & pH > 9.0 Alarma

9.2.3 Selección de componentes.

9.2.3.1 Sensor de temperatura.

En la Tabla 20 se observan las características técnicas proporcionadas por el fabricante con respecto a los sensores para la medición de temperatura en agua, partiendo de esa información se procedió a la elaboración de las matrices de decisión para cada sensor y así seleccionar el más idóneo.

Tabla 20. Características técnicas de las alternativas para la selección del sensor de temperatura, basado en información concebida en las hojas de datos (Fuente: Autor).

Sensor de temperatura Característica técnica WQ101 DS18B20 PT100 Rango de temperatura -58° - 100°C -10° - 85°C -85° - 85°C Resolución

12 bits

9 – 12 bits ajustable

N/A Precisión ±0.1°C ±0.5°C ±0.15 °C a 0 °C para Clase A Tiempo de conversión 5s 750ms (Max) <30ms – 300ms Voltaje de alimentación

10 – 36 VDC

3.0 – 5.5V

1.3 – 4.3 (ajustable)

Longitud de la sonda 11cm 5cm 5cm Costo

2.804.785,60

49.980

42.950

Longitud del cable

12.7 m

1m 1m Consumo de corriente

4.20 mA

1.5 mA

1 mA

Posteriormente se elaboró una matriz de decisión para cada componente, las alternativas consideradas se ajustaron al requerimiento de asequibilidad, de allí se consideraron tres referencias para el sensor de temperatura en agua las cuales fueron evaluadas siguiendo los criterios técnicos establecidos. El criterio de evaluación para cada una de las alternativas parte de una jerarquía de

1 – 5, donde 1 se considera que no cumple con el requerimiento técnico y 5 que

cumple con el requerimiento considerado.

Ya calificada cada alternativa se procede a realizar la suma ponderada para finalmente seleccionar la alternativa de mayor puntaje como se muestra en la Tabla

21.

Tabla 21. Matriz de decisión para el sensor de temperatura en agua (Fuente: Autor). Sensor de temperatura Característica técnica WQ101 DS18B20 PT100 Temperatura de operación

5

5

5

Costo

1

5

4

Corriente

2

5

5

Resolución

2

4

3

Precisión

5

4

4

Longitud de la sonda

2

4

4

Voltaje de alimentación

2

5

5

Peso total

19

32

29

Como se puede observar en la tabla anterior, la alternativa que obtuvo el mayor puntaje fue el sensor de temperatura en agua DS18B20. Este sensor se rige bajo la arquitectura del chip (DS18B20), el cual funciona como un termómetro digital con una resolución de hasta 12 bits, dotándolo de gran precisión, permitiéndole detectar cambios térmicos del orden de 0.0012 V/°C. Su versión sumergible, utilizada para la medición de la temperatura en líquidos, integra una sonda de acero inoxidable de aproximadamente 2 metros de longitud, facilitando la lectura de temperaturas comprendidas entre -10° - 85°C a través del sencillo protocolo OneWire. Teniendo en cuenta lo anterior, este sensor tiene una temperatura de operación idónea para un contexto de acuicultura. Adicionalmente, su costo y resolución de trabajo ajustable lo hacen la alternativa adecuada para aplicaciones de monitoreo (Flores- Iwasaki et al., 2025; Mahardika & Gunawan, 2022; Ramesh Saha et al., 2021). En la Figura 23 se observa la referencia utilizada para la medición de la temperatura.

Figura 23. Sensor de temperatura DS18B20 (Mahardika & Gunawan, 2022). La conexión con el microcontrolador será a través de los pines digitales, estos son los encargados de la gestión de los datos obtenidos por el sensor, una vez detectada la señal digital el algoritmo automáticamente dará inicio al registro de los datos relacionados a la temperatura del agua en el RAS. El diagrama de la Figura

24 explica el flujo de la lógica de programación para el sensor de temperatura

DS18B20.

Figura 24. Diagrama de flujo de la rutina de programación para el sensor de temperatura (Fuente: Autor).

9.2.3.2 Sensor de pH.

Para la estimación del pH en agua se utilizó la metodología empleada en la sección anterior, en la Tabla 22 se pueden observar las características relevantes para el monitoreo del pH, seguido de las alternativas a considerar para dicha actividad. Una vez establecidas las especificaciones para cada alternativa se procedió a realizar la matriz de decisión correspondiente a cada alternativa para finalmente seleccionar la más idónea para la tarea.

Tabla 22. Características técnicas de las alternativas para la selección del sensor de pH, basado en información concebida en las hojas de datos (Fuente: Autor). Sensor de pH Referencias Característica técnica

SEN0169

VIS510

Vernier PH-BTA Rango de medición

0 – 14 pH

0 – 14 pH

0 – 14pH

Temperatura de trabajo

0 - 60°C

0 - 60°C

5 - 80°C

Precisión ≤ 0.02 unidades pH ± 0.1 unidades pH ± 0.2 unidades pH Tiempo de conversión 10s < 2 min

1 min

Voltaje de alimentación

3.3 – 5.5V

3.0 – 5.0V

5.5V Longitud de la sonda

17.7 cm

17.0 cm

17.7cm Costo

$423.878

$238.000

$897.000

Longitud del cable 5m 1m 1m

Para la selección del sensor de pH, como es evidente en la Tabla anterior (Tabla

22) las características técnicas son bastante similares, teniendo en cuenta lo

anterior y los requerimientos previamente establecidos la característica del costo será un factor decisivo al momento de calificar cada alternativa.

Tabla 23. Matriz de decisión para el sensor de pH en agua (Fuente: Autor). Sensor de pH Referencias Característica técnica

SEN0169

SEN0161

Vernier

PH-BTA

Rango de medición

5

5

5

Temperatura de trabajo

4

4

5

Precisión

5

4

3

Tiempo de conversión

5

4

4

Voltaje de alimentación

5

5

5

Longitud de la sonda

4

4

4

Costo

3

5

2

Longitud del cable

5

5

5

Peso total

36

36

33

Es evidente que los resultados observados en la Tabla 23 muestran una paridad entre el sensor de referencia SEN0169 y el sensor SEN0161. Por lo que se decidió que el factor del costo es crítico para el desarrollo del proyecto, por ende, se decidió seleccionar la referencia SEN0161. Este sensor emplea un electrono combinado de vidrio que mide el nivel de acidez o alcalinidad de una solución acuosa mediante la conversión proporcional de la actividad de los iones hidrogeno que rodean la sonda en una salida en voltaje analógica, permitiendo el mapeo de toda la escala de pH con una precisión de 0.1 pH y una incertidumbre de ±0.25 pH (Ilyas et al., 2021; Nasution et al., 2020).

La Figura 25 ilustra el sensor de pH seleccionado para la etapa de implementación de la presente propuesta.

Figura 25. Sensor de pH SEN0161 (Nasution et al., 2020).

La rutina de programación inició con la declaración de un pin análogo en el algoritmo de la unidad central de procesamiento, acto seguido se procedió con la lectura del pin seleccionado. Cuando la sonda es introducida en una solución acuosa esta mide

la mide la diferencia de voltaje entre el pin VCC del sensor y GND, proporcionando un voltaje de salida análogo el cual es convertido a digital mediante la aplicación de un factor de conversión obtenido a partir de un proceso experimental de calibración. La ecuación obtenida en el protocolo de calibración se aplica en el algoritmo para convertir el voltaje de salida a un valor de pH coherente con la escala. La Figura 26 describe a detalle la lógica de programación aplicada para la medición del pH con el sensor SEN0161.

Figura 26. Diagrama de flujo para la programación del sensor de pH seleccionado (Fuente: Autor).

9.2.3.3 Sensor de conductividad

En la Tabla 24, que se muestra a continuación se expone las características técnicas de interés para ejecutar la selección del sensor de conductividad en agua,

este parámetro está directamente relacionado a la concentración de material particulado en una solución, lo cual se utiliza para evaluar la calidad del agua.

Tabla 24. Características técnicas de las alternativas para la selección del sensor de conductividad, basado en información concebida en las hojas de datos (Fuente: Autor).

Sensor de conductividad Referencias Característica técnica Gravity DFR0300

SEN0244

Gravity SEN0451 Rango de medición

1 – 15ms/cm (sin

conversión) 0 ~ 1000ppm.

100-2000μs/cm (sin conversión) Temperatura de trabajo

0 – 40 °C

0 – 40 °C

0 – 50 °C

Precisión ± 5 % FS ± 10 % FS (25 ℃) ± 0.5 % FS (25 ℃) Voltaje de alimentación

3.0 – 5-0V

3.3 – 5.5V

3.3 – 5.5V

Costo

$506.881

$80.920

$800.000

Longitud del cable 1m 1m 5m

Como puede observarse en la tabla 24, dos referencias sobresalen en el apartado de precisión. Si bien esa característica es importante en el funcionamiento del prototipo, el aporte del parámetro en materia metodológica y de riesgo biológico no justifica la inversión económica que se tendría que realizar para la adquisición de dichos sensores. De manera que lo mencionado anteriormente se verá reflejado en los resultados de la matriz de decisión (Tabla 25).

Tabla 25. Matriz de decisión para el sensor de conductividad en agua (Fuente: Autor).

Sensor conductividad Referencias Característica técnica Gravity

DFR0300

SEN0244

Gravity

SEN0451

Rango de medición

5

4

5

Temperatura de trabajo

3

3

4

Precisión

4

5

5

Voltaje de alimentación

5

5

5

Costo

Longitud del cable

5

5

5

Peso total

24

27

25

Lo anterior es un reflejo de la importancia que tiene el requerimiento del presupuesto en el desarrollo del presente proyecto, ya que, si bien es evidente que la referencia SEN0451 ofrece mejores prestaciones técnicas su costo de implementación no es justificable teniendo en cuenta el impacto de la variable dentro del contexto del proyecto.

El sensor TDS (solidos disueltos totales), de referencia SEN0244 fundamenta la estimación de los TDS, midiendo la conductividad eléctrica de una solución. Este sensor emplea el método de conductividad eléctrica, el cual correlaciona la concentración de partículas sólidas menores a 1nm en una solución, con la cantidad de corriente eléctrica que circula a través de dos electrodos. Otorgándole un rango de medición que va de 0 a 1000 ppm con una precisión de ±10% a 25°C (Hidayana et al., 2024; Irawan et al., 2021; Sulistiyanto et al., 2023; Zafi et al., 2024). La Figura 27 ilustra el sensor STD seleccionado.

Figura 27. Sensor de solidos disueltos totales (TDS) (CQRobot, 2025). La Figura 28 exhibe la rutina de programación que se adoptó para la medición de los valores de TDS con el sensor seleccionado. Es evidente que la secuencia operativa ejecutada presenta un alto grado de similitud con las descritas anteriormente, sin embargo, es necesario hacer una salvedad, ya que la lógica utilizada en el control del sensor de estudio presenta la particularidad del ajuste para

la compensación de la temperatura, este factor ajusta digitalmente la lectura de los sólidos totales disueltos en función de las fluctuaciones de la temperatura ambiente.

Figura 28. Diagrama de flujo para la programación del sensor TDS (Fuente: Autor).

9.2.3.4 Unidad central de procesamiento

Este componente es el encargado de varias funciones dentro del prototipo, una de ellas es la conversión análogo-digital de las señales captadas por los sensores de campo, por otro lado, estas señales tienen que ser procesadas y posteriormente enviadas una red central para el almacenamiento y gestión de los datos, es por ello por lo que se hace necesario que este componente cuente con las características necesarias para ejecutar tales funciones. La Tabla 26 muestra las referencias que pueden ser utilizadas para llevar a cabo tales funciones, teniendo en cuenta las características mencionadas con anterioridad.

Tabla 26. Características técnicas de las alternativas para la selección de la unidad central de procesamiento, basado en información concebida en las hojas de datos (Fuente: Autor).

Unidad central de procesamiento Referencias Característica técnica

ESP – 32

Arduino UNO R4 Wifi LattePanda

SRAM

520 KiB

512 KiB

2GB DDR3L

Voltaje de trabajo 5V DC

6 – 24V

5V Wi - Fi 802.11n 2.4 Ghz Si 802.11n 2.4G Bluetooth

V4.2 BR/EDR

Si

4.0

Rom

448 KiB

384 KiB

32 GB

Procesador Tensilica Xtensa 32-bit LX6 Renesas RA4M1 Intel Cherry Trail Z8350 No Entradas

32

26

32

Costo

$30.000

$166.600

$699.958

Conectividad Tipo C Tipo C Tipo C Tamaño

52 x 20 mm

68.85 x 53.34 mm

88 x 70mm

Resolución ADC

12 - bit

10 - bit

10 - bit

Teniendo en cuenta los requerimientos del proyecto, los apartados de costo, portabilidad y protocolos de comunicación tendrán un peso mayor a la hora de evaluar cada referencia dentro de la matriz de decisión. La Tabla 27, la cual se muestra a continuación expone el resultado de la matriz de decisión.

Tabla 27. Matriz de decisión para la selección de la unidad central de procesamiento (Fuente: Autor).

Unidad central de procesamiento Referencias Característica técnica

ESP – 32

Arduino UNO R4 Wifi LattePanda

SRAM

4

3

5

Voltaje de trabajo

5

5

5

Wi - Fi

5

3

5

Bluetooth

5

3

5

Rom

4

3

5

Procesador

4

4

5

No Entradas

5

3

4

Costo

5

4

2

Conectividad

5

5

5

Tamaño

Resolución ADC

5

4

4

Peso total

50

40

47

La Tabla 27 arroja como resultado favorable la selección de la referencia ESP – 32 de Expresiff, la cual ofrece buenas prestaciones en los apartados de procesamiento de la señal y conectividad. Su precio se ajusta a las limitaciones presupuestales y su tamaño se alinea con los criterios de portabilidad, convirtiéndolo en la alternativa adecuada.

9.2.4 Integración de componentes

Una vez definidos los componentes, se precisa la integración de cada uno de ellos en una sola arquitectura que funcione de manera integral para el monitoreo de los parámetros de calidad de agua en un RAS. El diagrama de caja negra que se presenta a continuación (Figura 29), muestra cómo se integran las entradas, las cuales están representadas por la información registrada por los sensores y las salidas que son equivalentes a la visualización de la información en un servidor remoto.

Figura 29. Diagrama de caja negra del prototipo propuesto (Fuente: autor). En la Figura 30 se observa un diagrama de caja gris en donde la información de entrada corresponde a los parámetros de calidad agua monitoreados en el RAS de estudio, el bloque central describe los procesos ejecutados por la unidad central de procesamiento (ESP - 32), dentro de los que se incluyen la gestión de información adquirida por los sensores, mediante el uso de algoritmos y librerías propias de cada componente, de igual manera la transmisión de los datos hacia una arquitectura

cloud y la administración del suministro energético de todo el sistema recae en este componente.

Figura 30. Diagrama de caja gris del sistema de monitoreo. (Fuente: Autor). 9.2.4.1 Arquitectura de hardware para el sistema de monitoreo. El sistema de monitoreo se gestiona a través de un Dashboard que realiza un muestreo del estado actual de los parámetros de calidad del agua en el RAS, ofreciendo actualizaciones de las mediciones realizadas en tiempo real. Para comprender el funcionamiento del sistema integral, se presenta un esquema con la arquitectura general de todo el sistema (Figura 31), el sistema de monitoreo, conformado por la red de sensores, es el encargado de enviar información relacionada al estado de los parámetros de calidad del agua en el ras a una base de datos en la nube. Posteriormente, esta información es intervenida por el modelo de ML para su análisis y presentada al usuario mediante una aplicación web (dashboard) para su visualización en tiempo real.

Figura 31. Diagrama general de la arquitectura del sistema. (Fuente: autor). 9.2.5 Diseño electrónico del circuito de monitoreo.

A continuación, se presentan los resultados obtenidos en la etapa de diseño conceptual del sistema de monitoreo. Estos se componen de los diagramas electrónicos del sistema de monitoreo provisional, los cuales incorporan las referencias de componentes seleccionados previamente en la sección de (Selección de componentes). Se utilizó el software Fritzing para simular el funcionamiento del ESP32 y las conexiones físicas de cada uno de los sensores a este, esto se puede evidenciar en la figura que se muestra a continuación.

Figura 32. Simulación en Fritzing de las conexiones físicas entre cada uno de los componentes.

La simulación presentada en la Figura 32, permitió validar el correcto funcionamiento de las conexiones efectuadas en cada uno de los pines digitales utilizados en la unidad central de procesamiento, así como la correcta interpretación de las lecturas de cada sensor bajo condiciones nominales de operación, para corroborar lo mencionado anteriormente véase la Figura 33.

Figura 33. Diagrama de conexiones eléctricas del sistema (fuente: autor). 9.2.5.1 Diseño estructura de almacenamiento.

Para el diseño de la estructura de almacenamiento se utilizó el software Fusion 360, teniendo presente las características de los componentes y los requerimientos técnicos establecidos.

Para la materialización del modelo CAD de la estructura, los materiales de construcción se evaluaron mediante la matriz de decisión de la Tabla 28. Se obtuvo como resultado que el material más idóneo es el acrílico de alto impacto.

Tabla 28. Matriz de decisión ponderada para la elección del material de la estructura de almacenamiento (Fuente: Autor).

Estructura de almacenamiento Características Materiales Metal

PLA

ABS

Acrílico Madera Peso

Aislamiento eléctrico

1

4

4

4

4

Resistencia al agua

4

4

4

5

2

Resistencia a la humedad

3

4

4

5

1

Durabilidad en el tiempo

5

4

4

4

2

Resistencia mecánica

4

4

4

5

3

Precio

3

3

3

2

3

Manipulación

2

3

3

3

4

Accesibilidad

4

3

3

3

4

Total

27

34

34

34

25

De acuerdo con el proceso de selección evidenciado en la Tabla 28, se obtuvo que la mayoría de materiales cumplen con los requisitos de resistencia al agua y resistencia a la humedad, de las alternativas propuestas solo tres sobresalieron mostrando una mínima diferenciación en sus puntajes. Esto se debe a que las propiedades químicas y mecánicas de los materiales son similares. Para efectos prácticos se decidió utilizar como material de construcción el PLA, debido a la versatilidad que ofrece cuando es trabajado en una impresora 3D, lo que le permite adoptar diversas formas, facilitando su prototipado y posterior materialización.

Como resultado de la etapa de diseño para la estructura de almacenamiento, se logró consolidar un prototipo funcional de dicha arquitectura. La geometría utilizada para el diseño fue pensada a fin de satisfacer los criterios de potabilidad y factibilidad en la fabricación de esta. Se adoptó una geometría rectangular que permitiera el acoplamiento de los módulos.

El prototipo final cuenta con unas dimensiones de 30X35 cm2 y un peso final de 276 gramos (con módulos incluidos), la Figura 34 presenta el modelado de la arquitectura y prototipo final.

Figura 34. Implementación de la estructura de almacenamiento (Fuente: Autor). 9.2.6 Cálculos del suministro energético para el sistema. Para cuantificar el consumo energético global del sistema, fue necesario conocer el valor de cada parámetro energético de forma individual. La Tabla 29 resume la información mencionada anteriormente.

Tabla 29. Consumo energético de cada componente del sistema. Consumo energético

Componente Voltaje de alimentación

(VDD)

Corriente (A) Potencia (W) Sensor de temperatura 3.3V 1mA (midiendo) 3.3mW Sensor de pH 3.3V 10mA (midiendo) 33mW Sensor TDS 3.3V 6mA (midiendo) 19.8mW

ESP – 32

3.3V

250 mA

(funcionando) 525mW Total

267mA 581.1mW

Teniendo en cuenta los resultados de la tabla anterior se observa que el consumo energético total es de aproximadamente 267 mA (corriente), con una potencia total de 581 mW, para conocer con precisión la demanda energética diaria el valor de la corriente total se multiplica por las 24 horas, con ello tendríamos que 6.4 A/Hora corresponde al consumo generado en una hora de trabajo. Para que el sistema

funcione de manera correcta y de manera ininterrumpida es necesario un suministro energético de más del valor total (267 mA).

9.2.7 Montaje en placa de pruebas.

Los resultados obtenidos en esta fase del proyecto corresponden a un prototipo funcional implementado en una placa de pruebas. La arquitectura del sistema está integrada por la conexión entre la unidad central de procesamiento (ESP32), el sensor de temperatura (DSB18B), la sonda de pH (SEN0161) y el sensor de solidos disueltos (SEN0244).

Con este montaje se verificó el correcto funcionamiento de los sensores, así como la validez en la transferencia de datos entre cada uno de los componentes, con esto se buscaba identificar posibles fallos y así poner en marcha los correctivos correspondientes antes de la etapa final de implementación. La Figura 35 evidencia la implementación del prototipo propuesto en su etapa preliminar.

Figura 35. Prototipo preliminar implementado en placa de pruebas (Fuente: Autor). 9.2.8 Calibración de sensores.

Este proceso se fundamentó en la comparación de registros obtenidos por los sensores seleccionados y equipos de referencia ya calibrados. Este método sistemático se utilizó para determinar y corregir las mediciones de los sensores bajo prueba mediante un factor de corrección en la calibración. Lo anterior busca atenuar el error en las mediciones y mantener la calidad de los instrumentos bajo prueba (Gajjar, 2017).

9.2.8.1 Calibración sensor de temperatura DS18B20

Para alcanzar el primer punto térmico, la metodología plantea que el agua debe alcanzar su punto de ebullición teórico que son 100 °C a nivel del mar, la relación Clausius–Clapeyron establece una relación directamente proporcional entre la presión atmosférica y la temperatura necesaria para alcanzar el punto de ebullición del agua. Esto se entiende de que a medida que aumenta la altitud, la temperatura de ebullición es menor (Galleano et al., 2008; Valencia & Aguirre-Tellez, 2017). Teniendo en cuenta que las pruebas fueron realizadas en la Universidad El Bosque, la cual se encuentra ubicada en Bogotá – Colombia situada a una elevación de 2640 m.s.n.m, la temperatura de ebullición teórica para el agua fue de aproximadamente 91.2 °C.

Para alcanzar la temperatura de ebullición del medio de prueba, se realizó el montaje descrito en la Figura 36, utilizando un vaso de precipitados de 1000ml aforado a su volumen máximo con agua destilada y una plancha de calentamiento para alcanzar una temperatura estable de 90 °C.

Figura 36. Montaje utilizado para determinar el punto de ebullición del agua (Fuente: Autor).

El segundo punto térmico debe ser una temperatura cercana al punto triple del agua ideal (+0.01 °C), para este ensayo se estableció una temperatura experimental de 6.0 °C mediante aplicación de hielo a un volumen determinado de agua destilada. Como instrumento de referencia se empleó un termómetro digital de la marca THERMO modelo TA-288 previamente calibrado. Se realizaron mediciones con el sensor de prueba y el instrumento de referencia de manera simultánea, en total se llevaron a cabo 10 medidas a cada punto térmico de referencia y con ellas se calculó un promedio cuya cifra se utilizó para sustituir las variables en la Ecuación 4 de la siguiente manera:

Tabla 30. Resumen de las mediciones realizadas para el protocolo de calibración del sensor de temperatura DS18B20 (Fuente: Autor). Variable Concepto Valor medido 𝑇𝑅𝑒𝑓𝐵𝑎𝑗𝑎 Temperatura medida por el instrumento de referencia al punto triple del agua experimental.

6.1

𝑇𝑅𝑒𝑓𝐴𝑙𝑡𝑎 Temperatura medida por el instrumento de referencia al punto de ebullición del agua experimental.

90.1

𝑇𝑀𝑒𝑑𝐵𝑎𝑗𝑎 Temperatura medida por el sensor de prueba al punto triple del agua experimental.

6.81

𝑇𝑀𝑒𝑑𝐴𝑙𝑡𝑎 Temperatura medida por el sensor de prueba al punto de ebullición del agua experimental.

88.7

𝑇𝑀𝑒𝑑𝑖𝑑𝑎 Medición realizada por el sensor de prueba.

Medición experimental

Una vez realizadas las mediciones, los valores se remplazan en la Ecuación 4 de la siguiente manera:

𝑇𝐶𝑜𝑟𝑟𝑒𝑔𝑖𝑑𝑎= (𝑇𝑀𝑒𝑑𝑖𝑑𝑎−6.81)∗(90.1− 6.1) 88.7−6.81 + 6.1 Ecuación 5

Con la Ecuación 8 se corrige la salida del sensor, esta expresión se implementó en el algoritmo para el control de los sensores y así obtener la medición calibrada.

9.2.8.2 Calibración sensor de pH SEN0661.

La primera etapa de calibración para este sensor comprendió la corrección del voltaje de salida proporcionado por el pin (PO), mediante el ajuste del potenciómetro de OFFSET. Inicialmente se retiró la sonda de pH del conector BNC para luego conectar un cable entre el orificio del conector y su parte externa, como se observa en la Figura 37.

Figura 37. Esquema para la conexión del cortocircuito del puerto BNC (Fuente:https://www.electroniclinic.com/ph-meter-arduino-ph-meter-calibration-diymore-phsensorarduino-code/) A continuación, se procedió a realizar las siguientes conexiones: pin PO del módulo pH al pin 34 del ESP32, pin V+ del módulo a la salida de 3.3V del ESP32 y por último el pin G del módulo al pin de tierra del ESP32, como se observa en la Figura

38.

Figura 38. Pinout del módulo de pH (pH sensor for water-based solution with ph- 4502c and ESP32 microprocessor, 2009.).

Finalmente se cargó un programa al microcontrolador para la lectura del pin de salida análoga PO del módulo y visualizar el voltaje en el monitor serial, esto generó un voltaje de salida de aproximadamente 3.2V entre el pin PO y tierra, teniendo en cuenta que la escala teórica del pH está entre 0 – 14, se considera que un pH de 7 (neutro) equivaldría a aproximadamente 2.5V en la salida del pin PO. Bajo este criterio, se procedió a ajustar el voltaje de salida del pin PO con el potenciómetro de OFFSET hasta alcanzar un voltaje de 2.5V.

La segunda etapa del protocolo de calibración consistió en establecer la relación entre el pH medido experimentalmente y el voltaje de salida otorgado por el sistema. Para ello, se realizó por triplicado la medición del pH a soluciones buffer de referencia 4.3 – 7.1), posteriormente se promedió la salida en voltaje entregada por el sensor para cada solución y con ello se sustituyeron las variables para el cálculo de la derivación en la ley de Nernst, la cual se puede observar en la Ecuación 6 (Aranguri-Llerena et al., 2024; Nurazis et al., 2025).

𝑝𝐻= 7 + 𝑉𝑁− 𝑉𝐸𝑥𝑝 𝑃𝑒𝑛𝑑𝑖𝑒𝑛𝑡𝑒 Ecuación 6 Donde VN corresponde al voltaje promedio registrado por el sensor para la solución buffer de pH 7.1 y VExp al voltaje experimental registrado, en la Tabla 31 se muestra un resumen de las mediciones realizadas.

Tabla 31. Resumen de las mediciones realizadas a las soluciones de referencia (Fuente: Autor).

Buffer (Valor real) Voltaje entregado (V)  de mediciones

7.1

2.47

2.48

2.49

2.48

4.3

3.1

3.1

3.1

3.0

Para el cálculo de la pendiente se procedió a medir el voltaje entregado por el sensor en las soluciones de referencia para remplazar la Ecuación 7.

𝑃𝑒𝑛𝑑𝑖𝑒𝑛𝑡𝑒= 𝑉4.3− 𝑉7.1 𝑝𝐻7.1− 𝑝𝐻4.3 = 3.01𝑉− 2.48𝑉

2.8

= 0.19 Ecuación 7

La pendiente obtenida es de 0.19, esta cifra equivale a la cantidad de voltios que entrega el sensor en función de las unidades de pH que varía. Una vez obtenidas todas las variables, se procedió a remplazar en la Ecuación 6 de la siguiente manera.

𝑝𝐻= 7 + ( 2.48− 𝑉𝐸𝑥𝑝

0.19

)

Ecuación 6

La Ecuación 6 se implementó en el algoritmo de control de los sensores para obtener una medida experimental calibrada bajo este estándar.

9.2.8.3 Calibración sensor conductividad SEN0244 (TDS)

La calibración del sensor de TDS dio inició con la preparación del sensor SEN0244, este procedimiento incluyó la limpieza de la sonda con agua destilada y su posterior secado con una toalla absorbente. Posteriormente, se procedió con la puesta a punto del dispositivo, dentro de la rutina de programación implementada para el control del sensor se realizó un ajuste del voltaje de referencia para el sensor, este ajuste fue de 3.3V que corresponden con el voltaje de alimentación entregado por la unidad central de procesamiento.

Este sensor cuantifica los sólidos disueltos totales en función del aumento de la conductividad dentro de una solución, para ello se utilizaron 3 soluciones de conductividad conocida como muestras patrón (84 µS/cm, muestra de agua del RAS y 1413 µS/cm), estas muestras fueron seleccionadas teniendo en cuenta los rangos operativos teóricos de los RAS convencionales, el contexto del presente trabajo y el límite operativo del sensor seleccionado (Boyd, 2019; S. Chen et al., 1993).

Antes de iniciar con el protocolo de calibración es necesario tener en cuenta el factor de compensación de temperatura, dado que la medición de la conductividad fluctúa en relación con la temperatura, es por ello que para compensar esta variación y obtener lecturas más precisas el sensor SEN0244 incorpora un ajuste digital el cual viene prestablecido de fabrica para 25ºC, de manera que antes de realizar las mediciones se determinó la temperatura del agua y se realizó este ajuste dentro de la rutina de programación.

Como instrumento de referencia se utilizó un medidor profesional de la marca Sartorius modelo PP-20 calibrado, el equipo fue suministrado por el laboratorio de suelos de la Universidad El Bosque. El código de control del sensor fue cargado y la sonda se sumergió en las muestras para comparar las lecturas con las del equipo de referencia como se observa en la Figura 39.

Figura 39. Comparación de las lecturas del sensor TDS y el equipo de referencia a la muestra de agua del RAS (Fuente: Autor).

El sensor SEN0244 determina la conductividad de una muestra a través de la conversión del voltaje entregado en el pin análogo mediante un factor de calibración que viene dado por defecto (DFRobot,2021). El factor de calibración se ajusta en el código a través de la relación Valor del equipo de referencia / valor medido por el sensor.

A continuación, la Tabla 32 presenta los resultados obtenidos de las mediciones realizadas a las muestras patrón.

Tabla 32. Comparación de las mediciones de conductividad (µS/cm) realizadas por el sensor y el equipo de referencia (Fuente: Autor).

Muestra

SEN0244

Multiparámetro Error relativo Error absoluto

84 µS/cm

92.1 µS/cm

246 µS/cm

62.6%

153.9

Muestra RAS

329.0 µS/cm

335 µS/cm

1.8%

6.0

1413 µS/cm

1212.0 µS/cm

1500 µS/cm

19.2%

288.0

Según la Tabla 32 se puede observar que la medición realizada por el equipo de referencia para el punto de 84 µS/cm presenta un desfase significativo para esa zona (valores bajos), si bien esta anomalía compromete la trazabilidad del protocolo, se observa que las lecturas registradas en los demás puntos son óptimas, siendo el punto de la muestra de agua del RAS el punto donde se observa un error mínimo. En la Figura 40 se observa la curva de calibración en donde se expone a detalle los resultados obtenidos por el protocolo, esta gráfica muestra los puntos de calibración representados por la línea de color azul y los resultados obtenidos por el sensor calibrado y el equipo de referencia. En la gráfica se puede observar como las mediciones realizadas por el sensor calibrado presentan un mejor ajuste con respecto a los puntos de las muestras patrón, para el buffer de 1413 el sensor presentó un desfase el cual no se considera significativo, ya que en la zona operativa de interés el sensor se comportó de forma adecuada. Finalmente, una vez calibrado el sensor se procedió a establecer la cantidad de solidos disueltos totales mediante un factor de conversión suministrado por el fabricante. El valor de TDS se calcula a través de la relación TDS = CE/2, donde CE es la conductividad eléctrica de la solución a determinada temperatura, este factor se implementó en la rutina de programación para así obtener el valor TDS por parte del sensor SEN0244.

Figura 40. Curva de calibración del sensor TDS en función de los datos adquiridos por el equipo de referencia (Fuente: Autor).

9.2.9 Selección del protocolo de comunicación.

La Tabla 33 describe los aspectos más importantes a evaluar para un protocolo de comunicación, se tuvieron en consideración los protocolos de mensajería de uso extendido en aplicaciones acuícolas.

Tabla 33. Tabla descriptiva de los criterios de selección para el protocolo de comunicación. Adaptada de: (Kashyap & Sharma, 2025b).

Protocolo Overhead Seguridad Formato de datos Escalabilidad Comunicación AMQP (Protocolo de cola de mensajes avanzado) Moderado Segura, control de acceso Binario Alta Publicar - suscribir CoAP (Protocolo de aplicación restringida) Bajo DTLS para cifrado Binario compacto , RESTful Alta Solicitud - respuesta MQTT (Transporte de telemetría de colas de mensajes) Moderado SSL/TLS para cifrado y autenticación de usuarios Ligero, eficiente Alta Publicar – suscribir

LoRAWAN (Red de área amplia de largo alcance) Muy bajo Cifrado

AES - 128

paramétri cos Alta Publicar – suscribir

DDS

(Servicio de distribución de datos) Moderado Segura, control de acceso Tiempo real

-

binario Muy alta Publicar – suscribir

HTTP/HTTPS

(Protocolo de transferencia de hipertexto/seguro) Moderado TLS cifrado Texto, binario Alta Solicitud – respuesta, sin estado

Teniendo en cuenta las características descritas en la Tabla 33, se procedió a evaluar cada alternativa teniendo en cuenta el contexto actual de la propuesta y los requerimientos de diseño previamente establecidos.

Dentro del desarrollo de la presente propuesta, la arquitectura IoT es un aspecto crítico dentro del monitoreo y la gestión de los parámetros de calidad del agua en un RAS. Agilizar la toma de decisiones representa un punto de inflexión en la prevención de eventos de mortalidad masiva dentro del cultivo, es por ello que, para garantizar el acceso a la información de manera continua y remota, los protocolos de transmisión son fundamentales. Por lo tanto, se hizo necesario la selección de un protocolo idóneo el cual considere las limitaciones planteadas por el medio. La Tabla 34 detalla el proceso de selección para el protocolo de comunicación basado en los requerimientos de la propuesta y las posibles limitaciones planteadas por el área de trabajo.

Tabla 34. Matriz de decisión para los protocolos de comunicación (Fuente: Autor). Parámetro

AMQP

CoAP

MQTT

LoRAWAN

DDS

HTTP/

HTTPS

Overhead

3

2

3

1

3

3

Seguridad

4

4

4

4

4

4

Formato de datos

3

3

4

3

3

3

Escalabilidad

Comunicación

4

4

4

4

4

4

Total

18

17

19

16

19

18

Partiendo de los resultados concebidos en la Tabla 10, se puede observar una paridad entre dos protocolos (MQTT – DDS), ambos protocolos ofrecen buenas prestaciones en campos como la escalabilidad y la imputación de datos. Si bien el protocolo DDS ofrece una ventaja en términos de escalabilidad, lo cual le permite adaptarse a las demandas cambiantes de los ambientes complejos, se entiende que para el contexto en el que se desarrolla la presente propuesta, el protocolo MQTT es el adecuado debido a su capacidad para trabajar en entornos con recursos limitados donde su versatilidad le facilita el control de redes de sensores de manera remota (Holm & Hammoudeh, 2023; Koutras et al., 2025; Mishra et al., 2021; Rejeb et al., 2025).

9.2.10 Selección de la plataforma para la visualización y gestión de datos. El despliegue de la plataforma IoT inició con la implementación de una interfaz de usuario que permitiera la visualización y el acceso a los datos en tiempo real y de manera remota. Para ello se requirió la evaluación de las alternativas preseleccionadas a través de una matriz de decisión cuyos criterios pueden ser evidenciados en la Tabla 35.

Tabla 35. Matriz de decisión para la plataforma IoT (Fuente: Autor). Características Arduino IoT ThingsBoard Node-Red Thingspeak Streamlit Cloud Latencia de datos 1s 2s 300ms 15s 5s Tiempo de retención de los datos

30 días

Sujeto a licencia 30s Siempre App en uso Cantidad de dispositivos

2

4

4

4

ilimitado

Cantidad de variables

5

5

6

8

ilimitado

La Tabla 35 expone las características de interés que se consideraron y en las cuales se fundamentó el proceso de selección para la plataforma IoT, vale la pena hacer la salvedad de que cada criterio se ajusta con los requerimientos funcionales y no funcionales.

La Tabla 36 muestra los resultados obtenidos a partir de proceso de selección multicriterio.

Tabla 36. Matriz de decisión para la selección de la plataforma IoT. (Fuente: Autor). Características Arduino IoT ThingsBoar d Node- Red Thingspeak Streamlit Cloud Latencia de datos

4

3

5

2

3

Tiempo de retención de los datos

3

2

1

5

4

Cantidad de dispositivos

2

4

4

4

5

Cantidad de variables

3

3

4

5

5

Total

12

12

14

16

17

Como se puede observar en la Tabla 36, la plataforma escogida para el despliegue de la interfaz de usuario para la arquitectura IoT fue Streamlit cloud, aspectos como la cantidad de dispositivos permitidos fueron determinantes para su selección, esta plataforma permite la vinculación de múltiples dispositivos físicos sin ninguna restricción, lo cual es equivalente a un número ilimitado de variables para gestionar dentro del sistema, esto es de gran utilidad en el contexto donde se requiera de la implementación de sensores o actuadores adicionales. De igual manera, el hecho de que sea gratis se ajusta con el cumplimiento de múltiples requerimientos de la presente propuesta.

9.2.11 Desarrollo del software para la gestión de los datos. Para respaldar la información presentada en la plataforma Streamlit se hizo necesario la implementación de un servicio que permitiera el almacenamiento y recopilación de los datos obtenidos por los sensores dentro del RAS. Para dicho propósito, inicialmente se partió por la definición de una matriz de decisión con los principales criterios de evaluación los cuales permitieran determinar de manera objetiva el servicio de almacenamiento que mejor se ajustara a los requerimientos de la presente propuesta.

La Tabla 37 detalla los criterios considerados para la selección del servicio de almacenamiento de los datos, estos criterios fueron definidos teniendo en cuenta los requerimientos técnicos y funcionales de la propuesta.

Tabla 37. Criterios de evaluación para la selección del servicio de almacenamiento de datos (Fuente: Autor).

Criterio Fundamento teórico Estructura de datos Este criterio evalúa el comportamiento y las interacciones del proveedor del servicio de almacenamiento y la estructura de los datos enviados por la arquitectura de sensores (Ayyildiz et al.,

2025)

Acceso a los datos Se necesita de una plataforma de almacenamiento que facilite el acceso a la información de manera rápida y consistente (Belov et al., 2021) Latencia Este criterio estima el tiempo transcurrido desde la adquisición del dato hasta su visualización en la plataforma (Ayyildiz et al., 2025).

Costo Criterio que detalla los costos asociados al uso del servicio de almacenamiento, partiendo de la viabilidad económica y los requerimientos de la presente propuesta.

Seguridad Criterio que define los permisos de acceso a la información y la integración con protocolos de seguridad que garanticen el control de acceso a los datos (Ulbig et al., 2023).

Ecosistema Arquitectura amigable y visualmente entendible que facilite la integración con lenguajes de mayor difusión (Ma,

2002).

Compatibilidad este criterio relaciona la compatibilidad del proveedor del servicio de almacenamiento y la plataforma de visualización de la información previamente seleccionada.

Rendimiento Se analiza la eficiencia con las que el servicio ejecuta las operaciones y solicitudes.

Partiendo de la información concebida en la Tabla 37, se procedió a la construcción de la matriz de decisión con las alternativas seleccionadas para el cumplimiento de la tarea. La Tabla 38 detalla la evaluación de las alternativas, se incluyeron servicios cuyo costo de implementación no comprometiera la viabilidad económica del proyecto. De igual manera consideraron servicios con arquitecturas compatibles con el empaquetado de datos en formatos JSON, el cual es el formato utilizado por la

unidad central de procesamiento para él envió de los datos obtenidos de los sensores.

La matriz de decisión parte del fundamento tradicional donde una calificación de 5 indica que la alternativa cumple de manera satisfactoria con el criterio y 1 es un indicador de que la alternativa evaluada no cumple no dicho criterio.

Tabla 38. Matriz de decisión para el servicio de almacenamiento de datos (Fuente: autor).

Criterio ThingsBoard Thingspeak MySQL Firebase MongoDB Rendimiento

5

4

4

5

3

Costo

3

5

3

5

4

Seguridad

4

2

4

4

4

Latencia

4

3

4

4

4

Compatibilidad

3

4

3

5

4

Ecosistema

5

4

5

4

5

Acceso a datos

3

4

4

3

4

Estructura de datos

3

4

3

5

5

Total

30

29

30

35

33

Partiendo de los resultados obtenidos de la Tabla 38, encontramos que el servicio Firebase proporcionado por Google, es el más adecuado para esta aplicación. Su facilidad para trabajar con empaquetados en formato JSON combinado con su alto rendimiento y baja latencia lo convierte en la alternativa idónea, es por ello que, para el almacenamiento de los datos registrados por lo sensores, se implementó un sistema basado en dicha aplicación.

La Figura 41 detalla la arquitectura completa del sistema IoT, se puede observar la integración entre el nodo del sistema de monitoreo y la plataforma de almacenamiento de los datos obtenidos de este módulo, así mismo, Firebase

alimenta la plataforma Streamlit para visualizar los datos en tiempo real mediante protocolos MQTT diseñados para disminuir la latencia en el empaquetado y él envió de la información. El modelo de machine learning fue implementado en el lenguaje de programación Python, posteriormente fue alojado en la plataforma Github, la cual sirvió como repositorio del código fuente a su vez que permitía la integración con Streamlit Cloud, esta dependencia de Streamlit impulsó el despliegue y visualización del modelo.

Figura 41. Arquitectura del sistema de monitoreo IoT (Fuente: Autor). 9.2.12 Despliegue de la plataforma IoT.

El despliegue de la plataforma IoT web inició con el diseño de un formulario para el inicio de sesión y acceso a la página a través de un usuario con su respectiva contraseña. La Figura 42 ilustra el diseño del formulario para acceso a la plataforma web interactiva.

Figura 42. Inicio de sesión a la plataforma IoT (Fuente: Autor). A continuación, en la Figura 43 se puede observar el aspecto visual de la página principal, con cada una de las funcionalidades implementadas, como son la opción de descargar de datos históricos y el monitoreo en tiempo real de los parámetros de calidad del agua en el RAS.

Figura 43. Página principal con las funciones de monitoreo integradas (Fuente: Autor).

9.2.12 Despliegue del módulo de monitoreo en campo.

El despliegue del prototipo para el monitoreo de las variables se llevó a cabo en el sitio donde se encuentra funcionando el RAS. El dispositivo fue instalado en uno de los tanques de cultivo, exactamente en el tanque # 9, con la implementación del módulo en el área de pruebas fue posible el monitoreo en tiempo real de los parámetros de calidad del agua seleccionados para el RAS de estudio. El módulo de monitoreo está conformado por una estructura rectangular de protección fabricada en PLA. Previo a su puesta en marcha el módulo fue sometido a una serie de pruebas preliminares que buscaban corroborar el correcto funcionamiento de cada una de sus funcionalidades, principalmente la alimentación y la transmisión de datos. Con esta actividad se validó el desempeño del prototipo en un entorno operativo real. En la Figura 44 se puede observar la instalación del prototipo en el RAS.

Figura 44. Instalación del prototipo de monitoreo en el RAS de estudio (Fuente: Autor).

9.3 Resultados objetivo específico 3.

9.3.1 Establecer requisitos de investigación.

Con el despliegue del siguiente modelo se busca conocer por anticipado un efecto critico dentro del RAS de la Unidad Académica El Remanso. Partiendo de los lineamientos del objetivo específico #3, los procesos llevados a cabo buscan

determinar los parámetros técnicos acordes que permitan establecer la estrategia correcta para el desarrollo del modelo, de este modo es importante comprender el problema que se busca resolver a través de la implementación de técnicas de machine learning.

El objetivo en cuestión aborda tres componentes fundamentales, el primer componente se centra en la predicción, en el marco de la inteligencia artificial este término implica el desarrollo de modelos que pueden pronosticar eventos futuros a través del uso de técnicas avanzadas de modelado estadístico y aprendizaje automático. En el contexto del RAS, la predicción de la calidad del agua implica la evaluación e identificación de correlaciones distintivas que ayuden a pronosticar el estado del sistema en un momento dado, a partir de grandes cantidades de datos históricos (Hridoy et al., 2025; Koranga et al., 2022; Wang et al., 2016a; Yang et al., 2023b).

El segundo componente que menciona el objetivo específico #3 se refiere al termino “anticipar”, dentro del contexto actual este verbo tiene una connotación técnica relacionada con la proyección de un evento antes de que este ocurra. El evento que se quiere estimar y prevenir nos lleva al tercer componente, el cual está asociado a cambios críticos en los parámetros de calidad del agua en el RAS. Un cambio critico en la calidad del agua en un RAS es ocasionado por una serie de situaciones desfavorables donde se van deteriorando de forma progresiva y acelerada cada uno de los parámetros de calidad del agua en el RAS, afectando la salud y el desarrollo de los organismos acuícolas (Khoso et al., 2026; Wang et al., 2016b; Yang et al., 2023c).

Tomando como base lo anterior, la estrategia implementada consideró que la alteración en alguno de los parámetros de calidad del agua podría conllevar a una serie de problemáticas que culminan en un aumento en las tasas de mortalidad de los organismos cultivados en el RAS, esto en términos generales se podría considerar como un evento critico (Rasheed Abdul Haq & Harigovindan, 2022b). La Tabla 39 expone a detalle las condiciones operativas aceptables para el RAS de la unidad académica El Remanso, dichas condiciones se establecieron a partir del

análisis realizado con anterioridad en la sección 9.2.1.7, con dichos umbrales operativos se pudo definir una relación entre las zonas de operación y los eventos críticos dentro del RAS.

Tabla 39. Rangos de operación para los parámetros de calidad del agua en el RAS de la unidad académica El Remanso (Fuente: Autor).

Temperatura Nivel Rango Significado Óptimo 16.0°C – 20.0°C Condición ideal Subóptimo

11.0 °C – 16.0 °C & 20.0°C –

27.0 °C

Estrés Crítico T < 11.0°C & T > 27.0 °C Alarma pH Nivel Rango Significado Óptimo

6.5 – 8.5

Condición ideal Subóptimo

6.05 – 6.5 & 8.5 – 9.0

Estrés Crítico pH< 6.05 & pH > 9.0 Alarma

9.3.2 Selección de parámetros.

Para el diseño e implementación del modelo de inteligencia artificial, se tuvieron en cuenta la temperatura y el pH, ya que no se tienen registros de mediciones para el parámetro de solidos disueltos totales lo que dificulta el entrenamiento del modelo. Teniendo claridad acerca de los aspectos técnicos a considerar para dar cumplimiento al objetivo específico #3, se definió la metodología detallada en la Figura 45.

Figura 45. Metodología para el desarrollo del modelo para la predicción y anticipación de cambios críticos en la calidad del agua en el RAS (Fuente: Autor).

9.3.3 Recopilación de datos.

El dataset fue creado a partir de registros manuales realizados por operarios de la unidad temática El Remanso a los 10 tanques que conforman el RAS, la digitalización de cada registro se llevó a cabo en Excel, unificando los registros en un formato que incluye Tanque, parámetro, fecha, hora y jornada. Finalmente, este fue almacenado en formato .CSV lo que facilita su manipulación y mejora la eficiencia a la hora de interactuar con el modelo.

La Figura 46 expone los resultados obtenidos a la hora de la digitalización de los registros.

Figura 46. Digitalización de registros. (Fuente: Autor).

9.3.4 Preprocesamiento de los datos.

Las actividades desarrolladas para el procesamiento del dataset digitalizado en la etapa anterior incluyen una serie de procesos cuya finalidad fue la de identificar errores dentro del archivo y así garantizar la integridad y fidelidad del dataset. Se llevó a cabo la implementación de un algoritmo de Python desarrollado en la plataforma Visual Studio Code, el cual mediante la aplicación de funciones y rutinas de programación se encargó de la detección de posibles anomalías derivadas de la etapa de digitalización.

El dataset analizado contiene un total de 3882 registros que corresponden a las mediciones realizadas en el RAS en un periodo de tiempo 218 días hábiles. La Tabla 40 expone un resumen de las anomalías encontradas en el análisis de la base de datos, se evidencia la calidad del archivo, donde solo se encontraron 4 entradas con errores de formato, se decidió eliminar las entras con el propósito de conservar la integridad del dataset. Se implementó una rutina para la identificación de valores faltantes basada en el conteo de la cadena de caracteres NaN en todo el archivo, ya que un dataset con entradas faltantes podría afectar el desarrollo del modelo.

Tabla 40. Resumen de anomalías detectadas en la etapa de procesamiento. (Fuente: Autor).

Parámetro Cantidad Registros correctos

3882

Datos duplicados

0

Datos faltantes

0

Errores de formato

4

Registros eliminados

4

Registros finales

3878

La metodología previamente realizada permitió validar la coherencia de los datos que integran la base de datos, esto es fundamental para la fase de entrenamiento y validación del modelo predictivo.

9.3.5 Análisis y exploración de los datos.

El proceso ejecutado en este apartado comprendió el análisis y visualización de los datos en el dataset, esto con la finalidad de entender los datos e identificar patrones a partir de ellos.

En la Figura 47 se evidencia la distribución de la cantidad de registros realizados a cada tanque dentro del sistema RAS, se puede observar un equilibrio entre el número de registros realizados por tanque, lo que representa un balance en las técnicas de muestreo implementadas.

Figura 47. Gráfico de barras para la cantidad de registros realizados a cada tanque de cultivo. (Fuente: Autor).

Tras la obtención del gráfico de la cantidad de registros por tanque, se procedió a realizar un proceso similar cuyo resultado se observa en la Figura 48, en ella se puede observar una comparación entre la cantidad de registros realizados por jornada, teniendo en cuenta que el protocolo de muestreo estaba establecido en dos mediciones, una en la jornada de la mañana y la siguiente en la tarde. La gráfica de la Figura 46, si bien denota un equilibrio entre ambas jornadas, es evidente que la perdida de datos posiblemente se produjo en la jornada de la mañana, este tipo de contingencias repercuten en la operabilidad del sistema, debido a que no es posible asociar eventos de mortalidad con la calidad del agua en el sistema, dado que no existe una trazabilidad en los datos en el sistema.

Figura 48. Distribución de las mediciones realizadas por jornada. (Fuente: Autor). En la Figura 49 se observa la distribución de los registros en función del mes donde se realizó, es evidente la disminución de los registros en el mes de diciembre, este evento coincidió con el inicio del periodo de vacaciones para el personal de la unidad académica El Remanso.

Figura 49. Distribución de los registros realizados en función del mes (Fuente: autor).

La Figura 50 expone la gráfica del pH promedio medido a cada tanque del sistema, donde la media global para este parámetro fue de 6.95 unidades. Se puede observar que el sistema global presenta una tendencia equilibrada, lo cual es importante ya que, si bien el sistema lo conforman diez tanques de cultivo, el pH tiende a mantenerse estable en cada uno de ellos. Además, los RAS son sistemas cerrados donde los parámetros de calidad del agua pueden regularse hasta alcanzar determinado equilibrio (Lindholm-Lehto, 2023g).

Figura 50. pH promedio por tanque de cultivo en el RAS. (Fuente: Autor). En la Figura 51 se puede observar la temperatura promedio de cada tanque del sistema donde la media global fue de 18.8 ºC. Como es evidente este parámetro presenta una tendencia similar a la observada en el pH. Este comportamiento puede ser explicado por la constante recirculación del agua dentro del sistema, haciendo que el agua conserve la energía térmica en lugar de disiparla (Akbulut et al., 2026; Ebeling & Timmons, 2012).

Figura 51. Gráfica de la temperatura promedio en función de los tanques de cultivo (Fuente: Autor).

Una explicación coherente al comportamiento observado anteriormente en las variables analizadas, es que los RAS funcionan a través de ciclos continuos de recirculación donde las variables de calidad del agua presentan fluctuaciones mínimas en cada uno de los tanques de cultivo, de manera que es pertinente asumir que los valores registrados para las variables de calidad del agua son ligeramente similares para todo el sistema (Yang et al., 2023d).

La Tabla 41 presenta un resumen estadístico del dataset de entrenamiento, de la cual se puede inferir diversas consideraciones relacionadas a las métricas de estadística descriptiva, una de ellas es la simetría presentada en los valores de media y mediana observadas en la temperatura, de igual manera esto es evidente para el pH. Adicionalmente, en la Tabla 40 se puede evidenciar el contraste entre la desviación estándar para cada variable, donde los valores presentados para el pH indican una mayor variabilidad, a diferencia de la temperatura donde se puede observar una mayor estabilidad (0,3), esto se debe a que probablemente el RAS mantiene un mejor control térmico la mayor parte del tiempo, favoreciendo la estabilidad del parámetro (Yang et al., 2023e).

Tabla 41. Resumen estadístico de las variables estudiadas (Fuente: Autor).

Métrica pH Temperatura (°C) Valor mínimo

5.8

14.5

Valor máximo

7.3

22.4

Promedio

6.9

18.8

Mediana

6.8

18.8

Desviación estándar

1.01

0.3

En la Figura 52 se presenta un histograma de frecuencias donde se observa la distribución del pH y la temperatura dentro del dataset. Para la distribución del pH se puede observar una determinada variabilidad en la distribución de los datos, donde el promedio fue de 6.78, lo que explica la tendencia de la mayoría de datos de agruparse en torno a ese valor. El valor de la mediana (6.78) es un indicador de la presencia de valores atípicos asociados a caídas en el pH, esto se debe a la acumulación de materia orgánica y otros compuestos metabólicos producidos durante los ciclos de operación en el RAS (dos Santos et al., 2023).

En la Figura 52, el gráfico de la derecha corresponde a la distribución de la temperatura, donde el promedio de los datos fue de 18.8ºC, valor que coincide con el reportado para la mediana. Esto es un indicio de la poca variabilidad que hay en las mediciones, lo cual es evidencia del comportamiento estable del RAS en términos de la temperatura.

Figura 52. Distribución de frecuencias para las mediciones del pH y la temperatura. (Fuente: Autor).

La gráfica de la Figura 53, muestra la evolución de los parámetros de interés a través del tiempo en que se realizaron las mediciones, donde la línea central representa el promedio mensual registrado. El gráfico de la izquierda expone como el pH va decreciendo con el transcurrir del tiempo, la sombra azul que se observa de fondo a la gráfica corresponde a los picos máximos que presentó este parámetro a lo largo de los meses, nótese como el comportamiento de la gráfica denota un comportamiento variable al inicio de las mediciones, con una tendencia marcada hacia los valores por debajo del valor promedio. La gráfica de la derecha corresponde a la temperatura, en ella la línea de promedios mensuales indica como la temperatura se mantiene estable a lo largo de los meses, la simetría observada en la figura de fondo es evidencia de como los máximos se comportaron de manera uniforme en comparación con los reportados en el pH.

Figura 53. Evolución de los parámetros de interés a lo largo del tiempo (Fuente: Autor).

9.3.6 Feature Engineering

Para alcanzar una predicción eficiente y precisa de las variables de calidad del agua en el RAS la cual facilite una intervención de manera anticipada ante episodios de estrés donde una o más variables exceden sus rangos óptimos, es fundamental extraer patrones de los datos históricos recopilados los cuales permitan establecer la dinámica del RAS (Elkin & Zhu, 2021; M. K. B. Islam et al., 2024; Yang et al., 2023f). La Figura 54, describe los parámetros de entrada en la columna X(t), estos parámetros fueron extraídos del dataset digitalizado y están compuestos por números, así como por categorías. La columna Y(t) contiene las variables objetivo las cuales se desea predecir.

Figura 54. Descripción de las características seleccionadas para alimentar el modelo (fuente: autor).

En la figura mostrada anteriormente se puede observar la construcción de las nuevas features, inicialmente se procedió a segmentar las columnas del dataset Temperatura y pH, estas se convirtieron en Temperatura t – 1, pH t - 1, Temperatura t – 2, pH t – 2 y Temperatura t – 3, pH t - 3 en la columna X(t), estas nuevas características corresponden al estado previo de las variables dentro el dataset. En la Figura 55 se puede observar con mayor detalle el método mencionado anteriormente.

Cómo lo que se busca es dar una mirada al valor proyectado de la variable (futuro), es necesario analizar el comportamiento de estas en sus respectivos registros históricos. Con esto el enfoque estaba en enriquecer el modelo a partir de la entrada de las características más relevantes (M. K. B. Islam et al., 2022a; Santoso & Priyadi, 2024).

Teniendo en cuenta el régimen con el que venían siendo registrados los datos que hacen parte del dataset de entrada, tenemos que para 10 tanques de cultivo fueron medidas las variables de pH y temperatura, donde el muestreo era llevado a cabo dos veces al día, un registro en la mañana y otro en la tarde. Lo anterior plantea varias cuestiones, una de ellas es la irregularidad en el método de muestreo implementado por el personal encargado del RAS, ya que esto modifica el proceso de aprendizaje del modelo. El tiempo transcurrido entre cada medición no es regular, esto supone que el tiempo transcurrido entre las mediciones de la mañana a la tarde no es igual al transcurrido entre las mediciones realizadas en la tarde a la mañana siguiente. Lo anterior modifica totalmente la manera en cómo se aborda el horizonte de predicción o “La mirada al futuro”, ya que sería impreciso y poco riguroso intentar predecir una variable objetivo hacia un horizonte de predicción arbitrario, sin tener considerar la naturaleza del dataset de entrada. Para ajustar el horizonte de predicción a la frecuencia de medición implementada en el dataset de entrada, el enfoque estará centrado en predecir las próximas jornadas de medición, esto se traduce en pronosticar el estado de la variable en las próximas jornadas (Dia - Tarde).

Figura 55. Descripción del funcionamiento de las nuevas features (fuente: autor). 9.3.7 Selección del modelo.

Para el desarrollo de esta etapa de desarrollo, inicialmente se tuvo en consideración la estrategia previamente planteada en la Figura 45, esta inició con la predicción del valor numérico para los parámetros de temperatura y pH, una vez establecido el pronóstico, la rutina de programación continúo con la clasificación del valor en su zona de operación correspondiente.

La selección de los modelos se realizó mediante un análisis basado en una matriz de decisión, donde el objetivo fue identificar la estrategia metodológica idónea para el contexto de la presente propuesta. Los modelos de machine learning considerados e incluidos en la matriz, fueron aquellos que presentaron una mejor versatilidad a la hora de trabajar con conjuntos de datos representativos asociados a las series temporales, respondiendo principalmente al requerimiento técnico número 5. De esta manera, el enfoque metodológico se fundamentó en considerar modelos de machine learning con diferentes niveles de complejidad, se evaluaron desde simples regresiones hasta modelos más sofisticados. Se aclara que la evaluación de los modelos seleccionados no solo busca establecer una comparación en términos de las métricas de rendimiento; además de ello, la intención pasa por analizar el desempeño del modelo partiendo de las características de los datos históricos del RAS y su condición actual (Shams et al., 2024a).

En la Tabla 42, se pueden observar los criterios de selección para los modelos de machine learning acompañado de su respectiva definición, vale la pena hacer la

aclaración que tales criterios fueron establecidos e identificados a partir de la naturaleza que posee la tarea asignada. Tabla 42. Criterios de selección para el modelado de la solución propuesta (Fuente: autor).

Criterio Definición Complejidad del algoritmo Este criterio está estrechamente ligado a aspectos como la estructura del modelo, el sobreajuste, el subajuste, el tamaño, complejidad de los datos o los procesos que usa el modelo para optimizarse (Zhou et al.,

2023).

Comprender este aspecto es fundamental, ya que de este depende la capacidad del modelo para gestionar nuevos grupos de datos sin perder eficiencia en la predicción (Maleki et al., 2020a). Tipo de salida Se refiere a los métodos que usa el modelo para entregar un tipo especifico de dato útil y coherente a la tarea asignada (Bzdok et al.,

2017).

Volumen del dataset Criterio que relaciona las características más importantes que puede presentar el dataset de estudio, tales como: la cantidad, la calidad y el tipo de dato. La importancia de este criterio yace en el hecho de que afecta directamente la calidad del resultado esperado (Y. A. Ali et al., 2023; Géron, 2019; Maleki et al., 2020b) Demanda de recursos Teniendo en cuenta los requerimientos funcionales de la propuesta, se precisa que el modelo opere de manera continua e ininterrumpida. Por lo tanto, se priorizaron modelos que hagan uso de manera eficiente de los recursos tanto eléctricos como digitales para el cumplimiento de la tarea asignada (Justus et al., 2018).

Dentro de los criterios establecidos, la selección de estos siguió una metodología integral la cual buscada darles prioridad a aquellos criterios estrechamente relacionados a la naturaleza del dataset y la tarea asignada, la cual consiste en la predicción de los parámetros de calidad del agua en el RAS de estudio. Con el propósito de optimizar los procesos asociados al aprendizaje por parte del modelo, criterios asociados a la demanda de cómputo y a la complejidad del algoritmo obtuvieron especial relevancia en la jerarquía analítica para la selección de los modelos, con esto el enfoque se centró en simplificar la arquitectura de cómputo necesaria para el cumplimiento de la tarea. A continuación, la Tabla 43 entrega una descripción detallada de los modelos candidatos a ser evaluados por medio de la matriz.

Tabla 43. Descripción de los modelos candidatos (Fuente: Autor). Modelo Descripción Modelo K-vecinos más cercanos (KNN) Este algoritmo es uno de los más usados debido a su versatilidad para llevar a cabo distintas tareas, para la predicción su base teórica está fundamentada en la proximidad de los puntos de datos dentro un espacio de características. Para tareas de clasificación el algoritmo emplea la distancia euclidiana para calcular la distancia entre dos puntos vecinos más cercanos y asignando la mayoría de nvecinos a una clase (Basirian et al., 2026a; Shams et al., 2024b; Thapa et al., 2025a) Árbol de decisión (DT) Este algoritmo presenta un enfoque sencillo basado en la selección de un parámetro raíz, posteriormente todas las decisiones son agrupadas en un árbol descendente donde la elección se fundamenta en la asignación de valores especiales (Malek et al., 2022; Shams et al., 2024b).

Regresión de vectores de soporte (SVR) Algoritmo de gran versatilidad y solida formulación matemática adecuado para

resolver problemas no lineales como regresión, pronóstico, categorización y estimación de funciones (Shams et al., 2024b). Bosque Aleatorio (RF) Es un método de aprendizaje el cual combina múltiples arboles de decisión entrenados en paralelo (Thapa et al., 2025b). Este modelo puede ser utilizado para clasificación y regresión donde cada árbol es construido bajo el principio de “Baggin” y el resultado final es determinado por votación mayoritaria para clasificar o promedio para predecir(Liaw & Wiener, 2007; Wu et al., 2019a). Potenciación de gradiente extrema (XGBoost) Destacado algoritmo de aprendizaje automático de gran potencia el cual combina múltiples algoritmos para mejorar el desempeño en la predicción, ofreciendo un sistema integral reconocido por su excepcional eficiencia y precisión (Basirian et al., 2026a; Huang et al., 2026a; Thapa et al., 2025b).

Tabla 44. Matriz de decisión para la selección del modelo predictivo (Fuente: Autor). Criterio

KNN

XGBoost RF

SVR

DT Complejidad algoritmo

4

3

4

3

5

Tipo de salida

3

5

4

3

2

Volumen del dataset

3

4

4

4

1

Demanda de recursos

4

3

4

4

5

Total

14

15

16

14

13

Una vez realizada la matriz de decisión para la selección del modelo para predecir las variables de calidad del agua, se puede observar que el modelo candidato seleccionado es el Random Forest (RF), sin embargo, es evidente que la diferencia con el modelo XGBoost es de una unidad, por lo que no es apreciable una diferencia notable. Si bien ambos modelos trabajan con árboles de decisión, la balanza se

inclinó al RF debido a que la implementación de su algoritmo no es una tarea que demande muchos recursos, esto sumado a que presenta numerosos beneficios para la tarea asignada entre ellos destacan su versatilidad y flexibilidad, ya que este algoritmo puede utilizarse para tareas ya sean de predicción como de clasificación. Adicionalmente, su configuración les permite manejar grandes conjuntos de datos de manera eficaz y precisa sin caer en el sobreajuste. Finalmente, este modelo posee una velocidad de entrenamiento rápida, facilitando su implementación (Basirian et al., 2026b; Huang et al., 2026b; Jiang et al., 2025; Lu & Ma, 2020; Thapa et al., 2025c; Tyralis et al., 2019; Wu et al., 2019b).

9.3.9 Arquitectura del modelo.

Teniendo en cuenta los resultados obtenidos anteriormente, Random Forest fue el modelo seleccionado para la predicción de las variables de calidad del agua en el RAS y la clasificación en sus zonas operativas. Partiendo de la estructura del dataset de entrenamiento se entiende la elección de esta alternativa, ya que como se mencionó anteriormente, Random Forest es un algoritmo con mucha versatilidad, lo cual le permite desempeñar tareas de clasificación y predicción basados en datos de series temporales (Basirian et al., 2026b). Para la fase de entrenamiento, este modelo usará un dataset de registros históricos del RAS suministrados por la Unidad Académica El Remanso. Teniendo en cuenta lo anterior, la Figura 56 describe la arquitectura del modelo implementado.

Figura 56. Arquitectura del modelo seleccionado (Fuente: Autor).

9.3.10 Entrenamiento y validación del modelo seleccionado. La validación del modelo seleccionado se llevó a cabo en el software de código abierto Visual Studio Code utilizando el lenguaje de programación Python utilizando varias de sus librerías especializadas en machine learning, tales como: Scikt-learn, Pandas, Keras, Matplotlib y NumPy. Estas librerías proporcionan todas las funciones matemáticas necesarias para la gestión de los datos y el cálculo de todas las dependencias del modelo. El Random Forest se entrenó y validó con un número total de 200 árboles, alcanzando una profundidad máxima de 27 niveles. Por ultimo se utilizó el método de Bagging convencional (Bootstrap – Aggregating).

Teniendo en cuenta las técnicas de validación disponibles, el análisis estuvo fundamentado en 3 métodos, estos fueron Hold Out, validación cruzada y TimeSeriesSplit. Con este enfoque se buscaba realizar un análisis integral de cada método y escoger el que mejor desempeño mostrara para con el conjunto de datos. Esta etapa inició con la evaluación de tres de las principales técnicas de validación, estas son Hold Out, K-Folds y Time Series Split. El método Hold Out divide el conjunto de datos en dos subconjuntos, normalmente las proporciones más usadas son 70/30, 80/20 o 60/40 (Blum et al., 1999). Para esta primera iteración se decidió usar la proporción 80/20, lo anterior nos deja que de 3872 filas registradas 3097 se usaron para entrenar el modelo y 775 para validar. Temporalmente ese 80% de entrenamiento se ve reflejado en los datos comprendidos entre el 04/02/2025 15:05:00 hasta el 03/10/2025 15:00:00, el 20% de validación utilizó los datos correspondientes al periodo de tiempo comprendido entre el 03/10/2025 15:05:00 y el 03/12/2025 09:10:00.

La validación cruzada K-Folds es una metodología de remuestreo que es utilizada para evaluar la generalización de los modelos predictivos. Este método de validación divide el conjunto de datos K subconjuntos de igual tamaño llamados pliegues (Folds), esto sucede de manera iterativa hasta que todos los puntos de datos se hayan utilizado como conjunto de validación. Las puntuaciones obtenidas en cada pliegue se promedian para estimar la capacidad predictiva del modelo, Esta

técnica es ampliamente usada para mejorar la predicción del modelo, incluso cuando no se cuenta con un dataset con suficientes datos (Lal et al., 2024; Najafabadi et al., 2025) Para lograr un equilibrio entre costo computacional y fiabilidad estadística, la presente actividad empleara una configuración de 5 pliegues, según (Najafabadi et al., 2025), este enfoque minimiza el riesgo de sobreajuste. Por último, la metodología TimeSeriesSplit es un tipo de validación cruzada utilizado principalmente para datos cronológicos, en este método los datos son ordenados cronológicamente, la ventana de entrenamiento se va expandiendo en el tiempo mientras la ventana de validación avanza en el tiempo (Hasanov et al., 2022). El rendimiento de cada técnica de validación se evaluó utilizando el coeficiente determinación (R2), el error cuadrático medio (RMSE) y el error absoluto medio

(MAE).

Inicialmente se realizó un análisis para determinar el tiempo promedio que hay entre cada uno de los horizontes de predicción, encontramos que en promedio la siguiente jornada de predicción tiene un salto temporal con una duración de aproximadamente 18.7H, para la jornada 2 el salto es de 37.7 y para la jornada 3 el salto fue de 56 horas respectivamente.

A continuación, se expone el análisis de las métricas de desempeño aplicadas a cada una de las técnicas de validación, la Figura 57 muestra los resultados obtenidos para el coeficiente de determinación R2, esta métrica determina la correlación entre los valores observados y los predichos, donde un R2 más alto es un indicador de un mejor ajuste entre la predicción del modelo y los datos de entrenamiento, el valor óptimo para esta variable es de 1 (Cardoso de Salis et al.,

2019).

Se observan resultados satisfactorios para todas las técnicas de validación, principalmente K-Folds que obtuvo el coeficiente más alto (0.98) para la variable de pH en la predicción de la jornada 1 (Jornada siguiente), esto se traduce en que el modelo seleccionado bajo este método de validación predice el 98% de la variabilidad que puede llegar a presentar este parámetro en la siguiente jornada de

mediciones, el coeficiente alcanzado por esta técnica de validación confirma una generalización exitosa que se ajusta a los valores reales. El método de validación con menor coeficiente fue el Time Series (0.90), a pesar de ello sigue siendo un resultado más que aceptable, teniendo en cuenta que 1 es el índice óptimo para el R2 (Cardoso de Salis et al., 2019).

Para la variable de temperatura la técnica K-Folds fue la que mejor resultados obtuvo en el horizonte de predicción más próximo (Jornada 1), a pesar de que los resultados observados no presentan el mismo desempeño en relación con el pH, esto se podría estar asociado a la estabilidad térmica intrínseca del RAS de estudio, la cual amortigua de gran manera las fluctuaciones térmicas a las que está expuesto el sistema.

Se puede observar cómo los coeficientes de la métrica evaluada disminuyen para todas las variables a medida que aumenta el horizonte de predicción, esta tendencia decreciente global es un indicador de que, dado el conjunto de datos de entrenamiento, el aumento del horizonte de predicción degrada la calidad de la predicción.

En términos generales la técnica K-Folds mostró resultados más que aceptables para ambas variables de calidad del agua (H. Zhang et al., 2026).

Figura 57. Desempeño de las técnicas de validación en relación al R2 (Fuente: Autor).

El error absoluto medio (MAE), es una métrica que estima el error en la predicción calculando la diferencia promedio entre los valores predichos y los reales (Y. Liu et al., 2025). La Figura 56 describe los resultados obtenidos por el modelo para esta métrica en relación a las técnicas de validación implementadas. Como sucedió con el R2, para el MAE se pueden observar resultados satisfactorios y muy precisos, donde el método de validación K-Folds mostró el mejor desempeño en términos generales. Se observa como los resultados obtenidos para el pH presentan un mayor grado de precisión en relación con la temperatura. Además, se evidencia nuevamente como el horizonte de predicción es un factor que influye en la calidad de la predicción, los gráficos concebidos en la Figura 58 describen como el MAE aumenta en función del horizonte de predicción.

A pesar de que el horizonte de predicción afecta directamente la precisión de los valores predichos, los resultados denotan que el MAE con mayor valor (0.7, obtenido por la temperatura para la jornada 3 son aceptables, esto se traduce en que el valor predicho por el modelo tiene un error de aproximadamente 0.7 °C, lo cual es admisible, más teniendo en cuenta la estabilidad térmica observada en el RAS de estudio.

Figura 58. Desempeño de las técnicas de validación en relación al MAE (Fuente: Autor).

Por último, se realizó la evaluación del error cuadrático medio (RMSE), esta métrica al igual que el MAE realiza una estimación de los errores entre los valores predichos

y los valores reales, un RMSE bajo (cercano a 0) indica una mayor precisión en la predicción (Thapa et al., 2025d).

En la Figura 59 se pueden observar lo resultados obtenidos en el RMSE para con cada una de las técnicas de validación. Se evidencia un comportamiento ligeramente similar en relación con los resultados obtenidos con el MAE, lo importante reside en ese grado de similitud que guardan ambas métricas, ya que esta se mantiene en menos de 1 para todas las variables y horizontes de predicción. Lo anterior es un indicador de fiabilidad en la capacidad predictiva del modelo, dado que es evidente la simetría entre ambas gráficas y las mínimas discrepancias observadas en RMSE para cada métrica de validación (Karunasingha, 2022).

Figura 59. Desempeño de las técnicas de validación en relación al RMSE (Fuente: Autor).

Se realizó una prueba para comparar el comportamiento de los valores predichos y las mediciones realizadas en cada una de las ventanas temporales, con esto se busca corroborar la eficacia del modelo en términos de precisión y exactitud para los valores predichos. Para efectos prácticos, se utilizaron dos de los tres métodos de validación (K-Folds – Time Series Split), se decidió abordar este enfoque debido a que K-Folds fue la técnica de mayor puntaje en las métricas de evaluación, en cuanto a Time Series Split, su selección se fundamentó dada la naturaleza secuencial de los datos de entrenamiento, este método de validación respeta el

orden cronológico de los datos, utilizando particiones de datos pasados para entrenar el modelo y particiones de datos futuros para validar, esto garantiza una mayor confiabilidad en la rigurosidad de la predicción (Ding et al., 2025; Lokman et al., 2025; Nong et al., 2025).

A continuación, en la Figura 60 se graficaron los valores de pH predichos en relación a los registros observados para cada técnica de validación, mediante este método se validó el aprendizaje del modelo. Lo observado en la gráfica denota un patrón que evidencia la diminución de la calidad en la predicción a medida que aumenta el horizonte de predicción, a pesar de que el umbral que separa la correlación entre la predicción más próxima (jornada 1) y la más lejana (jornada 3) es de solo 0.2 unidades.

El modelo Random Forest que utilizó K-Folds como método de validación mostró una mayor precisión en la predicción del pH para cada horizonte de predicción en comparación con Time Series Split, lo anterior se ve reflejado en la alineación que presentan los puntos a lo largo de la línea de predicción real. Esta tendencia se observa para todo el espectro de medición.

Si bien la K-Folds produjo resultados más precisos, el desempeño de Time Series Split para las métricas de rendimiento es óptimo, principalmente para las jornadas

1 y 2. Lo anterior es un buen síntoma, ya que Time Series Split presenta una técnica

de validación mucho más objetiva que K-Folds, este último tiende a confundir los conjuntos de datos, produciendo resultados optimistas que posiblemente estén sesgados.

A partir de lo expuesto anteriormente, es evidente que el horizonte de predicción es un factor influyente en la pérdida de calidad en la predicción, esto se pudo corroborar gracias a las métricas observadas en la gráfica de la jornada 3 para ambas técnicas de validación.

Figura 60. Scatter plot del rendimiento de la predicción para el pH (Fuente: Autor). La Figura 61 presenta los resultados obtenidos para la variable de temperatura en cada uno de sus horizontes de predicción, se puede observar una pérdida de calidad en la predicción, esto es evidente para ambas técnicas de validación. Con resultados ligeramente más aceptables para K-Folds en comparación con Time Series Split, evidencia de ello es que se observa una mayor uniformidad en la agrupación de los datos en la línea de los valores reales en K-Folds, a diferencia de Time Series donde los datos presentan mayor dispersión en cada uno de sus horizontes.

Cabe destacar que la degradación de la calidad de la predicción a medida que aumenta el horizonte de predicción se manifiesta de igual manera para esta variable, guardando estrecha relación entre ambas variables de calidad del agua.

Figura 61. Scatter plot del rendimiento de la predicción para la temperatura (Fuente: Autor).

9.3.11 Clasificación de calidad del agua en RAS.

Para esta fase del proyecto se utiliza el modelo implementado (Random Forest) para clasificar la calidad del agua en el RAS. El modelo clasificó el agua del RAS en función de los rangos operativos establecidos en la Tabla 38, su rendimiento fue evaluado con un conjunto de datos nuevos independientes a los datos de entrenamiento. Las métricas de rendimiento utilizadas para validar el modelo fueron la precisión, el F1 score y el recall.

Para garantizar una mayor comprensión en la etapa de validación, se utilizó una matriz de confusión para el modelo implementado.

Previo al inicio de la etapa de entrenamiento y validación del modelo de clasificación, se mostrará un análisis exploratorio preliminar del dataset de entrenamiento, con esto se busca verificar la presencia de datos acordes a los rangos operativos previamente establecidos y con ello interpretar la dinámica las RAS en función de sus zonas operativas.

La Figura 62 describe la distribución de los datos del dataset de entrenamiento en sus rangos operativos, en el eje y se encuentra los datos correspondientes al pH,

mientras que en el eje x encontramos a la temperatura. Se observa una determinada correlación entre el número de datos ubicados en zona optima y subóptima, con pocos eventos críticos. Lo evidenciado anteriormente es un indicador de que las variables de calidad del agua estuvieron la mayor parte del ciclo operativo oscilando entre zonas optimas y subóptimas con valores críticos esporádicos. La mayor parte de eventos críticos se asocian a la temperatura, mientras que el pH mostró un comportamiento que se mantuvo en rangos óptimos – subóptimos durante el ciclo.

Figura 62. Distribución de los registros en sus zonas operativas (Fuente: Autor). La Figura 63 muestra la distribución de las mediciones en función de sus rangos operativos, donde la temperatura mostró una menor variabilidad en sus registros y una mayor uniformidad en sus distribuciones, con valores agrupados en un punto central. Para el pH se observa una mayor variabilidad en los registros, si bien la incidencia de valores críticos es menor, ese comportamiento variable puede estar asociado con los regímenes alimenticios que maneja el RAS (Yang et al., 2023f).

Figura 63. Distribución de los registros en sus rangos operativos (Fuente: Autor). Como se mencionó anteriormente, el rendimiento del modelo fue evaluado mediante la estimación de las métricas concebidas en la Tabla 45, se compara los coeficientes obtenidos para cada horizonte de predicción.

Donde la precisión estima el rendimiento del modelo en función de las predicciones positivas teniendo en cuenta los falsos positivos. En cuanto al Recall, a diferencia de la precisión este pondera con mayor rigor los falsos negativos, finalmente el F1 score es una relación entre precisión y Recall. Para facilitar la comprensión la Tabla 45 complementa lo mencionado anteriormente.

Tabla 45. Descripción de la terminología utilizada en métricas de rendimiento para modelos de clasificación adaptada de: (Naim et al., 2025).

Termino Descripción Verdaderos positivos Predicción correcta de muestras positivas.

Verdaderos negativos Predijo correctamente las muestras negativas.

Falsos positivos Predicción positiva, pero resultado real negativo Falsos negativos Se predijo un resultado negativo, pero en realidad fue positivo.

Los resultados obtenidos en la Tabla 46 son buenos, se observan coeficientes por encima del 80%. De igual manera como sucedió en los análisis del modelo de predicción, se puede observar como el rendimiento del modelo de clasificación decrece en función del aumento del horizonte de predicción.

Tabla 46. Resultados obtenidos para las métricas de rendimiento del modelo de clasificación (Fuente: Autor).

Hold Out Jornada Zona F1 Score Precisión Recall J1 Crítica

0.88

0.93

0.84

Sub – Optima

0.83

0.83

0.82

Optima

0.95

0.94

0.95

J2 Crítica

0.89

0.96

0.83

Sub – Optima

0.78

0.83

0.74

Optima

0.93

0.92

0.95

J3 Crítica

0.83

0.89

0.78

Sub – Optima

0.68

0.78

0.61

Optima

0.91

0.88

0.95

Time Series Split Jornada Zona F1 Score Precisión Recall J1 Crítica

0.62

0.86

0.48

Sub – Optima

0.80

0.79

0.80

Optima

0.97

0.96

0.98

J2 Crítica

0.65

0.82

0.53

Sub – Optima

0.70

0.74

0.67

Optima

0.95

0.93

0.97

J3 Crítica

0.63

0.81

0.52

Sub – Optima

0.60

0.69

0.53

Optima

0.93

0.90

0.96

K – Folds Jornada Zona F1 Score Precisión Recall J1 Crítica

0.85

0.87

0.84

Sub – Optima

0.81

0.85

0.78

Optima

0.95

0.93

0.96

J2 Crítica

0.83

0.86

0.81

Sub – Optima

0.75

0.79

0.72

Optima

0.93

0.91

0.94

J3 Crítica

0.72

0.83

0.64

Sub – Optima

0.68

0.89

0.64

Optima

0.91

0.86

0.93

Para comprender a mayor detalle los resultados obtenidos del proceso de validación del modelo, se implementó una matriz de confusión para cada horizonte de predicción. En la Figura 64 se puede observar una comparación entre una clasificación de datos reales y la predicha.

Se observa que para la jornada 1 que fue la de mayor rendimiento, el modelo clasificó la mayoría de los puntos dentro del rango óptimo. Al analizar las otras zonas, encontramos que el modelo clasificó como críticos 4 datos que en realidad pertenecen a la clase subóptima, esto podría estar relacionado con la cercanía que hay entre los umbrales de cada clase.

A pesar de mínimos detalles, se pudo evidenciar especificidad en el modelo, cometiendo pocos errores en la clasificación de los datos. Por otro lado, esta validación visual confirma que el aumento del horizonte de predicción afecta el rendimiento del modelo, ya que la mayor cantidad de errores de clasificación se presentó en la jornada 3.

Figura 64. Matriz de confusión para las jornadas de mediciones (Fuente: Autor).

Para cuantificar el rendimiento del modelo de clasificación se generaron las curvas ROC para cada jornada predicha, el cálculo del área bajo la curva (AUC) aporta los índices obtenidos a partir del análisis comparativo entre cada rango operativo. La Figura 65 presenta gráficamente los resultados obtenidos, en ellos se puede apreciar que en la jornada 1 (J1) el rango critico obtuvo un AUC de 0.99, lo que ratifica un mayor grado de especificidad en la detección correcta de verdaderos positivos, los rangos óptimos y subóptimos presentaron índices AUC ligeramente similares, ambos con resultados sobresalientes.

Para la jornada 2 (J2), los índices AUC presentaron un ligero descenso en comparación con la jornada 1, los rangos óptimos y subóptimos fueron los que presentaron una mayor desviación en sus resultados en relación con los vistos en la jornada 1, se puede observar una presencia más marcada de falsos positivos para ambos rangos.

La gráfica de la jornada 3 fue la que presentó los resultados con mayor deterioro del índice AUC, si bien el rango critico mostró un rendimiento sobresaliente (AUC = 0.98), se evidencia una clara pérdida de calidad en los índices para los rangos óptimos y subóptimos en comparación con la jornada 2.

Resulta evidente que el factor temporal (horizonte de predicción), fue influyente en el rendimiento del modelo para la clasificación de calidad del agua en sus rangos operativos, a medida que el horizonte de predicción se extiende el modelo decrece su rendimiento. Según varios autores, los modelos basados en la predicción y clasificación de series temporales normalmente presentan dificultades para proyectar la información procedente de datos pasados hacia el futuro. Por lo cual la calidad de la predicción se va degradando gradualmente a medida que el horizonte de predicción objetivo se aleja del estado temporal actual. (M. K. B. Islam et al., 2022b)

Figura 65. Curva ROC de las zonas operativas (Fuente: Autor). 9.3.12 Implementación del sistema de alertas.

Para consolidar un sistema predictivo de calidad de agua integral, se decidió implementar una funcionalidad basada en la emisión de alertas automáticas, estas alertas darán aviso de manera oportuna a los encargados del RAS en casos donde el sistema predictivo anticipe valores atípicos que conlleven a las variables monitoreadas a zonas fuera de su rango optimo. La integración del sistema de alertas se realizó a través de la creación de un Bot en la aplicación Telegram, la configuración del Bot se realizó en el canal de Telegram @BotFather creando un Bot llamado Bot_AlertaRAS.

Posteriormente se implementó una subrutina en el código de control de principal el cual utiliza el algoritmo correspondiente al modelo implementado para pronosticar las próximas jornadas de muestreo y una vez desplegado el pronosticó este se contrasta con los umbrales operativos concebidos en la Tabla 38 para así lanzar una alerta automática a través de un mensaje en la conversación con el Bot Bot_AlertaRAS.

Para validar el funcionamiento del sistema de alertas, se realizó una prueba en el área de estudia la cual consistía en modificar los umbrales operativos para forzar la transmisión de la alerta, los resultados mostraron notificaciones automáticas las cuales se visualizaron en el dispositivo móvil. La Figura 66 evidencia él envió de las alertas, con esto se logró confirmar el funcionamiento de un sistema de alertas eficiente que puede cumplir la función de correctivo frente al surgimiento de eventos

críticos asociados a la perdida de calidad del agua en el RAS, dándole a los encargados del sistema la oportunidad de reaccionar de manera oportuna.

Figura 66. Emisión de la alerta en dispositivo móvil (Fuente: Autor). 9.4 Resultados objetivo específico 4.

A continuación, se presenta la validación del funcionamiento del sistema integral desarrollado mediante un plan de pruebas basado en un FAT (Factory Acceptance Test). Estas pruebas se definen como un proceso realizado por el desarrollador o ingeniero especificador en el cual se evalúa la funcionalidad durante y después de la fabricación del producto, generalmente en la ubicación física donde se quedará instalado el prototipo. El objetivo de estas pruebas es el de verificar el funcionamiento del producto y garantizar el cumplimiento de los requerimientos definidos anteriormente en la fase de diseño (Asgarpour, 2016; Dupuy et al., 2025) Normalmente estas pruebas se fundamentan en la descripción de procedimientos escritos, los cuales son redactados por el desarrollador del sistema, ya que este último posee un conocimiento más detallado de toda la arquitectura del sistema (McCrady, 2013).

Teniendo en cuenta lo anterior, las pruebas presentadas seguirán un orden estructurado en el cual se abordará desde el módulo de monitoreo hasta el despliegue de la plataforma web y el modelo de machine learning implementado.

Con esto nos aseguramos de que se verifique tanto el software como el hardware del sistema integral.

Antes de dar inicio con las pruebas de funcionalidad, se procedió a corroborar el encendido del sistema a través de su conexión a una fuente de alimentación, el led indicador de cada módulo se mantuvo encendido sin interrupciones. De igual manera se comprobó el funcionamiento de la unidad central de procesamiento a través de la carga del código, esto se verificó con ayuda del monitor serial del software de uso libre Arduino. En la Figura 67 se puede observar el código cargado en el microcontrolador donde se está realizando una preliminar con los sensores de temperatura y pH.

Figura 67. Puesta en marcha del sistema (Fuente: Autor).

Posteriormente se diseñó e implementó un código para activar el WIFI de la unidad de procesamiento central y dar inicio al envió de datos hacia el dashboard desplegado en la plataforma Streamlit, con esto se pudo visualizar los datos de temperatura, pH y solidos disueltos totales en tiempo real. El protocolo de empaquetado de los datos seleccionado fue MQTT, con ello nos aseguramos el acceso de manera remota desde cualquier dispositivo con acceso a internet. Con esta prueba se logró visualizar de manera clara las mediciones realizadas en tiempo real, consiguiendo con ello el desarrollo de una solución practica y funcional a la problemática asociada con las técnicas de muestreo irregular anteriormente implementadas por el personal encargado del RAS. En la Figura 68 se puede

evidenciar el monitoreo de las variables de calidad del agua en el RAS, la frecuencia con la que los sensores realizan la medición está configurada a 1 muestra / segundo, proyectado a ser lo más fiable posible con el fundamento de tiempo real. Durante la fase de pruebas se encontró que el módulo presentaba problemas de conectividad a la red institucional de la U.D.C.A, estas interrupciones eran ocasionadas por la distancia que había entre el nodo WIFI de la universidad y el lugar donde se encuentra operando el RAS. Para solucionar el problema de conectividad y evitar la pérdida de información se instaló un repetidor WIFI entre el nodo de la universidad y el sitio donde opera el RAS.

Es preciso aclarar que, si bien la frecuencia de medición está configurada en 1 muestra / segundo, la gráfica de la Figura 68 muestra una separación entre mediciones de ± 3s en el eje titulado Fecha_Hora, esto se debió a que hay un periodo de latencia que comprende el registro y procesamiento de la medición y él envió de la misma hacia el servicio de almacenamiento de datos de donde el dashboard hace la solicitud para su visualización.

Figura 68. Visualización de las mediciones en tiempo real en el dashboard desplegado en Streamlit (Fuente: autor).

9.4.1 Pruebas de precisión para los sensores.

Para verificar el funcionamiento de los sensores se implementó un plan de pruebas cuyo objetivo fue el de garantizar la precisión de las mediciones realizadas por el módulo de monitoreo. La etapa de monitoreo dio inicio el 28 de marzo del 2025, finalizando el 2 de abril de 2025, durante ese periodo se recolectaron en total de

61.088 registros, lo cual es un numero alto considerando la duración del ensayo y

otros factores asociados a la perdida de datos derivada de las intermitencias presentadas en la conexión de WIFI. Para optimizar las pruebas, se decidió extraer el promedio diario para cada jornada de monitoreo y con el realizar un análisis comparativo frente al instrumento de referencia pHep5 de la marca HANNA INSTRUMENTS. La Tabla 47 muestra los resultados obtenidos de este análisis, las variables comparadas fue el pH y la temperatura.

Tabla 47. Análisis comparativo de las mediciones realizadas por el módulo y el instrumento patrón (Fuente: Autor).

Temperatura

Día de la medición Tº módulo Tº patrón Error relativo (%) Temperatura predicha (J1/J3) 29/03/2026

19.3

19.7

2.0

(18.9 / 17.6) 30/03/2026

19.2

19.5

1.5

(18.7 / 17.9) 31/03/2026

19.8

20.1

1.5

(19.3 / 19.0) 1/04/2026

18.4

18.8

2.1

(18.1 / 17.2) 2/04/2026

20.4

20.8

1.9

(21.5 / 22.0) pH Día de la medición Tº módulo Tº patrón Error relativo (%) pH Predicho (J1/J3) 29/03/2026

7.09

7.12

0.4

(7.10 / 7.11) 30/03/2026

7.11

7.15

0.6

(7.02 / 6.61) 31/03/2026

6.93

7.01

1.1

(7.13 / 6.74) 1/04/2026

6.91

7.01

1.4

(7.14 / 6.5) 2/04/2026

7.21

7.23

0.3

(7.33 / 6.62)

Figura 69. Comparación de mediciones en campo (Fuente: Autor). Los resultados de la Tabla 47 muestran que el error relativo para las mediciones realizadas a la temperatura tuvo una variación comprendida entre 1.5 y 2.1%, con un error relativo promedio de 1.8% y una precisión del 98.2%. Según la información entregada por el fabricante este sensor tiene una precisión teórica de ± 0.5, esto teóricamente se traduce en un error relativo de aproximadamente 2.5%, previo a su calibración. Partiendo de los resultados obtenidos en esta etapa se puede observar que los ajustes digitales realizados al sensor provocaron una reducción del error teórico.

Para las mediciones realizadas al pH, la Tabla 47 muestra una distribución del error relativo comprendida entre 0.3y 1.4%, el error relativo promedio fue de 0.8% resultando en una precisión del 99.2%. Los resultados obtenidos indican una mayor precisión en relación a las mediciones obtenidas para la temperatura, esto se debe a que la precisión teórica del sensor según el fabricante es de ±0.02 unidades de pH, si bien experimentalmente no fue evidente tal comportamiento, los valores obtenidos son aceptables, más teniendo en cuenta que este tipo de sondas son sensibles al ruido eléctrico.

En términos generales, los resultados obtenidos en esta etapa indican que los sensores que integran el módulo de monitoreo son aptos y funcionales para la medición de las variables de calidad del agua en el RAS, estos presentaron mediciones precisas y fiables con un error relativo aceptable.

Si bien la intención del investigador fue la de verificar el funcionamiento del sensor de solidos disueltos totales y conductividad, esta tarea no fue posible ya que la Universidad no contaba con el instrumento de referencia adecuado para desempeñar esta función.

9.4.3 Pruebas de verificación para el servicio de almacenamiento de datos. Este apartado comprende la verificación de la etapa de transmisión del empaquetado de datos desde el modelo de monitoreo hacia el servicio web de almacenamiento de datos (Firebase).

El dashboard visualiza los datos obtenidos del servicio de almacenamiento en tiempo real, mientras este guarda los registros históricos de las variables monitoreadas en el RAS. En la Figura 70 se puede evidenciar recepción del paquete de datos que contiene las mediciones de las variables pH, temperatura y solidos disueltos totales, así como de una variable llamada TS la cual contiene información codificada de la fecha y hora en la que realizó la medición. Esto fue de gran utilizada ya que permite establecer una trazabilidad entre los datos, el recuadro amarillo es un indicador de la actualización de la variable, esto implica que el servicio recibió otro paquete de datos, guardando el anterior y actualizando la variable.

Figura 70. Actualización del servicio de almacenamiento (Fuente: Autor).

Los evidenciado anteriormente expone el funcionamiento integro de todo el sistema, a continuación, la Tabla 48 describe la verificación de cada capa del sistema mediante un cheklist donde se evalúa el funcionamiento de cada componente.

Tabla 48. Matriz de verificación de cada funcionalidad del sistema (Fuente: Autor). Criterio Descripción Verificación Encendido del sistema El sistema integral enciende todos sus leds de verificación al momento de conectar a una fuente de alimentación.

Conexiones inalámbricas

(WIFI)

La conexión inalámbrica (WIFI) entre la unidad central de procesamiento y la red WIFI institucional es estable.

Validación sensores.

Los sensores presentan mediciones fiables con un error aceptable.

Visualización en tiempo real en dashboard.

La plataforma web visualiza los datos en tiempo real de manera clara y rápida.

Seguridad de la plataforma El sistema de autenticación por medio de usuario y contraseña funciona correctamente, dando acceso a los usuarios verificados.

Integridad de los datos en servicio de almacenamiento.

La recepción de datos en el servicio es óptima, con un periodo de latencia aceptable y sin corrupción.

Sistema de alertas funcionando.

Las alertas enviadas son enviadas de manera oportuna, los mensajes concuerdan con los rangos previamente establecidos.

10.

Conclusiones.

• Se pudo evidenciar el desarrollo de un sistema inteligente para el monitoreo

y predicción de variables ambientales críticas en un RAS, utilizando tecnologías de IoT e inteligencia artificial. El dispositivo desarrollado pudo demostrar la integración de las tecnologías anteriormente mencionadas, el modelo de monitoreo implementado en el RAS permitió la cuantificación de variables de calidad del agua tales como: pH, temperatura y STD, con una precisión de más del 80% para cada uno de ellos. La capa de transmisión de la información mostró alta fidelidad y eficacia en los protocolos seleccionados, permitiendo la visualización de los datos en tiempo real de manera remota, con una latencia > a 3s. Po otra parte el modelo implementado (Random Forest) para la predicción de las variables antes mencionadas presentó un desempeño óptimo para el pH (>90% - K-Folds) y aceptable para la temperatura (>60 – K-Folds). Lo anterior evidencia la viabilidad técnica y funcional del sistema propuesto y su aplicabilidad en contextos acuícolas como el que plantea el RAS de la Unidad Académica El Remanso.

• El método implementado para la identificación de los parámetros ambientales

críticos en el RAS de estudio demostró objetividad y rigor al seleccionar los parámetros de mayor relevancia operativa para el contexto actual del sistema. Después de una detallada búsqueda bibliográfica, la matriz de decisión desplegada permitió identificar los criterios de selección que mejor se adaptaron a los objetivos de la presente propuesta y a los requerimientos previamente establecidos.

• El dispositivo de monitoreo implementado demostró rigor metodológico, al

partir de criterios de diseño de ingeniería este se consolidó de tal manera que le pudiera dar cumplimiento a los requerimientos previamente establecidos.

De manera que se obtuvo un prototipo funcional con la facultad de medir múltiples parámetros de calidad del agua en el RAS. El monitoreo continuo de estas variables proporciona una visión integral del estado del sistema, permitiendo el acceso remoto a la información desde dispositivos con conexión a internet, lo cual facilita la labor de los encargados del sistema.

• La implementación de la metodología CDIO resultó ser fundamental para

estructurar el desarrollo del proyecto, permitiendo una articulación efectiva entre la identificación de variables críticas, el diseño del sistema electrónico y la validación del modelo predictivo.

• Partiendo de los resultados obtenidos en el modelo predictivo Random

Forest, nos encontramos que este alcanzó un rendimiento de más del 90% en la métrica del R2, para cada técnica de validación en el horizonte más próximo (J1) en el parámetro de pH, lo anterior es un indicativo de una mayor correlación entre los datos que hacen parte del set de entrenamiento. En el caso de la temperatura, esta obtuvo un rendimiento aceptable alcanzando una precisión del 60% en la jornada 1.

• El rendimiento del modelo en la clasificación de los datos en sus rangos

operativos obtuvo un mejor desempeño, presentando índices (AUC) por encima del 90%. Lo cual es un indicador de que el modelo clasifica de manera específica todas las instancias comprendidas dentro de los rangos operativos.

• El modelo Random Forest mostró limitaciones a la hora de realizar

predicciones en un horizonte mayor a la jornada 2, presentando una notoria degradación de la calidad de la predicción para todas las técnicas de validación. Si bien las métricas de rendimiento fueron mejores para la clasificación de los rangos operativos, de igual manera fue evidente la degradación de estas al momento de extender el horizonte de predicción.

• Los resultados obtenidos en el coeficiente de correlación R2 para la técnica

de validación K-Folds son mejores en comparación con los obtenidos al Time Series Split, sin embargo, este último presenta una metodología de validación de mayor fidelidad, lo que permite obtener resultados con menor sesgo.

• Finalmente, la etapa de validación permitió corroborar el funcionamiento del

sistema en términos de sus capas y de manera integral, los resultados obtenidos permiten validar el funcionamiento del sistema tanto de manera individual como integral.

11.

Recomendaciones.

Las recomendaciones que se mencionan en este apartado se identificaron como oportunidades de mejora en cada una de las etapas que involucra el diseño y el desempeño de la tecnología desarrollada.

• Se recomienda la implementación de sensores ambientales externos para el

monitoreo de variables externas dentro del RAS (humedad, temperatura), con esto se busca enriquecer la calidad de los datos y con ellos establecer una correlación entre las variables internas y externas.

• Implementar módulos de monitoreo para cada tanque de cultivo con el fin de

enriquecer la calidad del dataset de entrenamiento a través del aumento de la cantidad de registros.

• Una vez implementado el sistema, se recomienda a los encargados del RAS

llevar a cabo biometrías con regularidad, esto con el objetivo de establecer relaciones entre la dinámica de las variables ambientales y el crecimiento de los organismos cultivados.

• Se recomienda integrar nuevas variables al modelo y reentrenar el mismo,

con esto la intención pasa por aumentar el desempeño del modelo.

• La etapa de reentrenamiento se recomienda realizarla con modelos con

mayor robustez utilizando técnicas de validación basadas en series de tiempo.

12.

Bibliografía

Abd El-Hack, M. E., El-Saadony, M. T., Nader, M. M., Salem, H. M., El-Tahan, A. M., Soliman, S. M., & Khafaga, A. F. (2022a). Effect of environmental factors on growth performance of Nile tilapia (Oreochromis niloticus). International Journal of Biometeorology, 66(11), 2183-2194. https://doi.org/10.1007/s00484-022-02347-6 Abd El-Hack, M. E., El-Saadony, M. T., Nader, M. M., Salem, H. M., El-Tahan, A. M., Soliman, S. M., & Khafaga, A. F. (2022b). Effect of environmental factors on growth performance of Nile tilapia (Oreochromis niloticus). International Journal of Biometeorology, 66(11), 2183-2194. https://doi.org/10.1007/s00484-022-02347-6 Abdel-Ghany, H. M., El-Sayed, A.-F. M., Ezzat, A. A., Essa, M. A., & Helal, A. M. (2019). Dietary lipid sources affect cold tolerance of Nile tilapia (Oreochromis niloticus). Journal of Thermal Biology, 79, 50-55.

https://doi.org/10.1016/j.jtherbio.2018.11.009 AbdElNabi, H., Ibrahim, G., & Ahmed, M. (2013). EFFECT OF PH ON SURVIVAL,

GROWTH, FEED UTILIZATION, HEMATOLOGICAL AND HISTOLOGICAL

RESPONSE IN RED TILAPIA (OREOCHROMES NILLOTICUS X

OREOCHROMES AUREUS) FINGERLINGS. Sinai Journal of Applied Sciences, 2(2), 61-74. https://doi.org/10.21608/sinjas.2013.78391 Abdullah, A. F., Man, H. C., Mohammed, A., Karim, M. M. A., Yunusa, S. U., & Jais, N. A. B. M. (2024). Charting the aquaculture internet of things impact: Key applications, challenges, and future trend. Aquaculture Reports, 39, 102358. https://doi.org/10.1016/j.aqrep.2024.102358

Acuicultura, I. N. de P. y. (2001). Fundamentos de acuicultura continental. Ministerio de Agricultura y Desarrollo Rural.

https://repository.agrosavia.co/handle/20.500.12324/34424 Ahmad, A., Sheikh Abdullah, S. R., Hasan, H. A., Othman, A. R., & Ismail, N. ‘Izzati. (2021a). Aquaculture industry: Supply and demand, best practices, effluent and its current issues and treatment technology. Journal of Environmental Management, 287, 112271. https://doi.org/10.1016/j.jenvman.2021.112271 Ahmad, A., Sheikh Abdullah, S. R., Hasan, H. A., Othman, A. R., & Ismail, N. ‘Izzati. (2021b). Aquaculture industry: Supply and demand, best practices, effluent and its current issues and treatment technology. Journal of Environmental Management, 287, 112271. https://doi.org/10.1016/j.jenvman.2021.112271 Ahmed, M. S., Aurpa, T. T., & Azad, Md. A. K. (2022a). Fish Disease Detection Using Image Based Machine Learning Technique in Aquaculture. Journal of King Saud University - Computer and Information Sciences, 34(8, Part A), 5170-5182. https://doi.org/10.1016/j.jksuci.2021.05.003 Ahmed, M. S., Aurpa, T. T., & Azad, Md. A. K. (2022b). Fish Disease Detection Using Image Based Machine Learning Technique in Aquaculture. Journal of King Saud University - Computer and Information Sciences, 34(8, Part A), 5170-5182. https://doi.org/10.1016/j.jksuci.2021.05.003 Ahmed, N., Thompson, S., & Glaser, M. (2019). Global Aquaculture Productivity, Environmental Sustainability, and Climate Change Adaptability. Environmental Management, 63(2), 159-172. https://doi.org/10.1007/s00267-018-1117-3

Akbulut, U., Küçük, H., & Aydın, İ. (2026). Thermodynamics assessment of a near-zero discharged recirculating aquaculture system for turbot grow-out. Aquacultural Engineering, 113, 102707. https://doi.org/10.1016/j.aquaeng.2026.102707 Alam, M. R., Sharmin, S., Islam, S. M., Alam, M. A., Ehiguese, F. O., Pattadar, S. N., & Shahjahan, M. (2020). Salinity intrusion affects early development of freshwater aquaculture species pabda, Ompok pabda. Aquaculture Reports, 18, 100476. https://doi.org/10.1016/j.aqrep.2020.100476 Ali, M. S., Vecchio, M., Pincheira, M., Dolui, K., Antonelli, F., & Rehmani, M. H. (2019). Applications of Blockchains in the Internet of Things: A Comprehensive Survey. IEEE Communications Surveys & Tutorials, 21(2), 1676-1717. https://doi.org/10.1109/COMST.2018.2886932 Ali, Y. A., Awwad, E. M., Al-Razgan, M., & Maarouf, A. (2023). Hyperparameter Search for Machine Learning Algorithms for Optimizing the Computational Complexity. Processes, 11(2), 349. https://doi.org/10.3390/pr11020349 Arabelli, R., Bernatin, T., & Veeramsetty, V. (2025a). Water quality assessment for aquaculture using deep neural network. Desalination and Water Treatment, 321,

101016. https://doi.org/10.1016/j.dwt.2025.101016

Arabelli, R., Bernatin, T., & Veeramsetty, V. (2025b). Water quality assessment for aquaculture using deep neural network. Desalination and Water Treatment, 321,

101016. https://doi.org/10.1016/j.dwt.2025.101016

Aranguri-Llerena, G., Huarcaya-Mendoza, N. J., Aranguri-Llerena, G., & Huarcaya- Mendoza, N. J. (2024). Validación de la ecuación de Nernst y una ecuación que

estima la masa de hidróxido de calcio para un determinado pH. Educación química, 35(2), 89-99. https://doi.org/10.22201/fq.18708404e.2024.2.86430 Areny, R. P. (2004). Sensores y acondicionadores de señal. Marcombo. Aride, P. H. R., Roubach, R., & Val, A. L. (2007). Tolerance response of tambaqui Colossoma macropomum (Cuvier) to water pH. Aquaculture Research, 38(6), 588-

594. https://doi.org/10.1111/j.1365-2109.2007.01693.x

Asche, F., & Smith, M. D. (2010). Trade and fisheries: Key issues for the World Trade Organization (Working Paper ERSD-2010-03). WTO Staff Working Paper. https://doi.org/10.30875/6a84dba9-en Asgarpour, M. (2016). Assembly, transportation, installation and commissioning of offshore wind farms. 527-541. https://doi.org/10.1016/B978-0-08-100779-2.00017-

9

Atzori, L., Iera, A., & Morabito, G. (2010). The Internet of Things: A survey. Computer Networks, 54(15), 2787-2805. https://doi.org/10.1016/j.comnet.2010.05.010 Ayyildiz, E., Yildirim, B., & Aydin, N. (2025). Location selection methodology for data center with renewable energy integration. Renewable Energy, 250, 123270. https://doi.org/10.1016/j.renene.2025.123270 Badiola, M., Basurko, O. C., Piedrahita, R., Hundley, P., & Mendiola, D. (2018). Energy use in Recirculating Aquaculture Systems (RAS): A review. Aquacultural Engineering, 81, 57-70. https://doi.org/10.1016/j.aquaeng.2018.03.003 Badiola, M., Mendiola, D., & Bostock, J. (2012). Recirculating Aquaculture Systems (RAS) analysis: Main issues on management and future challenges. Aquacultural Engineering, 51, 26-35. https://doi.org/10.1016/j.aquaeng.2012.07.004

Baena-Navarro, R., Carriazo-Regino, Y., Torres-Hoyos, F., & Pinedo-López, J. (2025). Intelligent Prediction and Continuous Monitoring of Water Quality in Aquaculture: Integration of Machine Learning and Internet of Things for Sustainable Management. Water, 17(1), 82. https://doi.org/10.3390/w17010082 Balami, S. (2021). Recirculation Aquaculture Systems: Components, Advantages, And Drawbacks. Tropical Agroecosystems (TAEC), 2(1), 104-109. Basirian, S., Najafzadeh, M., & Demir, I. (2026a). Water quality monitoring for coastal hypoxia: Integration of satellite imagery and machine learning models. Marine Pollution Bulletin, 222, 118735. https://doi.org/10.1016/j.marpolbul.2025.118735 Basirian, S., Najafzadeh, M., & Demir, I. (2026b). Water quality monitoring for coastal hypoxia: Integration of satellite imagery and machine learning models. Marine Pollution Bulletin, 222, 118735. https://doi.org/10.1016/j.marpolbul.2025.118735 Beitinger, T. L., Bennett, W. A., & McCauley, R. W. (2000a). Temperature Tolerances of North American Freshwater Fishes Exposed to Dynamic Changes in Temperature. Environmental Biology of Fishes, 58(3), 237-275.

https://doi.org/10.1023/A:1007676325825 Beitinger, T. L., Bennett, W. A., & McCauley, R. W. (2000b). Temperature Tolerances of North American Freshwater Fishes Exposed to Dynamic Changes in Temperature. Environmental Biology of Fishes, 58, 237-275.

https://doi.org/10.1023/A:1007676325825 Belov, V., Tatarintsev, A., & Nikulchev, E. (2021). Choosing a Data Storage Format in the Apache Hadoop System Based on Experimental Evaluation Using Apache Spark. Symmetry, 13(2), 195. https://doi.org/10.3390/sym13020195

Blum, A., Kalai, A., & Langford, J. (1999). Beating the hold-out: Bounds for K-fold and progressive cross-validation. Proceedings of the twelfth annual conference on Computational learning theory, COLT ’99, 203-208.

https://doi.org/10.1145/307400.307439 Bly, J. E., Quiniou, S. M., & Clem, L. W. (1997). Environmental effects on fish immune mechanisms. Developments in Biological Standardization, 90, 33-43. Boamah, G. A., Huang, Z., Ke, C., You, W., Ayisi, C. L., Amenyogbe, E., & Droepenu, E. (2024). Preliminary analysis of pathways and their implications during salinity stress in abalone. Comparative Biochemistry and Physiology Part D: Genomics and Proteomics, 50, 101224. https://doi.org/10.1016/j.cbd.2024.101224 Bœuf, G., & Payan, P. (2001). How should salinity influence fish growth? Comparative Biochemistry and Physiology Part C: Toxicology & Pharmacology, 130(4), 411-

423. https://doi.org/10.1016/S1532-0456(01)00268-X

Bosker, T., Santoro, G., & Melvin, S. D. (2017). Salinity and sensitivity to endocrine disrupting chemicals: A comparison of reproductive endpoints in small-bodied fish exposed under different salinities. Chemosphere, 183, 186-196. https://doi.org/10.1016/j.chemosphere.2017.05.063 Bostock, J., McAndrew, B., Richards, R., Jauncey, K., Telfer, T., Lorenzen, K., Little, D., Ross, L., Handisyde, N., Gatward, I., & Corner, R. (2010). Aquaculture: Global status and trends. Philosophical Transactions of the Royal Society B: Biological Sciences, 365(1554), 2897-2912. https://doi.org/10.1098/rstb.2010.0170

Boyd, C. E. (1998). Water Quality for Pond Aquaculture. International Center for Aquaculture and Aquatic Environments, Alabama Agricultural Experiment Station, Auburn University.

Boyd, C. E. (2017). General Relationship Between Water Quality and Aquaculture Performance in Ponds. En Fish Diseases (pp. 147-166). Elsevier. https://doi.org/10.1016/B978-0-12-804564-0.00006-5 Boyd, C. E. (2019). Dissolved and suspended solids in aquaculture. CABI Reviews, 2018, 1-13. https://doi.org/10.1079/PAVSNNR201813037 Boyd, C. E., Tucker, C. S., & Somridhivej, B. (2016). Alkalinity and Hardness: Critical but Elusive Concepts in Aquaculture. Journal of the World Aquaculture Society, 47(1), 6-41. https://doi.org/10.1111/jwas.12241 Boyd, C. E., Tucker, C. S., & Viriyatum, R. (2011). Interpretation of pH, Acidity, and Alkalinity in Aquaculture and Fisheries. North American Journal of Aquaculture, 73(4), 403-408. https://doi.org/10.1080/15222055.2011.620861 Bzdok, D., Krzywinski, M., & Altman, N. (2017). Machine learning: A primer. Nature methods, 14(12), 1119-1120. https://doi.org/10.1038/nmeth.4526 Caldwell, C. A., & Hinshaw, J. (1994). Physiological and haematological responses in rainbow trout subjected to supplemental dissolved oxygen in fish culture. Aquaculture, 126(1), 183-193. https://doi.org/10.1016/0044-8486(94)90259-3 Cardoso de Salis, H. H., Monteiro da Costa, A., Moreira Vianna, J. H., Azeneth Schuler, M., Künne, A., Sanches Fernandes, L. F., & Leal Pacheco, F. A. (2019). Hydrologic Modeling for Sustainable Water Resources Management in Urbanized Karst Areas.

International Journal of Environmental Research and Public Health, 16(14), 2542. https://doi.org/10.3390/ijerph16142542 carrascal, michael. (2024, marzo 21). DANE: Sector de pesca y acuicultura del país crece un 37 %. Aunap. https://aunap.gov.co/dane-sector-de-pesca-y-acuicultura-del-paiscrece-un-37/ Carrera-Quintana, S. C., Gentile, P., & Girón-Hernández, J. (2022). An overview on the aquaculture development in Colombia: Current status, opportunities and challenges. Aquaculture, 561, 738583. https://doi.org/10.1016/j.aquaculture.2022.738583 Cereja, R. (2020a). Critical thermal maxima in aquatic ectotherms. Ecological Indicators, 119, 106856. https://doi.org/10.1016/j.ecolind.2020.106856 Cereja, R. (2020b). Critical thermal maxima in aquatic ectotherms. Ecological Indicators, 119, 106856. https://doi.org/10.1016/j.ecolind.2020.106856 Chandramenon, P., Aggoun, A., & Tchuenbou-Magaia, F. (2024a). Smart approaches to Aquaponics 4.0 with focus on water quality − Comprehensive review. Computers and Electronics in Agriculture, 225, 109256.

https://doi.org/10.1016/j.compag.2024.109256 Chandramenon, P., Aggoun, A., & Tchuenbou-Magaia, F. (2024b). Smart approaches to Aquaponics 4.0 with focus on water quality − Comprehensive review. Computers and Electronics in Agriculture, 225, 109256.

https://doi.org/10.1016/j.compag.2024.109256 Chandramenon, P., Aggoun, A., & Tchuenbou-Magaia, F. (2024c). Smart approaches to Aquaponics 4.0 with focus on water quality − Comprehensive review. Computers

and Electronics in Agriculture, 225, 109256.

https://doi.org/10.1016/j.compag.2024.109256 Chandramenon, P., Aggoun, A., & Tchuenbou-Magaia, F. (2024d). Smart approaches to Aquaponics 4.0 with focus on water quality − Comprehensive review. Computers and Electronics in Agriculture, 225, 109256.

https://doi.org/10.1016/j.compag.2024.109256 Charo-Karisa, H., Rezk, M. A., Bovenhuis, H., & Komen, H. (2005). Heritability of cold tolerance in Nile tilapia, Oreochromis niloticus, juveniles. Aquaculture, 249(1), 115-123. https://doi.org/10.1016/j.aquaculture.2005.04.029 Chaudhuri, K., Manna, S., Sarma, K. S., Naskar, P., Bhattacharyya, S., & Bhattacharyya, M. (2012). Physicochemical and biological factors controlling water column metabolism in Sundarbans estuary, India. Aquatic Biosystems, 8(1), 26. https://doi.org/10.1186/2046-9063-8-26 Chen, R. H., & Chen, C. (2022). Game-Playing Machines. En Artificial Intelligence. Chapman and Hall/CRC.

Chen, S., Timmons, M. B., Aneshansley, D. J., & Bisogni, J. J. (1993). Suspended solids characteristics from recirculating aquacultural systems and design implications. Aquaculture, 112(2), 143-155. https://doi.org/10.1016/0044-8486(93)90440-A Chen, Y., Song, L., Liu, Y., Yang, L., & Li, D. (2020). A Review of the Artificial Neural Network Models for Water Quality Prediction. Applied Sciences, 10(17), 5776. https://doi.org/10.3390/app10175776

Čolaković, A., & Hadžialić, M. (2018). Internet of Things (IoT): A review of enabling technologies, challenges, and open research issues. Computer Networks, 144, 17-39. https://doi.org/10.1016/j.comnet.2018.07.017 Colt, J. (2006). Water quality requirements for reuse systems. Aquacultural Engineering, Design and Selection of Biological Filters for Freshwater and Marine Applications, 34(3), 143-156. https://doi.org/10.1016/j.aquaeng.2005.08.011 Cooper, B., Adriaenssens, B., & Killen, S. S. (2018). Individual variation in the compromise between social group membership and exposure to preferred temperatures. Proceedings of the Royal Society B: Biological Sciences, 285(1880),

20180884. https://doi.org/10.1098/rspb.2018.0884

Cortina Januchs, M. G. (2012). Aplicación de técnicas de inteligencia artificial a la predicción de contaminantes atmosféricos [PhD Thesis]. Telecomunicacion. Cowles, R. B., & Bogert, C. M. (2006). Preliminary Study of the Thermal Requirements of Desert Reptiles. Iguana, 13(1), 53-60.

Cripps, S. J., & Bergheim, A. (2000). Solids management and removal for intensive landbased aquaculture production systems. Aquacultural Engineering, 22(1), 33-56. https://doi.org/10.1016/S0144-8609(00)00031-5 Dai, L., Chen, Y., & Li, C. (2025a). Environmental factor impacts on behavioral and physiological responses of aquaculture species in recirculating aquaculture systems: Mechanisms and regulation. Aquaculture Reports, 44, 103036. https://doi.org/10.1016/j.aqrep.2025.103036 Dai, L., Chen, Y., & Li, C. (2025b). Environmental factor impacts on behavioral and physiological responses of aquaculture species in recirculating aquaculture systems:

Mechanisms and regulation. Aquaculture Reports, 44, 103036. https://doi.org/10.1016/j.aqrep.2025.103036 Davis, R., Abebe, A., Boyd, C., & McNevin, A. (2021). Exploring the relationship between production intensity and land use: A meta-analytic approach with shrimp aquaculture. Journal of Environmental Management, 300, 113719. https://doi.org/10.1016/j.jenvman.2021.113719 de Jesus Gregersen, K. J., Olsson, P., Pellicer-Nàcher, C., & Pedersen, P. B. (2025). Effect of drum filter mesh size on RAS water quality. Aquacultural Engineering, 109,

102508. https://doi.org/10.1016/j.aquaeng.2024.102508

de Jesus Gregersen, K. J., & Pedersen, L.-F. (2023). A case study comparing the addition of two different carbon sources in pilot scale RAS with trout with and without biofilters. Aquacultural Engineering, 103, 102370.

https://doi.org/10.1016/j.aquaeng.2023.102370 Demeke, A., & Tassew, A. (2016). A review on water quality and its impact on Fish health. International Journal of Fauna and Biological Studies. https://www.semanticscholar.org/paper/A-review-on-water-quality-and-its-impacton-Fish-Demeke-Tassew/7a25c9b1b612b2c9b363c18336e1ea5599338ccc Ding, X., Chen, Y., Zeng, H., & Du, Y. (2025). Time Series Prediction of Water Quality Based on NGO-CNN-GRU Model—A Case Study of Xijiang River, China. Water, 17(16), 2413. https://doi.org/10.3390/w17162413 Domingos, P. (2012). A few useful things to know about machine learning. Commun. ACM, 55(10), 78-87. https://doi.org/10.1145/2347736.2347755

dos Santos, A. M., Bernardino, L. F., Attramadal, K. J. K., & Skogestad, S. (2023). Steadystate and dynamic model for recirculating aquaculture systems with pH included. Aquacultural Engineering, 102, 102346.

https://doi.org/10.1016/j.aquaeng.2023.102346 Dressler, T. L., Han Lee, V., Klose, K., & Eliason, E. J. (2023). Thermal tolerance and vulnerability to warming differ between populations of wild Oncorhynchus mykiss near the species’ southern range limit. Scientific Reports, 13(1), 14538. https://doi.org/10.1038/s41598-023-41173-7 Dupuy, J. D., Buckerfield, J., Mora, L., Dremel, M., Rousseau, A., Benet, J., Kouzmenko, G., Calchi, G., Manfrin, S., Fellin, F., Rome, A., & Guichou, A. S. (2025). MITICA cryopump – manufacturing, assembly and factory acceptance testing. Fusion Engineering and Design, 212, 114825.

https://doi.org/10.1016/j.fusengdes.2025.114825 Ebeling, J. M., & Timmons, M. B. (2012). Recirculating Aquaculture Systems. En Aquaculture Production Systems (pp. 245-277). John Wiley & Sons, Ltd. https://doi.org/10.1002/9781118250105.ch11 Eck, M., Körner, O., & Jijakli, M. H. (2019). Nutrient Cycling in Aquaponics Systems. En S. Goddek, A. Joyce, B. Kotzen, & G. M. Burnell (Eds.), Aquaponics Food Production Systems: Combined Aquaculture and Hydroponic Production Technologies for the Future (pp. 231-246). Springer International Publishing. https://doi.org/10.1007/978-3-030-15943-6_9 Edwards, T. M., Puglis, H. J., Kent, D. B., Durán, J. L., Bradshaw, L. M., & Farag, A. M. (2024a). Ammonia and aquatic ecosystems – A review of global sources,

biogeochemical cycling, and effects on fish. Science of The Total Environment, 907,

167911. https://doi.org/10.1016/j.scitotenv.2023.167911

Edwards, T. M., Puglis, H. J., Kent, D. B., Durán, J. L., Bradshaw, L. M., & Farag, A. M. (2024b). Ammonia and aquatic ecosystems – A review of global sources, biogeochemical cycling, and effects on fish. Science of The Total Environment, 907,

167911. https://doi.org/10.1016/j.scitotenv.2023.167911

El Naqa, I., & Murphy, M. J. (2015). What Is Machine Learning? En I. El Naqa, R. Li, & M. J. Murphy (Eds.), Machine Learning in Radiation Oncology: Theory and Applications (pp. 3-11). Springer International Publishing. https://doi.org/10.1007/978-3-319-18305-3_1 Elkin, M. E., & Zhu, X. (2021). Predictive modeling of clinical trial terminations using feature engineering and embedding learning. Scientific Reports, 11(1), 3446. https://doi.org/10.1038/s41598-021-82840-x El-sayed, A., & Kawanna, M. (2008). Optimum water temperature boosts the growth performance of Nile tilapia (Oreochromis niloticus) fry reared in a recycling system. Aquaculture Research, 39, 670-672. https://doi.org/10.1111/j.1365- 2109.2008.01915.x El-Sherif, M., & El-Feky, A. M. (2009). Performance of Nile Tilapia (Oreochromis niloticus) Fingerlings. I. Effect of pH. International Journal of Agriculture and Biology. https://www.semanticscholar.org/paper/Performance-of-Nile-Tilapia- (Oreochromis-niloticus)-El-Sherif-El- Feky/7aac4400a02bfe3477d56cf106e929265034f025

Emam, W., Lambert, H., & Brown, C. (2025). The welfare of farmed Nile tilapia: A review. Frontiers in Veterinary Science, 12.

https://doi.org/10.3389/fvets.2025.1567984 Espinal, C. A., & Matulić, D. (2019a). Recirculating Aquaculture Technologies. En S. Goddek, A. Joyce, B. Kotzen, & G. M. Burnell (Eds.), Aquaponics Food Production Systems: Combined Aquaculture and Hydroponic Production Technologies for the Future (pp. 35-76). Springer International Publishing. https://doi.org/10.1007/978-3-030-15943-6_3 Espinal, C. A., & Matulić, D. (2019b). Recirculating Aquaculture Technologies. En S. Goddek, A. Joyce, B. Kotzen, & G. M. Burnell (Eds.), Aquaponics Food Production Systems: Combined Aquaculture and Hydroponic Production Technologies for the Future (pp. 35-76). Springer International Publishing. https://doi.org/10.1007/978-3-030-15943-6_3 Espinal, C. A., & Matulić, D. (2019c). Recirculating Aquaculture Technologies. En S. Goddek, A. Joyce, B. Kotzen, & G. M. Burnell (Eds.), Aquaponics Food Production Systems: Combined Aquaculture and Hydroponic Production Technologies for the Future (pp. 35-76). Springer International Publishing. https://doi.org/10.1007/978-3-030-15943-6_3 Estupiñán, L. H., & Cabrera, L. M. (2008). LOS ALREDEDORES: TODO UN AMBIENTE EN LA U.D.C.A. Revista U.D.C.A Actualidad &amp; Divulgación Científica, 11(2), 3-9.

Evans, D. H., Piermarini, P. M., & Choe, K. P. (2005). The Multifunctional Fish Gill: Dominant Site of Gas Exchange, Osmoregulation, Acid-Base Regulation, and

Excretion of Nitrogenous Waste. Physiological Reviews, 85(1), 97-177. https://doi.org/10.1152/physrev.00050.2003 Ferreira, N. C., Bonetti, C., & Seiffert, W. Q. (2011). Hydrological and Water Quality Indices as management tools in marine shrimp culture. Aquaculture, 318(3), 425-

433. https://doi.org/10.1016/j.aquaculture.2011.05.045

Fivelstad, S., Waagbø, R., Zeitz, S. F., Hosfeld, A. C. D., Olsen, A. B., & Stefansson, S. (2003). A major water quality problem in smolt farms: Combined effects of carbon dioxide, reduced pH and aluminium on Atlantic salmon (Salmo salar L.) smolts: physiology and growth. Aquaculture, 215(1), 339-357.

https://doi.org/10.1016/S0044-8486(02)00197-7 Flores-Iwasaki, M., Guadalupe, G. A., Pachas-Caycho, M., Chapa-Gonza, S., Mori- Zabarburú, R. C., & Guerrero-Abad, J. C. (2025). Internet of Things (IoT) Sensors for Water Quality Monitoring in Aquaculture Systems: A Systematic Review and Bibliometric Analysis. AgriEngineering, 7(3).

https://doi.org/10.3390/agriengineering7030078 Forhad, H. M., Uddin, Md. R., Chakrovorty, R. S., Ruhul, A. M., Faruk, H. M., Kamruzzaman, S., Sharmin, N., Jamal, A. S. I. M., Haque, Md. M.-U., & Morshed, A. M. (2024). IoT based real-time water quality monitoring system in water treatment plants (WTPs). Heliyon, 10(23), e40746.

https://doi.org/10.1016/j.heliyon.2024.e40746 Fromm, P. O. (1980). A review of some physiological and toxicological responses of freshwater fish to acid stress. Environmental Biology of Fishes, 5(1), 79-93. https://doi.org/10.1007/BF00000954

Fryzuk, M. D. (2004). Ammonia transformed. Nature, 427(6974), 498-499. https://doi.org/10.1038/427498a Galleano, M., Boveris, A., & Puntarulo, S. (2008). Understanding the Clausius Clapeyron Equation by Employing an Easily Adaptable Pressure Cooker. Journal of Chemical Education, 85(2), 276-278.

Garavito A, J. (2020). El clima de Bogotá. Revista de la Academia Colombiana de Ciencias Exactas, Físicas y Naturales, 44(170), 43-54.

https://doi.org/10.18257/raccefyn.1176 Géron, A. (2019). Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow: Concepts, Tools, and Techniques to Build Intelligent Systems. O’Reilly Media, Inc. Ghosh, A., Chakraborty, D., & Law, A. (2018). Artificial intelligence in Internet of things. CAAI Transactions on Intelligence Technology, 3(4), 208-218. https://doi.org/10.1049/trit.2018.1008 Gnanasagar, V., Vivek, M., & Rajaraman, J. (2020). Study on control actions in a recirculating aquaponics system. AIP Conference Proceedings, 2240(1), 100002. https://doi.org/10.1063/5.0011022 Goepel, K. D. (2013, junio 23). Implementing the Analytic Hierarchy Process as a Standard Method for Multi-Criteria Decision Making in Corporate Enterprises – a New AHP Excel Template with Multiple Inputs. The International Symposium on the Analytic Hierarchy Process. https://doi.org/10.13033/isahp.y2013.047 Gómez Motoya, D. J., Méndez Giraldo, G. A., Méndez Morales, E., Ortiz Chavarro, G., & Turriago Hoyos, Á. (2008). Metodología Basada en Proceso de Jerarquía Analítica

(AHP) para Seleccionar Cadenas Productivas que Buscan Soluciones de Automatización a Bajo Costo. Ingeniería, 13(1), 15-26. González, H. D. L. (2016). Metodología de la investigación: Propuesta, anteproyecto y proyecto. Ecoe Ediciones.

Gupta, S., Makridis, P., Henry, I., Velle-George, M., Ribicic, D., Bhatnagar, A., Skalska- Tuomi, K., Daneshvar, E., Ciani, E., Persson, D., & Netzer, R. (2024). Recent Developments in Recirculating Aquaculture Systems: A Review. Aquaculture Research, 2024(1), 6096671. https://doi.org/10.1155/are/6096671 Halvorson, H. O., & Smolowitz, R. (2009). Aquaculture. En M. Schaechter (Ed.), Encyclopedia of Microbiology (Third Edition) (pp. 17-22). Academic Press. https://doi.org/10.1016/B978-012373944-5.00116-4 Hamed, S. A., Abou-Elnaga, A., Salah, A. S., Abdel-Hay, A.-H. M., Zayed, M. M., Soliman, T., & Mohamed, R. A. (2021). Effect of water temperature, feeding frequency, and protein percent in the diet on water quality, growth and behavior of Nile tilapia Oreochromis niloticus (Linnaeus, 1758). Journal of Applied Ichthyology, 37(3), 462-473. https://doi.org/10.1111/jai.14193 Hargreaves, J., & Tucker, C. (2002). Measuring Dissolved Oxygen Concentration in Aquaculture. https://www.semanticscholar.org/paper/Measuring-Dissolved- Oxygen-Concentration-in-Hargreaves- Tucker/1a8254ced6dd98bd11f741c9d13be8d8dea3ec6c Hasanov, M., Wolter, M., & Glende, E. (2022). Time Series Data Splitting for Short-Term Load Forecasting. PESS + PELSS 2022; Power and Energy Student Summit, 1-6. https://ieeexplore.ieee.org/document/10104242

Hashmi, Z., Zaini, J., Bakar, M. S. A., & Bilad, M. R. (2025). Acuicultura integrada de tilapia roja con cultivo de Chlorococcum sp .: Biorremediación de aguas residuales acuícolas y producción de biomasa. Cleaner and Circular Bioeconomy, 11, 100153. https://doi.org/10.1016/j.clcb.2025.100153 Hidayana, E., Setiawan, E., & Juniani, A. I. (2024). Classification of water quality based on dissolved solids and turbidity parameters with the utilization of total dissolved solids sensor and turbidity sensor. Journal of Soft Computing Exploration, 5(3), 231-239. https://doi.org/10.52465/joscex.v5i3.376 Holan, A. B., Good, C., & Powell, M. D. (2020a). 9—Health management in recirculating aquaculture systems (RAS). En F. S. B. Kibenge & M. D. Powell (Eds.), Aquaculture Health Management (pp. 281-318). Academic Press. https://doi.org/10.1016/B978-0-12-813359-0.00009-9 Holan, A. B., Good, C., & Powell, M. D. (2020b). 9—Health management in recirculating aquaculture systems (RAS). En F. S. B. Kibenge & M. D. Powell (Eds.), Aquaculture Health Management (pp. 281-318). Academic Press. https://doi.org/10.1016/B978-0-12-813359-0.00009-9 Holan, A. B., Good, C., & Powell, M. D. (2020c). 9—Health management in recirculating aquaculture systems (RAS). En F. S. B. Kibenge & M. D. Powell (Eds.), Aquaculture Health Management (pp. 281-318). Academic Press. https://doi.org/10.1016/B978-0-12-813359-0.00009-9 Holm, S., & Hammoudeh, M. (2023). A Comparative Analysis of IoT Protocols for Resource Constraint Devices and Networks. Proceedings of the 6th International

Conference on Future Networks & Distributed Systems, ICFNDS ’22, 616-625. https://doi.org/10.1145/3584202.3584295 Hong, K. B., Zain, R. A. M. M., Shahidan, N. N., Yusoff, N. R., Fauzi, N., & Jani, M. (2024). Effect of red tilapia (Oreochromis niloticus) stocking density on water quality parameters in zeolite-containing treatments. BIO Web of Conferences, 131,

05004. https://doi.org/10.1051/bioconf/202413105004

Hridoy, Md. A. A. M., Shawkat, A. I., Bordin, C., Acharjee, M. R., Masood, A., Baki, A. O., & Al Mamun, Md. A. (2025). Advanced machine learning models for accurate water quality classification and WQI prediction: Implications for aquatic disease risk management. Science of The Total Environment, 1008, 180965. https://doi.org/10.1016/j.scitotenv.2025.180965 Huang, X., Yao, R., Zhang, Y., Li, X., Yu, Z., & Guo, H. (2026a). A novel irrigation water quality index (PCIWQI) assessment and prediction: Insights into model performance and computational efficiency from TabPFN and tree-based models. Journal of Environmental Chemical Engineering, 14(1), 120934. https://doi.org/10.1016/j.jece.2025.120934 Huang, X., Yao, R., Zhang, Y., Li, X., Yu, Z., & Guo, H. (2026b). A novel irrigation water quality index (PCIWQI) assessment and prediction: Insights into model performance and computational efficiency from TabPFN and tree-based models. Journal of Environmental Chemical Engineering, 14(1), 120934. https://doi.org/10.1016/j.jece.2025.120934 Ilyas, T. F., Arkan, F., Kurniawan, R., Budianto, T. H., & Putra, G. B. (2021). Thingsboard-based prototype design for measuring depth and pH of kulong waters.

IOP Conference Series: Earth and Environmental Science, 926(1), 012025. https://doi.org/10.1088/1755-1315/926/1/012025 INCOPESCA. (s. f.). INCOPESCA. Recuperado 2 de septiembre de 2025, de https://www.incopesca.go.cr/acuicultura/index.aspx IoT-based monitoring system for freshwater fish farming: Analysis and design. (2022). En AI, Edge and IoT-based Smart Agriculture (pp. 505-515). Academic Press. https://doi.org/10.1016/B978-0-12-823694-9.00026-8 Ip, A. Y. K., & Chew, S. F. (2010). Ammonia Production, Excretion, Toxicity, and Defense in Fish: A Review. Frontiers in Physiology, 1.

https://doi.org/10.3389/fphys.2010.00134 Irawan, Y., Febriani, A., Wahyuni, R., & Devis, Y. (2021). Water Quality Measurement and Filtering Tools Using Arduino Uno, PH Sensor and TDS Meter Sensor | Journal of Robotics and Control (JRC).

https://journal.umy.ac.id/index.php/jrc/article/view/10166 Isabella Wibowo, R. R. D., Ramdhani, M., Priramadhi, R. A., & Aprillia, B. S. (2019). IoT based automatic monitoring system for water nutrition on aquaponics system. Journal of Physics: Conference Series, 1367(1), 012071. https://doi.org/10.1088/1742-6596/1367/1/012071 Islam, M. K. B., Newton, M. A. H., Rahman, J., Trevathan, J., & Sattar, A. (2022a). Long range multi-step water quality forecasting using iterative ensembling. Engineering Applications of Artificial Intelligence, 114, 105166. https://doi.org/10.1016/j.engappai.2022.105166

Islam, M. K. B., Newton, M. A. H., Rahman, J., Trevathan, J., & Sattar, A. (2022b). Long range multi-step water quality forecasting using iterative ensembling. Engineering Applications of Artificial Intelligence, 114, 105166.

https://doi.org/10.1016/j.engappai.2022.105166 Islam, M. K. B., Newton, M. A. H., Trevathan, J., & Sattar, A. (2024). Lite approaches for long-range multi-step water quality prediction. Stochastic Environmental Research and Risk Assessment, 38(10), 3755-3770. https://doi.org/10.1007/s00477-024-

02770-8

Islam, Md. A., Roy, S. C., Utsho, Md. F. U., Naznin, L., Sarkar, R., & Sarkar, R. R. (2025). An IoT-enabled intelligent water quality monitoring system for tourist safety using machine learning. Discover Electronics, 2(1), 28. https://doi.org/10.1007/s44291-

025-00070-1

Islam, Md. M., Kashem, M. A., Alyami, S. A., & Moni, M. A. (2023). Monitoring water quality metrics of ponds with IoT sensors and machine learning to predict fish species survival. Microprocessors and Microsystems, 102, 104930. https://doi.org/10.1016/j.micpro.2023.104930 ISO 5814:2012. (s. f.). ISO. Recuperado 24 de febrero de 2026, de https://www.iso.org/standard/45346.html J, B. (2022). A guide to recirculation aquaculture: An introduction to the new environmentally friendly and highly productive closed fish farming systems. Food & Agriculture Org.

Janiesch, C., Zschech, P., & Heinrich, K. (2021). Machine learning and deep learning. Electronic Markets, 31(3), 685-695. https://doi.org/10.1007/s12525-021-00475-2

Jaramillo Patiño, D. F. (2013). FORMACIÓN EN DISEÑO DE INGENIERÍA EN LA UNIVERSIDAD DEL QUINDÍO E INICIATIVA CDIO. Sophia, (9), 161-174. Jiang, F., Li, Q., Sun, G., Wu, Q., Liu, S., Jiqin, K., Wang, R., Liu, H., & Hu, W. (2025). Long-term prediction for karst spring discharge and petroleum substances concentration based on the combination of LSTM and Transformer models. Water Research, 274, 123148. https://doi.org/10.1016/j.watres.2025.123148 Johnsen, P. B., Zhou, H., & Adams, M. A. (1990). Gustatory sensitivity of the herbivore Tilapia zillii to amino acids. Journal of Fish Biology, 36(4), 587-593. https://doi.org/10.1111/j.1095-8649.1990.tb03559.x Jongjaraunsuk, R., Taparhudee, W., Suwannasing, P., Jongjaraunsuk, R., Taparhudee, W., & Suwannasing, P. (2024). Comparison of Water Quality Prediction for Red Tilapia Aquaculture in an Outdoor Recirculation System Using Deep Learning and a Hybrid Model. Water, 16(6). https://doi.org/10.3390/w16060907 Justus, D., Brennan, J., Bonner, S., & McGough, A. S. (2018). Predicting the Computational Cost of Deep Learning Models. 2018 IEEE International Conference on Big Data (Big Data), 3873-3882.

https://doi.org/10.1109/BigData.2018.8622396 Kajimura, M., Croke, S. J., Glover, C. N., & Wood, C. M. (2004). Dogmas and controversies in the handling of nitrogenous wastes: The effect of feeding and fasting on the excretion of ammonia, urea and other nitrogenous waste products in rainbow trout. Journal of Experimental Biology, 207(12), 1993-2002. https://doi.org/10.1242/jeb.00901

Kamali, S., Ward, V. C. A., & Ricardez-Sandoval, L. (2022). Dynamic modeling of recirculating aquaculture systems: Effect of management strategies and water quality parameters on fish performance. Aquacultural Engineering, 99, 102294. https://doi.org/10.1016/j.aquaeng.2022.102294 Karunasingha, D. S. K. (2022). Root mean square error or mean absolute error? Use their ratio as well. Information Sciences, 585, 609-629.

https://doi.org/10.1016/j.ins.2021.11.036 Kashyap, M., & Sharma, V. (2025a). A comparative analysis and implementation of CoAP and MQTT protocol for IoT communication. Life Cycle Reliability and Safety Engineering, 14(4), 715-730. https://doi.org/10.1007/s41872-025-00324-7 Kashyap, M., & Sharma, V. (2025b). A comparative analysis and implementation of CoAP and MQTT protocol for IoT communication. Life Cycle Reliability and Safety Engineering, 14(4), 715-730. https://doi.org/10.1007/s41872-025-00324-7 Khoso, W. A., Javed, M. F., & Umali, M. (2026). Machine learning approach for water quality analysis. Discover Water, 6(1), 19. https://doi.org/10.1007/s43832-025-

00336-5

Kitudom, N., Fauset, S., Zhou, Y., Fan, Z., Li, M., He, M., Zhang, S., Xu, K., & Lin, H. (2022). Thermal safety margins of plant leaves across biomes under a heatwave. Science of The Total Environment, 806, 150416.

https://doi.org/10.1016/j.scitotenv.2021.150416 Koranga, M., Pant, P., Kumar, T., Pant, D., Bhatt, A. K., & Pant, R. P. (2022). Efficient water quality prediction models based on machine learning algorithms for Nainital Lake, Uttarakhand. Materials Today: Proceedings, International Chemical

Engineering Conference 2021 (100 Glorious Years of Chemical Engineering & Technology), 57, 1706-1712. https://doi.org/10.1016/j.matpr.2021.12.334 Koutras, D., Dimitrakopoulos, G., Malamas, V., Kotzanikolaou, P., & Douligeris, C. (2025). Comparative Analysis and Implementation of HTTP3, MQTT, and CoAP for IoT Applications. Proceedings of the 28th Pan-Hellenic Conference on Progress in Computing and Informatics, PCI ’24, 127-132.

https://doi.org/10.1145/3716554.3716830 Kumar, N. M., & Mallick, P. K. (2018). The Internet of Things: Insights into the building blocks, component interactions, and architecture layers. Procedia Computer Science, International Conference on Computational Intelligence and Data Science, 132, 109-117. https://doi.org/10.1016/j.procs.2018.05.170 Kumar, P., Thirunavukkarasu, A. R., Subburaj, R., & Thiagarajan, G. (2015). Concept of Stress and Its Mitigation in Aquaculture. En S. Perumal, T. A.R., & P. Pachiappan (Eds.), Advances in Marine and Brackishwater Aquaculture (pp. 95-100). Springer India. https://doi.org/10.1007/978-81-322-2271-2_10 Lal, A., Sharan, A., Sharma, K., Ram, A., Roy, D. K., & Datta, B. (2024). Scrutinizing different predictive modeling validation methodologies and data-partitioning strategies: New insights using groundwater modeling case study. Environmental Monitoring and Assessment, 196(7), 623. https://doi.org/10.1007/s10661-024- 12794-w Lawson, T. B. (1994). Fundamentals of Aquacultural Engineering. Springer Science & Business Media.

Lekang, O.-I. (2013). Aquaculture Engineering. John Wiley & Sons.

Leonard, J. N., & Skov, P. V. (2022). Capacidad de adaptación térmica en la tilapia del Nilo ( Oreochromis niloticus ): Efectos sobre la captación de oxígeno y la ventilación. Journal of Thermal Biology, 105, 103206. https://doi.org/10.1016/j.jtherbio.2022.103206 Lermen, C. L., Lappe, R., Crestani, M., Vieira, V. P., Gioda, C. R., Schetinger, M. R. C., Baldisserotto, B., Moraes, G., & Morsch, V. M. (2004). Efecto de diferentes regímenes de temperatura sobre los parámetros metabólicos y sanguíneos del bagre plateado Rhamdia quelen. Aquaculture, 239(1), 497-507. https://doi.org/10.1016/j.aquaculture.2004.06.021 Liaw, A., & Wiener, M. (2007). Classification and Regression by randomForest. https://www.semanticscholar.org/paper/Classification-and-Regression-byrandomForest-Liaw-Wiener/6e633b41d93051375ef9135102d54fa097dc8cf8 Lindholm-Lehto, P. (2023a). Water quality monitoring in recirculating aquaculture systems. Aquaculture, Fish and Fisheries, 3(2), 113-131. https://doi.org/10.1002/aff2.102 Lindholm-Lehto, P. (2023b). Water quality monitoring in recirculating aquaculture systems. Aquaculture, Fish and Fisheries, 3(2), 113-131. https://doi.org/10.1002/aff2.102 Lindholm-Lehto, P. (2023c). Water quality monitoring in recirculating aquaculture systems. Aquaculture, Fish and Fisheries, 3(2), 113-131. https://doi.org/10.1002/aff2.102

Lindholm-Lehto, P. (2023d). Water quality monitoring in recirculating aquaculture systems. Aquaculture, Fish and Fisheries, 3(2), 113-131. https://doi.org/10.1002/aff2.102 Lindholm-Lehto, P. (2023e). Water quality monitoring in recirculating aquaculture systems. Aquaculture, Fish and Fisheries, 3(2), 113-131. https://doi.org/10.1002/aff2.102 Lindholm-Lehto, P. (2023f). Water quality monitoring in recirculating aquaculture systems. Aquaculture, Fish and Fisheries, 3(2), 113-131. https://doi.org/10.1002/aff2.102 Lindholm-Lehto, P. (2023g). Water quality monitoring in recirculating aquaculture systems. Aquaculture, Fish and Fisheries, 3(2), 113-131. https://doi.org/10.1002/aff2.102 Liu, J., Timsina, P., & El-Gayar, O. (2018). A comparative analysis of semi-supervised learning: The case of article selection for medical systematic reviews. Information Systems Frontiers, 20(2), 195-207. https://doi.org/10.1007/s10796-016-9724-0 Liu, M.-J., Guo, H.-Y., Liu, B., Zhu, K.-C., Guo, L., Liu, B.-S., Zhang, N., Yang, J.-W., Jiang, S.-G., & Zhang, D.-C. (2021). Gill oxidative damage caused by acute ammonia stress was reduced through the HIF-1α/NF-κb signaling pathway in golden pompano (Trachinotus ovatus). Ecotoxicology and Environmental Safety, 222, 112504. https://doi.org/10.1016/j.ecoenv.2021.112504 Liu, Y., Zheng, H., & Zhao, J. (2025). Enhanced water quality prediction by LSTM and graph attention network (L-GAT): An analytical study of the Pearl River Basin. Water Research X, 28, 100383. https://doi.org/10.1016/j.wroa.2025.100383

Lokman, A., Wan Ismail, W. Z., & Ab Aziz, N. A. (2025). Enhancing water quality index prediction accuracy in Mranti lake and rivers in Malaysia using regression forest model. Applied Water Science, 16(2), 34. https://doi.org/10.1007/s13201-025- 02705-w López-Luna, J., Ibáñez, M. A., & Villarroel, M. (2013). Using multivariate analysis of water quality in RAS with Nile tilapia (Oreochromis niloticus) to model the evolution of macronutrients. Aquacultural Engineering, 54, 22-28. https://doi.org/10.1016/j.aquaeng.2012.10.005 Lu, H., & Ma, X. (2020). Hybrid decision tree-based machine learning models for shortterm water quality prediction. Chemosphere, 249, 126169.

https://doi.org/10.1016/j.chemosphere.2020.126169 Ma, W. (2002). A database selection expert system based on reference librarian’s database selection strategy: A usability and empirical evaluation. Journal of the American Society for Information Science and Technology, 53(7), 567-580. https://doi.org/10.1002/asi.10067 Madeira, D., Narciso, L., Cabral, H. N., & Vinagre, C. (2012a). Thermal tolerance and potential impacts of climate change on coastal and estuarine organisms. Journal of Sea Research, 70, 32-41. https://doi.org/10.1016/j.seares.2012.03.002 Madeira, D., Narciso, L., Cabral, H. N., & Vinagre, C. (2012b). Thermal tolerance and potential impacts of climate change on coastal and estuarine organisms. Journal of Sea Research, 70, 32-41. https://doi.org/10.1016/j.seares.2012.03.002 Mahardika, P. S., & Gunawan, A. A. N. (2022). Modeling of water temperature in evaporation pot with 7 Ds18b20 sensors based on Atmega328 microcontroller.

Linguistics and Culture Review, 184-193.

https://doi.org/10.21744/lingcure.v6nS3.2123 Makori, A. J., Abuom, P. O., Kapiyo, R., Anyona, D. N., & Dida, G. O. (2017a). Effects of water physico-chemical parameters on tilapia (Oreochromis niloticus) growth in earthen ponds in Teso North Sub-County, Busia County. Fisheries and Aquatic Sciences, 20(1), 30. https://doi.org/10.1186/s41240-017-0075-7 Makori, A. J., Abuom, P. O., Kapiyo, R., Anyona, D. N., & Dida, G. O. (2017b). Effects of water physico-chemical parameters on tilapia (Oreochromis niloticus) growth in earthen ponds in Teso North Sub-County, Busia County. Fisheries and Aquatic Sciences, 20(1), 30. https://doi.org/10.1186/s41240-017-0075-7 Makori, A. J., Abuom, P. O., Kapiyo, R., Anyona, D. N., & Dida, G. O. (2017c). Effects of water physico-chemical parameters on tilapia (Oreochromis niloticus) growth in earthen ponds in Teso North Sub-County, Busia County. Fisheries and Aquatic Sciences, 20(1), 30. https://doi.org/10.1186/s41240-017-0075-7 Makori, A. J., Abuom, P. O., Kapiyo, R., Anyona, D. N., & Dida, G. O. (2017d). Effects of water physico-chemical parameters on tilapia (Oreochromis niloticus) growth in earthen ponds in Teso North Sub-County, Busia County. Fisheries and Aquatic Sciences, 20(1), 30. https://doi.org/10.1186/s41240-017-0075-7 Malek, N. H. A., Wan Yaacob, W. F., Md Nasir, S. A., & Shaadan, N. (2022). Prediction of Water Quality Classification of the Kelantan River Basin, Malaysia, Using Machine Learning Techniques. Water, 14(7), 1067. https://doi.org/10.3390/w14071067 Maleki, F., Ovens, K., Najafian, K., Forghani, B., Reinhold, C., & Forghani, R. (2020a). Overview of Machine Learning Part 1: Fundamentals and Classic Approaches.

Neuroimaging Clinics of North America, Machine Learning and Other Artificial Intelligence Applications, 30(4), e17-e32. https://doi.org/10.1016/j.nic.2020.08.007 Maleki, F., Ovens, K., Najafian, K., Forghani, B., Reinhold, C., & Forghani, R. (2020b). Overview of Machine Learning Part 1: Fundamentals and Classic Approaches. Neuroimaging Clinics of North America, Machine Learning and Other Artificial Intelligence Applications, 30(4), e17-e32. https://doi.org/10.1016/j.nic.2020.08.007 Malone, R. (2013). Recirculating aquaculture tank production systems: A review of current design practice. https://www.semanticscholar.org/paper/Recirculating-aquaculturetank-production-systems%3A- Malone/31905f2eb2af4a035a44f6645543e4f943199ac3 Martins, G. B., da Rosa, C. E., Tarouco, F. de M., & Robaldo, R. B. (2019). Growth, water quality and oxidative stress of Nile tilapia Oreochromis niloticus (L.) in biofloc technology system at different pH. Aquaculture Research, 50(4), 1030-1039. https://doi.org/10.1111/are.13975 McCrady, S. G. (2013). Designing SCADA application software: A practical approach (1st ed.). Elsevier.

Mengistu, S. B., Mulder, H. A., Benzie, J. A. H., & Komen, H. (2020). A systematic literature review of the major factors causing yield gap by affecting growth, feed conversion ratio and survival in Nile tilapia (Oreochromis niloticus). Reviews in Aquaculture, 12(2), 524-541. https://doi.org/10.1111/raq.12331 Mirea, C., Cristea, V., Grecu, I., & Dediu, L. (2013). Influence of different water temperature on intensive growth performance of Nile tilapia (Oreochromis niloticus, Linnaeus, 1758) in a recirculating aquaculture system.

https://www.semanticscholar.org/paper/Influence-of-different-water-temperatureon-growth-Mirea-Cristea/d5fe87c67554b1b5ec7b2f187c34ce1e677ec8dc Mishra, B., Mishra, B., & Kertesz, A. (2021). Stress-Testing MQTT Brokers: A Comparative Analysis of Performance Measurements. Energies, 14(18). https://doi.org/10.3390/en14185817 Mustapha, M. (s. f.). OPTIMIZING THE GROWTH AND SURVIVAL OF NILE TILAPIA

(OREOCHROMIS NILOTICUS) THROUGH PHOTOPERIODIC

MANIPULATIONS. Recuperado 17 de diciembre de 2025, de https://www.academia.edu/5950283/OPTIMIZING_THE_GROWTH_AND_SURV

IVAL_OF_NILE_TILAPIA_OREOCHROMIS_NILOTICUS_THROUGH_PHOT

OPERIODIC_MANIPULATIONS

Nagaraju, T. V., Bala, G. S., Raju, E. R., & Shukla, S. K. (2025). Enhancing sustainability of inland aquaculture ponds using geosynthetics. Research outputs 2022 to 2026, Part F548. https://ro.ecu.edu.au/ecuworks2022-2026/6716 Najafabadi, E. F., Shojaei, P., & Askarizadeh, M. (2025). Comparative analysis of machine learning models for predicting river water quality: A case study of the Zayandeh Rood River. Results in Engineering, 27, 106665.

https://doi.org/10.1016/j.rineng.2025.106665 Nasution, T. H., Dika, S., Sinulingga, E. P., Tanjung, K., & Harahap, L. A. (2020). Analysis of the use of SEN0161 pH sensor for water in goldfish ponds. IOP Conference Series: Materials Science and Engineering, 851(1), 012053. https://doi.org/10.1088/1757-899X/851/1/012053

Nong, X., He, Y., Chen, L., & Wei, J. (2025). Machine learning-based evolution of water quality prediction model: An integrated robust framework for comparative application on periodic return and jitter data. Environmental Pollution, 369, 125834. https://doi.org/10.1016/j.envpol.2025.125834 Nurazis, A. S., Yunita, D., Juanda, J., Nasution, I. S., & Saputra, K. (2025). Upgrading a 15L yogurt incubator with power supply, water heater, pH probe, buzzer, and setting button. IOP Conference Series: Earth and Environmental Science, 1510(1),

012062. https://doi.org/10.1088/1755-1315/1510/1/012062

Oddsson, G. V. (2020). A Definition of Aquaculture Intensity Based on Production Functions—The Aquaculture Production Intensity Scale (APIS). Water, 12(3), 765. https://doi.org/10.3390/w12030765 O’Donncha, F., & Grant, J. (2019). Precision Aquaculture. IEEE Internet of Things Magazine, 2(4), 26-30. https://doi.org/10.1109/IOTM.0001.1900033 Pan, H.-H., Setiawan, A. N., McQueen, D., Khan, J. R., & Herbert, N. A. (2020). Las concentraciones elevadas de CO2 afectan el crecimiento y el metabolismo natatorio del pez rey de cola amarilla, Seriola lalandi. Aquaculture, 523, 735157. https://doi.org/10.1016/j.aquaculture.2020.735157 Panase, P., Saenphet, S., & Saenphet, K. (2018). Biochemical and physiological responses of Nile tilapia Oreochromis niloticus Lin subjected to cold shock of water temperature. Aquaculture Reports, 11, 17-23.

https://doi.org/10.1016/j.aqrep.2018.05.005 Panigoro, N., Kurniasih, T., Ediwarman, Wahyudin, Y., Lesmana, D., Sutisna, E., Pantjara, B., Purba, Y. R., Saptana, Ermiati, Zulham, A., Lestari, N., & Dody, S. (2024).

Optimizing red tilapia (Oreochromis sp.) aquaculture in peatlands: Evaluating dietary methionine and lysine for growth performance and feed utilization. AACL Bioflux, 17(6), 2792-2804.

Parra, J. E. G., & Baldisserotto, B. (2007). Effect of Water pH and Hardness on Survival and Growth of Freshwater Teleosts. En Fish Osmoregulation. CRC Press. pH sensor for water based solution with ph-4502c and ESP32 microprocessor. (s. f.). Recuperado 6 de marzo de 2026, de https://www.linkedin.com/pulse/httpsgithubcommcortsm5stickcphsensor-m-carlosorts-garc%C3%ADa ¿Qué es la tilapia roja? Características, crecimiento y procesamiento | Zhuhai Chenghuifeng Seafood. (2025, septiembre 16). https://www.chfseafood.com/redtilapia-characteristics-growth-processing/ Quintero Sanchez, Y. D., Sánchez Portillo, S., Bracho Colina, E. C., Salazar Sánchez, M. del R., Pereira Flores, L. F., & Hernandez Martinez, I. Y. (2024). Evaluación de la producción de tilapia roja (oreochromis sp) criados con tecnologia biofloc. Revista

EIA, 21(42), 23.

Rairat, T., Liu, Y.-K., Hsu, J. C.-N., Hsieh, C.-Y., Chuchird, N., & Chou, C.-C. (2022). Combined Effects of Temperature and Salinity on the Pharmacokinetics of Florfenicol in Nile Tilapia (Oreochromis niloticus) Reared in Brackish Water. Frontiers in Veterinary Science, 9. https://doi.org/10.3389/fvets.2022.826586 Ramesh Saha, Biswas, S., Sarmah, S., Karmakar, S., & Das, P. (2021). A Working Prototype Using DS18B20 Temperature Sensor and Arduino for Health Monitoring. SN Computer Science, 2(1), 33. https://doi.org/10.1007/s42979-020-00434-2

Rasheed Abdul Haq, K. P., & Harigovindan, V. P. (2022a). Water Quality Prediction for Smart Aquaculture Using Hybrid Deep Learning Models. IEEE Access, 10, 60078-

60098. https://doi.org/10.1109/ACCESS.2022.3180482

Rasheed Abdul Haq, K. P., & Harigovindan, V. P. (2022b). Water Quality Prediction for Smart Aquaculture Using Hybrid Deep Learning Models. IEEE Access, 10, 60078-

60098. https://doi.org/10.1109/ACCESS.2022.3180482

Rastegari, H., Nadi, F., Lam, S. S., Ikhwanuddin, M., Kasan, N. A., Rahmat, R. F., & Mahari, W. A. W. (2023). Internet of Things in aquaculture: A review of the challenges and potential solutions based on current and future trends. Smart Agricultural Technology, 4, 100187. https://doi.org/10.1016/j.atech.2023.100187 Rebouças, V. T., Lima, F. R. dos S., Cavalcante, D. de H., & Sá, M. V. do C. e. (2016). Reassessment of the suitable range of water pH for culture of Nile tilapia Oreochromis niloticus L. in eutrophic water. Acta Scientiarum. Animal Sciences, 38, 361-368. https://doi.org/10.4025/actascianimsci.v38i4.32051 Refaey, M. M., Mehrim, A. I., Zenhom, O. A., & Mansour, A. T. (2022). Effect of fatty acids manipulation on survival and physiological response of hybrid red tilapia under chronic cold stress. Aquaculture, 561, 738663.

https://doi.org/10.1016/j.aquaculture.2022.738663 Rejeb, A., Rejeb, K., & Keogh, J. G. (2025). The nexus of IoT and aquaculture: A bibliometric analysis. Applied Food Research, 5(1), 100838. https://doi.org/10.1016/j.afres.2025.100838 Sahubawa, L., Triyatmo, B., & Ambarwati, E. (2025). Perspective Chapter: Bioconversion and Bioeconomics of Wastewater from Red Tilapia Aquaculture as a Source of

Nutrient (Nitrate) on the Green Mustard Growth with Resirculation and Drip-sugar Cane Methods in the Aquaphonics System. En Hydroponic Farming—A Modern Agriculture Technique. IntechOpen. https://doi.org/10.5772/intechopen.1009319 Sahubawa, L., Triyatmo, B., Ambarwati, E., Sahubawa, L., Triyatmo, B., & Ambarwati, E. (2025). Perspective Chapter: Bioconversion and Bioeconomics of Wastewater from Red Tilapia Aquaculture as a Source of Nutrient (Nitrate) on the Green Mustard Growth with Resirculation and Drip-sugar Cane Methods in the Aquaphonics System. En Hydroponic Farming—A Modern Agriculture Technique. IntechOpen. https://doi.org/10.5772/intechopen.1009319 Sallenave, R. (2016). Important water quality parameters in aquaponics systems. College of Agricultural, Consumer and Environmental Sciences Las Cruces, NM, USA. https://pubs.nmsu.edu/_circulars/CR680.pdf Sampaio, F. G., Araújo, C. A. S., Dallago, B. S. L., Stech, J. L., Lorenzzetti, J. A., Alcântara, E., Losekann, M. E., Marin, D. B., Leão, J. A. D., & Bueno, G. W. (2021). Unveiling low-to-high-frequency data sampling caveats for aquaculture environmental monitoring and management. Aquaculture Reports, 20, 100764. https://doi.org/10.1016/j.aqrep.2021.100764 Santoso, L., & Priyadi. (2024). Comparative Study of Feature Engineering Techniques for Predictive Data Analytics. Journal of Technology Informatics and Engineering, 3(2), 417-435. https://doi.org/10.51903/jtie.v3i2.225 Saravanan, M., Ramesh, M., Petkam, R., & Poopal, R. K. (2018). Influence of environmental salinity and cortisol pretreatment on gill Na+/K+ −ATPase activity

and survival and growth rates in Cyprinus carpio. Aquaculture Reports, 11, 1-7. https://doi.org/10.1016/j.aqrep.2018.04.002 Schneider, O., Blancheton, J. P., Varadi, L., Eding, E. H., & Verreth, J. a. J. (2006). Cost price and production strategies in European Recirculation Systems. En Conference: Aqua 2006: Linking Tradition & Technology Highest Quality for the Consumer, Firenze (Florence), Italy, 9-13 May 2006.

https://research.wur.nl/en/publications/cost-price-and-production-strategies-ineuropean-recirculation-sy Schorfheide, F., & Wolpin, K. I. (2016). To hold out or not to hold out. Research in Economics, 70(2), 332-345. https://doi.org/10.1016/j.rie.2016.02.001 Schreier, H. J., Mirzoyan, N., & Saito, K. (2010a). Microbial diversity of biological filters in recirculating aquaculture systems. Current Opinion in Biotechnology, Energy biotechnology – Environmental biotechnology, 21(3), 318-325. https://doi.org/10.1016/j.copbio.2010.03.011 Schreier, H. J., Mirzoyan, N., & Saito, K. (2010b). Microbial diversity of biological filters in recirculating aquaculture systems. Current Opinion in Biotechnology, Energy biotechnology – Environmental biotechnology, 21(3), 318-325. https://doi.org/10.1016/j.copbio.2010.03.011 Sen, K., Dey, S., Ganguly, A., & Rajak, P. (2026). Artificial intelligence in aquaculture: Advancing sustainable fish farming through AI-driven monitoring, optimization, and disease management. Aquaculture, 614, 743602.

https://doi.org/10.1016/j.aquaculture.2025.743602

Sethi, P., & Sarangi, S. R. (2017). Internet of Things: Architectures, Protocols, and Applications. Journal of Electrical and Computer Engineering, 2017(1), 9324035. https://doi.org/10.1155/2017/9324035 Sghaier, R., El Hog, C., Djemaa, R. B., & Sliman, L. (2025a). Machine Learning and Blockchain Synergy: Opportunities and Challenges for ML Models and Smart Contracts. Blockchain: Research and Applications, 100411. https://doi.org/10.1016/j.bcra.2025.100411 Sghaier, R., El Hog, C., Djemaa, R. B., & Sliman, L. (2025b). Machine Learning and Blockchain Synergy: Opportunities and Challenges for ML Models and Smart Contracts. Blockchain: Research and Applications, 100411. https://doi.org/10.1016/j.bcra.2025.100411 Shadadpuri Goplani, S. (2018). Análisis, caracterización y calibración de sensores de bajo coste para Arduino. https://riull.ull.es/xmlui/handle/915/10280 Shams, M. Y., Elshewey, A. M., El-kenawy, E.-S. M., Ibrahim, A., Talaat, F. M., & Tarek, Z. (2024a). Water quality prediction using machine learning models based on grid search method. Multimedia Tools and Applications, 83(12), 35307-35334. https://doi.org/10.1007/s11042-023-16737-4 Shams, M. Y., Elshewey, A. M., El-kenawy, E.-S. M., Ibrahim, A., Talaat, F. M., & Tarek, Z. (2024b). Water quality prediction using machine learning models based on grid search method. Multimedia Tools and Applications, 83(12), 35307-35334. https://doi.org/10.1007/s11042-023-16737-4 Siddique, M. A. B., Mahalder, B., Haque, M. M., & Ahammad, A. K. S. (2025). Impact of climatic and water quality parameters on Tilapia (Oreochromis niloticus) broodfish

growth: Integrating ARIMA and ARIMAX for precise modeling and forecasting. PLOS One, 20(3), e0313846. https://doi.org/10.1371/journal.pone.0313846 Sifa, L., Chenhong, L., Dey, M., Gagalac, F., & Dunham, R. (2002). Cold tolerance of three strains of Nile tilapia, Oreochromis niloticus, in China. Aquaculture, 213(1), 123-129. https://doi.org/10.1016/S0044-8486(02)00068-6 Smutná, M., Vorlová, L., & Svobodová, Z. (2002). Pathobiochemistry of Ammonia in the Internal Environment of Fish (Review). Acta Veterinaria Brno, 71(2), 169-181. https://doi.org/10.2754/avb200271020169 Somerville, C. (2014). Small-scale aquaponic food production – Integrated fish and plant farming. FAO. https://openknowledge.fao.org/handle/20.500.14283/i4021e Steriltech. (2022, septiembre 21). La acuicultura y su relevancia mundial. Steriltech. https://steriltech.net/la-acuicultura-y-su-relevancia-mundial Su, X., Sutarlie, L., & Loh, X. J. (2020a). Sensors, Biosensors, and Analytical Technologies for Aquaculture Water Quality. Research, 2020. https://doi.org/10.34133/2020/8272705 Su, X., Sutarlie, L., & Loh, X. J. (2020b). Sensors, Biosensors, and Analytical Technologies for Aquaculture Water Quality. Research, 2020. https://doi.org/10.34133/2020/8272705 Sulistiyanto, Setyobudi, R., & Tijaniyah. (2023). Utilization of tds sensors for water quality monitoring and water filtering of carp pools using IoT. EUREKA: Physics and Engineering, (6), 69-77. https://doi.org/10.21303/2461-4262.2023.002865 Sun, Z., Tan, X., Liu, Q., Ye, H., Zou, C., Xu, M., Zhang, Y., & Ye, C. (2019). Respuestas fisiológicas, inmunes y metabolismo lipídico hepático del mero moteado (

Epinephelus coioides ) bajo estrés por frío. Aquaculture, 498, 545-555. https://doi.org/10.1016/j.aquaculture.2018.08.051 Sunday, J. M., Bates, A. E., Kearney, M. R., Colwell, R. K., Dulvy, N. K., Longino, J. T., & Huey, R. B. (2014). Thermal-safety margins and the necessity of thermoregulatory behavior across latitude and elevation. Proceedings of the National Academy of Sciences, 111(15), 5610-5615.

https://doi.org/10.1073/pnas.1316145111 Taye, M. M. (2023). Understanding of Machine Learning with Deep Learning: Architectures, Workflow, Applications and Future Directions. Computers, 12(5),

91. https://doi.org/10.3390/computers12050091

Thapa, A., Aryal, N., & Reba, M. L. (2025a). Machine learning models for water quality: Predicting pollutant loads and assessing conservation practice’s effectiveness in agricultural fields. Ecological Informatics, 92, 103479. https://doi.org/10.1016/j.ecoinf.2025.103479 Thapa, A., Aryal, N., & Reba, M. L. (2025b). Machine learning models for water quality: Predicting pollutant loads and assessing conservation practice’s effectiveness in agricultural fields. Ecological Informatics, 92, 103479. https://doi.org/10.1016/j.ecoinf.2025.103479 Thapa, A., Aryal, N., & Reba, M. L. (2025c). Machine learning models for water quality: Predicting pollutant loads and assessing conservation practice’s effectiveness in agricultural fields. Ecological Informatics, 92, 103479. https://doi.org/10.1016/j.ecoinf.2025.103479

Thapa, A., Aryal, N., & Reba, M. L. (2025d). Machine learning models for water quality: Predicting pollutant loads and assessing conservation practice’s effectiveness in agricultural fields. Ecological Informatics, 92, 103479. https://doi.org/10.1016/j.ecoinf.2025.103479 TIMMONS, M. B. (etal). (s. f.-a). RECIRCULATING AQUACULTURE SYSTEMS /. Estados Unidos de América : CAYUGA AQUA VENTURES.

TIMMONS, M. B. (etal). (s. f.-b). RECIRCULATING AQUACULTURE SYSTEMS /. Estados Unidos de América : CAYUGA AQUA VENTURES.

Tolentino, L. K. S., De Pedro, C. P., Icamina, J. D., Navarro, J. B. E., Salvacion, L. J. D., Sobrevilla, G. C. D., Villanueva, A. A., Amado, T. M., Padilla, M. V. C., Madrigal, G. A. M., & Enriquez, L. A. C. (2021). Development of an IoT-based Intensive Aquaculture Monitoring System with Automatic Water Correction. International Journal of Computing and Digital Systems, 10(1), 1355-1365. https://doi.org/10.12785/ijcds/1001120 Tsai, K.-L., Chen, L.-W., Yang, L.-J., Shiu, H.-J., & Chen, H.-W. (2022). IoT based Smart Aquaculture System with Automatic Aerating and Water Quality Monitoring. Journal of Internet Technology, 23(1), 177-184.

Tu, E., & Yang, J. (2019). A Review of Semi Supervised Learning Theories and Recent Advances (arXiv:1905.11590). arXiv. https://doi.org/10.48550/arXiv.1905.11590 Tyralis, H., Papacharalampous, G., & Langousis, A. (2019). A Brief Review of Random Forests for Water Scientists and Practitioners and Their Recent History in Water Resources. Water, 11(5), 910. https://doi.org/10.3390/w11050910

Ulbig, M., Merschak, S., Hehenberger, P., & Bachler, J. (2023). Requirements on and Selection of Data Storage Technologies for Life Cycle Assessment. En F. Noël, F. Nyffenegger, L. Rivest, & A. Bouras (Eds.), Product Lifecycle Management. PLM in Transition Times: The Place of Humans and Transformative Technologies (pp. 86-95). Springer Nature Switzerland. https://doi.org/10.1007/978-3-031-25182-5_9 Valencia, L. M., & Aguirre-Tellez, C. A. (2017). Boiling point of volatile liquids at various pressures. Respuestas, 22(2), 87-101. https://doi.org/10.22463/0122820X.1210 Valenti, W. C., Barros, H. P., Moraes-Valenti, P., Bueno, G. W., & Cavalli, R. O. (2021). Aquaculture in Brazil: Past, present and future. Aquaculture Reports, 19, 100611. https://doi.org/10.1016/j.aqrep.2021.100611 Vielma, J., Kankainen, M., & Setälä, J. (2022). Current status of recirculation aquaculture systems (RAS) and their profitability and competitiveness in the Baltic Sea area. Natural Resources Institute Finland (Luke).

https://jukuri.luke.fi/handle/11111/21703 Viswasanthi, N., Dumpala, S., Srimadhuri, S., & Ramaneswari, K. (2024). Recirculating aquaculture systems: Current practices, challenges, and future directions. Deep Science Publishing. https://doi.org/10.70593/978-81-982935-0-3 Waller, U. (2024a). A Critical Assessment of the Process and Logic Behind Fish Production in Marine Recirculating Aquaculture Systems. Fishes, 9(11), 431. https://doi.org/10.3390/fishes9110431 Waller, U. (2024b). A Critical Assessment of the Process and Logic Behind Fish Production in Marine Recirculating Aquaculture Systems. Fishes, 9(11), 431. https://doi.org/10.3390/fishes9110431

Waller, U. (2024c). A Critical Assessment of the Process and Logic Behind Fish Production in Marine Recirculating Aquaculture Systems. Fishes, 9(11), 431. https://doi.org/10.3390/fishes9110431 Wang, X., Zhang, J., & Babovic, V. (2016a). Improving real-time forecasting of water quality indicators with combination of process-based models and data assimilation technique. Ecological Indicators, 66, 428-439.

https://doi.org/10.1016/j.ecolind.2016.02.016 Wang, X., Zhang, J., & Babovic, V. (2016b). Improving real-time forecasting of water quality indicators with combination of process-based models and data assimilation technique. Ecological Indicators, 66, 428-439.

https://doi.org/10.1016/j.ecolind.2016.02.016 Wanja, D. W., Mbuthia, P. G., Waruiru, R. M., Mwadime, J. M., Bebora, L. C., Nyaga, P. N., & Ngowi, H. A. (2020). Fish Husbandry Practices and Water Quality in Central Kenya: Potential Risk Factors for Fish Mortality and Infectious Diseases. Veterinary Medicine International, 2020(1), 6839354.

https://doi.org/10.1155/2020/6839354 Water Quality–Disease Relationship on Commercial Fish Farms. (2017). En Fish Diseases (pp. 167-185). Academic Press. https://doi.org/10.1016/B978-0-12-804564-

0.00007-7

Weihrauch, D., & Allen, G. J. P. (2018). Ammonia excretion in aquatic invertebrates: New insights and questions. Journal of Experimental Biology, 221(2), jeb169219. https://doi.org/10.1242/jeb.169219

Wood, C. M., Brix, K. V., De Boeck, G., Bergman, H. L., Bianchini, A., Bianchini, L. F., Maina, J. N., Johannsson, O. E., Kavembe, G. D., Papah, M. B., Letura, K. M., & Ojoo, R. O. (2016). Mammalian metabolic rates in the hottest fish on earth. Scientific Reports, 6(1), 26990. https://doi.org/10.1038/srep26990 Wu, L., Li, N., & Zhao, T. (2019a). Using the seasonal FGM(1,1) model to predict the air quality indicators in Xingtai and Handan. Environmental Science and Pollution Research, 26(14), 14683-14688. https://doi.org/10.1007/s11356-019-04715-z Wu, L., Li, N., & Zhao, T. (2019b). Using the seasonal FGM(1,1) model to predict the air quality indicators in Xingtai and Handan. Environmental Science and Pollution Research, 26(14), 14683-14688. https://doi.org/10.1007/s11356-019-04715-z Yan, H. F., Kyne, P. M., Jabado, R. W., Leeney, R. H., Davidson, L. N. K., Derrick, D. H., Finucci, B., Freckleton, R. P., Fordham, S. V., & Dulvy, N. K. (2021). Overfishing and habitat loss drive range contraction of iconic marine fishes to near extinction. Science Advances, 7(7), eabb6026. https://doi.org/10.1126/sciadv.abb6026 Yang, J., Jia, L., Guo, Z., Shen, Y., Li, X., Mou, Z., Yu, K., & Lin, J. C.-W. (2023a). Prediction and control of water quality in Recirculating Aquaculture System based on hybrid neural network. Engineering Applications of Artificial Intelligence, 121,

106002. https://doi.org/10.1016/j.engappai.2023.106002

Yang, J., Jia, L., Guo, Z., Shen, Y., Li, X., Mou, Z., Yu, K., & Lin, J. C.-W. (2023b). Prediction and control of water quality in Recirculating Aquaculture System based on hybrid neural network. Engineering Applications of Artificial Intelligence, 121,

106002. https://doi.org/10.1016/j.engappai.2023.106002

Yang, J., Jia, L., Guo, Z., Shen, Y., Li, X., Mou, Z., Yu, K., & Lin, J. C.-W. (2023c). Prediction and control of water quality in Recirculating Aquaculture System based on hybrid neural network. Engineering Applications of Artificial Intelligence, 121,

106002. https://doi.org/10.1016/j.engappai.2023.106002

Yang, J., Jia, L., Guo, Z., Shen, Y., Li, X., Mou, Z., Yu, K., & Lin, J. C.-W. (2023d). Prediction and control of water quality in Recirculating Aquaculture System based on hybrid neural network. Engineering Applications of Artificial Intelligence, 121,

106002. https://doi.org/10.1016/j.engappai.2023.106002

Yang, J., Jia, L., Guo, Z., Shen, Y., Li, X., Mou, Z., Yu, K., & Lin, J. C.-W. (2023e). Prediction and control of water quality in Recirculating Aquaculture System based on hybrid neural network. Engineering Applications of Artificial Intelligence, 121,

106002. https://doi.org/10.1016/j.engappai.2023.106002

Yang, J., Jia, L., Guo, Z., Shen, Y., Li, X., Mou, Z., Yu, K., & Lin, J. C.-W. (2023f). Prediction and control of water quality in Recirculating Aquaculture System based on hybrid neural network. Engineering Applications of Artificial Intelligence, 121,

106002. https://doi.org/10.1016/j.engappai.2023.106002

Zafi, A., Saputra, B. D., & Bianto, M. A. (2024). The Monitoring System for Water Quality Based on The Internet of Things (IoT) and Uses A TDS Sensor. Indonesian Journal of Engineering, Science and Technology, 1(2), 49-58.

https://doi.org/10.38040/ijenset.v1i2.1015 Zhang, H., Jiang, B., & Chen, M. (2026). Enhancing Public Water Management through Interpretable Machine Learning: A Random Forest-SHAP Analysis of Spatio-

Temporal pH Prediction. Desalination and Water Treatment, 101760. https://doi.org/10.1016/j.dwt.2026.101760 Zhang, J., Li, D., Wang, C., & Ding, Q. (2013). An Intelligent Four-Electrode Conductivity Sensor for Aquaculture. En D. Li & Y. Chen (Eds.), Computer and Computing Technologies in Agriculture VI (pp. 398-407). Springer. https://doi.org/10.1007/978-3-642-36124-1_48 Zhang, K., Ye, Z., Qi, M., Cai, W., Saraiva, J. L., Wen, Y., Liu, G., Zhu, Z., Zhu, S., & Zhao, J. (2025). Water Quality Impact on Fish Behavior: A Review From an Aquaculture Perspective. Reviews in Aquaculture, 17(1), e12985. https://doi.org/10.1111/raq.12985 Zhou, T., Ruan, S., & Hu, H. (2023). A literature survey of MR-based brain tumor segmentation with missing modalities. Computerized Medical Imaging and Graphics, 104, 102167. https://doi.org/10.1016/j.compmedimag.2022.102167