Validación de Soft Sensing con Redes Neuronales e Híbridas y Prescripción en Sistemas de Decisión para la Gestión del Riesgo Nitrogenado en Acuicultura
Cargando...
Fecha
Autores
Enlace al recurso
DOI
ORCID
Google Scholar
Cvlac
gruplac
Descripción Dominio:
Título de la revista
ISSN de la revista
Título del volumen
Editor
Universidad Santo Tomás
Compartir
Documentos PDF
Descripción
La acuicultura intensiva de tilapia enfrenta riesgos de toxicidad por compuestos nitrogenados, difíciles de predecir con monitoreo convencional por su comportamiento no lineal. Para cerrar la brecha entre el diagnóstico de calidad del agua y la acción en granja, este trabajo valida un soft sensor neuronal y un sistema de soporte a la decisión (DSS) prescriptivo como arquitectura integrada para la gestión del riesgo nitrogenado. Metodológicamente, se consolidó un dataset de 291.812 registros totales, combinando fuentes observacionales abiertas y escenarios sintéticos de toxicidad crítica. Sobre este corpus se evaluaron cinco arquitecturas de aprendizaje automático y se diseñó un DSS determinista basado en reglas biológicas para Oreochromis spp. Los resultados demuestran que un perceptrón multicapa (MLP) alcanzó un F1‑macro de 0,9964 y una latencia media de 0,53 ms, rango ideal para despliegues IoT. Estas métricas se interpretan como una validación de factibilidad computacional bajo un esquema de etiquetas derivadas de reglas deterministas, más que como una garantía de generalización inmediata en condiciones de campo. Integrado al DSS, este núcleo neuronal logró una tasa de infra‑prescripción nula (0%) en riesgo alto y una sobre‑prescripción conservadora cercana al 60%, respaldando una política safety‑first que evita omitir intervenciones críticas. El prototipo desarrollado aporta una referencia metodológica sólida para futuros sistemas inteligentes en la acuicultura regional.
Abstract
Intensive tilapia aquaculture faces toxicity risks from nitrogenous compounds, whose nonlinear behavior makes them difficult to predict with conventional monitoring. To bridge the gap between water‑quality diagnosis and on‑farm action, this study validates a neural soft sensor and a prescriptive Decision Support System (DSS) as an integrated architecture for nitrogen‑risk management. Methodologically, a dataset of 291.812 records was consolidated by combining open observational sources with synthetic scenarios of critical toxicity. Five machine‑learning architectures were evaluated on this corpus, and a deterministic DSS based on biological rules for Oreochromis spp. was designed. The results show that a multilayer perceptron (MLP) achieved a macro‑F1 of 0.9964 and a mean latency of 0.53 ms, an ideal range for IoT deployments. These metrics are interpreted as a validation of computational feasibility under a labelling scheme derived from deterministic rules, rather than as a guarantee of immediate generalization to field conditions. When integrated into the DSS, this neural core achieved a zero under‑prescription rate in high‑risk scenarios and a conservative over‑prescription rate of about 60%, supporting a safety‑first design policy that avoids omitting critical interventions. The prototype provides a solid methodological reference for future intelligent systems in regional aquaculture.
Idioma
spa
Palabras clave
Citación
Cerón Lombana, J. C. (2026). Validación de Soft Sensing con Redes Neuronales e Híbridas y Prescripción en Sistemas de Decisión para la Gestión del Riesgo Nitrogenado en Acuicultura. [Tesis de posgrado]. Universidad Santo Tomás, Bucaramanga, Colombia
Licencia Creative Commons
Attribution-NonCommercial-NoDerivs 2.5 Colombia