Modelo predictivo en telemetría mediante técnicas de aprendizaje automático para anticipar degradación del agua en acuicultura
| dc.contributor.advisor | Salinas Buestan, Néstor Rafael | |
| dc.contributor.author | Zambrano Varela, Francisco Alexander | |
| dc.date.accessioned | 2024-06-24T16:48:57Z | |
| dc.date.available | 2024-06-24T16:48:57Z | |
| dc.date.issued | 2024 | |
| dc.description | The present research presents an innovative strategy to improve water quality management in aquaculture environments by employing machine learning methods. A telemetric system was used to collect and monitor environmental data such as pH, temperature, turbidity and tds. The centerpiece of this study is the development of a telemetry-based predictive model, which leverages this data to predict changes in water quality. Several machine learning algorithms were tested, including Random Forest, Gradient Boosting, Polynomial Regression, Linear Regression, and k-Nearest Neighbors. After extensive testing, it was determined that Random Forest stood out as the most effective algorithm, achieving an extraordinary accuracy of 0.999 with a training time of just 12 seconds. This model allows for the proactive detection of conditions that could lead to the degradation of the aquatic habitat, enabling early warning of possible incidents. By anticipating these events, aquaculture resource managers can take corrective action in a timely manner, reducing the risks associated with water degradation. | |
| dc.description.abstract | La presente investigación introduce una estrategia innovadora para mejorar la gestión de la calidad del agua en entornos de acuicultura mediante el empleo de métodos de aprendizaje automático. Se utilizó un sistema telemétrico para la recolección y monitoreo de datos ambientales tales como pH, temperatura, turbidez y tds. La pieza central de este estudio es el desarrollo de un modelo predictivo basado en la telemetría, el cual aprovecha estos datos para prever cambios en la calidad del agua. Se pusieron a prueba varios algoritmos de aprendizaje automático, incluyendo Random Forest, Gradient Boosting, Regresión Polinomial, Regresión Lineal y k-Nearest Neighbors. Tras exhaustivas pruebas, se determinó que Random Forest destacó como el algoritmo más eficaz, logrando una precisión extraordinaria de 0.999 con un tiempo de entrenamiento de apenas 12 segundos. Este modelo permite la detección proactiva de condiciones que podrían conducir a la degradación del hábitat acuático, posibilitando la alerta temprana sobre posibles incidentes. Al anticipar estos eventos, los administradores de recursos acuícolas pueden tomar medidas correctivas de manera oportuna, reduciendo los riesgos asociados con la degradación del agua. | |
| dc.format.extent | 88 | |
| dc.identifier.citation | Zambrano Varela, Francisco Alexander (2024). Modelo predictivo en telemetría mediante técnicas de aprendizaje automático para anticipar degradación del agua en acuicultura. Quevedo-UTEQ. 88 paginas | |
| dc.identifier.other | 460042 | |
| dc.identifier.uri | https://repositorio.uteq.edu.ec/handle/43000/7231 | |
| dc.language.iso | spa | |
| dc.publisher | Quevedo:UTEQ | |
| dc.rights | Attribution-NonCommercial-ShareAlike 3.0 United States | en |
| dc.rights.uri | http://creativecommons.org/licenses/by-nc-sa/3.0/us/ | |
| dc.subject | Acuicultura | |
| dc.subject | Gestión de Calidad | |
| dc.subject | Modelos Predictivos | |
| dc.subject | Telemetría | |
| dc.subject | Aprendizaje Automático. | |
| dc.title | Modelo predictivo en telemetría mediante técnicas de aprendizaje automático para anticipar degradación del agua en acuicultura | |
| dc.type | bachelorThesis |
