Desarrollo de un sistema predictivo basado en inteligencia artificial para la prevención de distress y mortalidad en peces mediante condiciones ambientales en sistemas acuapónicos

Abstract

El presente trabajo aborda el problema de la detección tardía de condiciones fisiológicas críticas como el estrés y la mortalidad en peces dentro de sistemas acuapónicos. Aunque el monitoreo en tiempo real mediante sensores permite registrar variables fisicoquímicas del agua, las limitaciones de los sistemas tradicionales impiden anticipar eventos adversos, afectando la sostenibilidad y la eficiencia productiva. El propósito de esta investigación fue diseñar, implementar y validar un sistema predictivo basado en inteligencia artificial que permitiera anticipar condiciones de estrés o mortalidad en peces, utilizando variables como el pH, la temperatura y el oxígeno disuelto, contribuyendo a la prevención de pérdidas productivas y al fortalecimiento del manejo sostenible en acuaponía tropical. Se desarrolló un enfoque experimental con datos obtenidos de un sistema acuapónico bajo condiciones controladas y estabilizadas mediante control PID. Se entrenaron y compararon diversos modelos de clasificación supervisada, incluyendo análisis discriminante lineal (LDA), máquinas de vectores de soporte (SVM), redes neuronales, redes neuronales optimizadas genéticamente (GA-FNN) y bosques aleatorios (Random Forest). La validación del desempeño se realizó mediante validación cruzada de cinco pliegues (k = 5) y pruebas de permutación de etiquetas para evaluar la robustez estadística. Los resultados muestran que varios modelos alcanzaron niveles de precisión superiores al 90 % en la clasificación de estados fisiológicos, permitiendo generar alertas tempranas con alta confiabilidad. En particular, el modelo Random Forest presentó el mejor desempeño global, con precisión cercana al 99 %, AUC ≈ 1.0 y F1-score ≈ 0.98. Se concluye que es viable desarrollar sistemas predictivos basados en inteligencia artificial capaces de anticipar estados críticos en peces, integrando datos ambientales obtenidos experimentalmente. Esta aproximación mejora la capacidad de respuesta ante fluctuaciones ambientales y constituye una herramienta robusta para el monitoreo proactivo del bienestar en sistemas acuapónicos tropicales.