Resumen

En el presente trabajo se busca diseñar una big data que pueda recoger una gran cantidad de datos de los sensores instalados en los estanques de producción de tilapia, que permitan generar un estadístico de análisis de la información, grafique de manera certera y que tenga la capacidad de toma de decisiones en cuanto al producto, estas características garantizarán que el producto cuente con trazabilidad y transparencia, requerimientos que vuelven a los productos competitivos en el mercado global, de tal forma que se introduzca un proceso controlado de producción, que cumpla con los requisitos de sanidad acuícola, de calidad en el producto y de eficiencia en la productividad. Además de que se desarrollará una aplicación que permita al productor contar con la información del estado del proceso desde su Smartphone, Tablet o computadora personal. Con este estudio se vislumbran nuevas oportunidades de aplicación de tecnologías, en especial aquellas que tienen que ver con la industria 4.0 y el internet de las cosas, temas nuevos en la región y que pueden ser explotados para mejor la calidad de vida de los pequeños y medianos productores.

Pregunta de Investigación

Planteamiento del Problema

La zona sur del Estado de México ha virado su actividad económica hacia el cultivo de tilapia, actualmente su cuidado se realiza de manera empírica, los estanques no cuentan con sistemas de control que monitoreen el proceso de crecimiento y engorda de la especie, de la misma forma no existe el proceso que permita asegurar la transparencia y trazabilidad del producto final. Ante este panorama se desarrolla un sistema de control y monitoreo, solamente que la recolección de datos se vuelve muy grande, ya que los tiempos de programación para la lectura de datos genera estos grandes volúmenes de información. Estos volúmenes generan que muchos sistemas de tratamiento y análisis de la información se saturen y se vuelvan más un problema que una solución, ya que se deben de resetear, no brindan la capacidad de análisis, lo que vuelve al sistema más complejo, ya que los datos deberán de ser borrados de los registros para poder procesar el dato siguiente. Esta situación genera que no se cuente con un histórico del comportamiento del proceso, lo que genera incertidumbre en cuanto a la trazabilidad del producto, de la misma forma los gráficos que se muestran son pobres en información por el tratamiento que se les brinda. Esta situación genera la inquietud de asegurar el producto mediante el desarrollo de una bigdata.

Antecedentes

La producción mundial de alimentos se estima que tendrá que duplicarse para el 2050. El desafío social de alimentar a más de 9.000 millones de personas en el mundo genera a su vez un desafío medioambiental, ya que habrá que hacerlo sin aumentar exponencialmente la cantidad de agua, tierras de cultivo, energía, uso de fertilizante utilizados para el cultivo de alimentos. Sin innovación y nuevas soluciones tecnológicas esto no será posible (Martínez Simarro, 2016).

En la actualidad, en zonas de nuestro país, el cultivo de la tilapia es realizado sin ningún tipo de control produciendo enfermedades originados por algunos factores, primero por no contar con un recambio aceptable de agua en los estanques de producción por lo que es importante mantener el hábitat del pez apropiado para su mejor desarrollo con los recambios de agua, manteniendo los niveles de oxígeno adecuados, también es importante la temperatura porque afecta directamente el ambiente en el que se desarrolla (Lagos & Mera, 2015).

Estamos viviendo un profundo cambio con la transformación digital de las producciones agrarias. A partir de la interrelación de datos, se están desarrollando servicios integrados e inteligentes, que realizan predicciones agrícolas  y de mercado y asesoran a los gestores de las producciones aportándoles toda la información disponible referente a cultivos, suelos, productos, clima, de manera que de forma anticipatoria se puedan optimizar los niveles de producción en línea con una mayor estandarización de producto acorde a demanda de mercado, minimizando el riesgo (Martínez Simarro, 2016). Condiciones meteorológicas fortuitas, plagas, enfermedades, la inestabilidad de los mercados globales, la variación de los precios e incluso las políticas gubernamentales presentan probabilidades ante las que no se conocen los resultados, pero que el sector agrícola debe encarar para asegurar el suministro de alimentos.

Las biotecnologías y tecnologías digitales amplían el concepto para llegar a la «agricultura inteligente». Así, es posible mejorar las tareas de gestión y toma de decisiones por contexto, situación y conciencia de ubicación. La agricultura inteligente es importante para enfrentar los desafíos de la producción agrícola en términos de productividad, impacto ambiental, seguridad alimentaria y sostenibilidad. La agricultura sostenible es muy relevante y está directamente relacionada con la agricultura inteligente ya que mejora la calidad ambiental y la base de recursos de la que depende la agricultura, al proporcionar las necesidades básicas de alimentos humanos. Se puede entender como un enfoque de la agricultura basado en el ecosistema, que integra las ciencias biológicas, químicas, físicas, ecológicas, económicas y sociales de una manera integral, con el fin de desarrollar prácticas seguras de agricultura inteligente que no degraden el ambiente (Permingeat, 2018).

Los sistemas agrícolas, por tanto, tienen la necesidad de mejorar su capacidad de reacción y superar circunstancias derivadas de los cambios bruscos intrínsecos a esta actividad productiva.  Soluciones capaces de integrar la cadena de valor a la que se somete un producto agrícola durante todo su ciclo de vida, asegurar la calidad del producto y la inocuidad alimentaria son hoy, una necesidad para asegurar la competitividad no solo nacional, sino internacional (Malvicino & Yoguel, 2016).

Kamilaris et. al. (2017), en un artículo de revisión, enfocan la importancia del big data agrícola como una nueva generación de prácticas diseñadas para que los agricultores y las organizaciones relacionadas puedan extraer valor económico de grandes volúmenes de datos, al permitir su captura, descubrimiento y análisis en alta velocidad.

Para enfrentar los crecientes desafíos de la producción agrícola, los complejos ecosistemas agrícolas deben entenderse mejor. Esto puede suceder por medio de tecnologías digitales modernas que monitorean continuamente el entorno físico, produciendo grandes cantidades de datos a un ritmo sin precedentes. El análisis de estos (grandes) datos permitiría a los agricultores y empresas extraer valor de ellos, mejorando su productividad. Aunque el análisis de grandes datos está llevando a avances en varias industrias, todavía no se ha aplicado ampliamente en la agricultura (Kamilaris, et al., 2017).

Este panorama vuelve, necesario, hacer uso de los nuevos sistemas de gestión del conocimiento basados en la tecnología que permiten capturar, almacenar, procesar y finalmente utilizar dichos una gran cantidad de datos. La información llega al agricultor  de  manera integral, sencilla y accesible, reduciendo así  la incertidumbre y enfocando la toma de decisiones para el éxito (Martínez Simarro, 2016). Debido a la aparición de nuevas tecnologías, dispositivos, medios de comunicación y aplicaciones, la cantidad de datos que se produce en la actualidad aumenta exponencialmente. Se considera que el 90% de los datos existentes se han generado en los últimos dos años, esto está dando lugar a la Era del Exa y ZettaByte  (Acín, et al., 2015).

Para este manejo de información, surge una herramienta importante que permite el manejo y acondicionamiento de una gran cantidad de datos, el big data o inteligencia de datos (macrodatos o datos masivos) es la próxima gran oportunidad para los productores, a medida que crece la brecha entre la creciente cantidad y complejidad de los datos disponibles y las capacidades de los sistemas de manejo en la agroindustria existentes (Thornton, 2018).

La abundancia, sin precedentes, de datos generados en los negocios de producción, desafían la capacidad de los gerentes para entenderlos y utilizarlos, pero ya hay avances tecnológicos capaces de hacer uso de las tecnologías de la blockchain (cadena de bloques) y el aprendizaje automatizado para detectar, predecir y manejar resultados sobre la salud, la eficiencia en la producción, la calidad de los productos y la seguridad alimentaria a través de la cadena de suministro.

El objetivo del análisis de datos es examinar grandes cantidades de datos con una variedad de clases, con el fin de descubrir información que sea relevante y útil para la empresa, de manera que le permita tomar las mejores decisiones y obtener ventajas competitivas en comparación con otras de su clase, migrando hacia lo que se conoce como I4.0.

Objetivo

General

Diseñar la big data para el desarrollo de un sistema de control de transparencia y trazabilidad para mejorar la calidad y la producción de la tilapia en la zona sur del Estado de México.

Específicos

• Seleccionar la tarjeta de adquisición de datos que se adapte al sistema de control.
• Generar el sistema de base de datos para adquisición, análisis y procesamiento de datos.
• Seleccionar el método estadístico de análisis de la información y los gráficos adecuados al proceso-producto.
• Desarrollar el sistema de seguimiento al pez en cuanto a crecimiento y engorda

Justificación

En la actualidad nos encontramos en los albores de la llamada cuarta revolución industrial o Industria 4.0, que se articula en torno al concepto de las denominadas empresas inteligentes, en las que máquinas y sistemas están interconectados entre sí, es la búsqueda de la adaptabilidad y de la eficiencia de los sistemas de producción. En este sentido, la información se constituye en el eje conductor de los procesos y se consigue gracias a la adquisición continua de datos mediante sensores desplegados por toda la instalación, la disponibilidad de comunicaciones de altas prestaciones, alta capacidad de almacenamiento, y procesado y análisis de los datos para convertirlos en información (Thornton, 2018). Ante esta situación la industria agropecuaria no se ha quedado en la orilla, ha evolucionado sus procesos, de tal forma que los está volviendo inteligentes, esta referencia lo hace con respecto a asegurar la transparencia y trazabilidad de los productos, así como ser competitivos a nivel nacional y global. Ha virado sus procesos a interconectarlos a la red, a poder tomar, analizar y procesar una gran cantidad de datos que permitan la mejora en la calidad del producto final.

Este proyecto busca introducir a los productores de tilapia de la zona sur del estado de México el desarrollo y aplicación de una big data, que les permita tener certeza de que el producto presentará calidad e inocuidad alimentaria, pero que pueda incrementar, al mismo tiempo, su producción, tomando la cantidad de datos necesaria que permita la toma de decisiones para mejorar la salud, disminuir plagas y enfermedades en la especie, así como alimentarlos de manera eficiente, de la misma forma que cuenten con la información del estado de su producto en su tableta, celular o lap top en tiempo real situación que los apoye a logar la competitividad en los mercados regional, nacional y global.

Hipótesis

Un sistema con la capacidad de capturar, analizar y procesar datos, permitirá elevar el  nivel de confianza del producto,  al asegurar  la trazabilidad y trasparencia de la tilapia que se produce en estanques en la zona sur del Estado de México, al desarrollar una big data que permita monitorear las 24 horas las variables: temperatura, pH, cantidad de oxígeno y alimentación;  que intervienen en el sano desarrollo de la especie y que permitan se cuente con el procesamiento en tiempo real para que el sistema tome decisiones, esta situación mejorará la salud y disminuirá la presencia de plagas y/o enfermedades, logrando disminuir la tasa de mortalidad en el estanque, e incrementando la producción de tilapia.

Método (materiales y procedimiento)

El estudio se llevará a cabo  dentro de las instalaciones de la Universidad Tecnológica del Sur del Estado de México, situado en la parte sur del Estado de México, en el Municipio de Tejupilco San Miguel Ixtapan, Km. 12 Carretera Tejupilco – Amatepec). Tejupilco (en náhuatl “Texopilco”) es uno de los 125 municipios pertenecientes al Estado de México. Cuenta con una población de 71,077 habitantes según el censo de población y vivienda 2010. Su clima varía de cálido a húmedo y a semi-cálido húmedo con lluvias en verano y con un porcentaje menor de lluvias en invierno. Varían al igual que el máximo es de 40° en verano.

El tipo de diseño de estudio que se desarrollará es del tipo experimental, en donde las variables a controlar serán la temperatura, el pH, el contenido de oxígeno y la cantidad de alimento, la toma de datos estará sujeta a un control en el tiempo, ya que existen horarios comprobados, en los que se pueden presentar graves problemas al descuidar ciertos parámetros, lo que ocasiona un alto índice en la mortandad de los peces.

El proyecto se realizarán sobre prototipo de prueba, que consta de un estanque de 3m de diámetro x una altura de 1.20m con una capacidad de 9000 litros de agua, actualmente no se cuenta con la especie, las pruebas se están realizando brindando al estanque con diferentes escalas de pH y observando que el sistema de control reaccione bajo las instrucciones establecidas, de la misma forma se está manipulando la temperatura del agua del estanque y la cantidad de oxígeno, lo cual ha permitido corregir algunos errores en el sistema de control.

Bajo estas premisas, el desarrollo de la big data se conectará con el sistema de control con el que actualmente se cuenta, mejorando algunos de los parámetros que presentan inestabilidad con el paso del tiempo, además de generar una interfaz que interactúe con el operador para hacer más sencillo su uso, y que permita la toma de decisiones de manera manual o automática.

A continuación se describen los pasos del proyecto y las actividades que involucran.

1. Rediseño de las instalaciones acuícolas a unas más adecuadas, aplicado, principalmente, a zonas tropicales. El tipo de clima presente en la zona sur del Estado de México se considera tropical subhúmedo, lo que ha dificultado el proceso de climatización, ya que las condiciones de humedad y temperatura obligan a generar controles más robustos, que aseguren el acondicionamiento de las instalaciones para el pez y la persona encargada del proceso. Se deberán de evaluar los mecanismos que se adapten a las necesidades de las condiciones físicas del estanque y del pez, recalibrando sensores y adaptando el sistema de control, así como determinar la magnitud de los datos arrojados por sensor

En esta fase del proceso resulta necesario el diseño de un alimentador automático para peces, el cual permitirá asegurar el proceso de alimentación, y disminuir el desperdicio y la alta contaminación que genera el alimento que no es consumido. Aunado a esto se debe asegurar que el alimentador no genere vibraciones que causen estrés en la especie.

2. Diseño de big data para la toma de datos. Selección de tarjeta de adquisición de datos y procesamiento más adecuada al proceso. Durante esta etapa se pretende diseñar la base de datos que permita el análisis de los datos que se reciben de los distintos sensores adaptados en el estanque, de forma que se pueda cada cierto tiempo mostrar la media aritmética de los datos para que el sistema de control inicie la toma de decisiones, de la misma forma que arroje los gráficos de control adecuados a la variable a controlar.

El algoritmo que se utilizará para poder realizar el análisis de los datos será el de machine learning, aplicado en la plataforma de ubidots, ya que presenta una gama de posibilidades de procesar y presentar la información.

3. Diseñar el sistema de monitoreo de las variables, para asegurar que la especie se está desarrollando de manera adecuada, además de asegurar que la interfaz del usuario es entendible y contiene la información necesaria para el control del proceso

Se muestra la lógica de desarrollo de la aplicación en el siguiente diagrama de flujo:

Figura 1. Diagrama de flujo para bigdata
Fuente: autoria propia

4. Diseño de la interfaz con el usuario, que permita al operador contar con los elementos necesarios para determinar el estado de salud y crecimiento del pez, en donde pueda tomar decisiones de manera manual o permitir al sistema actuar de manera automática. Se utilizará tecnología rapsberry y arduino para generar una pantalla que sea amigable para el productor y el operador.

5. Implementación del sistema de big data en el sistema de trabajo para pruebas y correcciones, generar el estadístico y compararlo con el comportamiento físico del sistema, de forma que permita medir el incremento en producción y la eficiencia del sistema, de forma que se asegure la trazabilidad y trasparencia del producto final entregado, además de ingresar a la era 4.0, en todos los aspectos productivos.

Diseño de la interfaz de comunicación que permita al productor conocer el estado de su producto en tiempo real vía comunicación Smartphone, Tablet o lap top, que pueda visualizar el estadístico, así como el estado de los sensores.

Galería Método

Resultados

Los avances que se tienen hasta el momento se presentan a continuación, en donde se presenta en la figura 2, las adecuaciones y mejoras que se tuvieron que realizar en uno de los estanques, ya que por las condiciones del clima se dañaron.

Figura 2. Mantenimiento a estanque seleccionado para pruebas
Foto tomada por Reyna Alin

De forma paralela se diseña el alimentador de peces, que cumpla con las siguientes especificaciones:

1. Que sea flexible para la economía de cualquier productor de tilapias y sea de fácil manejo, que cumpla con las necesidades de cada uno de ellos.
2. Que cumpla con los requisitos mínimos de tiempos y cantidades de alimento: considerando un suministro de alimento de 35kg se le suministrará 3% al 5% de biomasa respetando datos sugeridos para una obtención de 1 a 2 en conversión alimenticia de peces en engorda.

En las figuras 3 se muestran los diseños para el alimentador

Figura 3. Diseño del alimentador para peces
Fuente: Autoría propia (SolidWorks)

Paralelo a la construcción del diseño mecánico, se desarrolla el diseño del sistema de control, para montar en el prototipo de prueba, en donde en primer lugar define el tamaño del motor a utilizar. El principal parámetro a controlar es la velocidad del motor, de tal manera que tenga la capacidad de poder entregar la cantidad de alimento necesario a todo lo largo del diámetro del estanque, de tal manera que evite el aglutinamiento en un solo espacio de la tilapia. En la figura 4, se presenta el sistema de control a aplicar para el control de la velocidad.

Figura 4. Sistema de control de velocidad
Fuente: Autoría propia utilizando proteus

De la misma forma se cuenta con el control del peso del alimento, para monitorear el momento en el que deba de recargarse el sistema de almacenaje. Esta característica se logra utilizando una celda de carga 50kg y con un módulo  HX711 amplificador para celda de carga, que permitirá enviar la información al Bigdata desarrollado y enviar la señal de alerta al encargado de la recarga de alimento.

Con el sistema de control con el que ya se cuenta, que es el que se muestra en la figura 5, se inicia con el desarrollo de la bigdata, que permita la recolección de datos y el análisis en tiempo real de la información adquirida, para estas funciones se seleccionaron los sensores de temperatura DS18B20, Analog pH Meter SEN0161, una tarjeta Arduino Ethernet Shield, ya que ésta permite la conexión de la placa arduino a internet, a través de chip ethernet Wiznet W5100, una tarjeta Raspberry pi 3 b que actuará como el CPU del proceso, permitirá la conexión y transmisión de datos vía Ethernet, Módulo Bluetooth, Módulo de Wi-Fi b/g/n en la banda de 2.4GHz, que son los encargados de transmisión y envío de información a la plataforma Ubidots y al GUI del usuario final.

Figura 5. Sistema de control y gráficas arrojadas por este primer sistema
Fuente: autoría propia

En la figura 6 se presenta el desarrollo que se tiene en la comunicación lograda vía internet para poder monitorear el estado que guarda el proceso, es importante hacer mención que se mostrarán diferentes pantallas, teniendo la pantalla general, en donde se podrá observar el comportamiento de los sensores en el proceso, es importante hacer notar que se tendrán 3 pantallas importantes, la de dueño, en donde solamente se informará vía celular el estado de su proceso, la del encargado del proceso, que tendrá alertas para indicar cuando el proceso entre en valores fuera de rango y la del médico veterinario que dará seguimiento al estado de salud de la especie, quien tendrá alertas del sistema para indicar la acción que debe de seguirse. De la misma forma resulta importante generar una pantalla para el técnico especialista, quien será el encargado de manipular el sistema para someter a las variables a los valores necesarios según las necesidades solicitadas por el médico.

Figura 6. Variables controladas y monitoreo de las mismas
Fuente: autoria propia

En la figura 7 se muestran los gráficos que serán mostrados en el GUI del usuario, en donde resulta importante hacer notar que se toman valores cada 2 segundos, por lo que en un día de monitoreo arroja 267 páginas de datos, mismas que en un análisis normal ya hubiese saturado el sistema, mientras que utilizando machine learning el proceso se vuelve más dinámico y tiene la ventaja de que el volumen de datos obtenidos pueden ser almacenados para un análisis retrospectivo, con lo que se podrá asegurar la trazabilidad del producto y brindará transparencia al proceso.

Figura 7. Gráficos obtenidos del monitoreo en un día de trabajo
Fuente: autoría propia

En la figura 8 de presenta el modelo de tablero que será mostrado según variable de trabajo.

Figura 8. Tablero de trabajo para la variable temperatura
Fuente: autoría propia

En las imágenes de la figura 9 se muestra una galería de trabajo, en donde se puede notar el trabajo de conexiones del hardware para lograr la comunicación entre el sistema de control y el bigdata

Figura 9. Desarrollo del hardware y conexionado para la recogida de datos
Fotos tomadas por Ignacio Jaimes

De manera simultánea se desarrolla el sistema de alerta que permite al encargado resolver el problema en tiempo real, aunado a esto se hará llegar un correo con la información necesaria para la corrección de fallas físicas, no se olvide mencionar que el sistema de control está habilitados para realizar algunas correcciones y colocar los valores dentro de los rangos de trabajo, pero existen acciones que requieren la intervención directa y física, ya sea para colocar alguna sustancia al agua y balancee el pH o que tenga que colocar alimento dentro del alimentador, estas alertas se pueden observar en la figura 10.

Figura 10. Pantallas que indican la alarma y el correo enviado al usuario indicado
Fuente: autoría propia

Galería Resultados

Discusión

Es importante hacer mención que los objetivos planteados se van cumpliendo, que el sistema realmente puede almacenar una gran cantidad de datos, que se pueden graficar, que pueden ser almacenados para su posterior consulta, que al término del proceso se podrá garantizar que el producto cuenta con trazabilidad y que el proceso muestra transparencia.

Un aspecto importante de resaltar es que para que el sistema de bigdata trabaje de una forma eficiente, se requiere que la conexión a internet no falle, ya que el monitoreo continuará, pero la conexión de datos se perdería, se deberá de ejercer alguna acción para poder almacenar la información que se tenga y posteriormente pueda ser analizada, ya que durante el proceso de prueba, en algunas ocasiones se ha perdido la conexión, ya que la región sufre de estos graves problemas. Una posible solución es solicitar que el lugar en donde se vaya a instalar este sistema cuenta con su propia antena satelital, que le asegure una conexión a internet de manera continua.

Conclusiones

Por otro lado el monitoreo que se ha realizado es que desde un cubículo se está monitoreando el estado del proceso, mientras que el estanque se encuentra a unos 300m de distancia, lo que está permitiendo valorar la eficiencia del sistema, ya que se toman datos en el lugar del proceso y se comparan contra los obtenidos por la bigdata, no existe variación, mientras que se asegure que hay internet.

Por lo tanto, las pantallas son amigables, ya que se han puesto a disposición de diferentes profesores, alumnos y personas en general y resultan ser bastante entendibles, los mensajes de alerta que se envían vía correo electrónico brindan la certeza del proceso.

Actualmente no se está trabajando con especies, ya que el desarrollo requiere un primer montaje y monitoreo, en una segunda fase se espera trabajar con el sistema ya con peces en el estanque.

Una de las variables más complejas de monitorear y controlar es el pH, ya que es muy sensible a variar sus rangos de trabajo, mientras que el alimentador ha presentado algunos detalles mecánicos, ya que las vibraciones que emite están fuera del rango permitido para que la especie no se estrese, situación que no mejoraría el proceso, por lo que se deben de generar una solución mecánica que absorba lo mayor posible esta situación.

Es importante hacer notar que contar con un bigdata de un proceso permite asegurar la etapa, el estado, los problemas, y un sinnúmero de situaciones que permiten la correcta toma de decisiones para poder asegurar que un producto cuenta con trazabilidad y transparencia.

Analizar grandes volúmenes de información, es ya, una necesidad no un lujo, ya que la era de la I4.0 ha llegado para solicitar que en todo momento, un proceso pueda ser visualizado, determinando el estado en el que se encuentra, de la misma forma se pueden personalizar productos de una forma más simple, al contar con una serie de información que permita brindar seguridad al consumidos y que se cumplan con las expectativas, aunque es importante mencionar que el manejo de grandes cantidades de datos es posible gracias a desarrollos como el machine learning o el cloud learning, ya que almacenan, analizan y presentan los resultados de una manera estructurada y clara.

Bibliografía

Acín, y otros, (2015). Architectures and methodologies for future deployment of multi-site Zettabyte-Exascale data handling platforms. In Journal of Physics: Conference Series, 664(4).

Domene, A. (2018). https://futurizable.com. [En línea]
Available at: https://futurizable.com/big-data-agro/
[Último acceso: 15 02 2019].

FAO, (2015). Respondiendo ante la “Revolución Pecuaria” , México: Subdirección de Información Ganadera y De Análisis y Política del Sector Dirección de Producción y Sanidad Animal .

Instituto Nacional de Economía Social, (2018). www.gob.mx. [En línea]
Available at: https://www.gob.mx/inaes/es/articulos/acuicultura-historia-y-actualidad-en-mexico?idiom=es
[Último acceso: 11 junio 2019].

Kamilaris, A., Kartakoullis, A. & Prenafeta-Boldú, F. X., (2017). A review on the practice of big data analysis in agriculture. Computers and Electronics in Agriculture, Issue 143, pp. 23-37.

Malvicino, F. & Yoguel, G., (2016). Big data. avances recientes a nivel internacional y perspectivas para el desarrollo local. Buenos Aires: CIECTI.

Martínez Simarro, D., (2016). https://www.ainia.es/tecnoalimentalia/. [En línea]
Available at: https://www.ainia.es/tecnoalimentalia/tecnologia/big-data-y-agricultura-de-precision-como-reducir-los-riesgos-en-la-produccion-de-alimentos-agropecuarios/
[Último acceso: 04 02 2019].

Permingeat, H., (2018). www.aapresid.org.a. [En línea]
Available at: http://www.aapresid.org.ar/blog/la-agricultura-que-se-avecina-es-cada-vez-mas-inteligente/
[Último acceso: 11 06 2019].

Serrano, E., (2018). www.agrointeligencia.com. [En línea]
Available at: https://www.agrointeligencia.com/big-data-agricultura-enrique-serrano/
[Último acceso: 11 06 2019].

Thornton, G., (2018). https://www.industriaavicola.net/. [En línea]
Available at: https://www.industriaavicola.net/manejo-produccion-y-equipo/como-aprovechar-el-big-data-en-la-produccion-avicola/
[Último acceso: 06 02 2019].

Vega Villasante, F., (2009). Acuicultura de tilapia a pequeña escala para autoconsumo de familias rurales y periurbanas de la costa del pacífico. Primera ed. Puerto Vallarta, Jalisco, México: Universidad de Guadalajara.

Summary

In the present work we seek to design a big data that can collect a large amount of data from the sensors installed in the tilapia production ponds, which allow to generate a statistical analysis of the information, graph accurately and that has the capacity of decision-making regarding the product, these characteristics will ensure that the product has traceability and transparency, requirements that return to competitive products in the global market, so that a controlled production process is introduced, which meets the requirements aquaculture health, product quality and productivity efficiency. In addition to that an application will be developed that allows the producer to have information on the status of the process from their Smartphone, Tablet or personal computer. With this study, new opportunities for the application of technologies are envisioned, especially those that have to do with industry 4.0 and the internet of things, new issues in the region and that can be exploited to improve the quality of life of children and medium producers.

Research Question

Problem approach

The southern part of the State of Mexico has turned its economic activity towards the cultivation of tilapia, currently its care is carried out empirically, the ponds do not have control systems that monitor the growth and fattening process of the species, of the same There is no process to ensure transparency and traceability of the final product. Given this panorama, a control and monitoring system is developed, only that the data collection becomes very large, since the programming times for reading data generates these large volumes of information. These volumes generate that many information processing and analysis systems become saturated and become more of a problem than a solution, since they must be reset, they do not provide the capacity for analysis, which makes the system more complex, since the data must be deleted from the records in order to process the following data. This situation means that there is no history of the behavior of the process, which creates uncertainty regarding the traceability of the product, in the same way the graphs shown are poor in information due to the treatment provided. This situation generates the concern of securing the product by developing a bigdata.

Background

World food production is estimated to have to double by 2050. The social challenge of feeding more than 9,000 million people in the world in turn creates an environmental challenge, since it will have to be done without exponentially increasing the amount of water , farmland, energy, use of fertilizer used for food cultivation. Without innovation and new technological solutions this will not be possible (Martínez Simarro, 2016).

At present, in areas of our country, the cultivation of tilapia is carried out without any control producing diseases caused by some factors, first because it does not have an acceptable replacement of water in the production ponds, so it is important to maintain the habitat of the appropriate fish for its best development with water changes, maintaining adequate oxygen levels, temperature is also important because it directly affects the environment in which it develops (Lagos & Mera, 2015).

We are living a profound change with the digital transformation of agricultural productions. Based on the interrelation of data, integrated and intelligent services are being developed, which make agricultural and market predictions and advise production managers by providing them with all available information regarding crops, soils, products, climate, so that In advance, production levels can be optimized in line with greater product standardization according to market demand, minimizing risk (Martínez Simarro, 2016). Casual weather conditions, pests, diseases, instability of global markets, price variation and even government policies are likely to be unknown, but that the agricultural sector must face to ensure food supplies.

Biotechnologies and digital technologies extend the concept to reach “smart agriculture.” Thus, it is possible to improve management and decision-making tasks by context, situation and location awareness. Smart agriculture is important to meet the challenges of agricultural production in terms of productivity, environmental impact, food security and sustainability. Sustainable agriculture is very relevant and directly related to smart agriculture as it improves the environmental quality and resource base on which agriculture depends, by providing basic human food needs. It can be understood as an ecosystem-based approach to agriculture, which integrates the biological, chemical, physical, ecological, economic and social sciences in a comprehensive manner, in order to develop safe practices of intelligent agriculture that do not degrade the environment ( Permingeat, 2018).

Agricultural systems, therefore, have the need to improve their capacity to react and overcome circumstances arising from the sudden intrinsic changes to this productive activity. Solutions capable of integrating the value chain to which an agricultural product is subjected throughout its life cycle, ensuring product quality and food safety are today, a necessity to ensure competitiveness not only national, but international (Malvicino & Yoguel, 2016).

Kamilaris et. to the. (2017), in a review article, they focus on the importance of agricultural big data as a new generation of practices designed so that farmers and related organizations can extract economic value from large volumes of data, by allowing their capture, discovery and analysis in high speed.

To face the growing challenges of agricultural production, complex agricultural ecosystems must be better understood. This can happen through modern digital technologies that continuously monitor the physical environment, producing large amounts of data at an unprecedented rate. The analysis of these (large) data would allow farmers and companies to extract value from them, improving their productivity. Although the analysis of large data is leading to advances in several industries, it has not yet been widely applied in agriculture (Kamilaris, et al., 2017).

This panorama makes it necessary, to make use of the new knowledge management systems based on technology that allow capturing, storing, processing and finally using such a large amount of data. The information reaches the farmer in a comprehensive, simple and accessible way, thus reducing uncertainty and focusing decision-making for success (Martínez Simarro, 2016). Due to the emergence of new technologies, devices, media and applications, the amount of data that is produced today increases exponentially. It is considered that 90% of the existing data has been generated in the last two years, this is giving rise to the Era of Exa and ZettaByte (Acín, et al., 2015).

For this information management, an important tool emerges that allows the handling and conditioning of a large amount of data, big data or data intelligence (big data or massive data) is the next great opportunity for producers, as the Gap between the increasing amount and complexity of the available data and the capabilities of existing agribusiness management systems (Thornton, 2018).

The unprecedented abundance of data generated in production businesses challenges managers’ ability to understand and use them, but there are already technological advances capable of making use of blockchain technologies and automated learning. to detect, predict and manage results on health, production efficiency, product quality and food safety throughout the supply chain.

The objective of the data analysis is to examine large amounts of data with a variety of classes, in order to discover information that is relevant and useful for the company, so that it allows you to make the best decisions and gain competitive advantages compared to others of its class, migrating towards what is known as I4.0.

Objective

General

Design big data for the development of a transparency and traceability control system to improve the quality and production of tilapia in the southern part of the State of Mexico.

Specific

• Select the data acquisition card that suits the control system.
• Generate the database system for data acquisition, analysis and processing.
• Select the statistical method of information analysis and the appropriate graphics for the product-process.
• Develop the fish tracking system in terms of growth and fattening

Justification

Currently we are at the dawn of the so-called fourth industrial revolution or Industry 4.0, which is articulated around the concept of the so-called intelligent companies, in which machines and systems are interconnected, is the search for adaptability and The efficiency of production systems. In this sense, the information becomes the driving axis of the processes and is achieved thanks to the continuous acquisition of data through sensors deployed throughout the installation, the availability of high-performance communications, high storage capacity, and processing and analysis. of data to turn it into information (Thornton, 2018). Faced with this situation, the agricultural industry has not remained on the shore, its processes have evolved, in such a way that it is making them intelligent, this reference is done with respect to ensuring the transparency and traceability of the products, as well as being competitive at the level National and global. It has turned its processes to interconnect them to the network, to be able to take, analyze and process a large amount of data that allow the improvement in the quality of the final product.

This project seeks to introduce tilapia producers in the southern part of the state of Mexico the development and application of a big data, which allows them to be certain that the product will present food quality and safety, but that it can increase, at the same time, its production, taking the necessary amount of data that allows decision making to improve health, reduce pests and diseases in the species, as well as feed them efficiently, in the same way that they have the information on the status of their product in your tablet, cell phone or lap top in real time situation that supports them to achieve competitiveness in regional, national and global markets.

Hypothesis

A system with the ability to capture, analyze and process data, will raise the level of product confidence, by ensuring the traceability and transparency of tilapia that occurs in ponds in the southern part of the State of Mexico, by developing a big data that allows the variables to be monitored 24 hours a day: temperature, pH, amount of oxygen and food; that intervene in the healthy development of the species and that allow for real-time processing for the system to make decisions, this situation will improve health and decrease the presence of pests and / or diseases, managing to reduce the mortality rate in the pond, and increasing the production of tilapia.

Method (materials and procedure)

The study will be carried out within the facilities of the Technological University of the South of the State of Mexico, located in the southern part of the State of Mexico, in the Municipality of Tejupilco San Miguel Ixtapan, Km. 12 Carretera Tejupilco – Amatepec). Tejupilco (in Nahuatl “Texopilco”) is one of the 125 municipalities belonging to the State of Mexico. It has a population of 71,077 inhabitants according to the 2010 population and housing census. Its climate varies from warm to humid and to semi-warm humid with rains in summer and with a lower percentage of rains in winter. They vary as the maximum is 40 ° in summer.

The type of study design that will be developed is of the experimental type, where the variables to be controlled will be temperature, pH, oxygen content and quantity of food, data collection will be subject to time control, since there are proven schedules, in which serious problems can occur when neglecting certain parameters, which causes a high rate of fish mortality.

The project will be carried out on a test prototype, consisting of a 3m diameter x 1.20m height tank with a capacity of 9000 liters of water, the species is currently not available, the tests are being carried out by providing the pond with different pH scales and observing that the control system reacts under the established instructions, in the same way the temperature of the pond water and the amount of oxygen is being manipulated, which has allowed some errors in the control system to be corrected.

Under these premises, the development of big data will be connected to the control system currently available, improving some of the parameters that show instability over time, in addition to generating an interface that interacts with the operator to do easier to use, and that allows decision making manually or automatically.

The steps of the project and the activities they involve are described below.

1. Redesign of aquaculture facilities to more appropriate ones, mainly applied to tropical areas. The type of climate present in the southern part of the State of Mexico is considered sub-humid tropical, which has hindered the air conditioning process, since the humidity and temperature conditions oblige to generate more robust controls, which ensure the conditioning of the facilities for the fish and the person in charge of the process. The mechanisms that adapt to the needs of the physical conditions of the pond and the fish should be evaluated, recalibrating sensors and adapting the control system, as well as determining the magnitude of the data thrown by sensor

In this phase of the process it is necessary to design an automatic fish feeder, which will ensure the feeding process, and reduce waste and high pollution generated by food that is not consumed. In addition to this it must be ensured that the feeder does not generate vibrations that cause stress in the species.

2. Big data design for data collection. Selection of data acquisition card and processing more appropriate to the process. During this stage it is intended to design the database that allows the analysis of the data that is received from the different sensors adapted in the pond, so that the arithmetic mean of the data can be shown from time to time so that the control system Start the decision-making process, in the same way that you throw the appropriate control charts to the variable to be controlled.

The algorithm that will be used to perform the data analysis will be machine learning, applied in the ubidots platform, since it presents a range of possibilities to process and present the information.

3. Design the system for monitoring variables, to ensure that the species is developing properly, in addition to ensuring that the user interface is understandable and contains the information necessary for process control

The application development logic is shown in the following flowchart:

Figure 1. Flow chart for big data
Source: own authorship

4. Design of the user interface, which allows the operator to have the necessary elements to determine the state of health and growth of the fish, where it can make decisions manually or allow the system to act automatically. Rapsberry and Arduino technology will be used to generate a screen that is friendly to the producer and operator.

5. Implementation of the big data system in the work system for tests and corrections, generate the statistic and compare it with the physical behavior of the system, so as to measure the increase in production and the efficiency of the system, so as to ensure the traceability and transparency of the final product delivered, in addition to entering the 4.0 era, in all productive aspects.

6. Design of the communication interface that allows the producer to know the status of their product in real time via Smartphone, Tablet or lap top communication, which can visualize the statistic, as well as the status of the sensors.

Method Gallery

Results

The advances that have been made so far are presented below, where it is presented in Figure 2, the adjustments and improvements that had to be made in one of the ponds, since due to weather conditions they were damaged.

Figure 2. Pond maintenance selected for testing
Photo taken by Reyna Alin

In parallel, the fish feeder is designed, which meets the following specifications:

1. That is flexible for the economy of any producer of tilapia and is easy to handle, that meets the needs of each of them.
2. That it meets the minimum requirements for feed times and quantities: considering a 35kg feed supply, 3% to 5% of biomass will be supplied respecting suggested data for obtaining 1 to 2 in feed conversion of fattening fish.

The designs for the feeder are shown in figures 3

Figure 3. Fish feeder design
Source: Authorship (SolidWorks)

Parallel to the construction of the mechanical design, the control system design is developed, to be mounted on the test prototype, where it first defines the size of the motor to be used. The main parameter to control is the speed of the engine, in such a way that it has the capacity to be able to deliver the necessary amount of food throughout the diameter of the pond, in such a way that it avoids the agglutination in a single space of the tilapia. In figure 4, the control system to be applied for speed control is presented.

Figure 4. Speed ​​control system
Source: Authorship using Proteus

In the same way there is control of the weight of the food, to monitor the moment in which the storage system should be recharged. This feature is achieved using a 50kg load cell and with an HX711 amplifier module for load cell, which will allow the information to be sent to the developed Bigdata and send the alert signal to the food recharge manager.
With the control system that is already available, which is the one shown in Figure 5, it begins with the development of the bigdata, which allows data collection and real-time analysis of the information acquired, to These functions were selected the DS18B20 temperature sensors, Analog pH Meter SEN0161, an Arduino Ethernet Shield card, since this allows the connection of the arduino board to the internet, via Wiznet W5100 ethernet chip, a Raspberry pi 3 b card that will act as the process CPU, it will allow the connection and transmission of data via Ethernet, Bluetooth Module, Wi-Fi Module b / g / n in the 2.4GHz band, which are responsible for transmitting and sending information to the Ubidots platform and to the end user’s GUI.

Figure 5. Control system and graphs thrown by this first system
Source: Authorship

Figure 6 shows the development of communication achieved via the Internet in order to monitor the state of the process, it is important to mention that different screens will be shown, having the general screen, where you can observe the behavior of the sensors in the process, it is important to note that there will be 3 important screens, the owner, where only the status of your process, that of the process manager, will be informed via cell phone, which will have alerts to indicate when the process enters out-of-range values ​​and that of the veterinarian who will monitor the health status of the species, who will have system alerts to indicate the action to be taken. In the same way it is important to generate a screen for the specialist technician, who will be in charge of manipulating the system to subject the variables to the necessary values ​​according to the needs requested by the doctor.

Figure 6. Controlled variables and their monitoring
Source: own authorship

Figure 7 shows the graphs that will be displayed in the user’s GUI, where it is important to note that values are taken every 2 seconds, so that in one day of monitoring it yields 267 pages of data, same as in an analysis Normally, the system would have already saturated, while using machine learning the process becomes more dynamic and has the advantage that the volume of data obtained can be stored for retrospective analysis, which will ensure traceability of the product and provide transparency to the process

Figure 7. Graphs obtained from monitoring in one work day
Source: Authorship

In figure 8 of presents the model of board that will be shown according to variable of work.

Figure 8. Worktable for the temperature variable
Source: Authorship

In the images of figure 9 a work gallery is shown, where you can notice the work of hardware connections to achieve communication between the control system and the bigdata.

Figure 9. Hardware development and connection for data collection
Photos taken by Ignacio Jaimes

Simultaneously the alert system is developed that allows the person in charge to solve the problem in real time, in addition to this an email will be sent with the necessary information for the correction of physical failures, do not forget to mention that the control system is enabled to make some corrections and place the values within the working ranges, but there are actions that require direct and physical intervention, either to place some substance in the water and balance the pH or to have to place food inside the feeder, these alerts they can be seen in figure 10.

Figure 10. Screens that indicate the alarm and the email sent to the indicated user
Source: Authorship

Results Gallery

Discussion

Conclusions

On the other hand the monitoring that has been carried out is that from a cubicle the state of the process is being monitored, while the pond is about 300m away, which is allowing to assess the efficiency of the system, since data is taken in the place of the process and are compared against those obtained by the bigdata, there is no variation, while ensuring that there is internet.

Therefore, the screens are friendly, since they have been made available to different teachers, students and people in general and turn out to be quite understandable, the alert messages that are sent via email provide the certainty of the process.

Currently there is no work with species, since the development requires a first assembly and monitoring, in a second phase it is expected to work with the system already with fish in the pond.

One of the most complex variables to monitor and control is the pH, since it is very sensitive to vary its working ranges, while the feeder has presented some mechanical details, since the vibrations it emits are outside the allowed range so that the species is not stressed, a situation that would not improve the process, so they must generate a mechanical solution that absorbs this situation as much as possible.

It is important to note that having a bigdata of a process ensures the stage, status, problems, and countless situations that allow the correct decision-making to ensure that a product has traceability and transparency.

Analyzing large volumes of information is already a necessity, not a luxury, since the era of I4.0 has arrived to request that at all times, a process can be visualized, determining the state in which it is located, of the In the same way, products can be customized in a simpler way, by having a series of information that allows to provide security to the consumers and that meet expectations, although it is important to mention that the handling of large amounts of data is possible thanks to developments such as machine learning or cloud learning, since they store, analyze and present the results in a structured and clear way.

Bibliography

Acín, y otros, (2015). Architectures and methodologies for future deployment of multi-site Zettabyte-Exascale data handling platforms. In Journal of Physics: Conference Series, 664(4).

Domene, A. (2018). https://futurizable.com. [En línea]
Available at: https://futurizable.com/big-data-agro/
[Último acceso: 15 02 2019].

FAO, (2015). Respondiendo ante la “Revolución Pecuaria” , México: Subdirección de Información Ganadera y De Análisis y Política del Sector Dirección de Producción y Sanidad Animal .

Instituto Nacional de Economía Social, (2018). www.gob.mx. [En línea]
Available at: https://www.gob.mx/inaes/es/articulos/acuicultura-historia-y-actualidad-en-mexico?idiom=es
[Último acceso: 11 junio 2019].

Kamilaris, A., Kartakoullis, A. & Prenafeta-Boldú, F. X., (2017). A review on the practice of big data analysis in agriculture. Computers and Electronics in Agriculture, Issue 143, pp. 23-37.

Malvicino, F. & Yoguel, G., (2016). Big data. avances recientes a nivel internacional y perspectivas para el desarrollo local. Buenos Aires: CIECTI.

Martínez Simarro, D., (2016). https://www.ainia.es/tecnoalimentalia/. [En línea]
Available at: https://www.ainia.es/tecnoalimentalia/tecnologia/big-data-y-agricultura-de-precision-como-reducir-los-riesgos-en-la-produccion-de-alimentos-agropecuarios/
[Último acceso: 04 02 2019].

Permingeat, H., (2018). www.aapresid.org.a. [En línea]
Available at: http://www.aapresid.org.ar/blog/la-agricultura-que-se-avecina-es-cada-vez-mas-inteligente/
[Último acceso: 11 06 2019].

Serrano, E., (2018). www.agrointeligencia.com. [En línea]
Available at: https://www.agrointeligencia.com/big-data-agricultura-enrique-serrano/
[Último acceso: 11 06 2019].

Thornton, G., (2018). https://www.industriaavicola.net/. [En línea]
Available at: https://www.industriaavicola.net/manejo-produccion-y-equipo/como-aprovechar-el-big-data-en-la-produccion-avicola/
[Último acceso: 06 02 2019].

Vega Villasante, F., (2009). Acuicultura de tilapia a pequeña escala para autoconsumo de familias rurales y periurbanas de la costa del pacífico. Primera ed. Puerto Vallarta, Jalisco, México: Universidad de Guadalajara.