Análisis de densidad de siembra óptima en el cultivo de camarón blanco del Pacífico (penaeus vannamei) mediante el modelado de algoritmo no supervisado en baja y alta salinidad Analysis of optimal stocking density in Pacific white shrimp (penaeus vannamei) farming using unsupervised algorithm modeling in low and high salinity conditions
Barra lateral del artículo
Contenido principal del artículo
Resumen
Este estudio propone un modelo innovador para optimizar la variable “Libras por Hectárea Final” que se mide en el momento de la cosecha de cultivos de camarón blanco (Penaeus vannamei), integrando técnicas de aprendizaje automático no supervisadas con análisis estadísticos de datos reales de producción. Mediante el uso de algoritmos como k-means y XGBoost, se identifican patrones y relaciones clave entre variables como densidad de siembra, salinidad, estación del año, supervivencia y crecimiento del camarón, permitiendo clasificar los sistemas productivos en clusters con diferencias significativas en rendimiento. Los resultados evidencian que la densidad óptima no es única, sino que varía según el perfil de manejo y condiciones ambientales, y que la supervivencia y el peso promedio son fundamentales para maximizar la producción. La metodología de análisis exploratorio y minería de datos CRISP-DM permitió identificar en que clusters existe eficiencia productiva y que clusters existe bajo rendimiento asociados a prácticas inadecuadas. Este enfoque basado en inteligencia artificial ofrece una herramienta objetiva y flexible para la toma de decisiones en la acuicultura, contribuyendo a la sostenibilidad y rentabilidad del sector. Así, el estudio sienta bases sólidas para futuros desarrollos y aplicaciones en el manejo inteligente del cultivo de camarón, integrando tecnologías avanzadas con conocimiento especializado para optimizar el desempeño y recursos productivos
Descargas
Detalles del artículo
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial 4.0.
Citas
Arévalo, Barucca, Téllez-León, Rodríguez, Gage, & Morales. (2022). Identifying clusters of anomalous payments in the salvadorian payment system. Latin American Journal of Central Banking, 3(1), 2-12. doi: https://doi.org/10.1016/j.latcb.2022.100050
Bakry, Alsharkawy, Farag, & Raslan. (2023). Combating Financial Crimes with Unsupervised Learning Techniques: Clustering and Dimensionality Reduction for Anti-Money Laundering. Al-Azhar Bulletin of Science., 35(1), 2-12. https://www.researchgate.net/publication/378084632
Hussein, Stewart, Sacrey, Wu, & Athale. (2021). Unsupervised machine learning using 3D seismic data applied to reservoir evaluation and rock type identification. Interpretation, 9(2), 2-12. doi: https://doi.org/10.1190/INT-2020-0108.1
Jácome, & Flores. (2022). Identificación de Clusters Espaciales de Empresas y la Influencia de Factores Externos en su Constitución. Revista Politécnica, 3(1), 2-12. doi: https://doi.org/10.33333/rp.vol50n3.0
Jang, H.-J., Kim, B., Kim, J., & Jung, S.-Y. (2018). An Efficient Grid-Based K-Prototypes Algorithm for Sustainable Decision-Making on Spatial Objects. Sustainability, 10(8), 2614. https://doi.org/10.3390/su10082614
Pandey. A. (2022). Machine Learning. International Journal for Research in Applied Science & Engineering Technology (IJRASET), 11(8), 864-869. doi: https://doi.org/10.22214/ijraset.2022.44376
Li, S., Sari, Y.A. & Kumral, M. (2020) Optimization of Mining–Mineral Processing Integration Using Unsupervised Machine Learning Algorithms. Natural Resources Research 29, 3035–3046. doi: https://doi.org/10.1007/s11053-020-09628-0
Rameshbabu, V., Vijayakumaran, C., & Edwin Prabhakar, P.B. (2023). Machine Learning. Character Lab Tips. doi: https://doi.org/10.53776/tips-gratitude-machine-learning
Saputra, M. R. U., Bhaswara, I. D., Nasution, B. I., Ern, M. A. L., Husna, N. L. R., Witra, T., Feliren, V., Owen, J. R., Kemp, D., & Lechner, A. M. (2025). Multi-modal deep learning approaches to semantic segmentation of mining footprints with multispectral satellite imagery. Remote Sensing of Environment, 318, Article 114584. https://doi.org/10.1016/j.rse.2024.114584.
Shiraj, M. M. B., Rahman, M. M., Al-Imran, M., Liza, M. Z. A., Murshed, M. M., & Akhter, N. (2024). Anomaly detection in financial time series data via mapper algorithm and DBSCAN clustering. World Journal of Advanced Engineering Technology and Sciences, 13(1), 70-84. doi: https://doi.org/10.30574/wjaets.2024.13.1.0396
Souza, A. C. A., & Silva, P. R. N. da. (2024). APLICAÇÃO DA INTELIGÊNCIA ARTIFICIAL NA ENGENHARIA DE CONFIABILIDADE E MANUTENÇÃO PREDITIVA: UM ESTUDO DE CASO NA INDÚSTRIA DE MINERAÇÃO. Revista Ibero-Americana de Humanidades, Ciências E Educação, 10(10), 3646–3659. https://doi.org/10.51891/rease.v10i10.16252
Torres Guerra, J. A., Mejía Cáceres, D., Moreyra Ramos, P., Oré Grados, J., & Oscco Barrientos, S. (2021). Geometalurgia y el futuro de la minería digital en el Perú. Revista Del Instituto De investigación De La Facultad De Minas, Metalurgia Y Ciencias geográficas, 24(47), 163-179. https://doi.org/10.15381/iigeo.v24i47.20661
Wang Y, Feng Y, Xi C, Wang B, Tang B, Geng Y. (2024) Development of an Intelligent Coal Production and Operation Platform Based on a Real-Time Data Warehouse and AI Model. Energies.; 17(20):5205. https://doi.org/10.3390/en17205205
Woźniak, R. J. (2024). Unsupervised machine learning in financial anomaly detection: clustering algorithms vs. dedicated methods. Przegląd Teleinformatyczny, 11(1), 29–46. doi: https://doi.org/10.5604/01.3001.0054.8748
Zhao, S., Zhang, S., Liu, J., Wang, H., Zhu, J., Li, D., & Zhao, R. (2021). Application of machine learning in intelligent fish aquaculture: A review. ELSEVIER, 1. https://doi.org/10.1016/j.aquaculture.2021.736724