Development of machine learning models for the prediction of dissolved oxygen in aquaculture 4.0

Abstract

O mundo enfrenta o problema de alimentar uma população crescente, que chegará a mais de 9 bilhões de pessoas até 2050. Desta forma, existe a necessidade do desenvolvimento de atividades que promovam a produção de alimentos, nas dimensões da sustentabilidade (social, técnicoeconômica, e ambiental). Neste contexto destacam-se os sistemas de IoT voltados à aquicultura 4.0, que possibilitam o cultivo de altas produções por unidade de volume, com baixo impacto ambiental. Entretanto, esses sistemas precisam ser extremamente controlados, necessitando de sensores para realização de leituras em tempo real das métricas da água, com destaque para o sensor de oxigênio dissolvido (OD), que desempenha um papel essencial na determinação da qualidade e quantidade de “habitat” disponível para os organismos presentes no sistema. Mesmo com essa importância, esse sensor é muitas vezes não utilizado, devido a seu alto custo associado. Como solução alternativa para este problema, foram propostos modelos de aprendizagem de máquina para a predição do OD, e que utilizam as leituras da temperatura e do pH como entradas. Foram realizados experimentos comparando diferentes técnicas de escalonamento de dados e o desempenho da predição em diferentes estações do ano e foram utilizadas métricas de regressão para avaliação dos modelos implementados. Os resultados mostraram que o modelo LSTM proposto pode realizar predições OD e ser aplicado em sistemas de IoT e aqüicultura 4.0.