Resumen de tesis doctoral

 

Diagnóstico y predicción del hábitat en la camaronicultura

 

Assessment and Prediction of Water Quality in Shrimp Culture

 

José Juan Carbajal Hernández y Luis Pastor Sánchez Fernández

 

Centro de Investigación en Computación, Instituto Politécnico Nacional, México. jcarbajalh@cic.ipn.mx, lsanchez@cic.ipn.mx

 

Article received on 23/03/2012;
accepted on 02/03/2013.

 

Resumen

La calidad del agua puede ser evaluada directamente mediante pruebas de toxicidad y efectos negativos generados por los parámetros del agua, proporcionando un indicador de calidad del agua en estanques de cultivo de camarón. En este trabajo de tesis, se proponen tres modelos para el diagnóstico de la calidad del agua: Un modelo para el análisis instantáneo, un segundo para el análisis histórico y finalmente, un tercero para predecir la calidad del agua. Los parámetros de la calidad del agua son evaluados individualmente mediante un índice (gamma), determinando su impacto negativo y sus posibles consecuencias en el organismo. Mediante un sistema de inferencia difusa se evalúan aquellas situaciones negativas en el ecosistema, proporcionando dos índices de la calidad del agua: IWQI para diagnóstico instantáneo y HWQI para diagnóstico de un conjunto de mediciones. Asimismo, un modelo autorregresivo (AR) es empleado para predecir valores de los parámetros de calidad del agua, que a su vez, son evaluados por el sistema de inferencia difusa proporcionando un índice predictivo de calidad del agua (PWQI). Comparaciones de los modelos propuestos contra índices de la calidad del agua publicados en recientes investigaciones y por organismos internacionales, permiten resaltar la eficiencia y buen funcionamiento de nuestro modelo.

Palabras clave: Calidad del agua, sistema de inferencia difusa, procesamiento de señales, modelos autorregresivos.

 

Abstract

Diagnosis of water quality can be accessed through toxicity tests and by analyzing the negative effects of water quality parameters. Such diagnosis provides an indicator of the condition of the shrimp ecosystem. In this research, three models for water quality diagnosis were proposed: first, a model for immediate assessment, second, a model for historical evaluation and third, a model for prediction of water quality. We evaluated water quality parameters by their negative ecological impacts using a new index (gamma). A fuzzy inference system assessed each harmful situation presented in the pond, providing a final index of water quality: IWQI for immediate measurements and HWQI for a set of measurements. An autoregressive model (AR) was used for predicting values of each water quality parameter; these values were assessed by the proposed fuzzy inference system, establishing a predictive water quality index (PWQI). Comparisons of our models against classical models in the literature show good performance of the algorithms proposed in this work.

Keywords: Water quality, fuzzy inference system, pattern processing, autoregressive models.

 

DESCARGAR ARTÍCULO EN FORMATO PDF

 

Referencias

1. [ABS] Australian Bureau of Statistics. 2003. A Guide to Interpreting Time Series -Monitoring Trends.         [ Links ]

2. Arredondo, J.L. & Ponce, J.T. (1998). Calidad Del Agua en Acuacultura. México, DF: AGT Editor.         [ Links ]

3. Becerra, M.I.S., Iano, Y., & Tarumoto, M.H. (2008). Evaluating some Yule-Walker Methods with the maximum-likelihood estimator for the spectral ARMA model. Tendências em Matemática Aplicada e Computacional 9(2), 175-184.         [ Links ]

4. Bell, T.A. (1992). Principles of shrimp culture chemotherapy. Proceedings of the Special Session on Shrimp Farming. Baton Rouge, Louisiana, 227-237.         [ Links ]

5. Bishoi, B., Prakash, A., & Jain, V.K. (2009). A Comparative Study of Air Quality Index Based on Factor Analysis and US-EPA Methods for an Urban Environment. Aerosol and Air Quality Research, 9(1), 1-17.         [ Links ]

6. Boyd, C. (1989). Water Quality Management and Aeration in Shrimp Farming (Fisheries and allied aquaculture departmental. Series N° 2). Auburn, Alabama: Alabama Agricultural Experiments Stations.         [ Links ]

7. Boyd, C.E. & Musig, Y. (1992). Shrimp pond effluents: observations of the nature of the problem on commercial farms. Proceedings of the Special Session on Shrimp Farming. Baton Rouge, Louisiana, 195-197.         [ Links ]

8. Brockwell, P.J. & Davis, R.A. (1996). Introduction to Time Series and Forecasting. New York: Springer.         [ Links ]

9. Canadian Council of Ministers of the Environment. (2007). An assessment of the application and testing of the water quality index of the Canadian Council of Ministers of the Environment for selected water bodies in Atlantic Canada. National indicators and reporting office. Retrieved from http://www.ec.gc.ca/soerree/N.         [ Links ]

10. Chatfield, C. (2004). The Analysis of Time Series: An Introduction (6th edition). Boca Raton, FL: Chapman & Hall/CRC.         [ Links ]

11. Chien, Y. (1992). Water quality requeriments and management for marine shrimp culture. Proceedings of the Special Session on Shrimp Farming. Baton Rouge, LA, 144-156.         [ Links ]

12. Chow, M.Y. (1997). Methodologies of using neural network and fuzzy logic technologies for motor incipient fault detection. Singapore: World Scientific.         [ Links ]

13. Centro de Investigaciones Biológicas. [Accessed in August, 2007]. Retrieved from www.cibnor.mx        [ Links ]

14. de la Fuente, D. & García, D.F. (1988). Modelado de series temporales con métodos en bloque y recursivos. Desarrollo de estimadores y predictores adaptativos. Questiió 12(3), 281 -313.         [ Links ]

15. Dijkhof, W. & Wensik, E. (2000). Small sample statistics of the Yule-Walker method for autoregressive parameter estimation. 10^th European Signal Processing Conference. Tampere, Finlande, 1277-1280.         [ Links ]

16. Ferreira, N.C., Bonetti, C., & Seiffert, W.Q. (2011). Hydrological and Water Quality Indices as management tools in marine shrimp culture. Aquaculture, 318 (3-4), 425-433.         [ Links ]

17. Fontenot, Q., Bonvillain, C., Kilgen, M., & Boopathy, R. (2007). Effects of temperature, salinity, and carbon: nitrogen ratio on sequencing batch reactor treating shrimp aquaculture wastewater. Bioresource Technology, 98(9), 1700-1703.         [ Links ]

18. Gutiérrez, J.D., Riss, W., & Ospina, R. (2004). Lógica difusa como herramienta para la bioindicación de la calidad del agua con macroinvertebrados acuáticos en la sabana de Bogotá-Colombia. Caldasia, 26(1), 161-172.         [ Links ]

19. Gutiérrez, J.D., Riss, W., & Ospina, R. (2006). Bioindicación de la Calidad del Agua en la Sabana de Bogota-Colombia, Mediante la Utilización de la Lógica Difusa Neuroadaptativa como Herramienta. Caldasia, 28(1), 45- 56.         [ Links ]

20. Hernández-Ayón, J.M., Zirino, A., Marinone, S.G., Canino-Herrera, R., & Galindo-Bect, M.S. (2003). PH-density relationship in seawater. Ciencias Marinas, 29(4), 497-508.         [ Links ]

21. Hirono, Y. (1992). Current practices of water quality management in shrimp farming and their limitations. Proceedings of the Special Session on Shrimp Farmin,. Baton Rouge, LA.         [ Links ]

22. Instituto Nacional de Ecología (2000). La calidad del agua en los ecosistemas costeros de México.         [ Links ]

23. Kenneth, H. (1998). Water Quality Prediction and Probability Network Models. Canadian Journal of Fisheries and Aquatic Sciences, 56(7), 11501158.         [ Links ]

24. Kenney, J.F. & Keeping, E.S. (1954). Mathematics of statistics (3^rd ed.). New York: Van Nostrand Company.         [ Links ]

25. Li, Y., Li, J., & Wang, O. (2006). The effects of dissolved oxygen concentration and stocking density on growth and non-specific immunity factors in Chinese shrimp, Fenneropenaeus chinensis. Aquaculture, 256(1), 608-616.         [ Links ]

26. Lin, J.Y., Cheng, C.T., & Chau, K.W. (2006). Using support vector machines for long-term discharge prediction. Hydrological Sciences Journal, 51(4), 599-612.         [ Links ]

27. Martínez, L.R. (1999). Cultivo de Camarones Peneidos, principios y prácticas. México, D.F.: AGT Editor.         [ Links ]

28. Muttil, N. & Chau, K.N. (2006). Neural network and genetic programming for modeling coastal algal blooms. International Journal of Environment Pollution, 28(3-4), 223-238.         [ Links ]

29. NSF International. [Accessed August 2007].Retrieved from http://www.nsf.org.         [ Links ]

30. Ocampo-Duque, W., Ferré-Huguet, N., Domingo, J.L., & Schuhmacher, M. (2006). Assesing water quality in rivers with fuzzy inference systems: A case study. Environment International, 32(6), 733-742.         [ Links ]

31. Páez, F. 2001. Camaronicultura y Medio Ambiente, Instituto de Ciencias del mar y Limnología, UNAM, México 271-298.         [ Links ]

32. Riss, W., Ospina, R., & Rodríguez, J.D. (2002). Establecimiento de Valores de Bioindicación para Macroinvertebrados Acuáticos de la Sabana de Bogotá. Caldasia, 24(1), 135-156.         [ Links ]

33. Que Establece los Limites Maximos Permisibles de Contaminantes en las Descargas de Aguas Residuales en Aguas y Bienes Nacionales, NOM-001-ECOL-1996.         [ Links ]

34. Shumway, R.H., & Stoffer, D.S. (2000). Time Series Analysis and Its Applications. New York: Springer.         [ Links ]

35. Soler, V. (2007). Lógica Difusa Aplicada a Conjuntos Imbalanceados: Aplicación a la Detección del Síndrome de Down, Universitat Autónoma de Barcelona, Tesis Doctoral, Barcelona, España.         [ Links ]

36. Yáñez-Marquez, C., López-Yañez, I., Saenz, G. (2008). Analysis and prediction of air quality data with the gamma classifier. Progress in Pattern Recognition, Image Analysis and Applications. Lecture Notes in Computer Science, 5197, 651 -658.         [ Links ]

 

Nota

Report on PhD thesis. Graduated: José Juan Carbajal Hernández, Advisor: Luis Pastor Sánchez Fernández. Graduation date: 28/07/2010.