����������������������������������������������������������������������������������

 

 

Redes IoT e Inteligencia Artificial para Monitoreo Ambiental y Automatizaci�n de Camaroneras en Isla Manglecito

 

IoT Networks and Artificial Intelligence for Environmental Monitoring and Automation of Shrimp Farms on Manglecito Island

 

Redes IoT e Intelig�ncia Artificial para Monitoriza��o Ambiental e Automa��o de Explora��es de Camar�o na Ilha de Manglecito

 

 

 

 

 

 

 

 

 

 

Correspondencia: luis.ruedarodriguez2051@upse.edu.ec

 

Ciencias T�cnicas y Aplicadas

Art�culo de Investigaci�n

 

* Recibido: 26 de septiembre de 2025 *Aceptado: 14 de octubre de 2025 * Publicado: �18 de noviembre de 2025

 

       I.          Universidad Estatal Pen�nsula de Santa Elena, Ecuador.

     II.          Universidad Estatal Pen�nsula de Santa Elena, Ecuador.

 

Resumen

Las camaroneras en zonas remotas como la Isla Manglecito enfrentan limitaciones de conectividad que dificultan el monitoreo ambiental y la gesti�n productiva. Este estudio tuvo como objetivo dise�ar y simular una arquitectura IoT con inteligencia artificial (IA) para habilitar monitoreo en tiempo real, generar alertas tempranas y automatizar procesos cr�ticos. En nuestra metodolog�a se realizaron dos simulaciones. Primero realizamos el enlace inal�mbrico de largo alcance (cercano a 90 kil�metros) utilizando la herramienta de simulaci�n Radio Mobile. Segundo la red interna IoT, que se simula dentro de la camaronera utilizando el software Cisco Packet Tracer. Los resultados demostraron la estabilidad en el enlace a larga distancia, con m�rgenes cercanos a 36 dB y latencias que no superaron los 30 milisegundos. El consumo de energ�a� promedio de los equipos es de unos 3,7 kWh diarios. Los modelos de IA demostraron una (precisi�n 0,988, recall 0,938 y R� arriba de 0,93). Esto respalda contundentemente nuestra hip�tesis: la arquitectura integrada de IoT e IA es totalmente viable para mejorar la eficiencia y sostenibilidad en el contexto de las camaroneras rurales.

Palabras Clave: Inteligencia Artificial; IoT;� Monitoreo Ambiental; Automatizaci�n; Cultivo de Camarones; hipoxia; biomasa.

 

Abstract

Shrimp farms in remote areas like Manglecito Island face connectivity limitations that hinder environmental monitoring and production management. This study aimed to design and simulate an IoT architecture with artificial intelligence (AI) to enable real-time monitoring, generate early warnings, and automate critical processes. Our methodology involved two simulations. First, we simulated a long-range wireless link (approximately 90 kilometers) using the Radio Mobile simulation tool. Second, we simulated the internal IoT network within the shrimp farm using Cisco Packet Tracer software. The results demonstrated stability in the long-distance link, with margins close to 36 dB and latencies that did not exceed 30 milliseconds. The average energy consumption of the equipment is approximately 3.7 kWh per day. The AI ​​models demonstrated high accuracy (0.988), recall (0.938), and an R� above 0.93. This strongly supports our hypothesis: integrated IoT and AI architecture is entirely viable for improving efficiency and sustainability in the context of rural shrimp farms.

Keywords: Artificial Intelligence; IoT; Environmental Monitoring; Automation; Shrimp Farming; Hypoxia; Biomass.

 

Resumo

As explora��es de camar�o em �reas remotas, como a Ilha de Manglecito, enfrentam limita��es de conectividade que dificultam a monitoriza��o ambiental e a gest�o da produ��o. Este estudo teve como objetivo projetar e simular uma arquitetura IoT com intelig�ncia artificial (IA) para permitir a monitoriza��o em tempo real, gerar alertas precoces e automatizar processos cr�ticos. A nossa metodologia envolveu duas simula��es. Em primeiro lugar, simul�mos um enlace sem fios de longo alcance (aproximadamente 90 quil�metros) utilizando a ferramenta de simula��o Radio Mobile. Em seguida, simul�mos a rede IoT interna dentro da explora��o de camar�o, utilizando o software Cisco Packet Tracer. Os resultados demonstraram estabilidade no enlace de longa dist�ncia, com margens pr�ximas dos 36 dB e lat�ncias que n�o ultrapassaram os 30 milissegundos. O consumo m�dio de energia do equipamento � de aproximadamente 3,7 kWh por dia. Os modelos de IA demonstraram uma elevada precis�o (0,988), recall (0,938) e um R� acima de 0,93. Isto corrobora fortemente a nossa hip�tese: a arquitetura integrada de IoT e IA � totalmente vi�vel para melhorar a efici�ncia e a sustentabilidade no contexto das explora��es de camar�o rurais.

Palavras-chave: Intelig�ncia Artificial; IoT; Monitoriza��o Ambiental; Automa��o; Cria��o de Camar�o; Hip�xia; Biomassa.

 

Introducci�n

La acuicultura, y m�s espec�ficamente la producci�n de camar�n, es uno de los sectores m�s importantes del mundo porque ayuda a producir divisas y a garantizar la seguridad alimentaria y a la generaci�n de divisas. �Sin embargo, enfrenta problemas estructurales relacionados con el control de la calidad del agua, la presencia de enfermedades y la eficiencia en la administraci�n de recursos. Las granjas todav�a dependen de un monitoreo tradicional, lo que hace que las dificultades se incrementen. Este procedimiento requiere una gran intervenci�n humana, es inexacto y lento (Garc�a S�nchez et al., 2018).

La integraci�n de tecnolog�as como la Inteligencia Artificial (IA) y el Internet de las Cosas (IoT) brinda, en estas circunstancias, una nueva perspectiva para mejorar la administraci�n de los sistemas acu�colas. No solamente hace m�s f�cil la recolecci�n y el an�lisis de datos en tiempo real su implementaci�n, sino que tambi�n posibilita que se realicen controles autom�ticos y modelos predictivos sobre variables cr�ticas del agua y del equipo de cultivo. El uso conjunto de estos dos instrumentos permite una mejor capacidad de respuesta y facilita la toma de decisiones m�s precisas en las camaroneras �(Ahmed et al., 2024). Simult�neamente, promueve la sostenibilidad del sector: disminuyen los costos, se mejoran los recursos y se reduce el riesgo de muerte en las piletas, un elemento esencial para la digitalizaci�n de la acuicultura. Estas propuestas tecnol�gicas son importantes y pueden aplicarse a las camaroneras peque�as y medianas de la provincia y el Ecuador, que no tienen infraestructura tecnol�gica.

Las �investigaciones actuales �demuestran el gran potencial de las �redes IoT basadas en Wi-Fi extendido, que han demostrado que se pueden monitorear en tiempo real y ejecutar la correcci�n aut�noma de par�metros fisicoqu�micos, como temperatura, pH, turbidez, salinidad y ox�geno disuelto en las piscinas de cultivo de camar�n. Asimismo la validaci�n de sistemas IoT de bajo consumo en el sector agroindustrial (Ahmed et al., 2024; Pereira Pont�n et al., 2023) confirma la validaci�n de aplicarlos en ambientes rurales. Pero, a pesar de estos avances, a�n existen lagunas, como que la mayor�a de las innovaciones solo se validaron en laboratorios o entornos industriales. Esto es costoso y dependiente de Wi-Fi, lo que restringe la implementaci�n de tecnolog�a en las granjas rurales de camar�n en Am�rica Latina, afectando a lugares como Isla Manglecito.

Esta investigaci�n se realiz� en una zona rural del cant�n La Libertad (provincia de Santa Elena), donde la cr�a de camarones tiene inconvenientes para ser competitiva y sostenible debido a que todav�a depende del manejo manual y no cuenta con una automatizaci�n tecnol�gica estable (S�nchez-Ulloa y Palma-Mac�as, 2023). Ante esta realidad, este trabajo propone establecer un modelo de red IoT�IA que sea f�cilmente aplicable en estas zonas donde el cultivo de camar�n es manual. De esta manera, aportaremos evidencia pr�ctica para impulsar la transici�n de la acuicultura hacia un futuro m�s digital y sostenible. A partir de esta realidad surge la pregunta principal: �c�mo dise�ar y simular una red IoT inal�mbrica con sensores ambientales y c�maras de visi�n artificial? complementada con modelos de IA que permitan monitorear en tiempo real, generar alertas tempranas y automatizar procesos cr�ticos en camaroneras remotas de la Isla Manglecito? El objetivo general se centra en desarrollar esa red integrada para facilitar el monitoreo continuo y la automatizaci�n de tareas clave.

 

 

TRABAJOS RELACIONADOS

Singh et al. (2024) desarrollaron un sistema inteligente de recirculaci�n de agua dulce con sensores y modelos predictivos, aunque dependiente de infraestructura avanzada. Ahmed et al. (2024) tambi�n desarroll� un sistema que combina sensores e inteligencia artificial en las granjas camaroneras de Bangladesh,� el cual alcanz� una� precisi�n del 97,84 %, aunque el sistema tuvo dificultades para la implementaci�n en zonas rurales. Por su parte, Kanwal et al. (2024) desarrollaron un sistema con una precisi�n superior al 99 %, aunque la duraci�n de los sensores fue corta.

De una manera an�loga, Shete et al. (2024) lanzaron un modelo prototipo de bajo costo que ten�a un margen de error m�ximo del 4,87 %, que se vio influenciada por temas relacionados con la seguridad de los datos. Olanubi et al. (2024) implementaron un sistema IoT basado en ESP32 con monitoreo en la nube, En el �mbito de la visi�n artificial, Chiu et al. (2022) Demostraron una alta eficacia al integrar deep learning para estimar el crecimiento de peces, logrando un R� de 0,94, si bien el estudio se vio restringido por la dependencia de la conectividad Wi-Fi. De manera similar, Correia et al. (2025) utilizaron los modelos YOLOv8 y MBBox; sin embargo, se observ� sensibilidad en los resultados frente a cambios de la iluminaci�n.

En cuanto a las predicciones en el tiempo, Cai et al. (2023) validaron un modelo LSTM que demostr� ser m�s preciso que el SVM, aunque no se comprob� su desempe�o en condiciones reales en el campo. De manera similar, Huang y Khabusi (2025) estudiaron c�mo aplicar inteligencia artificial de Internet de las cosas en la acuicultura. Afirmaron que hay progresos significativos en campos como la alimentaci�n, la salud y la biomasa; sin embargo, indicaron que todav�a persisten restricciones vinculadas con los costos elevados y con la sostenibilidad operativa. En resumen, la literatura lo define con precisi�n: la acuicultura tiene un gran potencial para emplear inteligencia artificial e Internet de las cosas a trav�s de sensores y algoritmos predictivos. Sin embargo, la mayor�a de estos trabajos se centran en ambientes industriales o estrictamente controlados, lo que da lugar a una elevada dependencia del Wi-Fi, altos costos y una escasez de validaci�n pr�ctica en �reas rurales. Por lo tanto, este trabajo tiene como objetivo desarrollar y simular una red IoT�IA adaptada a granjas de camar�n remotas, como las situadas en la isla Manglecito (Ver Tabla 1).

 

 

 

Tabla 1: Trabajos relacionados en IoT�IA para acuicultura

Autor(es)	Entorno de validaci�n	Tecnolog�a de comunicaci�n	Enfoque de IA / Anal�tica	Limitaciones reportadas
(M. Singh et al., 2024)	Acuicultura en agua dulce (RAS)	Arquitectura distribuida (nube)	Random Forest, Gradient Boosting, M5	Requiere infraestructura avanzada; validaci�n en escala limitada
(Ahmed et al., 2024)	Camaroneras de agua dulce (Bangladesh)	Wi-Fi / Internet	RF, MLP, XGBoost, AdaBoost	Costos elevados e infraestructura limitada en zonas rurales
(Chiu et al., 2022)	Granja acu�cola experimental	Wi-Fi	Deep Learning con optimizaci�n bayesiana	Cobertura restringida por Wi-Fi en entornos rurales
(Huang & Khabusi, 2025b)	Revisi�n panor�mica (AIoT en acuicultura)	Variada	CNN, LSTM, RF, aprendizaje por refuerzo	No incluye arquitectura validada; predominan pilotos controlados
(Shete et al., 2024)	Prototipo para acuicultura de tilapia (India)	GSM / nube	Procesamiento en servidor con calibraci�n	Seguridad de datos y escalabilidad limitada
(Correia et al., 2025)	Camaroneras (P. vannamei)	Raspberry Pi + nube	YOLOv8, MBBox	Sensibilidad a luz y oclusiones
(Cai et al., 2023)	conjuntos de datos abiertos (sin campo)	IoT + nube	LSTM (series temporales)	Sin validaci�n en campo; solo datos abiertos
(Kanwal et al., 2024)	Estanques multiespecie (India)	ESP32 + ThingSpeak/Firebase	�rboles de decisi�n	Vida �til limitada de sensores; mantenimiento frecuente
(Olanubi et al., 2024)	Acuicultura	ESP32 + nube (BD)	Anal�tica b�sica / visualizaci�n	Escalabilidad, costos y validaci�n en campo real pendientes

 

METODOLOG�A

La investigaci�n se fundamenta en el enfoque Design Science Research (DSR), el cual integra los principios de relevancia, dise�o y rigor metodol�gico (Brendel et al., 2021). Para abordar la problem�tica planteada, se adopt� una estrategia de car�cter t�cnico organizada en cuatro fases: (i) dise�o de la red IoT inal�mbrica, (ii) integraci�n de sensores ambientales y visi�n artificial, (iii) recolecci�n y procesamiento de datos, y (iv) entrenamiento de modelos de inteligencia artificial. Esta estructura metodol�gica asegura la alineaci�n entre los fundamentos te�ricos del DSR y los objetivos propuestos, al tiempo que respalda la validez de los resultados obtenidos en el estudio (Ver Figura 1).

 

 

 

 

 

 

 

 

 

Figura 1: Marco metodol�gico DSR aplicado a IoT�IA en camaroneras

Dise�o de la arquitectura de red IoT�IA

La arquitectura de red propuesta asegura la transmisi�n confiable de datos al combinar un enlace inal�mbrico de largo alcance para la conexi�n externa y una red IoT interna para la comunicaci�n local en la camaronera de Isla Manglecito. Este enfoque resulta adecuado para entornos rurales y acu�colas, donde redes h�bridas que combinan sensores locales de corto alcance con backhauls inal�mbricos de largo alcance permiten mejorar cobertura, robustez de conectividad externa y favorecen la escalabilidad y resiliencia del sistema (Shabeer et al., 2025). La Figura 2 muestra la integraci�n del enlace Machala�Isla Manglecito con la red local IoT.

Figura 2: Arquitectura de red IoT�IA propuesta

 

 

 

 

 

 

 

 

Enlace inal�mbrico de largo alcance

El enlace inal�mbrico fue dise�ado y simulado en el software Radio Mobile; en este escenario se consideraron �equipos con radio Mimosa C5C junto con antenas tipo dish blindadas de 35 dBi. Se seleccion� esta combinaci�n porque tiene la �capacidad de mantener un enlace inal�mbrico de larga distancia con un rendimiento estable y confiable. Estos equipos se pueden adaptar a diferentes antenas de alta ganancia. Esta configuraci�n result� adecuada para las necesidades del proyecto, ya que ofrece baja latencia y alto ancho de banda. Con esta combinaci�n podemos realizar enlaces superiores de m�s de 50 km sin perder se�al, siendo una alternativa superior a otras tecnolog�as, especialmente en zonas rurales y remotas como las camaroneras de Isla Manglecito. Para garantizar la cobertura completa, fue necesario instalar torres de 50 metros de altura en Machala y en la Isla Pun�. Las dos estructuras fueron equipadas con el mismo modelo de antena y radio. Desde la isla Pun�, que funcion� como repetidor, se orient� el enlace hacia una torre de 20 metros de altura con la misma combinaci�n de equipos, ubicada en la camaronera de la Isla Manglecito, que recibi� la se�al de manera estable. �De esta manera, la simulaci�n comprob� la viabilidad t�cnica del enlace bajo condiciones de propagaci�n reales. Estudios recientes han evidenciado que la instalaci�n de redes inal�mbricas fijas en bandas altas (como 60 GHz u otras de microondas y radioenlaces espec�ficos) puede proporcionar una cobertura eficaz, una tasa de datos aceptable y robustez frente a condiciones del medio ambiente en �reas rurales (Castellanos et al., 2023).

 

Red interna de distribuci�n IoT�IA

La red interna �IoT de la camaronera ubicada en la isla Manglecito �fue simulada en el software Cisco Packet Tracer, con el prop�sito de validar la conectividad y el correcto �funcionamiento de los equipos instalados. La se�al proveniente de Machala se recibe inicialmente en una torre� de 20 metros de altura, donde un PowerBeam M5 coge la se�al. Desde este punto la se�al se transmite mediante� un enlace punto a punto hacia una segunda torre, tambi�n de 20 metros ubicada en� el centro de la camaronera, la cual cuenta con otro PowerBeam M5 que recibe la transmisi�n. En esta torre central, se instal� un Rocket Prism 5AC Omni, encargado de distribuir la se�al �de forma multipunto con cobertura de 360� hacia todos los dispositivos IoT ubicados en los alrededores. Cada piscina tiene un LiteBeam 5AC que recibe la se�al del equipo central y la conecta a una controladora SF200 que recoge la informaci�n de los sensores y la env�a por protocolo MQTT reforzado con TLS 1.3 al servidor central. Se emple� el protocolo MQTT por su eficiencia en IoT, complementado con TLS 1.3 para asegurar la transmisi�n de datos con bajo consumo de ancho de banda y m�nima latencia, asegurando la confidencialidad, integridad y autenticidad de los datos frente a posibles ataques en redes inal�mbricas de larga distancia. Adem�s, la SF200 enlaza mediante XBee de 900 MHz los aireadores y alimentadores, asegurando la automatizaci�n y el monitoreo en tiempo real de los procesos productivos. Esta configuraci�n represent� un escenario donde la red mantiene un balance entre eficiencia en la transmisi�n de datos y seguridad en la comunicaci�n, aspectos cr�ticos en entornos acu�colas con restricciones de conectividad (Gavriilidis et al., 2025).

 

Integraci�n de sensores ambientales y c�mara con inteligencia artificial

El sistema se basa en la integraci�n de un conjunto de sensores especializados para monitorear variables cr�ticas del agua (ox�geno disuelto, pH, temperatura, salinidad, turbidez y amon�aco) y una c�mara con algoritmos de visi�n artificial, los cuales se describen a continuaci�n:

• Sensores ambientales: Estos dispositivos se modelaron para detectar y anticipar episodios de hipoxia, un problema cr�tico en la producci�n de camar�n.
• C�mara con inteligencia artificial: Utilizada para estimar la biomasa del camar�n a partir de mediciones biom�tricas (longitud y peso), lo que permite proyectar y ajustar autom�ticamente las raciones de alimento en tres periodos diarios.

Ambos componentes se integran en un controlador central (SF200) que transmite los datos al servidor de monitoreo a trav�s del protocolo MQTT sobre TLS 1.3, garantizando seguridad y eficiencia.

• Recolecci�n y procesamiento de datos

El sistema se valid� mediante la simulaci�n con datos provenientes de dos repositorios p�blicos:

• Datos ambientales: Se utilizaron m�s de 74.000 registros de sensores IoT en estanques de peces, recopilados entre 2022 y 2023.
• Datos biom�tricos: Se emple� un conjunto de datos de m�s de 5.000 im�genes y mediciones manuales de camarones para la estimaci�n de la biomasa.

Los datos fueron sometidos a un proceso de depuraci�n y estandarizaci�n para asegurar su consistencia y fiabilidad. Una vez procesados, se integraron en la simulaci�n para alimentar los modelos de inteligencia artificial.

Entrenamiento de modelos de inteligencia artificial

Para la simulaci�n, se implementaron dos modelos de IA complementarios:

• Predicci�n de hipoxia mediante Random Forest: Para la detecci�n temprana de hipoxia, se entren� un modelo �Random Forest utilizando como variables principales la temperatura y el ox�geno disuelto. El modelo fue dise�ado para �anticipar la ocurrencia de hipoxia con una anticipaci�n de �60 minutos. Para asegurar la confiabilidad de los resultados, se realiz� una validaci�n cruzada temporal que evalu� el desempe�o en distintos per�odos.

C�lculo de la biomasa mediante el perceptr�n multicapa (MLP): Para calcular el peso individual de los camarones, utilizamos el modelo (MLP) que analiz� la relaci�n entre dos dimensiones clave (longitud total y el tama�o del cefalot�rax), una vez entrenado el modelo, permiti� predecir el peso de cada esp�cimen y a partir de ello calcular la biomasa total (Ver

• Figura 3).

 

Figura 3: Integraci�n de modelos IA para hipoxia y biomasa en la simulaci�n IoT�IA

 

 

 

 

 

 

RESULTADOS

Respaldan la propuesta. La simulaci�n de los enlaces de larga distancia (Machala�Repetidor�Camaronera) obtuvo resultados t�cnicos s�lidos, el tramo Machala�Repetidor (58,27 km), mostr� una p�rdida de trayecto de -151 dB y un nivel de se�al recibido de -71 dBm. EL margen de enlace se mantuvo en 36 dB (con un despeje de Fresnel de 0,5), resultado suficiente para una operaci�n estable. Mientras que el tramo Repetidor�Camaronera (32,37 km) obtuvo un rendimiento a�n m�s estable ya que la p�rdida de trayecto fue de -158,5 dB, el nivel recibido fue de -58,5 dBm (con un despeje de Fresnel de 1,4). Esto se tradujo en un margen de enlace y una relaci�n de se�al excelente, ambos situados en 48,5 dB, lo que deja en claro la solidez del dise�o, al igual que la combinaci�n de los resultados valida la viabilidad t�cnica del enlace simulado. (Ver Tabla 2)

Tabla 2: Enlace Machala�Repetidor�Camaronera

La simulaci�n de la red interna en Cisco Packet Tracer tambi�n confirm� la conectividad local. Las pruebas de conectividad ICMP mostraron que todos los nodos (sensores, c�mara y actuadores) respondieron correctamente al servidor local sin p�rdida de paquetes, validando que la cobertura es suficiente para la transmisi�n de datos hacia el backhaul de largo alcance. La Figura 4 muestra la simulaci�n de la red interna en la camaronera, validando la conectividad de sensores, c�mara y actuadores en Cisco Packet Tracer.

Figura 4: Simulaci�n de la red interna en la camaronera (Cisco Packet Tracer).

 

Latencia

Las Tablas 3 y 4 presentan los resultados de latencia y conectividad del sistema, evidenciando retardos bajos (18�25 ms en el backhaul) y respuestas ICMP exitosas sin p�rdida de paquetes en la red interna, lo que confirma la eficiencia de la comunicaci�n IoT�IA.

La latencia del sistema se estim� en funci�n de la distancia total del enlace de 90 km, que incluye dos saltos. Cada salto gener� un retardo estimado de 3 a 5 ms, dando una latencia total del backhaul entre 18 y 25 ms, adecuada para telemetr�a y transmisi�n de video en tiempo real. En la red interna, las pruebas realizadas en Cisco Packet Tracer mostraron respuestas menores a 5 ms y sin p�rdida de paquetes, lo que confirma una latencia muy baja en el sistema local.

Tabla 3: Estimaci�n de la latencia en el enlace Machala�Camaronera a trav�s del repetidor

Tabla 4: Resultados de conectividad ICMP en la red interna

 

Consumo energ�tico

El consumo energ�tico del sistema se estim� con las especificaciones de los equipos de telecomunicaciones y los ciclos de operaci�n de los actuadores. La demanda diaria se aproxima a 3,73 kWh/d�a, lo que es compatible con una soluci�n de energ�a fotovoltaica y un banco de bater�as, asegurando la operaci�n continua del sistema en un entorno rural (Ver Tabla 5).

 

 

 

 

 

 

Tabla 5: Consumo energ�tico estimado del sistema

Preprocesamiento del Conjunto de datos �Ambiental

Para simular el monitoreo ambiental, se utiliz� un conjunto de datos p�blico que fue sometido a un riguroso proceso de preprocesamiento para garantizar su consistencia y fiabilidad. Los pasos clave incluyeron la unificaci�n de marcas de tiempo, la estandarizaci�n de los nombres de las estaciones de monitoreo, la conversi�n de variables a formato num�rico, la imputaci�n de valores faltantes utilizando la mediana por estaci�n, y la eliminaci�n de registros duplicados. El resultado final fue un conjunto de datos �limpio y estructurado con 74,745 registros y nueve variables, listo para ser utilizado en el entrenamiento de los modelos de inteligencia artificial (Ver

Tabla 6).

 

 

 

Tabla 6: Preprocesamiento del conjunto de datos ambiental

En el preprocesamiento se identificaron valores faltantes en nitrato, pH, temperatura, ox�geno disuelto y manganeso, los cuales se corrigieron mediante imputaci�n con la mediana por estaci�n. Amon�aco y turbidez no presentaron vac�os. Tras la correcci�n, el conjunto de datos qued� completo, con afectaci�n m�nima (<0,04 %), asegurando su consistencia para los modelos de IA. El conjunto de datos ambientales integra 74.745 registros distribuidos de forma equilibrada entre las tres estaciones: 31,82 % en la Estaci�n 1 y 34,09 % en las Estaciones 2 y 3, garantizando una base representativa para el an�lisis (Ver Tabla 7).

Tabla 7: Distribuci�n de registros por estaci�n en el conjunto de datos ambiental

El esquema final del conjunto de datos ambiental, conformado por nueve variables con sus respectivas unidades de medida. Incluye identificadores b�sicos (estaci�n, marca de tiempo) y par�metros fisicoqu�micos clave como nitrato, pH, amon�aco, temperatura, ox�geno disuelto, turbidez y manganeso, expresados en sus unidades est�ndar. Este esquema garantiza la claridad y consistencia necesarias para el an�lisis y modelado de datos (Ver Tabla 8).

Tabla 8: Esquema final de variables y unidades del conjunto de datos ambiental

 

Extracci�n de Caracter�sticas para la Predicci�n de Hipoxia

Para el entrenamiento del modelo se gener� un conjunto de caracter�sticas a partir de los datos obtenidos por los sensores ambientales , en nuestro caso, el conjunto de datos originales crudos. El proceso inici� con la creaci�n de la etiqueta� binaria hipoxia, asignando el valor 1 cuando el ox�geno disuelto es inferior a 3 mg/L y 0 en caso contrario. Las variables generadas constituyen los predictores de entrada del modelo de aprendizaje autom�tico. Gracias a estas caracter�sticas, el modelo logr� identificar variaciones y patrones temporales importantes para anticipar episodios de hipoxia, obteniendo un conjunto de datos �finales de aproximadamente 74.000 observaciones y 29 variables derivadas (Ver Tabla 9).

 

 

 

 

 

 

 

Tabla 9: Caracter�sticas para hipoxia

 

M�dulos de visi�n artificial y estimaci�n de biomasa

Para la estimaci�n de biomasa, se utilizaron dos modelos de regresi�n: el Perceptr�n Multicapa (MLP) y un modelo alom�trico (W = a�L^b). El MLP alcanz� un error absoluto medio (MAE) de 1,8 g y un coeficiente de determinaci�n (R�) de 0,93, lo que refleja alta precisi�n en la estimaci�n del peso individual. El modelo alom�trico obtuvo un R� (log) de 0,95 y un MAE de 2,7 g. Ambos resultaron viables para estimar la biomasa total y calcular la raci�n de alimento. Se presentan los resultados del MLP aplicado a cinco estanques, con estimaciones de biomasa y raciones cada 8 horas. En total se registraron 170 individuos con una biomasa acumulada de 4,322 g y una raci�n total de 216 g. Los valores por estanque muestran variaciones moderadas, con coeficientes de variaci�n entre 5,20 % y 11,20 %, lo que refleja una distribuci�n relativamente homog�nea en las predicciones del modelo (Ver

Tabla 10).

 

Tabla 10: Biomasa y raciones (8 h) por estanque � modelo MLP

Nota: Los valores nan reflejan que esas columnas no aplican en el total, pues no se pueden promediar de manera directa.

Resultados del modelo alom�trico por estanque: se registran 170 individuos, con biomasa total de 4,298 g y raci�n total de 215 g cada 8 horas. Los coeficientes de variaci�n oscilan entre 5,20 % y 11,20 %, indicando variabilidad moderada y consistente entre estanques. En comparaci�n con el MLP, el alom�trico entrega biomasa y raci�n totales muy cercanas (4,298 g vs. 4,322 g; 215 g vs. 216 g), lo que sugiere concordancia entre m�todos para la planificaci�n de alimentaci�n (Ver Tabla 11).

 

 

 

 

Tabla 11: Biomasa y raci�n (8 h) por estanque � modelo alom�trico

Nota: Los valores nan reflejan que esas columnas no aplican en el total, pues no se pueden promediar de manera directa.

Rendimiento del modelo de IA (precisi�n, recall)

El clasificador Random Forest para la predicci�n de hipoxia mostr� un rendimiento excelente. Con precisi�n de 0,988 para la clase "Hipoxia", identifica la mayor�a de sus alertas. El valor de recall de 0,938 indica que detecta la mayor�a de los eventos de hipoxia reales. La exactitud global de 0,998 y el �rea bajo la curva (AUC) de 0,994 confirman que el modelo es fiable y adecuado para la activaci�n de alertas y aireadores de manera preventiva (Ver Tabla 12).

Tabla 12: M�tricas por clase en prueba Random Forest

El desempe�o del modelo alom�trico en la estimaci�n de biomasa por lote. Los errores absolutos fueron bajos (MAE = 23 g, MAPE = 2,06 %, RMSE = 32 g), lo que indica gran precisi�n en las predicciones. El R� de 0,997 refleja un ajuste global muy alto del modelo a los datos observados. El sesgo negativo (�23 g) se�ala una ligera tendencia a subestimar la biomasa, aunque sin comprometer la confiabilidad general del m�todo (Ver

 

Tabla 13).

 

 

Tabla 13: Desempe�o del modelo alom�trico en la estimaci�n de biomasa por lote

El rendimiento del modelo MLP en la estimaci�n de biomasa se evalu� mediante validaci�n cruzada, utilizando m�tricas de error y ajuste estad�stico. Los valores obtenidos se resumen en la (Ver Tabla 14).

 

Tabla 14: Rendimiento del modelo MLP en la estimaci�n de biomasa por lote

 

Comparaci�n con sistemas tradicionales de monitoreo

El sistema IoT�IA propuesto supera al monitoreo manual tradicional en m�ltiples aspectos, destacando su capacidad para la medici�n continua, la detecci�n temprana y la automatizaci�n. El sistema reduce la latencia de detecci�n, minimiza el riesgo de pasar por alto eventos cr�ticos y permite una planificaci�n m�s precisa de las raciones de alimento (Ver

Tabla 15).

 

Tabla 15: Comparaci�n entre el sistema IoT�IA propuesto y el monitoreo tradicional

 

El enfoque propuesto se destaca por su medici�n continua, su baja latencia de detecci�n, la cobertura simult�nea en varias estaciones y la incorporaci�n de alarmas inteligentes basadas en IA, lo que reduce falsas alertas como las omisiones. La arquitectura dise�ada permite anticipar los episodios de hipoxia,� calcular y programar de forma autom�tica las raciones de alimento y la estimaci�n precisa de la biomasa de los camarones. El sistema IoT�IA demuestra� mejoras significativas respecto �al sistema manual, �que se basa en mediciones �irregulares y poco confiables, utiliza umbrales fijos y responde �nicamente cuando el problema ya se ha manifestado, disminuyendo as� su eficacia frente al sistema propuesto. El sistema IoT�IA logra un funcionamiento m�s eficiente, reduce los costos de operaci�n y puede ampliarse con mayor facilidad. Los resultados obtenidos son claros, aunque el buen desempe�o del sistema depende de la energ�a y la conexi�n disponibles. El proyecto resulta viable y aporta grandes beneficios para las empresas camaroneras que trabajan en �reas rurales. La utilizaci�n de energ�as renovables es una buena opci�n ya que la red funciona de manera estable y requiere poca energ�a. Tambi�n, los modelos de inteligencia artificial permiten predecir y automatizar procesos en lugares con poca infraestructura, lo que contribuye a modernizar las camaroneras como la de Isla Manglecito.

Discusi�n

Los resultados de la simulaci�n demuestran la viabilidad t�cnica de implementar una arquitectura IoT�IA para la gesti�n de camaroneras en zonas remotas como la Isla Manglecito, respondiendo afirmativamente a la pregunta de investigaci�n. Los resultados demuestran que la propuesta funciona bien. La simulaci�n de conectividad a 90 km result� ser muy buena, con valores que superaban los 36 dB, latencias entre 18 y 25 ms, y una red interna que funcion� bien sin p�rdida de paquetes. Gracias a que los modelos de inteligencia artificial funcionan excelente, el sistema� se vuelve m�s estable y confiable. El Random Forest logr� una precisi�n de 0,988 y un recall de 0,938, a la vez que el Perceptr�n Multicapa (R� > 0,93) determin� la biomasa con mucha precisi�n. En resumen, estas m�tricas demuestran de manera definitiva que es posible superar los obst�culos de conectividad para avanzar hacia una administraci�n preventiva y automatizada.

Este trabajo, en comparaci�n con los estudios anteriores, muestra claramente su contribuci�n al cultivo de camar�n automatizado. Por ejemplo, estudios como el de Ahmed et al. (2024), enfocado en predecir la productividad en Bangladesh, o el de �Chiu et al. (2022) que explor� sensores en entornos controlados, demostr� la utilidad en la acuicultura. Sin embargo, estas investigaciones se basaron en redes ya consolidadas o se limitaron a pruebas de menor escala. Nuestro trabajo da un salto importante al abordar la conectividad en zonas rurales aisladas sin infraestructura tecnol�gica. La propuesta presentada aqu� incluye redes internas, protocolos seguros para la transmisi�n y conexiones inal�mbricas de largo alcance, a diferencia de las propuestas anteriores. Este dise�o de red permite que se implemente directamente en situaciones con una infraestructura limitada. Por consiguiente, este estudio se sit�a entre los primeros en Ecuador que incorporan la producci�n acu�cola rural y definen un modelo que tiene el potencial de ser reproducido a lo largo y ancho de la costa ecuatoriana.

Los resultados que hemos obtenido tienen un impacto significativo en la producci�n de camar�n en esta zona, especialmente en los peque�os �y medianos productores. Si se anticipa la hipoxia con una hora de antelaci�n y se establecen las cantidad de alimento� que debe suministrar cada ocho horas, no solo se reducen los costos y la mortalidad; tambi�n mejora la competitividad del cultivo de camarones.

No obstante, admitimos las restricciones propias de este trabajo. La dificultad principal es que las pruebas se ejecutaron en contextos de simulaci�n y utilizando datos p�blicos. Por este motivo, no logramos incluir totalmente las condiciones reales y variables de la Isla Manglecito, como su clima, posibles interferencias, la geograf�a o los rasgos distintivos de la din�mica productiva local. Adem�s, la utilizaci�n de datos provenientes de fuentes externas disminuye la habilidad de los modelos para mostrar con precisi�n los patrones singulares y propios de las camaroneras en Ecuador. Por lo tanto, es esencial considerar estos elementos al analizar los resultados y planear su aplicaci�n en la pr�ctica.

 

CONCLUSIONES

Esta investigaci�n tuvo como objetivo dise�ar y simular una arquitectura IoT�IA para el monitoreo ambiental y la automatizaci�n de camaroneras en la Isla Manglecito, superando las limitaciones de conectividad en zonas rurales aisladas. Los resultados alcanzados confirman contundentemente este prop�sito. Validamos con �xito un enlace inal�mbrico de 90 km, el cual present� m�rgenes de dise�o superiores y latencias bajas (18-25 ms). Asimismo, los modelos de Inteligencia Artificial han mostrado un rendimiento elevado (con una precisi�n de 0,988 y un recall de 0,938 en la predicci�n de hipoxia; con un R� superior a 0,93 en biomasa). Los sistemas fotovoltaicos demostraron ser compatibles con el consumo energ�tico estimado de 3,73 kWh por d�a.

Estos estudios �no solo validan� la viabilidad t�cnica del sistema, sino que tambi�n� ofrecen una alternativa adecuada para zonas �rurales que carecen de infraestructura. Esto es un aporte importante, ya que la mayor�a de las investigaciones anteriores �se han realizado en laboratorios, en entornos con un desarrollo tecnol�gico m�s avanzado.

Sin embargo, es necesario se�alar que estos resultados �provienen �de simulaciones y de datos p�blicos y que ,por ello, los datos a�n no est�n validados directamente en la zona de estudio. Por lo tanto, proponemos avanzar hacia prototipos piloto, recolectar datos locales para reentrenar los modelos e incluir fuentes de energ�a sustentables que incorporen almacenamiento inteligente. En conclusi�n, la arquitectura propuesta es una opci�n factible y efectiva para modernizar los criaderos de camarones aislados, optimizando as� su desempe�o y asegurando que la acuicultura sea m�s digital y sostenible.

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

References

Ahmed, F., Bijoy, M. H. I., Hemal, H. R., & Noori, S. R. H. (2024b). Smart aquaculture analytics: Enhancing shrimp farming in Bangladesh through real-time IoT monitoring and predictive machine learning analysis. Heliyon, 10(17). https://doi.org/10.1016/j.heliyon.2024.e37330

Cai, H., Zhang, C., Xu, J., Wang, F., Xiao, L., Huang, S., & Zhang, Y. (2023b). Water Quality Prediction Based on the KF-LSTM Encoder-Decoder Network: A Case Study with Missing Data Collection. Water (Switzerland), 15(14). https://doi.org/10.3390/w15142542

Castellanos, G., De Beelde, B., Plets, D., Martens, L., Joseph, W., & Deruyck, M. (2023). Evaluating 60 GHz FWA Deployments for Urban and Rural Environments in Belgium. Sensors, 23(3). https://doi.org/10.3390/s23031056

Chiu, M. C., Yan, W. M., Bhat, S. A., & Huang, N. F. (2022a). Development of smart aquaculture farm management system using IoT and AI-based surrogate models. Journal of Agriculture and Food Research, 9. https://doi.org/10.1016/j.jafr.2022.100357

Correia, B., Pacheco, O., Rocha, R. J. M., & Correia, P. L. (2025a). Image-Based Shrimp Aquaculture Monitoring. Sensors, 25(1). https://doi.org/10.3390/s25010248

Garc�a S�nchez, S., Ju�rez Agis, A., Olivier Salome, B., Rivas Gonz�lez, M., & Zeferino Torres, J. (2018). [ENVIRONMENTAL PHYSICOCHEMICAL VARIABLES THAT AFFECT THE SHRIMP FARMING Litopenaeus vannamei, COYUCA DE BEN�TEZ, GUERRERO, MEXICO]. In Revista Mexicana de Agroecosistemas (Vol. 5, Issue 2).

Gavriilidis, N. O., Halkidis, S. T., & Petridou, S. (2025). Empirical Evaluation of TLS-Enhanced MQTT on IoT Devices for V2X Use Cases. Applied Sciences, 15(15), 8398. https://doi.org/10.3390/app15158398

Huang, Y. P., & Khabusi, S. P. (2025a). Artificial Intelligence of Things (AIoT) Advances in Aquaculture: A Review. In Processes (Vol. 13, Issue 1). Multidisciplinary Digital Publishing Institute (MDPI). https://doi.org/10.3390/pr13010073

Kanwal, S., Abdullah, M., Kumar, S., Arshad, S., Shahroz, M., Zhang, D., & Kumar, D. (2024a). An Optimal Internet of Things-Driven Intelligent Decision-Making System for Real-Time Fishpond Water Quality Monitoring and Species Survival. Sensors, 24(23). https://doi.org/10.3390/s24237842

Olanubi, O. O., Akano, T. T., & Asaolu, O. S. (2024a). Design and development of an IoT-based intelligent water quality management system for aquaculture. Journal of Electrical Systems and Information Technology, 11(1). https://doi.org/10.1186/s43067-024-00139-z

Pereira Pont�n, J. M., Ojeda, V., Asanza, V., Lorente-Leyva, L. L., Peluffo-Ord��ez, D. H., Superior, E., & Del Litoral, P. (2023). Design and Implementation of an IoT Control and Monitoring System for the Optimization of Shrimp Pools using LoRa Technology. In IJACSA) International Journal of Advanced Computer Science and Applications (Vol. 14, Issue 8). www.ijacsa.thesai.org

S�nchez-Ulloa, A., & Palma-Mac�as, G. (2023). An�lisis de las exportaciones de la industria camaronera en la provincia de El Oro, per�odo 2020 � 2021. 593 Digital Publisher CEIT, 8(3), 110�118. https://doi.org/10.33386/593dp.2023.3.1654

Shabeer, M., Rafi, M., Behjati, M., & Rafsanjani, A. S. (2025). Reliable and Cost-Efficient IoT Connectivity for Smart Agriculture: A Comparative Study of LPWAN, 5G, and Hybrid Connectivity Models. https://arxiv.org/pdf/2503.11162

Shete, R. P., Bongale, A. M., & Dharrao, D. (2024). IoT-enabled effective real-time water quality monitoring method for aquaculture. MethodsX, 13. https://doi.org/10.1016/j.mex.2024.102906

Singh, K., Yadav, M., Singh, Y., Barak, D., Saini, A., & Moreira, F. (2024). Reliability on the Internet of Things with designing approach for exploratory analysis. Frontiers in Computer Science, 6. https://doi.org/10.3389/fcomp.2024.1382347

Singh, M., Sahoo, K. S., & Gandomi, A. H. (2024). An Intelligent-IoT-Based Data Analytics for Freshwater Recirculating Aquaculture System. IEEE Internet of Things Journal, 11(3), 4206�4217. https://doi.org/10.1109/JIOT.2023.3298844

 

 

 

.

� 2025 por los autores. Este art�culo es de acceso abierto y distribuido seg�n los t�rminos y condiciones de la licencia Creative Commons Atribuci�n-NoComercial-CompartirIgual 4.0 Internacional (CC BY-NC-SA 4.0)

(https://creativecommons.org/licenses/by-nc-sa/4.0/).