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

 

Aplicaci�n de los sensores IOT en la agroindustria: estudio taxon�mico del modelo GMAAS seg�n el procesamiento de datos

 

Application of IOT sensors in agribusiness: taxonomic study of the GMAAS model according to data processing

 

Aplica��o de sensores IOT no agroneg�cio: estudo taxon�mico do modelo GMAAS de acordo com o processamento de dados

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

Correspondencia: John.vera@espoch.edu.ec

 

 

Ciencias T�cnicas y Aplicadas ���

Art�culo de Investigaci�n

��

* Recibido: 23 de enero de 2023 *Aceptado: 12 de febrero de 2023 * Publicado: 03 de marzo de 2023

 

1. Escuela Superior Polit�cnica de Chimborazo, Ecuador.
2. Escuela Superior Polit�cnica de Chimborazo, Ecuador.
3. Escuela Superior Polit�cnica de Chimborazo, Ecuador.�������
4. Escuela Superior Polit�cnica de Chimborazo, Ecuador.

Resumen

La industria 4.0 es un nuevo paradigma que ha tomado terreno dentro de la agroindustria donde se ha observado una creciente aparici�n de trabajos cient�ficos sobre la utilizaci�n de aplicaciones IoT. Un nuevo modelo basado en IoT es el GMaaS el cual requiere del uso de sensores que midan variables f�sicas ambientales. El objetivo del art�culo es encontrar una taxonom�a que tenga un buen criterio y permita determinar caracter�sticas generales del tipo de sensores que el modelo GMaaS requiere. Se realiz� una revisi�n bibliogr�fica sobre las IoT en la agroindustria para determinar modelos taxon�micos y mediante criterios de selecci�n se opt� por usar una taxonom�a basada en la frecuencia de muestreo y procesado de los datos. Se estudiaron dos casos donde el modelo GMaaS fue utilizado y extrajimos la informaci�n relevante sobre los sensores y mediante la descripci�n se determin� el grupo taxon�mico de cada uno. Los resultados que se obtuvieron permitieron concluir que los sensores usados en GMaaS suelen ser del tipo de rango de muestra invariante.

Palabras Clave: Agroindustria; Industria 4.0; Modelo de invernadero (GmaaS); Sensores IoT.

 

Abstract

Industry 4.0 is a new paradigm that has gained ground within agribusiness, where a growing appearance of scientific papers on the use of IoT applications has been observed. A new model based on IoT is the GMaaS which requires the use of sensors that measure physical environmental variables. The objective of the article is to find a taxonomy that has a good criterion and allows to determine general characteristics of the type of sensors that the GMaaS model requires. A bibliographic review on IoT in agribusiness was carried out to determine taxonomic models and, based on selection criteria, it was decided to use a taxonomy based on the sampling frequency and data processing. Two cases were studied where the GMaaS model was used and we extracted the relevant information about the sensors and through the description the taxonomic group of each one was determined. The results obtained allowed us to conclude that the sensors used in GMaaS are usually of the invariant sample range type.

Keywords: Agroindustry; Industry 4.0; Greenhouse model (GmaaS); IoT sensors.

 

 

 

Resumo

A Ind�stria 4.0 � um novo paradigma que vem ganhando espa�o dentro do agroneg�cio, onde se observa um crescente surgimento de trabalhos cient�ficos sobre o uso de aplica��es IoT. Um novo modelo baseado em IoT � o GMaaS que requer o uso de sensores que medem vari�veis ​​ambientais f�sicas. O objetivo do artigo � encontrar uma taxonomia que tenha um bom crit�rio e permita determinar caracter�sticas gerais do tipo de sensores que o modelo GMaaS requer. Uma revis�o bibliogr�fica sobre IoT no agroneg�cio foi realizada para determinar modelos taxon�micos e, com base em crit�rios de sele��o, decidiu-se usar uma taxonomia baseada na frequ�ncia de amostragem e processamento de dados. Foram estudados dois casos onde foi utilizado o modelo GMaaS e extra�mos as informa��es relevantes sobre os sensores e atrav�s da descri��o foi determinado o grupo taxon�mico de cada um. Os resultados obtidos permitem concluir que os sensores utilizados no GMaaS s�o geralmente do tipo faixa de amostragem invariante.

Palavras-chave: Agroind�stria; Ind�stria 4.0; Modelo de estufa (GmaaS); sensores IoT.

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

Introducci�n

La Industria de cuarta generaci�n, tambi�n llamada Industria 4.0, apareci� en los pa�ses desarrollados en la segunda d�cada de los 2000 como una respuesta de pol�tica industrial a una nueva etapa de la revoluci�n de las tecnolog�as de la informaci�n y las comunicaciones (Bai et al., 2020)[3]. La Industria 4.0 va m�s all� del cambio tecnol�gico, es un cambio en el pensamiento y la estructura de la econom�a que sin duda afectar� las relaciones sociales en todo el mundo (Ustundag et al., 2018)[39]. El ritmo de implementaci�n de la Industria 4.0 en todo el mundo difiere del de las industrias emergentes (Marcon et al., 2017)[24] y la migraci�n a la industria inteligente se lleva a cabo dentro de las capacidades de la infraestructura y las instalaciones tecnol�gicas existentes (Frank et al., 2019)[9]. La industria 4.0 y la fabricaci�n inteligente son parte de la transformaci�n de los negocios y las tecnolog�as de fabricaci�n e informaci�n para crear sistemas innovadores (Rosin et al., 2020)[31], la cual ha influido en el cambio de paradigmas sociales mediante la inserci�n de algunos casos al hogar, por ejemplo, para obtener casas inteligentes o productos personales (Devezas & Sarygulov, 2017)[7]. En este tipo de industria, adem�s de la introducci�n de nuevos elementos, se hace hincapi� en la integraci�n o adici�n de tecnolog�a y componentes existentes (Prause, 2019)[27], proponiendo medidas conjuntas para coordinar varios elementos econ�micos con el objetivo de crear un entorno (Gr�ger, 2018)[14].

Un nuevo concepto tecnol�gico que ha ganado terreno en la industria 4.0 es la internet de las cosas (IoT) (Chen et al., 2017)[6]. El internet de las cosas (IoT) describe una visi�n donde las �cosas� son considerados como objetos que est�n interconectadas para recibir y transmitir datos a trav�s del internet, lo que les permite realizar tareas y comunicarse entre s� para compartir informaci�n (Al-fuqaha et al., 2015)[1].� La primera consecuencia directa del Internet de las Cosas (IoT), es la generaci�n de grandes cantidades de datos (Faheem et al., 2018)[10] lo que adem�s conlleva a que� cada objeto f�sico o virtual conectado al IoT puede tener un doble digital en la nube, que podr�a generar actualizaciones peri�dicas (Ca�as et al., 2021)[5]. En segundo lugar, esto promueve la inserci�n de instrumentos que permitan obtener datos del ambiente para poder monitorear el comportamiento, es decir la inserci�n de sensores (Xu et al., 2021)[41].� La industria 4.0 se ha incorporado en varios procesos industriales con distintos campos de trabajo y esto ha generado un sinn�mero de nuevos sistemas de obtenci�n de datos (Korze, 2019)[15].

El sector agr�cola es un ejemplo de este cambio tecnol�gico. Por ejemplo, la agricultura inteligente (Liu y Tao, 2016) representa la integraci�n de nuevas tecnolog�as en la agricultura, contribuyendo a la llamada �tercera revoluci�n verde�. Como resultado, la agricultura de precisi�n es omnipresente e integrada en los sistemas de soporte de decisiones computarizados para la gesti�n agr�cola. Un buen ejemplo es AgroDSS, un conjunto de herramientas de soporte de decisiones basado en la nube para la integraci�n con la gesti�n agr�cola existente en sistemas de informaci�n que permiten a los agricultores cargar sus datos, usar m�ltiples m�todos de an�lisis de datos y recuperar la producci�n (Rupnik et al., 2019). El sistema agr�cola de producci�n en invernadero es un proceso f�sico, qu�mico y biol�gico complejo que ocurre simult�neamente, responde a factores ambientales en diferentes momentos y condiciones, y tiene muchas funciones que interact�an. Por lo tanto, se requiere una comprensi�n m�s profunda de la din�mica de todos estos diferentes procesos en el sistema de invernadero. La din�mica de los invernaderos ha sido ampliamente estudiada en la literatura, donde se pueden utilizar modelos clim�ticos de invernadero, modelos de crecimiento de cultivos y modelos de riego (Ram�rez et al.,2015)[28]. Es as� como Mu�oz et al. (2022) [25]propone y pone sobre la mesa un modelo basado en IoT para implementar bajo el contexto de un servicio de invernadero que permita obtener informaci�n relevante sobre varios par�metros f�sicos, este sistema pretende usar tecnolog�as de IoT para crear un modelo de invernadero como un servicio (GmaaS, por sus siglas en ingl�s �Greenhouse Model as a Service�). Por lo que es necesario la implementaci�n de sensores de medici�n ya que la informaci�n sobre los fen�menos f�sicos es capturada, transmitida, recopilada, analizada y utilizada en el mundo digital por sensores y en el mundo f�sico por actuadores que generan acciones en el entorno (Javaid et al., 2020) [16]. Esta arquitectura para usar en modelos de greenhouse fue propuesto por primera vez en el trabajo de Torres et al. (2019)[38] como un servicio en el paradigma de las IoT, donde se implementa un ambiente de programaci�n espec�fico dentro del marco de un sistema de toma de decisiones (DDS) para las compa��as o agricultores, la metodolog�a de esta tecnolog�a se puede observar en la figura 2, donde se destaca la arquitectura con la que los usuarios pueden interactuar y como los datos son procesados luego de su detecci�n, se puede observar que la intervenci�n de sensores se encuentra en la fase Open weather y trav�s de protocolos de transferencia de datos (Https) �stos son enviados a un algoritmo que realiza el preprocesamiento de la informaci�n para luego ser presentado al usuario a trav�s de una interfaz (frontend).

En el presente trabajo, en primer lugar, se realiz� una revisi�n bibliogr�fica de trabajos cient�ficos relacionados a las aplicaciones de industria 4.0 en la agroindustria a trav�s de las aplicaciones IoT con el fin de determinar si existe aceptaci�n de estos sistemas dentro de este campo de la ingenier�a. Adem�s, se comparara dos trabajos donde se aplique el modelo GMaaS para determinar qu� tipo de sensores IoT� han sido usados durante la ejecuci�n del sistema GmaaS para realizar una descripci�n de los mismos mediante una metodolog�a basada en los datos que los sensores procesan, para determinar cu�les son las caracter�sticas relevantes de estos sensores.

Figura 1. Arquitectura del sistema

GmaaS

Fuente: Torres et al., 2019[38]

Elaborado por: Autores del art�culo

 

Metodolog�a

La integraci�n de IoT posibilita nuevas formas de gesti�n de las "partes m�viles" de la empresa, ya que se puede monitorear y controlar en tiempo real el estado de veh�culos, personas, equipos y productos (Masood & Sonntag[20]). Los sensores y actuadores pueden integrarse en objetos IoT para poder responder de manera aut�noma a situaciones en diferentes escenarios de acuerdo con ciertas reglas (Manyika, 2013). Por tanto, podemos imaginar el potencial del IoT a trav�s de las diversas aplicaciones y departamentos de la industria que se pueden desarrollar (Ghobakhloo, 2020) [13]. Esto ha permitido que las tecnolog�as IoT se integren mejor a la industria agr�cola con el paso de los a�os, por esta raz�n se procedi� a realizar una revisi�n de art�culos cient�ficos. En el trabajo de Talavera et al. (2017) [35] se hizo una revisi�n similar utilizando bibliotecas digitales y motores de b�squeda de las principales bases de datos de art�culos cient�ficos durante la fase de b�squeda, luego los resultados se compilaron a mano mediante un criterio de contenido cient�fico y relevancia, al final obtuvo datos favorables sobre trabajos cient�ficos relacionados a las aplicaciones IoT en los campos de agroindustria y ambiente.

Por otro lado, dos casos de estudio de la revisi�n bibliogr�fica fueron tomados para realizar un estudio de los sensores IoT utilizados en estos trabajos para obtener una descripci�n taxon�mica. Esto implica que sea necesario partir de un marco metodol�gico que permita extraer una o varias caracter�sticas de los sensores IoT. En la actualidad, se pueden encontrar varios trabajos con propuestas taxon�micas para las IoT donde cada una toma alg�n aspecto del sensor como referencia. Por ejemplo, en el trabajo de (Rosza et al., 2016)[32] se realiza una taxonom�a seg�n el tipo de medida que provee el sensor y por otro lado en un trabajo presentado por (Taivalsaari & Mikkonen, 2018)[36] la taxonom�a se realiza seg�n la arquitectura de software, en la Tabla 1 se puede observar una comparaci�n de las distintas taxonom�as encontradas.

 

Tabla 1. Algunas taxonom�as propuestas por varios actores para las aplicaciones IoT

 

Para la industria 4.0 la informaci�n que ingresa para poder tomar decisiones es fundamental, esto incluye c�mo se manejan los datos del ambiente (Fettermann et al., 2018)[11], adem�s las clasificaciones taxon�micas permiten la organizaci�n de �reas de conocimiento para mejorar el acceso y la comprensi�n de la informaci�n (Gr�ger, 2018)[14]. Por otro lado, como se vio en la secci�n anterior, los datos del ambiente son importantes para los modelos de aplicaciones IoT aplicados a la agroindustria puesto que la interacci�n con el ambiente es fundamental para el estudio de la agricultura, esto implica la necesidad de describir las IoT a trav�s de los sensores .� Seg�n la tabla 1, se puede observar que solo las taxonom�as 1, 4 y 6 parten de un criterio taxon�mico basado en los sensores. Para seguir con la selecci�n de la mejor taxonom�a partimos del criterio de la frecuencia de los datos del ambiente cuando se trata de sistemas agr�colas, esto influye en la frecuencia del muestreo. Adem�s, si observamos la figura 2 encontramos que algunas taxonom�as tienen una gran cantidad de grupos lo cual vuelve m�s compleja la selecci�n de un tipo.

 

 

 

 

 

Figura 2. Distribuci�n de subgrupos que contienen las taxonom�as

Fuente: Autores del art

�culo

Elaborado Por: Autores del art�culo

 

En la figura 2 se puede observar que la clasificaci�n de Rosero et al. [30
�Es muy simple como para describir en su totalidad los sensores IoT, por otro lado Rosza et al.[32] Tiene una complejidad escesiva en su taxonom�a para los fines de este art�culo. Para este trabajo, la taxonom�a m�s �til para analizar y describir las aplicaciones IoT usadas en la agroindustria es la que tiene un criterio basada en el preprocesamiento de datos y frecuencia de muestreo, es decir la taxonom�a 6 (Tabla 1), adem�s, debido a que no tiene una complejidad excesiva (Figura 2) ya que el orden taxon�mico que tiene (n�mero de subgrupos) permite identificar las caracter�sticas m�s importantes de los sensores y esto es beneficiosos cuando nos referimos a aplicaciones IoT en la agroindustria. Utilizando la taxonom�a 6 podemos obtener caracter�sticas importantes de la aplicaci�n ya que est�n bien diferenciadas entre s�, adem�s se puede realizar un proceso inverso, es decir determinar las caracter�sticas de los sensores dentro de un modelo para luego clasificarlos dentro de la taxonom�a, en el presente art�culo realizamos este proceso para dos casos de estudio donde se puede observar que el modelo utilizado fue el GMaaS.

 

 

 

Figura 3. Taxonom�a de los sensores IoT considerando las caracter�sticas del procesamiento de los datos

Fuente:�

Rosero et al., 2022[30]

Elaborado por: Autores del art�culo

 

En la figura 3 se aprecia un diagrama taxon�mico con los grupos y subgrupos que se utilizar�n en el presente art�culo para describir las aplicaciones IoT.

 

Sensores y preprocesamiento de datos

El creciente uso de la electr�nica en la industria brinda oportunidades para el desarrollo de varios tipos de sensores (Chen et al., 2017). De hecho, nuevas tendencias tecnol�gicas como el Internet de las Cosas (IoT) han ampliado el campo de investigaci�n mediante sensores. As�, en las primeras etapas del desarrollo del sensor, MacRuairi et al. (2008) [21] propuso una taxonom�a de los requisitos de los sensores para hacer coincidir ciertos sensores con escenas reales. Posteriormente, Fowler et al. (2009) [12] present� un estudio relacionado con los materiales utilizados para la fabricaci�n de sensores. Seg�n Fowler (2009) [12] los sensores presentan desaf�os y oportunidades en el entorno de las IoT junto, adem�s asevera que cada sensor presenta un conjunto de soluciones, lo que le permiti� comparar y describir brevemente los problemas que aborda cada categor�a taxon�mica. El alcance de la tecnolog�a IoT llega incluso a abordar temas de aprendizaje autom�tico, por ejemplo Morrison et al. (2018)[23] presentan un estudio pionero de sistemas de adquisici�n y an�lisis de datos de sensores. En esta �rea de investigaci�n, Tiboni et al. (2019)[37] describieron sensores y actuadores en un exoesqueleto utilizando una canalizaci�n de aprendizaje autom�tico. Toda esta informaci�n receptada por los sensores forman un volumen amplio de datos del cual se requiere extraer patrones por parte del sector industrial, entonces es necesario que estos datos sean preprocesados para que se puedan analizar.

El trabajo m�s relevante en el �rea de preprocesamiento de datos comienza con Yang et al. (2014)[42] el cual proporciona trabajos relacionados sobre m�todos de filtrado de datos utilizando optimizaci�n de per�odos de muestreo no uniformes para redes de sensores inal�mbricos (WSN). Luego, Deepshukha et al. (Bhat et al., 2015)[4] desarroll� un filtro FIR digital de baja potencia en FPGA para la reducci�n de ruido en WSN. Por su parte, Safaei et al. (2022)[33] demostr� un nuevo m�todo que integra el an�lisis de series temporales, la entrop�a y la clasificaci�n aleatoria de bosques. Para el sesgado de datos se introdujo la detecci�n de sesgo para datos no uniformes producidos en algunos sensores ya que operan bajo condiciones discontinuas espaciales como por ejemplo como las causadas por el sombreado en los sistemas fotovoltaicos.

 

Tabla 2. Caracter�sticas de cada subgrupo de la taxonom�a

 

Rosero et al. [30]remarca en su trabajo que se ha profundizado en el preprocesamiento de datos en dispositivos IoT, pero la mayor�a de los m�todos implementados para escenarios espec�ficos no requieren la selecci�n de criterios de filtrado, lo que causa que la detecci�n de valores at�picos sea una tarea dif�cil si los datos son corrompidos por causas externas. Finalmente, gracias a la bibliograf�a consultada se puede detectar que el filtrado de datos tiene problemas por resolver, los cuales est�n m�s enfocados en el proceso de recolecci�n de datos y la frecuencia de muestreo seg�n c�mo trabaja cada sensor, por eso una descripci�n mediante la taxonom�a propuesta en la metodolog�a de este trabajo parece factible para determinar caracter�sticas importantes sobre el sensor IoT (Tabla 2). Los sensores IoT requieren de procesadores para realizar las mediciones, c�lculos y transformaci�n de los datos para enviar informaci�n lo cual aumenta la precisi�n de la medici�n. El avance de estas tecnolog�as con la implementaci�n mejor tecnolog�a ha influido en el desarrollo de las aplicaciones IoT, seg�n demuestra la figura 4 y la figura 5.

Figura 4. Publicaciones de art�culos cient�ficos en IoT aplicados a la agroindustria y ambiente

�Fuente:� Autores del art�culo

Elaborado por: Autores del art�culo

Figura 5. Publicaciones de art�culos cient�ficos en IoT aplicados a la

�agroindustria y ambiente

Fuente: Autores de art�culo

Elaborado por: Autores del art�culo

 

Para la construcci�n de la figura 4 se tomo como base la revis�n bibliogr�fica sobre sensores IoT realizada por Talavera et al. (2017)[35], por otro lado la figura 5 es un compendio de la evoluci�n de las termocuplas en entre los a�os 2006 y 2016, el cual es un instrumento de temperatura que suelen usar los sensores para medir y extraer datos del ambiente. Los datos de sensibilidad fueron recolectados con la lista de calibraci�n de tolerancias� seg�n IEC 584 y luego revisando en que a�o apareci� la tecnolog�a. Podemos observar que la precisi�n del instrumento de medici�n de temperatura con los aos a ido descendiendo gracias al avance tecnol�gico lo que de cierta forma favorece a las aplicaciones IoT en la agroindustria, esto debido a que en este campo de la ingenier�a la medici�n de la temperatura es una variable f�sica importante.

 

Descripci�n de una aplicaci�n IoT basado en GMaaS

La arquitectura de de un sistema basado en GMaaS tiene tres capas importantes, que son: porductores de contexto, el backend y el fronten. La primera capa del sistema genera toda la informaci�n de contexto. Para generar esta informaci�n los dispositivos f�sicos deben poder recopilas informaci�n del entorno, estos equipos consisten en un conjunto de microcontroladores y software para actualizar dispositivos, es decir los sensores se ocupan de recopilar la informaci�n. La segunda capa extrae los datos de la anterior capa realizando y es el que realiza el procesamiento de datos, opera las bases de datos y servicios REST. Por �ltimo, la tercera es la que tendr� interacci�n con el usuario bajo el paradigma de la digitalizaci�n de la agricultura propuesta por Sanchez et al. (2018)[34] en sui trabajo sobre una arquitectura abierta de datos para el control optimo del crecimiento de cultivos. En el siguiente diagrma podemos apreciar mejor las tres capas descritas.

Figura 5. �Diagrama de las capas en un IoT basado en GMaaS

Fuente: Torres et al., 2019[38]

Elaborado por:� Autores del art�culo

 

Con la arquitectura establecida en un modelo GMaaS tiene el objetivo de ofrecer algunos servicios con distintos fines, entre los cuales tenemos: datos hist�ricos, datos en tiempo real, pron�stico del tiempo y modelos. Los modelos son el servicio central de la nuevas plataformas GMaaS y estan basados en los modelos DSS para obtener pron�sticos sobre las condiciones clim�ticas interiores, la producci�n de cultivos o las necesidades de riego, entre otros. Los modelos se implementan en c�digo M utilizando Matlab y se integran como servicios en el entorno Matlab Production Server, donde los modelos de invernadero est�n disponibles para estimar el clima interior, la producci�n de cultivos y los valores de riego (Duan et al., 2015)[8].

 

Tabla 3. Servicios prestados por un sistema GMaaS

 

Con los datos de la tabla 3 nos centraremos en analizar los modelos que existen como servicios en el sistema, seg�n Torres et al. (2019)[38] en modelo clim�tico las variables de respuesta es la temperatura, humedad relativa y la radiaci�n solar, en el modelo clim�tico tenemos el peso de frutos secos,� el peso de frutos secos maduros, el peso total de frutos y el �ndice de �rea foliar, por �ltimo el modelo de irrigaci�n devuelve el tiempo de irrigaci�n, volumen de irrigaci�n y requerimientos de nitr�geno.

 

Estudio de casos de sistemas IoT con GMaaS

En esta etapa b�squeda bibliogr�fica se define un protocolo para aceptar o rechazar un art�culo cient�fico lo cual incluye algunas etapas, las cuales son: preguntas de la revisi�n bibliogr�fica, estrategias de b�squeda, criterios de selecci�n, m�todos de extracci�n y s�ntesis de datos. En el estudio de Talavera et al. (2017)[35] consideran dos preguntas para realizar la� revisi�n bibliogr�fica y son:

1. �Cu�les son las soluciones t�cnicas m�s importantes para el IoT en la agricultura, la industria y el medio ambiente?

2. �Qu� infraestructuras y tecnolog�as son las principales soluciones utilizando IoT en los sectores agroindustrial y ambiental?

La aplicaci�n de las tecnolog�as IOT se debe de beneficiar a corto o medio plazo seg�n aplicado en el campo empresarial que se desea implementar. El desarrollo de la industria 4.0 ha generado un avance en el desarrollo de las tecnolog�as iot, la compa��a BOSH software innovation es uno de los principales promotores en estas tecnolog�as mencionada que ayudan a transformar las actividades de la industria normal tradicional en servicios de la industria 4.0 (Laukotka et al., 2020)[18]. El avance de las TICS ayuda de una forma descomunal a la industria 4.0 puede ayudar a reducir el costo salarial o la productividad por empleado, los costes energ�ticos, la inversi�n del capital y el tama�o medio de la empresa (Xiong & Wang, 2022)[40].

En el trabajo de (Rodriguez, 2022)[29] se estudia una arquitectura IoT inteligente para el sector agrario e industrial que ayuda a solucionar los problemas de interoperabilidad a trav�s de sensores con una accesibilidad cerrada, entre las que destaca herramientas de predicci�n climatol�gica en el interior de un invernadero, crecimiento de cultivo y necesidades futuras de riego para la toma de decisiones, que lleva el nombre de GmaaS, por sus sigles en ingl�s Greenhause models as a service. El impacto de la creaci�n de esta arquitectura se refleja en el reconocimiento por parte de la empresa MathWorks como �Casos pr�cticos de �xito� (Mathworks, 2021)[22].

En estudio de Mu�oz et al. (2022)[25] Se presenta un caso de estudio llamado el modelo de recolecci�n Tomgro y cita a Jones et al. (1999) [17]para mayor informaci�n sobre las ecuaciones y una descripci�n m�s espec�fica de las caracter�sticas , las cuales son:

El n�mero de n�dulos depende de la tasa de nodulaci�n, que depende de la temperatura del invernadero. Los c�lculos de LAI incluyen temperatura media diaria, coeficientes emp�ricos y densidad de plantas. La cantidad total de materia seca depende de la tasa de crecimiento del cultivo. El crecimiento se calcula principalmente en funci�n de la tasa fotosint�tica menos la respiraci�n del cultivo y se calcula utilizando funci�n de distribuci�n seca sobre las ra�ces en funci�n del n�mero de nudos. Los c�lculos de la tasa fotosint�tica se basan en la temperatura del invernadero, la radiaci�n fotosint�ticamente activa (PAR), el CO2 y el LAI. Por otro lado, el t�rmino de respiraci�n se deriv� de la temperatura del invernadero y la materia seca total. La materia seca de la fruta incluye los fen�menos de divisi�n de la fruta y la transici�n de las fases de crecimiento vegetativo a reproductivo. Adem�s, se considera el efecto de la temperatura media del invernadero sobre la distribuci�n entre el crecimiento vegetativo y reproductivo. Finalmente, la materia seca es de frutos maduros inmediatamente proporcion� fruta madura premio. Entonces se calcula usando una funci�n efecto de la temperatura en la maduraci�n de frutos, este c�lculo se activa cuando se alcanza un cierto n�mero de nodos. En resumen, el patr�n de crecimiento de los cultivos de tomate teniendo en cuenta la radiaci�n PAR, la temperatura del invernadero y el suministro de CO2, proporciona la masa seca total, el �ndice de �rea foliar, la materia seca de la fruta, la materia seca de la fruta madura y el n�mero de n�dulos (Jones et al., 1999)[17].

Los autores de este trabajo remarcan que se puede optar por dos opciones de servicio usando el marco de GMaaS, uno a trav�s de matlab en formato JSON y otro a trav�s de un servicio web. En ambos casos, los modelos se ejecutan a trav�s de los mismos datos de entrada, por lo cual los sensores usados son los mismos, entre los que tenemos: el nivel de CO2, la temperatura y la radiaci�n PAR, teniendo en cuenta que existen dos valores de suministro preestablecidos para el CO2, lo que permite a los usuarios observar el impacto que tiene el suministro de CO2 en el cultivo. Los datos receptados por los sensores de temperatura y radiaci�n fueron graficados en relaci�n con el tiempo, los resultados se presentan en la Tabla 4.

Seg�n el modelo es necesario que exista una recolecci�n de datos constante entre variables f�sicas que difieren entre s�, puesto que las tres variables est�n relacionadas a trav�s de un modelo predictivo, lo que requiere de una retroalimentaci�n constante por parte del sensor y el backend del sistema GMaaS. Al observar las caracter�sticas del caso de estudio y los requerimientos que deben tener los datos para el an�lisis se puede aseverar que se trata de un sensor de rango de muestra invariante, utilizando la taxonom�a propuesta en la metodolog�a del presente trabajo. Otro punto clave que permite determinar la naturaleza de los sensores usados en el modelo es el comportamiento en que se presentan los datos, puesto que existe una comunicaci�n y recepci�n de datos continua entonces las gr�ficas de tiempo vs variable aparecer�n de manera suavizada lo cual coincide con el comportamiento de la figura (Tabla 4).

En otro estudio presentado por Berenguel et al. (2020) propone una soluci�n basada en la nube a los problemas del cultivo de plantas de invernadero a trav�s de sistemas IoT, ofreciendo servicios de: datos hist�ricos, valores actuales, pron�stico del tiempo, modelo clim�tico, modelo de producci�n de tomate y modelo de riego.

El modelo clim�tico de invernadero usado est� basado en una combinaci�n de modelo �nico para estimar las condiciones clim�ticas interiores en cuanto a temperatura, radiaci�n global, di�xido de carbono y humedad relativa, lo cual requiere instalar la facilidad de intercambio de informaci�n entre los distintos componentes para disminuir el n�mero de ecuaciones a resolver (Sanchez et al., 2018)[34]. Con este fin, es necesario implementar sensores que tengan comunicaci�n continua entre s� y que facilite la toma de datos continua. Adem�s, se conecta con el modelo de producci�n el cual permite a los usuarios comprender lo que sucede en el invernadero desde el momento en que se inicia una operaci�n hasta el momento en que se solicita un servicio. El modelo de producci�n encapsulado en GMaaS tiene un servicio API REST que se invoca mediante el protocolo HTTP.

Este modelo es proporcionado por los servicios y modelos antes mencionados para la informaci�n del historial de datos y los valores actuales del sensor. La respuesta del modelo devuelve cinco variables al usuario en formato JSON: tiempo, peso seco de la fruta, peso seco total, peso seco de la fruta madura y LAI. Luego en la fase de modelo de irrigaci�n se describe c�mo funciona el modelo de riego de invernaderos interiores, que es uno de los servicios que brinda el sistema GMaaS. El usuario comprende las futuras necesidades de agua del invernadero y recomienda instrucciones de riego para las pr�ximas 48 horas. El modelo se invoca utilizando los datos de entrada que se muestran en la Tabla 3. Las principales variables de estado requeridas por este modelo son sensor de ID, ubicaci�n de ID, fecha de inicio de actividad, fecha actual, latitud y longitud. Entonces se puede inferir que los principales datos requeridos para los dos modelos generados en el sistema GmaaS de la arquitectura estudiada son la temperatura, humedad relativa y radiaci�n solar. La complejidad de los datos que reciben los sensores en un sistema IoT deben tener interconectividad entre ellos para dar param�tros de respuesta que permita al usuario tomar decisiones, lo cu�l requiere de par�metros de entrada que dependen de que modelo se analice dentro del sistema. Por lo cual hacemos una comparaci�n de las variables que existen en los tres modelos que componen GMaaS.

 

 

 

 

 

 

 

 

 

Figura 6. Parametros de entrada y salida en el modelo GMaaS del primer caso

Fuente: Autores del art�culo

Elaborado por:� Autores del art�culo

Figura 7. Parametros de entrada y salida en el modelo GMaaS del

segundo caso

Fuente: Autores del art�culo

Elaborado por:� Autores del art�culo

 

En la Figura 5 y Figura 6 observamos una comparativa de las variables que intervienen en cada modelo del sistema GMaaS de los dos casos de estudio. En primer lugar debemos remarcar que el primer sistema no cuenta con un servicio de modelo de irrigaci�n, ya que el segundo fue presentado un a�o despu�s cuando ya se ten�a un mejor conocimiento sobre los sistemas de agricultura digital. Los modelos clim�ticos y de producci�n si pueden compararse, lo que indica una mayor�a de variables de entrada en los modelos clim�ticos que en los modelos de producci�n, esto coincide con las teor�as de meteorolog�a y climatolog�a, donde los sistemas tienen una alta complejidad multivariante. (Lopez et al., 2021)[19]. De hecho en el mismo trabajo de Mu�oz (2020)[25] se observan dos ejemplos de estudio y presenta los resultados procesados a trav�s de im�genes de valores clim�ticos a trav�s del tiempo, citamos una de esas im�genes en la Tabla 4.

Con toda la informaci�n revisada en los trabajos presentados y como se recibieron antes del procesamiento, podemos utilizar la taxonom�a propuesta en la metodolog�a. De acuerdo con el modelo, se requiere una recopilaci�n continua de datos entre variables clim�ticas que se miden en distintas unidades f�sicas, a pesar de que las tres variables principales est�n relacionadas a trav�s de modelos predictivos con el fin de ejecutar acciones de respuesta. Tales condiciones implican que los sensores tengan una retroalimentaci�n continua de los sensores y sistema interno, es decir con los modelos, para que pueda haber un ajuste de datos con los modelos, esto permite una mejor toma de decisiones (DDS). Mirando las caracter�sticas del caso de estudio y los requisitos para el an�lisis de datos, se puede clasificar� a este sensor del tipo rango de muestra invariable, incluso podemos observar el tipo de gr�ficos generados en la Tabla 4 y coincide con el comportamiento de este tipo de sensores.

 

Tabla 4. Casos de estudio que utilizaron el modelo GMaaS

 

Conclusiones

En este art�culo de revisi�n bibliogr�fica se analiz� c�mo la industria 4.0 ha tomado fuerza en los procesos de la agroindustria a trav�s de aplicaciones IoT en los sistemas agr�colas, para lo cual se han implementado sensores de medici�n de variables f�sicas. Uno de los nuevos modelos bajo este paradigma que ha influido en la agroindustria es el de Greenhouse Model as a Service, el cual realiza una automatizaci�n de los procesos de un invernadero para la toma de decisiones de los agricultores. Se determin� cual es la mejor taxonom�a que permita determinar caracter�sticas importantes de las aplicaciones IoT usados en requiere el modelo GMaaS, para lo cual se usaron criterios de complejidad taxon�mica, la utilidad de los datos con respecto al ambiente y que tipos de variables, lo que concluy� en la elecci�n de la taxonom�a con criterio basado en el procesamiento de los datos y la frecuencia de muestreo.

Se analizo dos casos de estudio que utilizan el modelo GMaaS para crear la arquitectura de su sistema IoT, obtenido como resultado una comparaci�n de las variables de entrada donde los sensores de meteorolog�a tienen m�s complejidad que de producci�n, para poder ajustar a modelos predictivos o de patrones de comportamiento. Se puede concluir que los sensores m�s utilizados en los modelos GMaaS tienen su propia retroalimentaci�n para que pueda haber un ajuste de datos con los modelos, esto permite una mejor toma de decisiones aquellos del tipo de rango de muestra invariante, ya que la arquitectura de estos requiere de una recepci�n constante de datos en el tiempo y la interconectividad de los resultados en los modelos.

Los sensores IoT son herramientas que permiten la interconexi�n e intercambio de informaci�n en tiempo real, en el caso del modelo GMaaS se ha implementado en mejorar la operabilidad de los invernaderos, por lo que la implementaci�n de este modelo en los invernaderos de localidades que se dedican a la agricultura y floricultura ser�a un gran avance industrial. Es recomendable implementar las tecnolog�as IoT en los invernaderos de vegetales y flores que requieren de un constante monitoreo bajo invernadero, como por ejemplo en los cultivares de tomate ubicados en Chugllin, cant�n Chambo y los cultivos de flores ubicados en el barrio Jes�s del Gran poder del cant�n Cevallos de la provincia de Tungurahua.

 

Referencias

1.                                                                                                                                      Al-Fuqaha, A., Guizani, M., Mohammadi, M., Aledhari, M., & Ayyash, M. (2015). Internet of things: A survey on enabling technologies, protocols, and applications. IEEE communications surveys & tutorials, 17(4), 2347-2376.

2.                                                                                                                                      Babar, S., Mahalle, P., Stango, A., Prasad, N., & Prasad, R. (2010). Proposed security model and threat taxonomy for the Internet of Things (IoT). In Recent Trends in Network Security and Applications: Third International Conference, CNSA 2010, Chennai, India, July 23-25, 2010. Proceedings 3 (pp. 420-429). Springer Berlin Heidelberg.

3.                                                                                                                                      Bai, C., Dallasega, P., Orzes, G., & Sarkis, J. (2020). Industry 4.0 technologies assessment: A sustainability perspective. International journal of production economics, 229, 107776.

4.                                                                                                                                      Bhat, D.; Kaur, A.; Singh, S. Wireless sensor network specific low power FIR filter design and implementation on FPGA. In Proceedings of the 2015 2nd International Conference on Computing for Sustainable Global Development (INDIACom), New Delhi, India, 11�13 March 2015; pp. 1534�1536.

5.                                                                                                                                      Ca�as, H., Mula, J., D�az-Madro�ero, M., & Campuzano-Bolar�n, F. (2021). Implementing industry 4.0 principles. Computers & industrial engineering, 158, 107379.

6.                                                                                                                                      Chen, B., Wan, J., Shu, L., Li, P., Mukherjee, M., & Yin, B. (2017). Smart factory of industry 4.0: Key technologies, application case, and challenges. Ieee Access, 6, 6505-6519.

7.                                                                                                                                      Devezas, T., & Sarygulov, A. (2017). Industry 4.0. Basel: Springer. (15) Devezas, T., & Sarygulov, A. (2017). Industry 4.0. Basel: Springer.

8.                                                                                                                                      Duan, Y., Fu, G., Zhou, N., Sun, X., Narendra, N. C., & Hu, B. (2015, June). Everything as a service (XaaS) on the cloud: origins, current and future trends. In 2015 IEEE 8th International Conference on Cloud Computing (pp. 621-628). IEEE.

9.                                                                                                                                      Frank, A. G., Dalenogare, L. S., & Ayala, N. F. (2019). Industry 4.0 technologies: Implementation patterns in manufacturing companies. International Journal of Production Economics, 210, 15-26.

10.                                                                                                                                  Faheem, M., Shah, S. B. H., Butt, R. A., Raza, B., Anwar, M., Ashraf, M. W., ... & Gungor, V. C. (2018). Smart grid communication and information technologies in the perspective of Industry 4.0: Opportunities and challenges. Computer Science Review, 30, 1-30.

11.                                                                                                                                  Fettermann, D. C., Cavalcante, C. G. S., Almeida, T. D. D., & Tortorella, G. L. (2018). How does Industry 4.0 contribute to operations management?. Journal of industrial and Production Engineering, 35(4), 255-268.

12.                                                                                                                                  Fowler, K. R. (2009, February). The future of sensors and sensor networks survey results projecting the next 5 years. In 2009 IEEE Sensors Applications Symposium (pp. 1-6). IEEE.

13.                                                                                                                                  Ghobakhloo, M. (2020). Industry 4.0, digitization, and opportunities for sustainability. Journal of cleaner production, 252, 119869.

14.                                                                                                                                  Gr�ger, C. (2018). Building an Industry 4.0 analytics platform: practical challenges, approaches and future research directions. Datenbank-Spektrum, 18(1), 5-14.

15.                                                                                                                                  Korze, S. Z. (2019). From Industry 4.0 to Tourism 4.0. Innovative issues and approaches in social sciences, 12(3), 29-52.

16.                                                                                                                                  Javaid, M., Haleem, A., Vaishya, R., Bahl, S., Suman, R., & Vaish, A. (2020). Industry 4.0 technologies and their applications in fighting COVID-19 pandemic. Diabetes & Metabolic Syndrome: Clinical Research & Reviews, 14(4), 419-422.

17.                                                                                                                                  Jones, J., Kening, A., and Vallejos, C. (1999). Reduced state-variable tomato growth model. Transactions of ASAE, 42(1), 255�265.

18.                                                                                                                                  Laukotka, F., Hanna, M., & Krause, D. (2021). Digital twins of product families in aviation based on an MBSE-assisted approach. Procedia CIRP, 100, 684-689.

19.                                                                                                                                  L�pez, I. Z., & del Arco, E. C. (2021). Meteorolog�a y climatolog�a. Universidad Nacional de Educaci�n a Distancia�UNED.

20.                                                                                                                                  Masood, T., & Sonntag, P. (2020). Industry 4.0: Adoption challenges and benefits for SMEs. Computers in Industry, 121, 103261.

21.                                                                                                                                  MacRuairi, R.; Keane, M.T.; Coleman, G. A Wireless Sensor Network Application Requirements Taxonomy. In Proceedings of the 2008 Second International Conference on Sensor Technologies and Applications

22.                                                                                                                                  Mathworks (2021) Universidad de Almer�a develops and Deploys Greenhouse Models as a service to Maximize Crop Production � MATLAB simulink. Available at: https://es.mathworks.com/company/user-stories/universidad-de-almeria-develops-and-deploy-greenhause-models-as-a-service-to-maximize-crop-production.html

23.                                                                                                                                  Morrison, W.; Guerdan, L.; Kanugo, J.; Trull, T.; Shang, Y. TigerAware: An Innovative Mobile Survey and Sensor Data Collection and Analytics System. In Proceedings of the 2018 IEEE Third International Conference on Data Science in Cyberspace (DSC)

24.                                                                                                                                  Marcon, P., Zezulka, F., Vesely, I., Szabo, Z., Roubal, Z., Sajdl, O., ... & Dohnal, P. (2017, May). Communication technology for industry 4.0. In 2017 Progress In Electromagnetics Research Symposium-Spring (PIERS) (pp. 1694-1697). IEEE.

25.                                                                                                                                  Mu�oz, M. Berenguel, M., Rodr�guez, F., Torres, M., Guzm�n, J. L. & Molina, J. A. (2020). A new IoT-based platform for greenhouse crop production. IEEE Internet of Things Journal, 9(9), 6325-6334.

26.                                                                                                                                  Nawir, M., Amir, A., Yaakob, N., & Lynn, O. B. (2016, August). Internet of Things (IoT): Taxonomy of security attacks. In 2016 3rd international conference on electronic design (ICED) (pp. 321-326). IEEE.

27.                                                                                                                                  Prause, M. (2019). Challenges of industry 4.0 technology adoption for SMEs: the case of Japan. Sustainability, 11(20), 5807.

28.                                                                                                                                  Ram�rez, A., Berenguel, M., Guzm�n, J. L., & Rodr�guez, F. (2015). Modeling and control of greenhouse crop growth (p. 250). Basel, Switzerland:: Springer International Publishing.

29.                                                                                                                                  Rodriguez, M. M. (2022). IoT aplicado al sector agroindustrial, uso de modelos como servicio y arquitectura cloud. V Jornadas de Doctorado en Inform�tica, 131, 118.

30.                                                                                                                                  Rosero, P. D., L�pez, V. F., & Peluffo, D. H. (2022). A New Data-Preprocessing-Related Taxonomy of Sensors for IoT Applications. Information, 13(5), 241.

31.                                                                                                                                  Rosin, F., Forget, P., Lamouri, S., & Pellerin, R. (2020). Impacts of Industry 4.0 technologies on Lean principles. International Journal of Production Research, 58(6), 1644-1661.

32.                                                                                                                                  Rosza, V., Denisczwicz, M., Dutra, M. L., Ghodous, P., da Silva, C. F., Moayeri, N., ... & Figay, N. (2016, October). An Application Domain-Based Taxonomy for IoT Sensors. In ISPE te (pp. 249-258).

33.                                                                                                                                  Safaei, M., Driss, M., Boulila, W., Sundararajan, E. A., & Safaei, M. (2022). Global outliers detection in wireless sensor networks: A novel approach integrating time‐series analysis, entropy, and random forest‐based classification. Software: Practice and Experience, 52(1), 277-295.

34.                                                                                                                                  S�nchez, J. & Rodr�guez, F., Berenguel, M., & Mu�oz, M. (2018, July). Farms, Fogs and Clouds: Data open-architecture for optimal crop growth control for IoF2020 project. In Proceedings of the European Conference on Agricultural Engineering, Wageningen, The Netherlands (pp. 8-12).

35.                                                                                                                                  Talavera, J. M., Tob�n, L. E., G�mez, J. A., Culman, M. A., Aranda, J. M., Parra, D. T., ... & Garreta, L. E. (2017). Review of IoT applications in agro-industrial and environmental fields. Computers and Electronics in Agriculture, 142, 283-297.

36.                                                                                                                                  Taivalsaari, A., & Mikkonen, T. (2018). A taxonomy of IoT client architectures. IEEE software, 35(3), 83-88.

37.                                                                                                                                  Tiboni, M., Aggogeri, F., Pellegrini, N., & Perani, C. A. (2019). Smart modular architecture for supervision and monitoring of a 4.0 production plant. International Journal of Automation Technology, 13(2), 310-318.

38.                                                                                                                                  Torres, M, Guzm�n, J. L., S�nchez, J. A., Rodr�guez, F., & Mu�oz, M. (2019). Greenhouse models as a service (GMaaS) for simulation and control. IFAC-PapersOnLine, 52(30), 190-195.

39.                                                                                                                                  Ustundag, A., & Cevikcan, E. (2018). Industry 4.0: managing the digital transformation. by Springer Nature.

40.                                                                                                                                  Xiong, M., & Wang, H. (2022). Digital twin applications in aviation industry: A review. The International Journal of Advanced Manufacturing Technology, 121(9-10), 5677-5692.

41.                                                                                                                                  Xu, X., Lu, Y., Vogel-Heuser, B., & Wang, L. (2021). Industry 4.0 and Industry 5.0�Inception, conception and perception. Journal of Manufacturing Systems, 61, 530-535.

42.                                                                                                                                  Yang, B., Zhu, C., & Wang, Z. (2014). Distributed Sampled-Data Filtering over Sensor Networks with Markovian Switching Topologies. Mathematical Problems in Engineering, 2014.

 

 

� 2023 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/).