Diseño y despliegue de un sistema de monitoreo basado en IoT para cultivos hidropónicos

Barra lateral del artículo

PDF HTML EPUB PDF (Inglés) HTML (Inglés)
Publicado: Nov 22, 2023
Actualizado: 2023-11-22
Versiones:
2023-11-22 (3)
DOI: https://doi.org/10.17163/ings.n30.2023.01
Palabras clave:
hidroponía, Sigfox, redes neuronales, Ufox, Internet de las cosas, agricultura inteligente

Contenido principal del artículo

Manuel Montaño-Blacio
https://orcid.org/0000-0001-6816-0439
Jorge González-Escarabay
https://orcid.org/0000-0003-1022-0915
Óscar Jiménez-Sarango
https://orcid.org/0000-0003-1824-5930
Leydi Mingo-Morocho
https://orcid.org/0000-0001-6288-3839
César Carrión-Aguirre
https://orcid.org/0000-0001-5522-9353

Resumen

El IoT es tendencia tecnológica que hace posible sistemas inteligentes entre cosas conectadas. Su aplicación se encuentra en diferentes campos, uno de ellos es la agricultura, donde el uso de nuevas técnicas, como la hidroponía, está en auge. Es importante abordar esta área, porque la población mundial alcanzará un aproximado de 9600 millones de habitantes para el 2050, por ende, para satisfacer esta demanda se necesita que el ritmo industrial agrícola sea aún más rápido y preciso. Además, el aumento de la temperatura ambiente y los cambios climáticos por el calentamiento global también están afectando negativamente a la producción agraria. En esta investigación se presenta un sistema de monitoreo IoT escalable basado en la tecnología Sigfox con capacidades de predicción del 89,37 % a través de redes neuronales para aplicaciones agrícolas. Se proporciona una arquitectura efectiva de cuatro capas que consta de percepción, red, middleware y aplicación. Para la validación, el sistema fue construido, probado experimentalmente y validado mediante el monitoreo de la temperatura, humedad y control de la recirculación de nutrientes, en un sistema hidropónico de la ciudad de Loja en Ecuador, durante cinco meses. El sistema desarrollado es lo suficientemente inteligente para proporcionar la acción de control adecuada para el entorno hidropónico, en función de los múltiples parámetros de entrada recopilados, facilitando una gestión efectiva para los agricultores, por ende, mejorando su producción.

Detalles del artículo

Número
Núm. 30 (2023): julio-diciembre
Sección
Ciencias de la Computación
Creative Commons License

Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-CompartirIgual 4.0.

La Universidad Politécnica Salesiana de Ecuador conserva los derechos patrimoniales (copyright) de las obras publicadas y favorecerá la reutilización de las mismas. Las obras se publican en la edición electrónica de la revista bajo una licencia Creative Commons Reconocimiento / No Comercial-Sin Obra Derivada 4.0 Ecuador: se pueden copiar, usar, difundir, transmitir y exponer públicamente.

El autor/es abajo firmante transfiere parcialmente los derechos de propiedad (copyright) del presente trabajo a la Universidad Politécnica Salesiana del Ecuador, para las ediciones impresas.

Se declara además haber respetado los principios éticos de investigación y estar libre de cualquier conflicto de intereses.

El autor/es certifican que este trabajo no ha sido publicado, ni está en vías de consideración para su publicación en ninguna otra revista u obra editorial.

El autor/es se responsabilizan de su contenido y de haber contribuido a la concepción, diseño y realización del trabajo, análisis e interpretación de datos, y de haber participado en la redacción del texto y sus revisiones, así como en la aprobación de la versión que finalmente se remite en adjunto.

 

Referencias

M. A. Montaño Blacio, J. E. Briceño Sarmiento, O. G. Jiménez Sarango, and E. E. González Malla, “Sistema integral de hogar inteligente basado en home assistant y raspberry pi,” Tecnología e innovación frente a los desafíos de un siglo en curso, pp. 101–126, 2021. [Online]. Available: https://bit.ly/3IoQjYn

S. Chen, H. Xu, D. Liu, B. Hu, and H. Wang, “A vision of iot: Applications, challenges, and opportunities with china perspective,” IEEE Internet of Things Journal, vol. 1, no. 4, pp. 349–359, 2014. [Online]. Available: https://doi.org/10.1109/JIOT.2014.2337336

S. Singh, P. K. Sharma, B. Yoon, M. Shojafar, G. H. Cho, and I.-H. Ra, “Convergence of blockchain and artificial intelligence in iot network for the sustainable smart city,” Sustainable Cities and Society, vol. 63, p. 102364, 2020. [Online]. Available: https://doi.org/10.1016/j.scs.2020.102364

A. Medela, B. Cendón, L. González, R. Crespo, and I. Nevares, “Iot multiplatform networking to monitor and control wineries and vineyards,” in 2013 Future Network & Mobile Summit, 2013, pp. 1–10. [Online]. Available: https://bit.ly/3E6vwGx

M. S. Farooq, S. Riaz, A. Abid, T. Umer, and Y. B. Zikria, “Role of iot technology in agriculture: A systematic literature review,” Electronics, vol. 9, no. 2, p. 319, 2020. [Online]. Available: https://doi.org/10.3390/electronics9020319

L. García, L. Parra, J. M. Jimenez, J. Lloret, and P. Lorenz, “Iot-based smart irrigation systems: An overview on the recent trends on sensors and iot systems for irrigation in precision agriculture,” Sensors, vol. 20, no. 4, p. 1042, 2020. [Online]. Available: https://doi.org/10.3390/s20041042

N. Zhang, M. Wang, and N. Wang, “Precision agriculture a worldwide overview,” Computers and Electronics in Agriculture, vol. 36, no. 2, pp. 113–132, 2002. [Online]. Available: https://doi.org/10.1016/S0168-1699(02)00096-0

M. Monica, B. Yeshika, G. S. Abhishek, H. A. Sanjay, and S. Dasiga, “Iot based control and automation of smart irrigation system: An automated irrigation system using sensors, gsm, bluetooth and cloud technology,” in 2017 International Conference on Recent Innovations in Signal processing and Embedded Systems (RISE), 2017, pp. 601–607. [Online]. Available: https://bit.ly/3xlFgsv

C. A. Hernández-Morales, J. M. Luna-Rivera, and R. Perez-Jimenez, “Design and deployment of a practical iot-based monitoring system for protected cultivations,” Computer Communications, vol. 186, pp. 51–64, 2022. [Online]. Available: https://doi.org/10.1016/j.comcom.2022.01.009

M. R. Ramli, P. T. Daely, D.-S. Kim, and J. M. Lee, “Iot-based adaptive network mechanism for reliable smart farm system,” Computers and Electronics in Agriculture, vol. 170, p. 105287, 2020. [Online]. Available: https://doi.org/10.1016/j.compag.2020.105287

R. Zheng, T. Zhang, Z. Liu, and H. Wang, “An eiot system designed for ecological and environmental management of the xianghe segment of china’s grand canal,” International Journal of Sustainable Development & World Ecology, vol. 23, no. 4, pp. 372–380, 2016. [Online]. Available: https://doi.org/10.1080/13504509.2015.1124470

C. Gómez, J. C. Veras, R. Vidal, L. Casals, and J. Paradells, “A sigfox energy consumption model,” Sensors, vol. 19, no. 3, p. 681, 2019. [Online]. Available: https://doi.org/10.3390/s19030681

M. Montaño, R. Torres, P. Ludeña, and F. Sandoval, “Iot management analysis using sdn: Survey,” in Applied Technologies, M. Botto-Tobar, S. Montes León, O. Camacho, D. Chávez, P. Torres-Carrión, and M. Zambrano Vizuete, Eds. Springer International Publishing, 2021, pp. 574–589. [Online]. Available: https://doi.org/10.1007/978-3-030-71503-8_45

R. K. Singh, R. Berkvens, and M. Weyn, “Agrifusion: An architecture for iot and emerging technologies based on a precision agriculture survey,” IEEE Access, vol. 9, pp. 136 253–136 283, 2021. [Online]. Available: https://doi.org/10.1109/ACCESS.2021.3116814

G. Codeluppi, A. Cilfone, L. Davoli, and G. Ferrari, “Lorafarm: A lorawan-based smart farming modular iot architecture,” Sensors, vol. 20, no. 7, p. 2028, 2020. [Online]. Available: https://doi.org/10.3390/s20072028

V. P. Kour and S. Arora, “Recent developments of the internet of things in agriculture: A survey,” IEEE Access, vol. 8, pp. 129 924–129 957, 2020. [Online]. Available:https://doi.org/10.1109/ACCESS.2020.3009298

X. Shi, X. An, Q. Zhao, H. Liu, L. Xia, X. Sun, and Y. Guo, “State-of-the-art internet of things in protected agriculture,” Sensors, vol. 19, no. 8, p. 1833, 2019. [Online]. Available: https://doi.org/10.3390/s19081833

Y. Liu, X. Ma, L. Shu, G. P. Hancke, and A. M. Abu-Mahfouz, “From industry 4.0 to agriculture 4.0: Current status, enabling technologies, and research challenges,” IEEE Transactions on Industrial Informatics, vol. 17, no. 6, pp. 4322–4334, 2021. [Online]. Available: https://doi.org/10.1109/TII.2020.3003910

S. Santiteerakul, A. Sopadang, K. Yaibuathet Tippayawong, and K. Tamvimol, “The role of smart technology in sustainable agriculture: A case study of wangree plant factory,” Sustainability, vol. 12, no. 11, p. 4640, 2020. [Online]. Available: https://doi.org/10.3390/su12114640

R. Pertierra Lazo and J. Quispe Gonzabay, “Análisis económico de lechugas hidropónicas bajo sistema raíz flotante en clima semiárido,” LA GRANJA: Revista de Ciencias de la Vida, vol. 31, no. 1, pp. 118–130, 2020. [Online]. Available: http://doi.org/10.17163/lgr.n31.2020.09

D. D. Olatinwo, A. Abu-Mahfouz, and G. Hancke, “A survey on lpwan technologies in wban for remote health-care monitoring,” Sensors, vol. 19, no. 23, p. 5268, 2019. [Online]. Available: https://doi.org/10.3390/s19235268

C. A. Ruiz and D. J. Matich, Redes Neuronales: Conceptos Básicos y Aplicaciones. Universidad Tecnológica Nacional, Facultad Regional Rosario, 2001. [Online]. Available: https://bit.ly/418PqdY

C. M. Bishop, Pattern Recognition and Machine Learning. Springer, 2006. [Online]. Available: https://bit.ly/3k6Ct3o

I. Ullah, M. Fayaz, N. Naveed, and D. Kim, “Ann based learning to kalman filter algorithm for indoor environment prediction in smart greenhouse,” IEEE Access, vol. 8, pp. 159 371–159 388, 2020. [Online]. Available:https://doi.org/10.1109/ACCESS.2020.3016277

D.-H. Jung, H. S. Kim, C. Jhin, H.-J. Kim, and S. H. Park, “Time-serial analysis of deep neural network models for prediction of climatic conditions inside a greenhouse,” Computers and Electronics in Agriculture, vol. 173, p. 105402, 2020. [Online]. Available: https://doi.org/10.1016/j.compag.2020.105402

R. O. Duda, P. E. Hart, and D. G. Stork, Pattern Classification. John Wiley & Sons, 2012. [Online]. Available: https://bit.ly/3RZpY6g

G. Saavedra, F. Corradini, A. Antúnez, S. Felmer, P. Estay, and P. Sepúlveda, Manual de producción de Lechuga. Instituto de Investigaciones Agropecuarias (INIA)., 2017. [Online]. Available: https://bit.ly/3RY6lf3

E. L. Lehmann and G. Casella, Theory of Point Estimation. Springer Science & Business Media, 2006. [Online]. Available: https://bit.ly/3jX6XFb

S. van Dongen and A. J. Enright, “Metric distances derived from cosine similarity and pearson and spearman correlations,” 2012. [Online]. Available: https://doi.org/10.48550/arXiv.1208.3145