Desarrollo de un sistema de monitoreo para acuaponía en hogares basado en IOT
Bibliographic record
Abstract
La metodología de producir alimentos de forma local es una de las herramientas más importante en la teoría de la soberanía y seguridad alimentaria, y en este perfil productivo el tener proteína animal se convierte en un reto importante a considerar, por diferentes razones de espacio, logística, generación de olores, etc. Así, los cultivos hidropónicos se convierten en una solución, máxime cuando este sistema se transfiere incluyendo el cultivo de peces en estanques que se benefician de la hidroponía. Es así como este tipo de sistema, en donde a la metodología de hidroponía se le agregan peces, se convierte en acuapónico, metodología que requería ser valorada, y así se hizo, usando herramientas agrónicas para su automatización, midiendo variables de temperatura, humedad y pH para controlar la circulación y la temperatura, con la producción de hortalizas y peces en una misma estructura, para comprobar el funcionamiento del modelo, bajo el monitoreo electrónico y la toma remota de datos con actuadores y comunicación inalámbrica a una plataforma web. El resultado fue la construcción de un prototipo que permite la integración de peces con cultivo de hortalizas, bajo un monitoreo remoto con sensores, y la transmisión de datos a una plataforma web. En las conclusiones se hace referencia a las condiciones mínimas de uso de esta metodología con resultados productivos positivos, y las condiciones de manejos para un buen uso del prototipo, de hasta un 90 % de resultados positivos en la producción, el uso eficiente de recursos, y los sistemas remotos de control; esto como una alternativa para la producción integrada de peces y hortalizas en espacios urbanos.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.001 | 0.001 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.000 | 0.000 |
| Scholarly communication | 0.002 | 0.002 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.004 | 0.002 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".