IMPLEMENTACIÓN DE UN SISTEMA IOT
PARA MONITOREO EN TIEMPO REAL DE
PARÁMETROS FISICOQUÍMICOS EN
SISTEMAS ACUÍCOLAS
IMPLEMENTATION OF AN IOT SYSTEM FOR REAL-TIME
MONITORING OF PHYSICOCHEMICAL PARAMETERS IN
AQUACULTURE SYSTEMS
Carlos Alberto Bernal Beltrán
Instituto Tecnológico de Ciudad Altamirano, México
Pedro Carachure Olmos
Instituto Tecnológico de Ciudad Altamirano, México
Martin Leyva Carachure
Instituto Tecnológico de Ciudad Altamirano, México
Angelina Salgado León
Instituto Tecnológico de Ciudad Altamirano, México
pág. 6483
DOI: https://doi.org/10.37811/cl_rcm.v10i4.25595
Implementación de un Sistema IoT para Monitoreo en Tiempo Real de
Parámetros Fisicoquímicos en Sistemas Acuícolas
Carlos Alberto Bernal Beltrán1
carlosalberto.bb@cdaltamirano.tecnm.mx
https://orcid.org/0009-0009-3244-8268
TecNM/Instituto Tecnológico de
Ciudad Altamirano
México
Pedro Carachure Olmos
pedro.co@cdaltamirano.tecnm.mx
https://orcid.org/0000-0002-4834-9186
TecNM/Instituto Tecnológico de
Ciudad Altamirano
México
Martin Leyva Carachure
martin.lc@cdaltamirano.tecnm.mx
https://orcid.org/0009-0006-2275-2520
TecNM/Instituto Tecnológico de
Ciudad Altamirano
México
Angelina Salgado León
angelina.sl@cdaltamirano.tecnm.mx
https://orcid.org/0009-0003-6116-6290
TecNM/Instituto Tecnológico de
Ciudad Altamirano
México
RESUMEN
El monitoreo de parámetros fisicoquímicos en sistemas acuícolas es fundamental para garantizar la
productividad y sostenibilidad. Este documento presenta el desarrollo e implementación de un sistema
IoT para la medición en tiempo real de temperatura y sólidos disueltos totales (TDS) en un sistema de
cultivo de tilapia. A partir de datos recolectados durante 14 semanas, se realizó un análisis estadístico
para determinar la relación entre ambas variables. Los resultados evidencian la existencia de patrones
de comportamiento y variabilidad en función de condiciones ambientales, así como la identificación de
valores atípicos asociados a fallas en la transmisión de datos. Se propone un modelo de regresión como
herramienta para la toma de decisiones en la gestión acuícola. Este trabajo demuestra el potencial de
los sistemas IoT como soporte para la optimización de procesos productivos.
Palabras clave: internet de las cosas (IoT); monitoreo en tiempo real; calidad del agua; acuicultura;
sólidos disueltos totales (TDS)
1 Autor principal.
Correspondencia: carlosalberto.bb@cdaltamirano.tecnm.mx
DOI: https://doi.org/10.37811/cl_rcm.v10i4.25595
Implementación de un Sistema IoT para Monitoreo en Tiempo Real de
Parámetros Fisicoquímicos en Sistemas Acuícolas
Carlos Alberto Bernal Beltrán1
carlosalberto.bb@cdaltamirano.tecnm.mx
https://orcid.org/0009-0009-3244-8268
TecNM/Instituto Tecnológico de
Ciudad Altamirano
México
Pedro Carachure Olmos
pedro.co@cdaltamirano.tecnm.mx
https://orcid.org/0000-0002-4834-9186
TecNM/Instituto Tecnológico de
Ciudad Altamirano
México
Martin Leyva Carachure
martin.lc@cdaltamirano.tecnm.mx
https://orcid.org/0009-0006-2275-2520
TecNM/Instituto Tecnológico de
Ciudad Altamirano
México
Angelina Salgado León
angelina.sl@cdaltamirano.tecnm.mx
https://orcid.org/0009-0003-6116-6290
TecNM/Instituto Tecnológico de
Ciudad Altamirano
México
RESUMEN
El monitoreo de parámetros fisicoquímicos en sistemas acuícolas es fundamental para garantizar la
productividad y sostenibilidad. Este documento presenta el desarrollo e implementación de un sistema
IoT para la medición en tiempo real de temperatura y sólidos disueltos totales (TDS) en un sistema de
cultivo de tilapia. A partir de datos recolectados durante 14 semanas, se realizó un análisis estadístico
para determinar la relación entre ambas variables. Los resultados evidencian la existencia de patrones
de comportamiento y variabilidad en función de condiciones ambientales, así como la identificación de
valores atípicos asociados a fallas en la transmisión de datos. Se propone un modelo de regresión como
herramienta para la toma de decisiones en la gestión acuícola. Este trabajo demuestra el potencial de
los sistemas IoT como soporte para la optimización de procesos productivos.
Palabras clave: internet de las cosas (IoT); monitoreo en tiempo real; calidad del agua; acuicultura;
sólidos disueltos totales (TDS)
1 Autor principal.
Correspondencia: carlosalberto.bb@cdaltamirano.tecnm.mx
pág. 6484
Implementation of an IoT System for Real-Time Monitoring of
Physicochemical Parameters in Aquaculture Systems
ABSTRACT
Monitoring physicochemical parameters in aquaculture systems is fundamental to ensuring productivity
and sustainability. This study presents the development and implementation of an IoT system for real-
time monitoring of temperature and total dissolved solids (TDS) in a tilapia aquaculture system. Using
data collected over 14 weeks, a statistical analysis was performed to determine the relationship between
these two variables. The results reveal patterns of behavior and variability depending on environmental
conditions, as well as identifying outliers associated with data transmission failures. A regression model
is proposed as a tool for decision-making in aquaculture management. This work demonstrates the
potential of IoT systems to support the optimization of production processes.
Keywords: internet of things (IoT); real-time monitoring; water quality; aquaculture systems; total
dissolved solids (TDS)
Artículo recibido 20 junio 2026
Aceptado para publicación: 20 julio 2026
Implementation of an IoT System for Real-Time Monitoring of
Physicochemical Parameters in Aquaculture Systems
ABSTRACT
Monitoring physicochemical parameters in aquaculture systems is fundamental to ensuring productivity
and sustainability. This study presents the development and implementation of an IoT system for real-
time monitoring of temperature and total dissolved solids (TDS) in a tilapia aquaculture system. Using
data collected over 14 weeks, a statistical analysis was performed to determine the relationship between
these two variables. The results reveal patterns of behavior and variability depending on environmental
conditions, as well as identifying outliers associated with data transmission failures. A regression model
is proposed as a tool for decision-making in aquaculture management. This work demonstrates the
potential of IoT systems to support the optimization of production processes.
Keywords: internet of things (IoT); real-time monitoring; water quality; aquaculture systems; total
dissolved solids (TDS)
Artículo recibido 20 junio 2026
Aceptado para publicación: 20 julio 2026
pág. 6485
INTRODUCCIÓN
La calidad del agua que constituye un factor crítico en los sistemas de producción acuícola, ya que
influye directamente en la salud, crecimiento y supervivencia de las especies cultivadas. Variables como
la temperatura, el pH, la turbidez y la concentración de compuestos disueltos determinan las condiciones
del entorno acuático (Stojanovic y Chaudhary, 2023), por lo que su monitoreo continuo resulta
indispensable para garantizar la productividad y sostenibilidad del sistema.
El monitoreo convencional de la calidad del agua en sistemas acuícolas se basa principalmente en
mediciones manuales y análisis periódicos de laboratorio, lo que limita la detección oportuna de
variaciones críticas en las condiciones fisicoquímicas del sistema. Aunque, estos enfoques presentan
limitaciones importantes, como la baja frecuencia de medición, el retraso en la detección de anomalías
y el alto consumo de tiempo y recursos, lo que dificulta la toma de decisiones oportunas en escenarios
productivos dinámicos (Stojanovic y Chaudhary, 2023).
Por otra parte, el Internet de las Cosas (IoT) ha surgido como una alternativa tecnológica que permite
el monitoreo en tiempo real de parámetros ambientales mediante sensores interconectados. Estos
sistemas facilitan la recopilación continua de datos, su transmisión remota y su visualización en
plataformas digitales, lo que posibilita una gestión más eficiente y precisa de los sistemas acuícolas
(Chen et al., 2022; Lin et al., 2021; Putra et al., 2024).
Diversos estudios han demostrado que la implementación de sensores para medir variables como
temperatura, pH, oxígeno disuelto y conductividad eléctrica mejora significativamente el control de las
condiciones del agua y reduce los riesgos asociados a cambios abruptos en el entorno (Lin et al., 2021).
Asimismo, la integración de tecnologías IoT con plataformas de análisis en la nube permite no solo el
monitoreo en tiempo real, sino también el procesamiento de datos históricos para la generación de
modelos predictivos, facilitando la toma de decisiones basada en evidencia (Putra et al., 2024).
METODOLOGÍA
El sistema IoT permitió la adquisición automatizada de datos de temperatura y sólidos disueltos totales
(TDS), los cuales fueron transmitidos y almacenados en una plataforma en la nube para su posterior
análisis estadístico.
INTRODUCCIÓN
La calidad del agua que constituye un factor crítico en los sistemas de producción acuícola, ya que
influye directamente en la salud, crecimiento y supervivencia de las especies cultivadas. Variables como
la temperatura, el pH, la turbidez y la concentración de compuestos disueltos determinan las condiciones
del entorno acuático (Stojanovic y Chaudhary, 2023), por lo que su monitoreo continuo resulta
indispensable para garantizar la productividad y sostenibilidad del sistema.
El monitoreo convencional de la calidad del agua en sistemas acuícolas se basa principalmente en
mediciones manuales y análisis periódicos de laboratorio, lo que limita la detección oportuna de
variaciones críticas en las condiciones fisicoquímicas del sistema. Aunque, estos enfoques presentan
limitaciones importantes, como la baja frecuencia de medición, el retraso en la detección de anomalías
y el alto consumo de tiempo y recursos, lo que dificulta la toma de decisiones oportunas en escenarios
productivos dinámicos (Stojanovic y Chaudhary, 2023).
Por otra parte, el Internet de las Cosas (IoT) ha surgido como una alternativa tecnológica que permite
el monitoreo en tiempo real de parámetros ambientales mediante sensores interconectados. Estos
sistemas facilitan la recopilación continua de datos, su transmisión remota y su visualización en
plataformas digitales, lo que posibilita una gestión más eficiente y precisa de los sistemas acuícolas
(Chen et al., 2022; Lin et al., 2021; Putra et al., 2024).
Diversos estudios han demostrado que la implementación de sensores para medir variables como
temperatura, pH, oxígeno disuelto y conductividad eléctrica mejora significativamente el control de las
condiciones del agua y reduce los riesgos asociados a cambios abruptos en el entorno (Lin et al., 2021).
Asimismo, la integración de tecnologías IoT con plataformas de análisis en la nube permite no solo el
monitoreo en tiempo real, sino también el procesamiento de datos históricos para la generación de
modelos predictivos, facilitando la toma de decisiones basada en evidencia (Putra et al., 2024).
METODOLOGÍA
El sistema IoT permitió la adquisición automatizada de datos de temperatura y sólidos disueltos totales
(TDS), los cuales fueron transmitidos y almacenados en una plataforma en la nube para su posterior
análisis estadístico.
pág. 6486
El uso de sistemas basados en el Internet de las Cosas (IoT) en acuicultura ha demostrado ser una
herramienta eficiente para el monitoreo continuo de parámetros ambientales, permitiendo la toma de
decisiones en tiempo real y reduciendo la dependencia de la supervisión manual (Chen et al., 2022).
Enfoque y diseño de investigación
El estudio se desarrolló bajo un enfoque cuantitativo basado en la adquisición automatizada de datos
mediante sensores electrónicos para el monitoreo de variables fisicoquímicas del agua.
De igual forma, el estudio corresponde a un diseño no experimental, observacional y longitudinal, ya
que las variables no fueron manipuladas, sino registradas en condiciones reales de operación a lo largo
del tiempo. Asimismo, el alcance es descriptivo-correlacional, debido a que se caracterizó el
comportamiento de las variables y se evaluó la relación entre ellas.
Sistema IoT implementado
Para la recolección de datos se implementó un sistema basado en el Internet de las Cosas (IoT), el cual
integró un microcontrolador ESP32 con conectividad WiFi y Bluetooth 4.2, un sensor de temperatura
sumergible y un sensor de sólidos disueltos totales (TDS) basado en conductividad eléctrica. Estos
dispositivos fueron conectados a la plataforma ThingSpeak, utilizada para el almacenamiento y
visualización de los datos.
El sistema fue diseñado para realizar mediciones en tiempo real, transmitiendo la información de
manera inalámbrica hacia la nube, donde los datos fueron organizados y almacenados para su posterior
análisis.
Área de estudio
El sistema IoT fue implementado en un sistema de producción acuícola en geomembranas ubicado en
el Instituto Tecnológico de Ciudad Altamirano, Guerrero, México, donde se cultiva tilapia
(Oreochromis niloticus). Las condiciones climáticas de la región, caracterizadas por altas temperaturas,
hacen particularmente relevante el monitoreo continuo de la calidad del agua.
Población, muestra y muestreo
La población de estudio estuvo conformada por los registros de las variables fisicoquímicas del agua
generados por el sistema IoT. Se empleó un muestreo no probabilístico por conveniencia, considerando
la disponibilidad del sistema instalado.
El uso de sistemas basados en el Internet de las Cosas (IoT) en acuicultura ha demostrado ser una
herramienta eficiente para el monitoreo continuo de parámetros ambientales, permitiendo la toma de
decisiones en tiempo real y reduciendo la dependencia de la supervisión manual (Chen et al., 2022).
Enfoque y diseño de investigación
El estudio se desarrolló bajo un enfoque cuantitativo basado en la adquisición automatizada de datos
mediante sensores electrónicos para el monitoreo de variables fisicoquímicas del agua.
De igual forma, el estudio corresponde a un diseño no experimental, observacional y longitudinal, ya
que las variables no fueron manipuladas, sino registradas en condiciones reales de operación a lo largo
del tiempo. Asimismo, el alcance es descriptivo-correlacional, debido a que se caracterizó el
comportamiento de las variables y se evaluó la relación entre ellas.
Sistema IoT implementado
Para la recolección de datos se implementó un sistema basado en el Internet de las Cosas (IoT), el cual
integró un microcontrolador ESP32 con conectividad WiFi y Bluetooth 4.2, un sensor de temperatura
sumergible y un sensor de sólidos disueltos totales (TDS) basado en conductividad eléctrica. Estos
dispositivos fueron conectados a la plataforma ThingSpeak, utilizada para el almacenamiento y
visualización de los datos.
El sistema fue diseñado para realizar mediciones en tiempo real, transmitiendo la información de
manera inalámbrica hacia la nube, donde los datos fueron organizados y almacenados para su posterior
análisis.
Área de estudio
El sistema IoT fue implementado en un sistema de producción acuícola en geomembranas ubicado en
el Instituto Tecnológico de Ciudad Altamirano, Guerrero, México, donde se cultiva tilapia
(Oreochromis niloticus). Las condiciones climáticas de la región, caracterizadas por altas temperaturas,
hacen particularmente relevante el monitoreo continuo de la calidad del agua.
Población, muestra y muestreo
La población de estudio estuvo conformada por los registros de las variables fisicoquímicas del agua
generados por el sistema IoT. Se empleó un muestreo no probabilístico por conveniencia, considerando
la disponibilidad del sistema instalado.
pág. 6487
La recolección de datos se realizó durante un periodo de 14 semanas (septiembre a diciembre de 2025),
obteniendo un total de 73 observaciones válidas, las cuales fueron utilizadas para el análisis estadístico.
Recolección de datos
La recolección de datos se llevó a cabo de manera automatizada mediante el sistema IoT, registrando
continuamente valores de temperatura del agua y sólidos disueltos totales (TDS). Los datos fueron
transmitidos y almacenados en la plataforma ThingSpeak.
Posteriormente, se realizó un proceso de depuración de datos, eliminando registros erróneos asociados
principalmente a fallas de conectividad, identificados como valores nulos, en cero o inconsistentes.
Análisis de datos
El análisis de datos se realizó en el entorno de programación R Studio, utilizando herramientas de
análisis estadístico y visualización. Se aplicaron técnicas de estadística descriptiva para caracterizar las
variables, incluyendo medidas de tendencia central y dispersión.
Asimismo, se utilizaron gráficos de dispersión para explorar la relación entre las variables, junto con el
coeficiente de correlación de Pearson para medir la asociación entre la temperatura y los TDS.
Adicionalmente, se aplicó un modelo de regresión lineal simple con el propósito de evaluar la capacidad
explicativa de la temperatura sobre los niveles de TDS.
El uso de estos métodos se sustenta en la literatura, donde se señala que las técnicas estadísticas
constituyen herramientas fundamentales para interpretar adecuadamente datos ambientales y evitar
conclusiones erróneas (Ali y Bhaskar, 2016). Asimismo, los modelos estadísticos permiten analizar
variables ambientales con un menor requerimiento de datos y capacidad para representar relaciones
complejas (Laanaya et al., 2017).
Consideraciones éticas
El estudio no implicó intervención directa sobre organismos vivos ni manipulación experimental del
sistema productivo. Se contó con la autorización institucional para la implementación del sistema IoT
en el área acuícola, y los datos obtenidos fueron utilizados exclusivamente con fines académicos y de
investigación.
La recolección de datos se realizó durante un periodo de 14 semanas (septiembre a diciembre de 2025),
obteniendo un total de 73 observaciones válidas, las cuales fueron utilizadas para el análisis estadístico.
Recolección de datos
La recolección de datos se llevó a cabo de manera automatizada mediante el sistema IoT, registrando
continuamente valores de temperatura del agua y sólidos disueltos totales (TDS). Los datos fueron
transmitidos y almacenados en la plataforma ThingSpeak.
Posteriormente, se realizó un proceso de depuración de datos, eliminando registros erróneos asociados
principalmente a fallas de conectividad, identificados como valores nulos, en cero o inconsistentes.
Análisis de datos
El análisis de datos se realizó en el entorno de programación R Studio, utilizando herramientas de
análisis estadístico y visualización. Se aplicaron técnicas de estadística descriptiva para caracterizar las
variables, incluyendo medidas de tendencia central y dispersión.
Asimismo, se utilizaron gráficos de dispersión para explorar la relación entre las variables, junto con el
coeficiente de correlación de Pearson para medir la asociación entre la temperatura y los TDS.
Adicionalmente, se aplicó un modelo de regresión lineal simple con el propósito de evaluar la capacidad
explicativa de la temperatura sobre los niveles de TDS.
El uso de estos métodos se sustenta en la literatura, donde se señala que las técnicas estadísticas
constituyen herramientas fundamentales para interpretar adecuadamente datos ambientales y evitar
conclusiones erróneas (Ali y Bhaskar, 2016). Asimismo, los modelos estadísticos permiten analizar
variables ambientales con un menor requerimiento de datos y capacidad para representar relaciones
complejas (Laanaya et al., 2017).
Consideraciones éticas
El estudio no implicó intervención directa sobre organismos vivos ni manipulación experimental del
sistema productivo. Se contó con la autorización institucional para la implementación del sistema IoT
en el área acuícola, y los datos obtenidos fueron utilizados exclusivamente con fines académicos y de
investigación.
pág. 6488
Criterios de inclusión y exclusión
Se consideraron como criterios de inclusión los registros completos de temperatura y TDS generados
dentro del periodo de estudio y provenientes del sistema IoT en condiciones de operación normal. Por
otro lado, se excluyeron registros incompletos, datos con errores de lectura y valores atípicos derivados
de fallas de conectividad o del sensor.
Limitaciones del estudio
Entre las principales limitaciones del estudio se encuentran el uso de un número limitado de variables
(temperatura y TDS), posibles variaciones en la precisión de los sensores, la influencia de factores
externos no controlados como las condiciones climáticas y el manejo del sistema, así como el alcance
local del sistema evaluado.
RESULTADOS
Durante el periodo de estudio se analizaron un total de 73 observaciones válidas correspondientes a las
variables temperatura y sólidos disueltos totales (TDS), obtenidas mediante el sistema IoT
implementado en el sistema acuícola.
Análisis descriptivo
En la Tabla 1 se presentan los estadísticos descriptivos de las variables analizadas.
Tabla 1. Estadísticos descriptivos de temperatura y TDS.
Variable n Media Desv. Est. Mínimo Máximo
Temperatura (°C) 73 30.45 1.56 20.94 32.87
TDS (g/L) 73 5.71 0.61 3.50 6.75
Los resultados muestran que la temperatura del agua presentó una media de 30.45 °C con una desviación
estándar de 1.56, lo que evidencia una variabilidad moderada atribuida principalmente a las condiciones
ambientales de la región. Por su parte, los sólidos disueltos totales (TDS) registraron una media de 5.71
g/L y una desviación estándar de 0.61, indicando una relativa estabilidad en su comportamiento a lo
largo del periodo de monitoreo.
En conjunto, estos resultados permiten identificar que, aunque ambas variables presentan fluctuaciones,
los TDS tienden a mantenerse dentro de un rango más controlado en comparación con la temperatura,
lo que sugiere la influencia de factores adicionales en su dinámica dentro del sistema acuícola.
Criterios de inclusión y exclusión
Se consideraron como criterios de inclusión los registros completos de temperatura y TDS generados
dentro del periodo de estudio y provenientes del sistema IoT en condiciones de operación normal. Por
otro lado, se excluyeron registros incompletos, datos con errores de lectura y valores atípicos derivados
de fallas de conectividad o del sensor.
Limitaciones del estudio
Entre las principales limitaciones del estudio se encuentran el uso de un número limitado de variables
(temperatura y TDS), posibles variaciones en la precisión de los sensores, la influencia de factores
externos no controlados como las condiciones climáticas y el manejo del sistema, así como el alcance
local del sistema evaluado.
RESULTADOS
Durante el periodo de estudio se analizaron un total de 73 observaciones válidas correspondientes a las
variables temperatura y sólidos disueltos totales (TDS), obtenidas mediante el sistema IoT
implementado en el sistema acuícola.
Análisis descriptivo
En la Tabla 1 se presentan los estadísticos descriptivos de las variables analizadas.
Tabla 1. Estadísticos descriptivos de temperatura y TDS.
Variable n Media Desv. Est. Mínimo Máximo
Temperatura (°C) 73 30.45 1.56 20.94 32.87
TDS (g/L) 73 5.71 0.61 3.50 6.75
Los resultados muestran que la temperatura del agua presentó una media de 30.45 °C con una desviación
estándar de 1.56, lo que evidencia una variabilidad moderada atribuida principalmente a las condiciones
ambientales de la región. Por su parte, los sólidos disueltos totales (TDS) registraron una media de 5.71
g/L y una desviación estándar de 0.61, indicando una relativa estabilidad en su comportamiento a lo
largo del periodo de monitoreo.
En conjunto, estos resultados permiten identificar que, aunque ambas variables presentan fluctuaciones,
los TDS tienden a mantenerse dentro de un rango más controlado en comparación con la temperatura,
lo que sugiere la influencia de factores adicionales en su dinámica dentro del sistema acuícola.
pág. 6489
Relación entre temperatura y TDS
La relación entre la temperatura y los niveles de TDS se presenta en la Figura 1, mediante un gráfico
de dispersión.
Figura 1. Relación entre temperatura y TDS mediante gráfico de dispersión.
La distribución de los datos evidencia ausencia de una tendencia lineal significativa entre la temperatura
y los niveles de TDS, lo que sugiere un comportamiento multifactorial en la dinámica fisicoquímica del
sistema acuícola analizado.
Asimismo, la evolución temporal de ambas variables se presenta en la Figura 2.
Figura 2. Comportamiento temporal de temperatura y TDS durante el periodo de estudio.
En esta representación se observa que las fluctuaciones de la temperatura no se corresponden
directamente con cambios proporcionales en los niveles de TDS, lo que refuerza la evidencia de una
baja dependencia entre ambas variables en el sistema analizado.
Relación entre temperatura y TDS
La relación entre la temperatura y los niveles de TDS se presenta en la Figura 1, mediante un gráfico
de dispersión.
Figura 1. Relación entre temperatura y TDS mediante gráfico de dispersión.
La distribución de los datos evidencia ausencia de una tendencia lineal significativa entre la temperatura
y los niveles de TDS, lo que sugiere un comportamiento multifactorial en la dinámica fisicoquímica del
sistema acuícola analizado.
Asimismo, la evolución temporal de ambas variables se presenta en la Figura 2.
Figura 2. Comportamiento temporal de temperatura y TDS durante el periodo de estudio.
En esta representación se observa que las fluctuaciones de la temperatura no se corresponden
directamente con cambios proporcionales en los niveles de TDS, lo que refuerza la evidencia de una
baja dependencia entre ambas variables en el sistema analizado.
pág. 6490
Análisis de correlación
El análisis de correlación de Pearson se presenta en la Tabla 2.
Tabla 2. Análisis de correlación de Pearson entre la temperatura y los sólidos disueltos totales (TDS).
Variable 1 Variable 2 r p-value IC 95%
Temperatura (°C) TDS (g/L) -0.098 0.409 [-0.320, 0.135]
Los resultados indican que no existe una relación estadísticamente significativa entre la temperatura y
los niveles de TDS (p > 0.05). La magnitud del coeficiente de correlación sugiere una asociación
negativa muy débil, lo que implica que los cambios en la temperatura no se relacionan de manera directa
con variaciones en los sólidos disueltos totales.
Análisis de regresión lineal
Con el objetivo de evaluar la capacidad explicativa de la temperatura sobre los niveles de TDS, se ajustó
un modelo de regresión lineal simple, cuyos resultados se presentan en la Tabla 3.
Tabla 3.
Resultados del modelo de regresión lineal simple entre temperatura y sólidos disueltos totales (TDS).
Variable Coeficiente Error estándar p-value
Intercepto 6.874 1.400 <0.001
Temperatura (°C) -0.038 0.046 0.409
El coeficiente de determinación obtenido indica una baja capacidad explicativa del modelo, lo que
sugiere que la temperatura no es un predictor significativo de los niveles de TDS. Asimismo, el
coeficiente asociado a la variable temperatura no resultó estadísticamente significativo (p > 0.05), lo
que confirma la debilidad de la relación entre ambas variables.
Modelo no lineal (regresión polinomial)
Con el fin de explorar posibles relaciones no lineales, se evaluó un modelo de regresión polinomial de
segundo grado, cuyos resultados se presentan en la Tabla 4.
Tabla 4. Resultados del modelo de regresión polinomial de segundo grado entre temperatura y sólidos
disueltos totales (TDS).
Término Coeficiente Error estándar p-value
Intercepto 5.713 0.071 <0.001
Temperatura (grado 1) -0.503 0.605 0.408
Temperatura (grado 2) -0.699 0.605 0.252
Análisis de correlación
El análisis de correlación de Pearson se presenta en la Tabla 2.
Tabla 2. Análisis de correlación de Pearson entre la temperatura y los sólidos disueltos totales (TDS).
Variable 1 Variable 2 r p-value IC 95%
Temperatura (°C) TDS (g/L) -0.098 0.409 [-0.320, 0.135]
Los resultados indican que no existe una relación estadísticamente significativa entre la temperatura y
los niveles de TDS (p > 0.05). La magnitud del coeficiente de correlación sugiere una asociación
negativa muy débil, lo que implica que los cambios en la temperatura no se relacionan de manera directa
con variaciones en los sólidos disueltos totales.
Análisis de regresión lineal
Con el objetivo de evaluar la capacidad explicativa de la temperatura sobre los niveles de TDS, se ajustó
un modelo de regresión lineal simple, cuyos resultados se presentan en la Tabla 3.
Tabla 3.
Resultados del modelo de regresión lineal simple entre temperatura y sólidos disueltos totales (TDS).
Variable Coeficiente Error estándar p-value
Intercepto 6.874 1.400 <0.001
Temperatura (°C) -0.038 0.046 0.409
El coeficiente de determinación obtenido indica una baja capacidad explicativa del modelo, lo que
sugiere que la temperatura no es un predictor significativo de los niveles de TDS. Asimismo, el
coeficiente asociado a la variable temperatura no resultó estadísticamente significativo (p > 0.05), lo
que confirma la debilidad de la relación entre ambas variables.
Modelo no lineal (regresión polinomial)
Con el fin de explorar posibles relaciones no lineales, se evaluó un modelo de regresión polinomial de
segundo grado, cuyos resultados se presentan en la Tabla 4.
Tabla 4. Resultados del modelo de regresión polinomial de segundo grado entre temperatura y sólidos
disueltos totales (TDS).
Término Coeficiente Error estándar p-value
Intercepto 5.713 0.071 <0.001
Temperatura (grado 1) -0.503 0.605 0.408
Temperatura (grado 2) -0.699 0.605 0.252
pág. 6491
El modelo mostró una mejora mínima en el coeficiente de determinación respecto al modelo lineal; sin
embargo, los coeficientes no resultaron estadísticamente significativos y el modelo global tampoco
presentó significancia (p > 0.05).
Estos resultados confirman que no existe una relación funcional clara entre la temperatura y los niveles
de TDS, ni en términos lineales ni no lineales, dentro del sistema acuícola analizado.
DISCUSIÓN
Los resultados obtenidos en este estudio indican que, bajo las condiciones del sistema acuícola
analizado, la temperatura no constituye un factor determinante en la variación de los sólidos disueltos
totales (TDS). Este hallazgo contrasta con la hipótesis inicial planteada, en la cual se esperaba una
relación significativa entre ambas variables.
El análisis estadístico realizado refuerza la validez de estos resultados, ya que, como señalan Ali &
Bhaskar, (2016), la adecuada selección y aplicación de pruebas estadísticas es fundamental para validar
hipótesis y evitar conclusiones sesgadas en estudios cuantitativos. En este sentido, la ausencia de
correlación significativa observada no responde a limitaciones metodológicas, sino a la propia
naturaleza del sistema analizado.
Los resultados obtenidos sugieren que la dinámica de los sólidos disueltos totales en sistemas acuícolas
no depende exclusivamente de la temperatura, sino de la interacción simultánea de múltiples factores
físicos, químicos y biológicos. Este comportamiento coincide con estudios previos que reportan
relaciones no lineales y multifactoriales en ambientes acuáticos complejos (Chen et al., 2022; Laanaya
et al., 2017). En concordancia con lo anterior, la ausencia de una relación significativa entre temperatura
y TDS puede interpretarse como evidencia de un sistema multifactorial, en el que la variabilidad de los
sólidos disueltos está influenciada por factores adicionales.
Entre estos factores se incluyen la alimentación, la acumulación de materia orgánica, la densidad de
organismos, la calidad del agua de entrada y los procesos biológicos internos del sistema. Bajo esta
perspectiva, la temperatura puede desempeñar un papel indirecto en la dinámica del sistema, pero no
actúa como una variable dominante capaz de explicar por sí sola la variabilidad observada en los TDS.
Estos resultados son consistentes con la literatura especializada en acuicultura, donde se reconoce que
la calidad del agua no puede explicarse mediante relaciones lineales simples, debido a la naturaleza
El modelo mostró una mejora mínima en el coeficiente de determinación respecto al modelo lineal; sin
embargo, los coeficientes no resultaron estadísticamente significativos y el modelo global tampoco
presentó significancia (p > 0.05).
Estos resultados confirman que no existe una relación funcional clara entre la temperatura y los niveles
de TDS, ni en términos lineales ni no lineales, dentro del sistema acuícola analizado.
DISCUSIÓN
Los resultados obtenidos en este estudio indican que, bajo las condiciones del sistema acuícola
analizado, la temperatura no constituye un factor determinante en la variación de los sólidos disueltos
totales (TDS). Este hallazgo contrasta con la hipótesis inicial planteada, en la cual se esperaba una
relación significativa entre ambas variables.
El análisis estadístico realizado refuerza la validez de estos resultados, ya que, como señalan Ali &
Bhaskar, (2016), la adecuada selección y aplicación de pruebas estadísticas es fundamental para validar
hipótesis y evitar conclusiones sesgadas en estudios cuantitativos. En este sentido, la ausencia de
correlación significativa observada no responde a limitaciones metodológicas, sino a la propia
naturaleza del sistema analizado.
Los resultados obtenidos sugieren que la dinámica de los sólidos disueltos totales en sistemas acuícolas
no depende exclusivamente de la temperatura, sino de la interacción simultánea de múltiples factores
físicos, químicos y biológicos. Este comportamiento coincide con estudios previos que reportan
relaciones no lineales y multifactoriales en ambientes acuáticos complejos (Chen et al., 2022; Laanaya
et al., 2017). En concordancia con lo anterior, la ausencia de una relación significativa entre temperatura
y TDS puede interpretarse como evidencia de un sistema multifactorial, en el que la variabilidad de los
sólidos disueltos está influenciada por factores adicionales.
Entre estos factores se incluyen la alimentación, la acumulación de materia orgánica, la densidad de
organismos, la calidad del agua de entrada y los procesos biológicos internos del sistema. Bajo esta
perspectiva, la temperatura puede desempeñar un papel indirecto en la dinámica del sistema, pero no
actúa como una variable dominante capaz de explicar por sí sola la variabilidad observada en los TDS.
Estos resultados son consistentes con la literatura especializada en acuicultura, donde se reconoce que
la calidad del agua no puede explicarse mediante relaciones lineales simples, debido a la naturaleza
pág. 6492
interdependiente de sus variables (Chen et al., 2022; Laanaya et al., 2017). Estudios previos han
señalado que los sistemas acuícolas requieren enfoques multivariados para comprender de manera
integral su comportamiento (Chen et al., 2022), lo que coincide con los hallazgos del presente trabajo.
Desde una perspectiva aplicada, uno de los principales aportes de este estudio es la implementación de
un sistema IoT funcional en condiciones reales, el cual permitió la recolección continua de datos y la
detección de anomalías, como registros erróneos asociados a fallas de conectividad. Esta capacidad
representa una ventaja significativa frente a los métodos tradicionales de monitoreo, ya que mejora la
calidad de los datos y facilita una toma de decisiones más oportuna en la gestión del sistema acuícola.
Finalmente, los resultados obtenidos ponen de manifiesto la necesidad de incorporar múltiples variables
en el análisis de la calidad del agua, así como el potencial de las tecnologías IoT para fortalecer los
procesos de monitoreo y gestión en sistemas acuícolas. En este sentido, futuras investigaciones podrían
enfocarse en la integración de modelos multivariados y técnicas predictivas que permitan una
comprensión más completa y precisa de la dinámica del sistema.
CONCLUSIONES
En definitiva, la presente investigación permitió desarrollar e implementar un sistema basado en el
Internet de las Cosas (IoT) para el monitoreo en tiempo real de variables fisicoquímicas en un sistema
acuícola, demostrando su funcionalidad y viabilidad en condiciones reales de operación. El sistema
implementado facilitó la adquisición continua de datos, contribuyendo a mejorar la calidad y
disponibilidad de la información para su análisis.
Los resultados obtenidos evidenciaron que tanto la temperatura como los sólidos disueltos totales (TDS)
presentan un comportamiento relativamente estable durante el periodo de estudio. El análisis estadístico
evidenció que la temperatura no constituye un predictor significativo de los niveles de sólidos disueltos
totales bajo las condiciones evaluadas. Este hallazgo refuerza la naturaleza multifactorial de los sistemas
acuícolas y pone de manifiesto la necesidad de incorporar múltiples variables ambientales para lograr
modelos predictivos más robustos.
Estos resultados confirman la naturaleza compleja y multifactorial de los sistemas acuícolas, en los
cuales la dinámica de la calidad del agua no puede explicarse a partir de relaciones lineales simples
entre variables individuales.
interdependiente de sus variables (Chen et al., 2022; Laanaya et al., 2017). Estudios previos han
señalado que los sistemas acuícolas requieren enfoques multivariados para comprender de manera
integral su comportamiento (Chen et al., 2022), lo que coincide con los hallazgos del presente trabajo.
Desde una perspectiva aplicada, uno de los principales aportes de este estudio es la implementación de
un sistema IoT funcional en condiciones reales, el cual permitió la recolección continua de datos y la
detección de anomalías, como registros erróneos asociados a fallas de conectividad. Esta capacidad
representa una ventaja significativa frente a los métodos tradicionales de monitoreo, ya que mejora la
calidad de los datos y facilita una toma de decisiones más oportuna en la gestión del sistema acuícola.
Finalmente, los resultados obtenidos ponen de manifiesto la necesidad de incorporar múltiples variables
en el análisis de la calidad del agua, así como el potencial de las tecnologías IoT para fortalecer los
procesos de monitoreo y gestión en sistemas acuícolas. En este sentido, futuras investigaciones podrían
enfocarse en la integración de modelos multivariados y técnicas predictivas que permitan una
comprensión más completa y precisa de la dinámica del sistema.
CONCLUSIONES
En definitiva, la presente investigación permitió desarrollar e implementar un sistema basado en el
Internet de las Cosas (IoT) para el monitoreo en tiempo real de variables fisicoquímicas en un sistema
acuícola, demostrando su funcionalidad y viabilidad en condiciones reales de operación. El sistema
implementado facilitó la adquisición continua de datos, contribuyendo a mejorar la calidad y
disponibilidad de la información para su análisis.
Los resultados obtenidos evidenciaron que tanto la temperatura como los sólidos disueltos totales (TDS)
presentan un comportamiento relativamente estable durante el periodo de estudio. El análisis estadístico
evidenció que la temperatura no constituye un predictor significativo de los niveles de sólidos disueltos
totales bajo las condiciones evaluadas. Este hallazgo refuerza la naturaleza multifactorial de los sistemas
acuícolas y pone de manifiesto la necesidad de incorporar múltiples variables ambientales para lograr
modelos predictivos más robustos.
Estos resultados confirman la naturaleza compleja y multifactorial de los sistemas acuícolas, en los
cuales la dinámica de la calidad del agua no puede explicarse a partir de relaciones lineales simples
entre variables individuales.
pág. 6493
En este sentido, se destaca la importancia del uso de herramientas estadísticas como medio para validar
hipótesis y evitar interpretaciones basadas únicamente en observaciones empíricas.
Asimismo, los resultados obtenidos ponen de manifiesto la necesidad de incorporar variables
adicionales, tales como pH, oxígeno disuelto y carga orgánica, con el propósito de lograr una
comprensión más integral del sistema y fortalecer futuros análisis.
Desde una perspectiva aplicada, el sistema IoT desarrollado representa una herramienta útil para la
gestión acuícola, al permitir el monitoreo continuo, la detección de anomalías y el soporte para la toma
de decisiones en tiempo real. Finalmente, el sistema IoT desarrollado constituye una base tecnológica
viable para futuras investigaciones orientadas al desarrollo de modelos predictivos, integración de
inteligencia artificial y automatización de procesos en acuicultura inteligente (Lin et al., 2021).
REFERENCIAS BIBLIOGRAFICAS
Ali, Z., & Bhaskar, S. B. (2016). Basic statistical tools in research and data analysis. Indian Journal of
Anaesthesia, 60(9), 662. https://doi.org/10.4103/0019-5049.190623
Chen, C.-H., Wu, Y.-C., Zhang, J.-X., & Chen, Y.-H. (2022). IoT-Based Fish Farm Water Quality
Monitoring System. Sensors, 22(17), 6700. https://doi.org/10.3390/s22176700
Laanaya, F., St-Hilaire, A., & Gloaguen, E. (2017). Water temperature modelling: Comparison between
the generalized additive model, logistic, residuals regression and linear regression models.
Hydrological Sciences Journal, 62(7), 1078–1093.
https://doi.org/10.1080/02626667.2016.1246799
Lin, J.-Y., Tsai, H.-L., & Lyu, W.-H. (2021). An Integrated Wireless Multi-Sensor System for
Monitoring the Water Quality of Aquaculture. Sensors, 21(24), 8179.
https://doi.org/10.3390/s21248179
Putra, F. P. E., Ubaidi, U., Saputra, R. N., Haris, F. M., & Barokah, S. N. R. (2024). Application of
Internet of Things Technology in Monitoring Water Quality in Fishponds. Brilliance: Research
of Artificial Intelligence, 4(1), Article 1. https://doi.org/10.47709/brilliance.v4i1.4231
Stojanovic, N., & Chaudhary, S. (2023). Real-Time Water Quality Monitoring in Aquaculture using IoT
Sensors and Cloud-Based Analytics. Research Journal of Computer Systems and Engineering,
4(2), Article 2. https://doi.org/10.52710/rjcse.86
En este sentido, se destaca la importancia del uso de herramientas estadísticas como medio para validar
hipótesis y evitar interpretaciones basadas únicamente en observaciones empíricas.
Asimismo, los resultados obtenidos ponen de manifiesto la necesidad de incorporar variables
adicionales, tales como pH, oxígeno disuelto y carga orgánica, con el propósito de lograr una
comprensión más integral del sistema y fortalecer futuros análisis.
Desde una perspectiva aplicada, el sistema IoT desarrollado representa una herramienta útil para la
gestión acuícola, al permitir el monitoreo continuo, la detección de anomalías y el soporte para la toma
de decisiones en tiempo real. Finalmente, el sistema IoT desarrollado constituye una base tecnológica
viable para futuras investigaciones orientadas al desarrollo de modelos predictivos, integración de
inteligencia artificial y automatización de procesos en acuicultura inteligente (Lin et al., 2021).
REFERENCIAS BIBLIOGRAFICAS
Ali, Z., & Bhaskar, S. B. (2016). Basic statistical tools in research and data analysis. Indian Journal of
Anaesthesia, 60(9), 662. https://doi.org/10.4103/0019-5049.190623
Chen, C.-H., Wu, Y.-C., Zhang, J.-X., & Chen, Y.-H. (2022). IoT-Based Fish Farm Water Quality
Monitoring System. Sensors, 22(17), 6700. https://doi.org/10.3390/s22176700
Laanaya, F., St-Hilaire, A., & Gloaguen, E. (2017). Water temperature modelling: Comparison between
the generalized additive model, logistic, residuals regression and linear regression models.
Hydrological Sciences Journal, 62(7), 1078–1093.
https://doi.org/10.1080/02626667.2016.1246799
Lin, J.-Y., Tsai, H.-L., & Lyu, W.-H. (2021). An Integrated Wireless Multi-Sensor System for
Monitoring the Water Quality of Aquaculture. Sensors, 21(24), 8179.
https://doi.org/10.3390/s21248179
Putra, F. P. E., Ubaidi, U., Saputra, R. N., Haris, F. M., & Barokah, S. N. R. (2024). Application of
Internet of Things Technology in Monitoring Water Quality in Fishponds. Brilliance: Research
of Artificial Intelligence, 4(1), Article 1. https://doi.org/10.47709/brilliance.v4i1.4231
Stojanovic, N., & Chaudhary, S. (2023). Real-Time Water Quality Monitoring in Aquaculture using IoT
Sensors and Cloud-Based Analytics. Research Journal of Computer Systems and Engineering,
4(2), Article 2. https://doi.org/10.52710/rjcse.86