Internet de las Cosas (IoT) aplicado a la acuicultura de precisión: Un sistema de vigilancia térmica continua para peceras de producción.
Resumen
El presente trabajo expone el diseño e implementación de un sistema de monitoreo térmico en tiempo real para unidades de producción acuícola, fundamentado en los principios del Internet de las Cosas (IoT) y la Inteligencia de Negocios (Business Intelligence). A diferencia de los métodos de control convencionales, esta propuesta integra una arquitectura de hardware abierto basada en Arduino para la adquisición de datos y el uso de la base de datos de series temporales InfluxDB para el almacenamiento masivo y análisis. El sistema permite transformar variables físicas en información digital estructurada, facilitando la visualización de datos históricos y en tiempo real. Los resultados demuestran que la integración de estas tecnologías optimiza la supervisión de las condiciones biológicas, reduce el margen de error humano y proporciona una base sólida para la toma de decisiones informada en la acuicultura de precisión.
Descargas
Citas
Community. (2023, 24 octubre). Primeros pasos con Arduino e InfluxDB. InfluxData. https://www.influxdata.com/blog/getting-started-arduino-influxdb/
Medrano, K., Hernández, E., Tejada, R., & Moreno, A. (2024). Tecnologías IoT para el monitoreo de la calidad del agua en la acuicultura. European Public & Social Innovation Review, 10, 1-16. https://doi.org/10.31637/epsir-2025-929
Santos, S. (2024, 21 mayo). ESP32: Getting Started with InfluxDB. Random Nerd Tutorials. https://randomnerdtutorials.com/esp32-influxdb/
Villanueva Guzmán, J. C., Arias Peregrino, V. M., Gómez Domínguez, E., Reséndiz, P. Z., & López López, N. (2025). Gestión optimizada de datos acuícolas con IOT: Almacenamiento y procesamiento en la nube. IPSUMTEC, 8(2), 218-228. https://doi.org/10.61117/ipsumtec.v8i2.434
AG Electrónica SAPI de CV. (2024, 9 de julio). Sensor de temperatura a prueba de agua DS18B20. https://agelectronica.lat/pdfs/textos/O/OKY3065-1.PDF
Mendoza Gamiño, A. (2020). Monitoreo de las condiciones del agua en tiempo real para la piscicultura [Presentación de diapositivas]. Universidad Autónoma del Estado de Hidalgo. https://dspace.uaeh.edu.mx/server/api/core/bitstreams/8cd64cf2-0ae5-40da-8e2d-6e64b762e5a9/content
Food and Agriculture Organization of the United Nations. (2023, 13 de enero). Surveillance Data Analysis, Farmer Feedback and Technical Seminar on Tilapia Lake Virus. https://www.fao.org/in-action/aquatic-health-management-biosecurity/events/events-detail/surveillance-data-analysis-farmer-feedback-and-technical-seminar-on-tilapia-lake-virus/en
Organization of the United Nations. (2023, 10 de octubre). Increasing domestic demand in major producers. https://www.fao.org/in-action/globefish/news-events/news/news-detail/Increasing-domestic-demand-in-major-producers
Arduino. (s.f.). Language Reference. Recuperado el 14 de mayo de 2026, de https://docs.arduino.cc/language-reference/
Referencia de la librería cliente de Arduino para InfluxDB
InfluxData. (2025, 9 de abril). Arduino client library. https://docs.influxdata.com/influxdb3/enterprise/reference/client-libraries/v2/arduino/
Food and Agriculture Organization of the United Nations. (s.f.). Tilapia. Recuperado el 14 de mayo de 2026, de https://www.fao.org/in-action/globefish/species-analysis/tilapia/en
Water Quality Prediction for Smart Aquaculture Using Hybrid Deep Learning Models. (2022). IEEE Journals & Magazine | IEEE Xplore. https://ieeexplore.ieee.org/document/9789166
View of Technological innovations are driving precision aquaculture towards a future of transparent, automated, and sustainably efficient production. (s. f.). https://royalacademicpress.com/index.php/arj/article/view/37/48
Rastegari, H., Nadi, F., Lam, S. S., Ikhwanuddin, M., Kasan, N. A., Rahmat, R. F., & Mahari, W. A. W. (2023). Internet of Things in aquaculture: A review of the challenges and potential solutions based on current and future trends. Smart Agricultural Technology, 4, 100187. https://doi.org/10.1016/j.atech.2023.100187
Tilapia Aquaculture in Mexico - Assessment with a focus on social and economic performance. (2021). En FAO eBooks. https://doi.org/10.4060/cb3290en
Fuentes-Pérez, J. F., & Sanz-Ronda, F. J. (2021). A Custom Sensor Network for Autonomous Water Quality Assessment in Fish Farms. Electronics, 10(18), 2192. https://doi.org/10.3390/electronics10182192
Shetty, S., Pai, R. M., & Pai, M. M. M. (2018). Design and implementation of aquaculture resource planning using underwater sensor wireless network. Cogent Engineering, 5(1), 1542576. https://doi.org/10.1080/23311916.2018.1542576
(N.d.). Retrieved May 21, 2026, from http://file:///C:/Users/Usuario/Downloads/admin,+8.pdf
Bravo Villalta, A. I., & Mendoza Aldaz, K. A. (2023). Desarrollo de un sistema de control maestro esclavo utilizando PLC Logo y Arduino para aplicaciones inteligentes de un criadero de tilapias
Encinas, T., & Saúl, E. (2026, January 23). Diseño de un sistema automático para optimizar el crecimiento de truchas arcoíris en jaulas flotantes en el lago Titicaca, distrito de Conima. Pontificia Universidad Católica del Perú. https://tesis.pucp.edu.pe/items/d58532ae-da6d-4c4e-8e60-8713071dd7b0
Derechos de autor 2026 Ernestina Anguiano Bello , José Chávez Solano, María Guadalupe Villasana Salgado, Ian Bernardo Pillado Román, Ariel Vázquez Díaz
Esta obra está bajo licencia internacional Creative Commons Reconocimiento 4.0.
.png)
.png)
1.png)
