Analítica en la Industria Salmonera

    Waldo Fishwick

                   La incorporación de soluciones analíticas y de Data Science a las distintas industrias se ha ido normalizando cada vez más dada la gran cantidad de información que se posee de las distintas etapas que involucra el desarrollo de cada negocio. Dentro de las industrias presentes en Chile, la salmonicultura es un área bastante atractiva para realizar distintas mejoras, ya sea a nivel de procesos como la sensorización o automatización, o a nivel de planificación y producción, como el aprendizaje predictivo o la optimización. Veamos cómo estas distintas soluciones pueden ser incorporadas en el ciclo de cosecha y que impacto podrían tener en los números del negocio.

                   El primer ámbito mencionado, la sensorización de procesos, consiste en la integración de herramientas que permitan captar datos dentro de cada proceso productivo. Esta captación debe consistir no solo en captar la mayor cantidad de información posible, sino que debe captar la información correcta. Esto implica que se debe desarrollar un análisis de aquellas variables medibles y significativas que influyan en el proceso que se quiere mejorar. Considerar, por ejemplo, la cantidad de Oxígeno Disuelto en el agua (mg/L) o la temperatura durante la jornada a la hora de la alimentación durante el proceso de engorda son variables fundamentales para analizar las condiciones de mantenimiento de la biomasa.

                   Para aquellas operaciones repetitivas y que requieren una monitorización constante, la automatización de procesos es la evolución natural dentro del ciclo de mejoramiento. Esto no solo porque puede apuntar a un aumento en la tasa de producción (en la etapa de fileteado del salmón mejorando la calidad de los cortes, disminuyendo el tiempo de fileteado o aumentado la cantidad de productos envasados) sino que también en el monitoreo de la tasa de alimentación para generar estrategias de racionamiento constante (o en horarios prefijados), en el monitoreo del oxígeno disuelto o la temperatura misma.

    La ciencia de datos en el cultivo de salmones surge una vez que se distinguen aquellas etapas con la que se cuenta suficiente información o para aquellas que ya pasaron por el proceso de sensorización. Esta ciencia de datos busca un entendimiento de los fenómenos que ocurren durante el cultivo, obtener relaciones entre variables productivas, clasificar la información que se posee y generar predicciones sobre variables objetivos. Algunos ejemplos para aclarar sería el hecho de prever cuándo ocurrirá el siguiente evento de cosecha de una generación (considerando la especie, estrategia de alimentación, mortalidad, entre otros), la biomasa total al final de la cosecha (tomando la cantidad smolts de entrada, mortalidad promedio, tipo de alimentación) o una estimación acerca de que cantidad de productos obtendré al final del proceso de envasado (teniendo en mente el peso promedio de salmones cosechados, kilogramos cosechados por cada smolt introducido a engorda, entre otros).

                   La última solución considerada en este artículo viene en una etapa más avanzada y tiene que ver con la optimización. Algunos ejemplos son el testear distintos horarios de alimentación para encontrar el que minimiza las pérdidas de alimento, proporcionar una planificación óptima del itinerario de barcos de cosecha para bajar la incertidumbre de los viajes o disminuir la mortandad de la biomasa asociada a la densidad de la población en las distintas jaulas. Todas estas son alternativas viables para lograr en conjunto una mejora notable en favor del crecimiento económico.

                   En Alaya Digital Solutions ofrecemos todo el espectro de soluciones descritos anteriormente para optimizar el uso de recursos y disminuir el costo de los procesos.

    Analítica en Salmonicultura: El FCR y un ejercicio de predicción

    Dentro de los principales costos que se incurren en la producción de salmones, y en general en toda industria de producción animal, se encuentra el gasto que se realiza para la alimentación de cada generación, pudiendo llegar incluso hasta el 50%del costo total del proceso completo. Dicho costo puede variar entre países, e incluso entre empresas, dependiendo de los insumos utilizados en el alimento, la logística utilizada para entregarlo y el FCR, es decir, la relación entre la cantidad de alimento suministrado versus la masa ganada por la población. En el presente artículo realizaremos un ejercicio simple para poder predecir el FCR obtenido de una generación de salmones cualesquiera en base a ciertas variables que pueden ser observadas durante el proceso de engorda[1].

    Consideremos pues que hemos realizado durante un tiempo distintas observaciones del proceso de engorda, obteniendo información acerca de:

    • La temperatura promedio del agua ambiente (°C)
    • La cantidad de oxigeno promedio disuelto en el agua (mg/L),
    • El peso promedio de cada individuo salido del proceso de engorda (Kg)
    • Porcentaje de mortalidad acumulada presentada al momento de la cosecha.

    Además, pensemos que al finalizar el proceso de engorda hemos podido medir el FCR considerando, por ejemplo, la biomasa inicial de smolts introducidos a engorda, la cantidad de comida suministrada durante todo el proceso y la biomasa resultante al momento de la cosecha. Para estas variables, es posible ver como distribuyen los datos en las siguientes imágenes:

    Con los datos anteriores, entrenamos distintos modelos de aprendizaje supervisado[1] para ver su desempeño y poder elegir quien tiene mayor poder predictivo. Dentro de estos modelos evaluaremos una regresión lineal, una red neuronal, un árbol de decisión y un bosque aleatorio. Las imágenes a continuación muestran como las predicciones se comportan frente al valor real para todos los modelos:

    [1]               Un modelo supervisado consiste en modelo matemático que tiene por objetivo predecir el valor de una función determinada (variable objetivo) a partir de datos de otras variables que se consideren que tienen la capacidad explicativa (variables explicativas). Para esto, el modelo debe ser “entrenado” con distintos valores para las variables de entrada y mostrarle cuales serían los resultados de la función a explicar. Una vez que el modelo ha sido entrenado, el posible testear su desempeño predictivo contrastando el resultado obtenido versus el resultado real.

                  Estos modelos se evaluaron con las siguientes medidas de error:

    A partir de lo anterior podemos concluir que el bosque aleatorio es quien tiene mejor desempeño frente a los datos y variables utilizadas, a pesar de que la regresión lineal sin quitar la simplicidad que la caracteriza logra llegar a un desempeño aceptable. A pesar de esto, un mejor acercamiento consideraría variables no estipuladas dentro de este ejercicio, como por ejemplo la cantidad de comida suministrada durante el proceso, el tipo estrategia de entrega de comida (multiracional o monoracional), comida desperdiciada en cada entrega, entre otra. Si revisamos algunas predicciones a partir de los datos de testeo, podemos entender cómo se relacionan las variables y como se obtienen distintos FCR predichos:

    La idea final detrás de este ejercicio es poder predecir el FCR que tendrá una población llevando una administración adecuada, en el caso que se pueda, de la temperatura, el oxígeno disuelto, peso promedio de los salmones y una tasa de mortalidad controlada. Este FCR obtenido puede ser utilizado, junto con la información de la biomasa inicial de smolts ingresados a engorda y la biomasa final de salmones que se desea obtener al final de la cosecha, para determinar la cantidad total de alimento promedio que debe suministrarse durante toda la engorda. Esto obviamente permite identificar cuáles son las condiciones que otorgan un FCR lo más alto posible, lo que, sumado a una planificación correcta de la biomasa final para producción, resulta en una menor cantidad de alimento entregado durante todo el periodo.

    Otras características que quedan fuera de este ejercicio y que pueden mejorar el FCR y/o disminuir la cantidad de alimentos son el tipo de nutrientes entregados en el alimento y la estrategia de logística ocupada en la repartición del mismo, logrando mejores rendimientos de peso o mayor porcentaje de saciedad de la población.


    [1]          Cabe destacar que la información utilizada fue creada a partir de
    valores vistos en la industria y solo con el propósito de ilustrar las ventajas
    de utilizar herramientas de Analítica y Ciencia de Datos.

    Leave a comment

    Your email address will not be published.