Appling machine learning for estimating total suspended solids in BFT aquaculture system

Registro completo de metadados
MetadadosDescriçãoIdioma
Autor(es): dc.contributorUniversidade Estadual Paulista (UNESP)-
Autor(es): dc.contributorFederal University of Rio Grande – FURG-
Autor(es): dc.creatorTeramoto, Érico Tadao-
Autor(es): dc.creatorWasielesky, Wilson-
Autor(es): dc.creatorKrummenauer, Dariano-
Autor(es): dc.creatorBueno, Guilherme Wolff-
Autor(es): dc.creatorProença, Danilo Cintra-
Autor(es): dc.creatorGaona, Carlos Augusto Prata-
Data de aceite: dc.date.accessioned2025-08-21T20:53:51Z-
Data de disponibilização: dc.date.available2025-08-21T20:53:51Z-
Data de envio: dc.date.issued2025-04-29-
Data de envio: dc.date.issued2024-08-01-
Fonte completa do material: dc.identifierhttp://dx.doi.org/10.1016/j.aquaeng.2024.102439-
Fonte completa do material: dc.identifierhttps://hdl.handle.net/11449/297186-
Fonte: dc.identifier.urihttp://educapes.capes.gov.br/handle/11449/297186-
Descrição: dc.descriptionBiofloc Technology (BFT) systems are used to improve water quality and the production of aquatic organisms, and they influence dissolved oxygen, alkalinity, and pH, directly affecting the efficiency and success of this production system. Measuring total suspended solids (TSS) in water demands substantial investments and involves a time-consuming process to obtain results. This delay in obtaining results poses a significant challenge to the operations of these farms. In this study, we applied Artificial Neural Networks (ANN) and Support Vector Machine (SVM) methods based on artificial intelligence and water quality parameters (easy to measure, low cost, and quick response) to identify the most accurate method for measuring TSS. The best TSS estimate was achieved with SVM using nitrite and turbidity as predictive variables, which tended to overestimate the real value by 19 %, presenting a potential for application in estimating TSS in the BFT aquaculture system.-
Descrição: dc.descriptionFinanciadora de Estudos e Projetos-
Descrição: dc.descriptionCoordenação de Aperfeiçoamento de Pessoal de Nível Superior (CAPES)-
Descrição: dc.descriptionFundação de Amparo à Pesquisa do Estado do Rio Grande do Sul-
Descrição: dc.descriptionFundação de Amparo à Pesquisa do Estado de São Paulo (FAPESP)-
Descrição: dc.descriptionConselho Nacional de Desenvolvimento Científico e Tecnológico (CNPq)-
Descrição: dc.descriptionSão Paulo State University (UNESP) School of Agricultural Sciences Department of Fisheries Resources and Aquaculture, Registro-
Descrição: dc.descriptionGraduate Program in Agricultural Engineering of UNESP-
Descrição: dc.descriptionLaboratory of Marine Shrimp Culture Institute of Oceanography Federal University of Rio Grande – FURG-
Descrição: dc.descriptionLaboratory of Ecology of Microorganisms Applied to Aquaculture Institute of Oceanography Federal University of Rio Grande – FURG-
Descrição: dc.descriptionAquaculture Center of UNESP, Jaboticabal-
Descrição: dc.descriptionGraduate Program in Biomaterials and Bioprocess Engineering of UNESP-
Descrição: dc.descriptionSão Paulo State University (UNESP) School of Agricultural Sciences Department of Fisheries Resources and Aquaculture, Registro-
Descrição: dc.descriptionGraduate Program in Agricultural Engineering of UNESP-
Descrição: dc.descriptionAquaculture Center of UNESP, Jaboticabal-
Descrição: dc.descriptionGraduate Program in Biomaterials and Bioprocess Engineering of UNESP-
Descrição: dc.descriptionCAPES: 1527525-
Descrição: dc.descriptionCAPES: 1620404-
Descrição: dc.descriptionFundação de Amparo à Pesquisa do Estado do Rio Grande do Sul: 17/2551-
Descrição: dc.descriptionFAPESP: 2022/02756–4-
Descrição: dc.descriptionFAPESP: 2022/16545–5-
Descrição: dc.descriptionFundação de Amparo à Pesquisa do Estado do Rio Grande do Sul: 21/2551–0002225–6-
Descrição: dc.descriptionCNPq: 30365/2022–1-
Descrição: dc.descriptionCNPq: 307741/2022–2-
Descrição: dc.descriptionCNPq: 313514/2023–2-
Descrição: dc.descriptionCNPq: 426147/2018–9-
Descrição: dc.descriptionCNPq: 428396/2018–6-
Idioma: dc.languageen-
Relação: dc.relationAquacultural Engineering-
???dc.source???: dc.sourceScopus-
Palavras-chave: dc.subjectANN-
Palavras-chave: dc.subjectArtificial intelligence precision aquaculture-
Palavras-chave: dc.subjectLitopenaeus vannamei-
Palavras-chave: dc.subjectMultiple linear regression-
Palavras-chave: dc.subjectSVM-
Título: dc.titleAppling machine learning for estimating total suspended solids in BFT aquaculture system-
Tipo de arquivo: dc.typelivro digital-
Aparece nas coleções:Repositório Institucional - Unesp

Não existem arquivos associados a este item.