Compensación del déficit de nutrientes en sistema hidropónico tipo NFT
Resumen
El análisis del déficit de nutrientes en un sistema hidropónico tipo NFT es esencial para el correcto desarrollo del cultivo. Dado que la disponibilidad de nutrientes es fundamental para garantizar que las plantas cuentes con los nutrientes necesarios para su crecimiento, por esto el implementar estrategias que permitan su gestión eficiente y en tiempo real el control de las concentraciones de nitrógeno (N), fósforo (P) y potasio (K), así como del suministro de agua, para compensar los déficits de nutrientes. Para dosificar el déficit se implementó un sistema de control ON-OFF, el cual se acciona en base al nivel del déficit máximo fijado por el usuario. Por medio de sensores se verifica continuamente los niveles de pH de la solución circulante y el nivel en el reservorio, esto con el fin de que el sistema se accione al detectar el nivel mínimo para compensar las cantidades faltantes de nutrientes y agua, por medio de sensores de flujo y electroválvula que permiten el paso de las soluciones y agua. El sistema cuenta con un sistema de monitoreo que permite verificar el estado del cultivo para que el usuario tome las acciones correctivas en caso de alguna falla en el sistema. Por otra parte, los datos guardados en una tarjeta microSD permitieron determinar por medio de un análisis estadístico que las cantidades dosificadas difieren en un 5% debido a las limitaciones de los sensores utilizados, pero en comparación un sistema sin regulación automática se encontró que las concentraciones de N, P y K fueron más estables, lo que favoreció el crecimiento de las lechugas y disminuyó el desperdicio de recursos.
Descargas
Citas
Domingues, D. S., Takahashi, H. W., Camara, C. A., & Nixdorf, S. L. (2012). Automated system developed to control pH and concentration of nutrient solution evaluated in hydroponic lettuce production. Computers and Electronics in Agriculture, 84, 53–61. doi:https://doi.org/10.1016/j.compag.2012.02.006
Manav, M., Sameer, S., Suresh, S., & Rijo, J. (2018). IoT based hydroponics system using Deep Neural Networks. Computers and Electronics in Agriculture, 155, 473–486. doi:https://doi.org/10.1016/j.compag.2018.10.015.
Rashid, M., Alioune, S., & Tahsin F, H. (2021). Automated Farming System Using Distributed Controller: A Feasibility Study. ASIAN JOURNAL OF ELECTRICAL AND ELECTRONIC ENGINEERING, 1(1), 21-29. doi:https://doi.org/10.69955/ajoeee.2021.v1i1.11
Suchitrarani , S., Dayanidhi, S., & Khirod, K. (2024). Optimization of an efficient hydroponic cultivation method for high yield of strawberry plants. South African Journal of Botany, 167, 429-440. doi:https://doi.org/10.1016/j.sajb.2024.02.033
Pandey, K., Singh, K., & Singh, A. (2023). Multi-Sensors based smart nutrient reuse management system for closed. Computers and Electronics in Agriculture, 204. doi:https://doi.org/10.1016/j.compag.2022.107495
Sanjuan-Delmás, D., Josa, A., Muñoz, P., Gassó, S., Rieradevall, J., & Gabarrell, X. (2020). Applying nutrient dynamics to adjust the nutrient-water balance in hydroponic crops. A case study with open hydroponic tomato crops from Barcelona. Scientia Horticulturae, 261. doi:https://doi.org/10.1016/j.scienta.2019.108908
Nicol, W., & van Rooyen, I. (2022). Inferential control of the phosphate concentration in hydroponic systems via measurement of the nutrient solution’s pH-buffering capacity. Scientia Horticulturae, 295, 1-8. doi:https://doi.org/10.1016/j.scienta.2021.110820
Yang, T., Samarakoon, U., & Altland, J. (2024). Growth, phytochemical concentration, nutrient uptake, and water consumption of butterhead lettuce in response to hydroponic system design and growing season. Scientia Horticulturae, 332(1), 1-16. doi:https://doi.org/10.1016/j.scienta.2024.113201
Silva, F., Queirós, C., Pinho, T., Boaventura, J., Santos, F., Barroso, T., . . . Martins, R. (2023). Reagent-less spectroscopy towards NPK sensing for hydroponics nutrient solutions. Sensors and Actuators B: Chemical, 395(15). doi:https://doi.org/10.1016/j.snb.2023.134442
Chang, C.-L., Chung, S.-C., Fu, W.-L., & Huang, C.-C. (2021). Artificial intelligence approaches to predict growth, harvest day, and quality of lettuce (Lactuca sativa L.) in a IoT-enabled greenhouse system. Biosystems Engineering, 212, 77-105. doi:https://doi.org/10.1016/j.biosystemseng.2021.09.015
Yang, T., & Kim, H.-J. (2020). Characterizing Nutrient Composition and Concentration in Tomato-, Basil-, and Lettuce-Based Aquaponic and Hydroponic Systems. Water, 12(5), 1-27. doi: https://doi.org/10.3390/w12051259
Casamayor, J., Muñoz, E., Franchino, M., Gallego-Schmid, A., & Shin, H. (2024). Human-powered hydroponic systems: An environmental and economic assessment. Sustainable Production and Consumption, 46, 268-281. doi:https://doi.org/10.1016/j.spc.2024.02.026
