11.8 Discusión y conclusiones

La acuapónica son sistemas técnicos y biológicos complejos. Por ejemplo, las posibles explicaciones para los peces que no crecen adecuadamente pueden ser pequeñas raciones de alimentos, calidad adversa del agua, problemas técnicos que causan estrés, etc. Debido a la biología inherentemente lenta, las investigaciones científicas de la validez de estas explicaciones serían tediosas y requerirían varios ensayos experimentales para obtener todos los factores importantes y sus interacciones, exigiendo una gran cantidad de instalaciones, experiencia, tiempo de investigación y activos financieros. Por lo tanto, en este capítulo se abordó la cuestión de la modelización de sistemas acuapónicos. En acuapónica, la modelización es necesaria para diferentes objetivos: (i) perspicacia y comprensión, (ii) análisis, (iii) estimación y (iv) gestión y control. Para todos estos objetivos, se requieren modelos adecuados. Por ejemplo, para alcanzar los objetivos ii) y iii), se puede utilizar un enfoque empírico que utilice modelos estadísticos para analizar datos de ensayos experimentales anteriores con el objetivo de extraer la mayor cantidad posible de información sin realizar nuevos experimentos. Los modelos estadísticos pueden revelar los factores más importantes que afectan la producción de peces y cultivos en los sistemas acuapónicos. Los experimentos futuros podrían concentrarse en estos factores, lo que haría más eficaz la utilización de activos de investigación costosos.

La complejidad de los sistemas acuapónicos, debido a su carácter de retroalimentación y a las interacciones entre el RAS y el sistema hidropónico, el tratamiento del agua y el crecimiento de los peces, implica que para cumplir los objetivos (i) y (iv), es decir, comprender u optimizar una planta (configuración, tamaño, peces, piensos, flujos, etc.) con respecto a al coste, la estabilidad, la robustez y la calidad del agua, se requieren modelos teóricos no triviales de la mayoría de los componentes del sistema descritos en este capítulo. La ventaja de estos modelos teóricos presentados sobre los modelos estadísticos es su mayor capacidad para analizar el proceso subyacente a la acuapónica y la posibilidad de modelar el aspecto temporal (dinámica). Los modelos estadísticos sólo confirman o refutan una hipótesis y hasta qué punto las variables covarían, pero no dan evidencia de los procesos subyacentes. Por otro lado, los modelos teóricos permiten simular los procesos según una hipótesis, comparar los datos simulados con los observados, evaluar tanto la hipótesis como el modelo y realizar adaptaciones. La validez de los modelos estadísticos no puede exceder del rango operativo para el que fueron entrenados, mientras que los modelos teóricos pueden definirse y utilizarse para una amplia gama de entornos, siempre que los modelos se validen para estos rangos antes de su aplicación. Por ejemplo, el modelo de regresión múltiple utilizado para evaluar las relaciones entre el crecimiento de peces con Oreochromis niloticus como especie de peces y las variables ambientales en una instalación acuapónica en Alemania no puede aplicarse fácilmente a España con Cyprinus carpio, mientras que un modelo teórico que describe el (por ejemplo, el comportamiento de los peces, la acuicultura, la ecología de agua dulce) como ecuaciones matemáticas pueden ajustarse con relativa facilidad porque los peces y el proceso ecológico subyacentes a ese modelo son básicamente los mismos para los dos sitios.

Sin embargo, los modelos teóricos también requieren que se determinen algunos parámetros tales como constantes de reacción y velocidad de sedimentación de sustancias en el tanque de sedimentación. Esto se logra comúnmente sobre la base del estudio empírico de una o muy pocas instalaciones o, en la mayoría de los casos, de estudios publicados previamente (fuentes secundarias). Los estudios basados en fuentes secundarias tienen limitaciones impuestas por la estructura dada y la cantidad de datos disponibles, que no existen cuando los datos provienen de una configuración experimental diseñada ad hoc para el estudio. Sin embargo, la estimación de los parámetros del modelo utilizando datos experimentales de una instalación acuapónica sólo puede tener problemas de generalización y replicación de los resultados debido a condiciones particulares presentes en el estudio. La escasez de datos a veces impone fuertes restricciones a los modelos que limitan su practicidad. El desarrollo de estudios para la estimación de parámetros con datos primarios que utilizan un mayor número de instalaciones acuapónicas que estudios anteriores, sí ayuda a superar las limitaciones actuales y proporcionar resultados mejores y confiables. Esto, sin embargo, no es un reto fácil para los investigadores de acuapónica.

La simulación de la acuapónica con los modelos matemáticos bajo una amplia gama de condiciones de manejo mejorará la comprensión de la acuapónica, verificará diferentes configuraciones acuapónicas y señalará el camino hacia las estrategias más prometedoras para mejorar las instalaciones acuapónicas. Una vez más, esto puede conducir a una forma más eficiente de realizar experimentos.

En este capítulo también se presentaron algunos instrumentos de modelización. Tradicionalmente, los diagramas de stock y flujo (SFD) se han utilizado para entender los procesos como herramientas de apoyo para el análisis cuantitativo. Se utilizan para comprender el flujo y los flujos de las cantidades, pero carecen de la capacidad de ilustrar la información asociada al flujo y los flujos. El diagrama de bucle causal (CLD) se puede utilizar para transferir el sistema SFD complejo a estructuras de retroalimentación simplificadas comprensibles. Juntos, los SFD y los CLDs definen completamente el sistema de ecuaciones diferenciales. Si solo se requiere una comprensión cualitativa simple del sistema, entonces CLD y SFD pueden ser suficientes, pero si la respuesta requiere una precisión numérica, entonces el problema se puede investigar más a fondo con diagramas de herramientas dinámicas del sistema (SDTD) y posteriormente modelarse en una herramienta de software para la simulación numérica.