11.8 Discussione e conclusioni

L’acquaponica è un complesso sistema tecnico e biologico. Ad esempio, possibili spiegazioni per i pesci che non crescono correttamente possono essere piccole razioni alimentari, qualità avversa dell’acqua, problemi tecnici che causano stress, ecc. A causa della biologia intrinsecamente lenta, le indagini scientifiche sulla validità di queste spiegazioni sarebbero noiose e richiedono diverse prove sperimentali per ottenere tutti i fattori importanti e le loro interazioni, richiedendo un sacco di strutture, competenze, tempo di ricerca e risorse finanziarie. Pertanto, la questione della modellazione dei sistemi aquaponici è stata affrontata in questo capitolo. In acquaponica, è necessaria la modellazione per diversi obiettivi: i) insight/understanding, ii) analisi, iii) stima e iv) gestione e controllo. Per tutti questi obiettivi, sono necessari modelli appropriati. Ad esempio, per raggiungere gli obiettivi ii) e iii), è possibile utilizzare un approccio empirico che utilizza modelli statistici per analizzare i dati provenienti da precedenti sperimentazioni sperimentali con l’obiettivo di estrarre il maggior numero possibile di informazioni senza condurre nuovi esperimenti. I modelli statistici possono rivelare i fattori più importanti che influiscono sulla produzione di pesci e colture nei sistemi acquaponici. Gli esperimenti futuri potrebbero concentrarsi su questi fattori, rendendo così più efficace l’utilizzo di risorse di ricerca costose.

La complessità dei sistemi acquaponici, dovuta al loro carattere di feedback e alle interazioni tra RAS e sistema idroponico, trattamento delle acque e crescita dei pesci, implica che, al fine di raggiungere gli obiettivi (i) e (iv), ossia comprendere o ottimizzare un impianto (configurazione, dimensioni, pesci, mangimi, flussi, ecc.) nel rispetto dei al costo, alla stabilità, alla robustezza e alla qualità dell’acqua, sono necessari modelli teorici non banali della maggior parte dei componenti del sistema descritti in questo capitolo. Il vantaggio di questi modelli teorici presentati rispetto ai modelli statistici è la loro maggiore capacità di analizzare il processo alla base dell’acquaponica e la possibilità di modellare l’aspetto temporale (dinamica). I modelli statistici confermano o confutano un’ipotesi e fino a che punto le variabili covariano ma non danno prova dei processi sottostanti. D’altra parte, i modelli teorici ci permettono di simulare i processi secondo un’ipotesi, confrontare simulati con dati osservati, valutare sia l’ipotesi che il modello e apportare adattamenti. La validità dei modelli statistici non può superare l’intervallo operativo per cui sono stati addestrati, mentre i modelli teorici possono essere definiti e utilizzati per un’ampia gamma di ambienti, a condizione che i modelli siano convalidati per tali intervalli prima dell’applicazione. Ad esempio, il modello di regressione multipla utilizzato per valutare le relazioni tra la crescita dei pesci con Oreochromis niloticus come specie ittiche e variabili ambientali in un impianto acquaponico in Germania non può essere facilmente applicato alla Spagna con Cyprinus carpio, mentre un modello teorico che descrive il sottostante processi (ad esempio comportamento dei pesci, acquacoltura, ecologia delle acque dolci) come equazioni matematiche possono essere regolati relativamente facilmente perché il pesce e il processo ecologico alla base di tale modello sono sostanzialmente gli stessi per i due siti.

Tuttavia, i modelli teorici richiedono anche alcuni parametri come le costanti di reazione e la velocità di sedimentazione della sostanza nel serbatoio di sedimentazione. Ciò si ottiene comunemente sulla base dello studio empirico di una struttura o di pochissime strutture o, nella maggior parte dei casi, da studi pubblicati in precedenza (fonti secondarie). Gli studi basati su fonti secondarie presentano limitazioni imposte dalla struttura e dalla quantità dei dati disponibili, che non esiste quando i dati provengono da una configurazione sperimentale progettata ad hoc per lo studio. Tuttavia, la stima dei parametri del modello utilizzando dati sperimentali provenienti da un solo impianto acquaponico può avere problemi di generalizzabilità e replicazione dei risultati a causa di particolari condizioni presenti nello studio. La scarsità di dati a volte impone forti restrizioni ai modelli che ne limitano la praticità. Lo sviluppo di studi per la stima dei parametri con dati primari che utilizzano un numero maggiore di strutture acquaponiche rispetto agli studi precedenti aiuta a superare le attuali limitazioni e a fornire risultati migliori e affidabili. Questa, tuttavia, non è una sfida facile per i ricercatori di acquaponica.

La simulazione dell’acquaponica con i modelli matematici in un’ampia gamma di condizioni di gestione migliorerà la comprensione dell’acquaponica, verificherà diverse configurazioni acquaponica e indicherà la strada verso le strategie più promettenti per migliorare le strutture acquaponica. Ancora una volta, questo può portare a un modo più efficiente di condurre esperimenti.

Alcuni strumenti di modellazione sono stati presentati in questo capitolo. Tradizionalmente, i diagrammi di stock e di flusso (SFD) sono stati utilizzati per comprendere i processi come strumenti di supporto per l’analisi quantitativa. Sono utilizzati per comprendere il flusso e i flussi di quantità ma non hanno la capacità di illustrare le informazioni associate al flusso e ai flussi. Il diagramma di loop causale (CLD) può essere utilizzato per trasferire il sistema SFD complesso in strutture di feedback semplificate comprensibili. Insieme, le SFD e i CLD definiscono pienamente il sistema di equazione differenziale. Se è necessaria solo una semplice comprensione qualitativa del sistema, allora CLD e SFD possono essere sufficienti, ma se la risposta richiede una precisione numerica, allora il problema può essere ulteriormente indagato con diagrammi di strumenti dinamici di sistema (SDTD) e successivamente modellato in uno strumento software per la simulazione numerica.