La escasez de agua y el elevado coste de la energía representan los principales problemas de las comunidades de regantes, que gestionan el agua para este fin, poniéndola a disposición de la agricultura.
En un contexto de sequía, con un mercado eléctrico liberalizado y cambiante, saber cuándo y con cuánta agua se van a regar los cultivos permitiría a quienes los gestionan superar la incertidumbre a la hora de tomar decisiones y, por tanto, orientarlos hacia objetivos como el ahorro económico, sostenibilidad ambiental y eficiencia. Para ello, la ciencia de datos y la Inteligencia Artificial son recursos importantes.
Investigadores del grupo de Hidráulica y Riego de la Unidad de Excelencia María de Maeztu del Departamento de Agronomía de la Universidad de Córdoba (DAUCO) trabajan para aplicar esta tecnología puntera al campo de la agricultura de precisión. Un ejemplo de esto es el proyecto HOPE, que se centra en el desarrollo de un modelo holístico de riego de precisión que también implica la aplicación de IA para guiar la toma de decisiones.
En el marco de este esfuerzo, se han desarrollado modelos de predicción que proporcionarían a las comunidades de regantes estimaciones rigurosas de la cantidad de agua que necesitarán los agricultores para satisfacer las necesidades de sus cultivos.
El último modelo desarrollado, y el más preciso hasta la fecha, permite predecir la demanda real de agua de riego con una semana de antelación y con un margen de error inferior al 2%, posibilitando así una gestión eficaz de los recursos, todo ello sin perjudicar autonomía de sus usuarios.
Según los investigadores Rafael González, Emilio Camacho y Juan Antonio Rodríguez, este avance supone un paso más en la línea de digitalización aplicada al riego desarrollada por el grupo de investigación AGR 228 «Hidráulica y Riego». Ahora, han aplicado la arquitectura revolucionaria de Transformer Deep Learning al campo del riego de precisión.
Desde su aparición en 2017, se ha implementado en diversos sectores y está en la raíz de hitos de la Inteligencia Artificial, como ChatGPT. La arquitectura ‘Transformer’ destaca por su capacidad para establecer relaciones a largo plazo en datos secuenciales mediante los conocidos como ‘mecanismos de atención’.
En el caso del riego, esta arquitectura de datos permite procesar mucha información simultáneamente, delegando la selección y extracción de la información necesaria para una predicción óptima a su red neuronal artificial.
Para validar los resultados de este modelo se utilizaron datos diarios de las campañas de riego de 2015 a 2022 en la Comunidad de Regantes del Canal de Zújar en Don Benito (Badajoz). En total, se utilizaron más de 1.800 mediciones de consumo de agua para entrenar el modelo , combinadas con datos de temperatura, precipitación, radiación solar , evapotranspiración, velocidad del viento, humedad, tipos de cultivos, etc.
Esto ha reducido el margen de error de los modelos anteriores del 20% a sólo el 2%. Aplicado a sistemas integrados de apoyo a la toma de decisiones, esto puede resultar muy útil para los gestores de comunidades de regantes al ofrecer una previsión precisa de la demanda diaria de agua de riego durante los próximos siete días en contextos de escasez de agua y altos precios de la energía, pero también en el en el marco de un compromiso con la gestión sostenible de los recursos.
El trabajo está publicado en la revista Computers and Electronics in Agriculture .
Más información: R. González Perea et al, La atención es toda la necesidad de agua: Previsión de la demanda de agua de riego en series temporales de varios pasos en distritos de riego, Computadoras y electrónica en la agricultura (2024). DOI: 10.1016/j.compag.2024.108723
