Un grupo de investigación de la Universidad de Córdoba vinculado al Campus de Excelencia Internacional Agroalimentario ceiA3 desarrolla un modelo basado en técnicas de inteligencia artificial capaz de predecir cuánta agua usará cada regante

La agricultura consume un 70% del agua a nivel global y presenta una tendencia al ascenso en cuanto a necesidades hídricas. En este escenario en el que, además, la demanda por parte de otros sectores de la industria también va en ascenso y los efectos del cambio climático influyen en la progresiva escasez de agua, las medidas de ahorro se presentan como un reto ineludible si se quiere mantener el sector y preservar la vida.

Sistema de regadíoEste es el reto que asume el investigador del Departamento de Agronomía Rafael González a la hora de desarrollar un modelo capaz de predecir con antelación el agua que demandará diariamente cada regante. Esta herramienta nace, por tanto, con vocación de aliada de la sostenibilidad de los recursos hídricos.

Lo innovador del modelo reside en la aplicación de técnicas de inteligencia artificial como la lógica difusa, un sistema usado para explicar el comportamiento de toma de decisiones que, en este caso, mezcla variables más fáciles de medir como las agroclimáticas o el tamaño de la parcela de riego; con otras variables más complicadas como las prácticas tradicionales de la zona o las vacaciones durante la estación de riego.

El modelo FIS (sistema de lógica difusa) traduce las variables de entrada (temperatura, humedad, etc.) al lenguaje en el que trabajan sus reglas. Aplicando algoritmos genéticos se establecen las curvas óptimas de esos parámetros de entrada y, mediante redes neuronales, se establece la relación entre los mismos. Como resultado, se extrae la lámina de riego aplicado en la que se establecerá cuántos milímetros van a ser usados por cada regante.

Esta herramienta trata de poner freno a la variabilidad de la demanda de agua. De esta manera, las comunidades de regantes podrán hacer una planificación más organizada y veraz de sus suministros, anteponerse a los problemas de adecuación de las estaciones de bombeo y organizar eficientemente las tareas de mantenimiento y arreglo de averías sin derrochar agua ni afectar a las zonas de regadío.

La posibilidad de adelantarse a las peticiones de agua permite también contratar el personal y la energía eléctrica que sean estrictamente necesarios, optimizando también estos recursos y ahorrando en costes económicos y medioambientales.

¿Y cómo se consiguen los datos?

La creación de esta herramienta se traduce en un cambio en la gestión tradicional de las comunidades de regantes, basada en el conocimiento y en la información. Frente a la manera de actuar anterior, fundada sobre la intuición o lo que se había hecho en otros años, ahora la comunidad cuenta con la información concreta.

Pero, ¿de dónde se extrae toda esta información? En este caso, para determinar cómo el manejo diferente de cada cultivo puede influir en la exactitud del modelo, Rafael González ha utilizado los datos de las instalaciones de telecontrol de la comunidad de regantes del Canal del Zújar para los cultivos de maíz, arroz y tomate. De esta forma, la aplicabilidad de los sistemas de telecontrol y telemetría queda patente.

Mientras que, hasta ahora, los datos generados por esos sistemas se utilizaban básicamente para facturar los caudales consumidos por cada usuario de la red, con este sistema se utilizan todas las mediciones generadas para obtener las predicciones. Por tanto, el modelo ideado por González revaloriza los sistemas de medidas instalados en las comunidades de regantes, satisfaciendo tanto al personal técnico y de gerencia de las comunidades como a las empresas que innovan en el campo de la telemedida. Todo ello sin olvidar la labor de conservación del agua a nivel global.

González Perea, R, Camacho Poyato, E., Montesinos, P., Rodríguez-Díaz, J.A., (2018) Prediction of applied irrigation depths at farm level using artificial intelligence techniques. Agricultural Water Management, 206, pp 229-240. https://doi.org/10.1016/j.agwat.2018.05.019

Fuente:

UCC + i Universidad de Córdoba