Redacción iAgua
Connecting Waterpeople
Global Omnium
ESAMUR
DATAKORUM
Grupo Mejoras
FENACORE
Kamstrup
TecnoConverting
Asociación de Ciencias Ambientales
MonoM by Grupo Álava
IRTA
Hidroconta
TEDAGUA
Rädlinger primus line GmbH
FLOVAC
LACROIX
Confederación Hidrográfica del Segura
Aqualia
Minsait
EPG Salinas
Xylem Water Solutions España
Filtralite
Sacyr Agua
Hidroglobal
Laboratorios Tecnológicos de Levante
Ingeteam
Barmatec
GS Inima Environment
RENOLIT ALKORPLAN
J. Huesa Water Technology
ACCIONA
Agencia Vasca del Agua
Fundación Botín
ADECAGUA
KISTERS
NTT DATA
Sivortex Sistemes Integrals
MOLEAER
Amiblu
IAPsolutions
Fundación Biodiversidad
Baseform
AMPHOS 21
TRANSWATER
Saint Gobain PAM
Hach
CAF
Vector Energy
LABFERRER
SCRATS
AGS Water Solutions
ICEX España Exportación e Inversiones
Ministerio para la Transición Ecológica y el Reto Demográfico
Consorcio de Aguas de Asturias
Lama Sistemas de Filtrado
ONGAWA
Centro Nacional de Tecnología de Regadíos (CENTER)
Almar Water Solutions
Likitech
AECID
Red Control
Schneider Electric
Cajamar Innova
Idrica
Fundación CONAMA
Aganova
Smagua
s::can Iberia Sistemas de Medición
ADASA
AGENDA 21500
HRS Heat Exchangers
Molecor
Innovyze, an Autodesk company
Prefabricados Delta
Consorcio de Aguas Bilbao Bizkaia
Catalan Water Partnership
ISMedioambiente

Se encuentra usted aquí

'Deep learning' aplicado al riego para predecir la demanda de agua y energía en la agricultura

  • 'Deep learning' aplicado al riego predecir demanda agua y energía agricultura
  • Investigadores de Hidráulica y Riegos desarrollan un modelo basado en la arquitectura ‘Transformer’ para orientar la toma de decisiones de las comunidades de regantes.

La escasez de agua y el elevado coste de la energía representan los principales problemas para las comunidades de regantes, que gestionan el agua para riego, poniéndola a disposición de la agricultura en cualquier momento. En un contexto de sequía, con un mercado eléctrico desregulado y cambiante, conocer cuándo y con cuánta agua se van a regar los cultivos permitiría a quienes gestionan librarse de esa incertidumbre a la hora de tomar decisiones y, por tanto, orientarlas hacia objetivos como el ahorro económico, la sostenibilidad medioambiental y la eficiencia. Para ello, la ciencia de datos y la Inteligencia Artificial son importantes aliadas.

Con el objetivo de aplicar esa tecnología puntera al ámbito de la agricultura de precisión trabajan investigadores del grupo de Hidráulica y Riegos de la Unidad de Excelencia ‘María de Maeztu’ del Departamento de Agronomía de la Universidad de Córdoba (DAUCO). Ejemplo de ello es el proyecto HOPE, centrado en el desarrollo de un modelo holístico de riego de precisión que involucra también la aplicación de la IA para orientar la toma de decisiones. En el marco de esta propuesta se han desarrollado modelos de predicción que permitirían a las comunidades de regantes tener una estimación rigurosa 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 a una semana vista y con un margen de error inferior al 2%, permitiendo así una gestión eficaz de los recursos y sin restar autonomía a sus usuarios.

Así lo explican los investigadores Rafael González, Emilio Camacho y Juan Antonio Rodríguez, que señalan que este avance representa un paso más en la línea de digitalización aplicada al regadío que desarrolla el grupo de investigación AGR 228 “Hidráulica y Riegos”. Ahora han aplicado al ámbito del riego de precisión la revolucionaria arquitectura de ‘deep learning’ Transformer, que desde su aparición en 2017 se ha implementado en diversos sectores y que está en la base 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 lo que se conoce como ‘mecanismos de atención’. En el caso del riego, esta arquitectura de datos permite tratar mucha información de manera simultánea, delegando en su red neuronal artificial la selección y extracción de la información necesaria para que la predicción sea óptima.

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 del Zújar, en Don Benito (Badajoz). En total, se usaron más de 1.800 medidas de consumo de agua para el entrenamiento del modelo, combinadas con datos de temperatura, precipitación, radiación solar, evapotranspiración, velocidad del viento, humedad, tipos de cultivo, etcétera.  

Esto ha permitido reducir el margen de error de modelos anteriores de un 20% a un 2%, lo que, aplicado a sistemas integrados de apoyo a la toma de decisiones, puede resultar muy útil para gerentes de comunidades de regantes al ofrecer un pronóstico preciso de la demanda diaria de agua de riego para los próximos siete días, en contextos de escasez de agua y altos precios de la energía pero también en el marco de una apuesta por la gestión sostenible de los recursos.

Referencia

R. González Perea, E. Camacho Poyato, J.A. Rodríguez Díaz. “Attention is all water need: Multistep time series irrigation water demand forecasting in irrigation districts” Computers and Electronics in Agriculture, 218. Received 19 October 2023; Received in revised form 22 December 2023; Accepted 4 February 2024. https://doi.org/10.1016/j.compag.2024.108723

Suscríbete al newsletter

Newsletters temáticos que recibirás

Los datos proporcionados serán tratados por iAgua Conocimiento, SL con la finalidad del envío de emails con información actualizada y ocasionalmente sobre productos y/o servicios de interés. Para ello necesitamos que marques la siguiente casilla para otorgar tu consentimiento. Recuerda que en cualquier momento puedes ejercer tus derechos de acceso, rectificación y eliminación de estos datos. Puedes consultar toda la información adicional y detallada sobre Protección de Datos.

La redacción recomienda

04/08/2023 · Agro

Emilio Camacho: “Los nutrientes en el agua pueden causar problemas de toxicidad y salinidad”

27/07/2022 · Agro

Julio Berbel: "La situación del regadío en la cuenca del Guadalquivir es bastante crítica"

22/07/2022 · Investigación

"La era digital y la transición digital nos ofrece grandes posibilidades en el regadío"