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
