Investigadores de Andalucía desarrollan una herramienta de inteligencia artificial para mejorar la eficiencia del riego

Investigadores del departamento de agronomía de la Universidad de Córdoba han desarrollado una herramienta de inteligencia artificial que ayudará a los agricultores a predecir con una semana de antelación la cantidad de agua que necesitarán para el riego.

Los investigadores añadieron que esta nueva herramienta, LSTMHybrid, forma parte de un esfuerzo más amplio por digitalizar el riego, lo que, según ellos, ayudará a los agricultores a reducir los costes de producción al ahorrar agua y energía.

La herramienta se basa en el modelo Cangenfis, desarrollado en 2021 y entrenado con datos climáticos de cuatro años de Zújar, en la provincia andaluza de Granada. Una vez implementada, podría predecir las necesidades de agua a largo plazo para el riego con una precisión del 80 %.

Sin embargo, la primera versión de la herramienta basada en IA solo podía predecir las necesidades generales de agua para diversos cultivos, como el arroz, el maíz y los tomates.

«La gran diferencia con respecto a los modelos anteriores es que es la primera vez que se ha hecho a escala de siete días», afirmó Rafael González, uno de los tres investigadores principales que participan en ambos proyectos.

LSTMHybrid permite a los agricultores calcular sus necesidades de agua con mayor precisión y superponer los requisitos de riego previstos con los diferentes periodos tarifarios. La esperanza de los investigadores es que estos datos más precisos ayuden a los agricultores a tomar las decisiones más acertadas desde el punto de vista económico y agronómico para optimizar el uso del agua y la energía.

La necesidad de modernizar el sistema de riego de España, que según los investigadores se ha guiado tradicionalmente por la experiencia histórica y no por datos predictivos, se ha hecho aún más acuciante debido a la prolongada sequía y a los niveles peligrosamente bajos de los embalses.

Mientras que CANGENFIS utilizaba cientos de redes neuronales que tienen en cuenta medio millón de factores diferentes, LSTMHybrid realiza sus predicciones basándose en la temperatura media, la evapotranspiración de referencia, la humedad y los registros de riego anteriores.

El nuevo modelo también puede guardar datos introducidos anteriormente para ayudar a mejorar su capacidad de predicción año tras año.

Esta simplificación permite a los agricultores y a los gestores de riego introducir manualmente datos semanales en el sistema a través de un ordenador convencional, prediciendo cuánta agua se necesitará para el riego la semana siguiente.

«Conocer la demanda de agua con varios días de antelación facilitará la gestión del sistema y ayudará a optimizar el uso del agua y los costes energéticos», afirmó Juan Antonio Rodríguez, otro investigador que participa en ambos proyectos.

Además de mejorar la gestión del agua, Antonio Rodríguez añadió que la nueva capacidad predictiva ayudaría a la transición de la región hacia las energías renovables al proporcionar previsiones más precisas de la demanda energética agrícola.

«El conocimiento está ahí, y la tecnología ha sido probada y funciona», afirmó el tercer investigador principal, Emilio Camacho. «Ahora tenemos que desarrollar la herramienta que permita a las comunidades utilizar esta tecnología de forma sencilla, de modo que las empresas que vayan a proporcionar la solución tecnológica a la comunidad de regantes introduzcan estos avances».