México - Inteligencia artificial para el uso sustentable del agua

La Inteligencia Artificial (IA) ha logrado posicionarse como una herramienta poderosa alrededor de la agronomía, lo que ha llevado a la mejora de procesos, la toma de decisiones y eficiencia en la producción agrícola. Particularmente, la recopilación y estimación de estos datos ha cambiado la forma en que trabajamos.

Uno de los principales aportes de la IA en este sector es su capacidad para procesar grandes volúmenes de datos, provenientes de diversas fuentes como sensores remotos, imágenes satelitales, estaciones meteorológicas, drones y otras fuentes. Estos datos pueden incluir variables como la humedad del suelo, temperatura, precipitación, salinidad, índices de vegetación, entre otros, los cuales, son fundamentales para evaluar el estado de los cultivos y predecir su rendimiento.

La evapotranspiración (ET) es un parámetro clave en la gestión del agua agrícola, ya que representa la suma de la evaporación del suelo y la transpiración de las plantas. Su estimación precisa es fundamental para el diseño de sistemas de riego, la planificación de cultivos y la conservación de recursos hídricos. Sin embargo, en muchas regiones del mundo especialmente en áreas rurales o en desarrollo), la disponibilidad de datos climáticos necesarios para estimar la ET mediante métodos tradicionales, como Penman-Monteith o Hargreaves-Samani, es limitada o inexistente.

Frente a esta limitación, el Machine Learning (ML) ha surgido como una poderosa y eficiente alternativa al estimar la evapotranspiración en áreas con escaso o limitado acceso a los datos. Los algoritmos de ML pueden aprender las relaciones no lineales entre las variables de entrada, temperatura, altitud, humedad relativa, radiación solar, etc. y poder estimar la ET, sin requerir toda la información necesaria provista por los modelos físicos convencionales.

Una de las ventajas clave del uso de Machine Learning es su capacidad de generalización. Una vez entrenado, un modelo puede estimar la ET en zonas donde no existen estaciones meteorológicas, siempre que existan datos satelitales u observaciones mínimas.

En este sentido, el Centro Nacional de Investigación Disciplinaria en Relación Agua, Suelo, Planta-Atmosfera (CENID RASPA) del Instituto Nacional de Investigaciones Forestales (INIFAP), se ha evocado a entrenar algoritmos de IA tales como, Redes Neuronales Artificiales y Random Forest, con la finalidad de estimar evapotranspiración de referencia con información climática únicamente de temperatura. A través de estos análisis, se ha alcanzado una varianza de 80 % para estimar ET, y valores de error cuadrático medio de 1.15 y raíz de error cuadrático medio de 1.07, a través del algoritmo de Redes Neuronales. Y mediante el algoritmo de Random Forest, una varianza explicada del 78 %, con error cuadrático medio de 1.16 y raíz de error cuadrático medio de 1.09. Estos resultados se compararon con el modelo empírico Penman-Monteith, el cual, es ampliamente utilizado como referencia en la agricultura.

En la actualidad, se sigue trabajando en incrementar precisiones para a corto plazo, desarrollar plataformas, y que el CENID RASPA sea pionero en el desarrollo de tecnologías digitales de uso práctico en la región.