Agrotwin 2 es un innovador proyecto de investigación dedicado a la optimización de la agricultura mediante tecnologías avanzadas y redes de sensorización. Su objetivo principal es mejorar la productividad agrícola y reducir el impacto ambiental, proporcionando herramientas de monitoreo y control de precisión para los agricultores.
El proyecto se centra en la integración de diversas tecnologías, incluyendo sensores de humedad y temperatura del suelo, estaciones meteorológicas, y sistemas de comunicación avanzados como LoRaWAN. Estas tecnologías permiten la recolección de datos en tiempo real, lo que facilita la toma de decisiones informadas y optimiza el uso de recursos como el agua y los nutrientes.
Agrotwin 2 no solo busca mejorar la eficiencia agrícola, sino también promover prácticas sostenibles que beneficien tanto a los agricultores como al medio ambiente. Con un enfoque en la precisión y la innovación, el proyecto pretende ser un modelo para la agricultura del futuro, proporcionando soluciones que puedan ser adaptadas a diferentes escenarios y tipos de cultivo.
Mediante el uso de tecnologías IoT (Internet de las Cosas), Agrotwin 2 ofrece una visión integral de las condiciones agrícolas, permitiendo a los agricultores gestionar sus cultivos de manera más efectiva y sostenible. Este enfoque holístico asegura que cada decisión esté respaldada por datos precisos, lo que resulta en una mayor productividad y un menor impacto ambiental.
Objetivos
- Mejorar la Productividad Agrícola: Implementar tecnologías avanzadas de monitoreo y control para optimizar el rendimiento de los cultivos. Reducir las pérdidas y mejorar la eficiencia en el uso de recursos agrícolas.
- Reducción del Impacto Ambiental: Promover prácticas agrícolas sostenibles que minimicen el uso de agua y fertilizantes. Reducir la huella de carbono de las actividades agrícolas mediante el uso eficiente de recursos y la optimización de procesos.
- Integración de Tecnologías IoT: Desarrollar y desplegar redes de sensores para la recolección de datos en tiempo real. Utilizar la tecnología LoRaWAN y otras redes de comunicación para asegurar la transmisión de datos eficiente y de bajo consumo energético.
- Desarrollo de Modelos Predictivos: Utilizar los datos recolectados para alimentar modelos de aprendizaje profundo y análisis predictivo. Proporcionar a los agricultores recomendaciones basadas en datos para la gestión de cultivos.
- Optimización del Riego y la Fertirrigación: Implementar sistemas de riego inteligente que ajusten automáticamente la cantidad de agua según las necesidades del cultivo. Desarrollar programas de fertirrigación que optimicen el uso de nutrientes y mejoren la salud de las plantas.
- Mejorar la Toma de Decisiones Agrícolas: Proporcionar herramientas de visualización y análisis de datos que faciliten la interpretación de la información recolectada. Permitir a los agricultores tomar decisiones informadas basadas en datos precisos y en tiempo real.
- Adaptabilidad a Diversos Escenarios Agrícolas: Desplegar y probar las tecnologías en diferentes tipos de cultivos y condiciones ambientales. Asegurar que las soluciones desarrolladas sean aplicables a una amplia variedad de escenarios agrícolas.
Escenarios de Aplicación
Escenario 1: Cultivos Protegidos del Sureste Español
Se han considerado dos invernaderos de la Finca Experimental de la Universidad de Almería Fundación UAL-ANECOOP.
- Invernadero U11: 1935 m², ventilación natural, bajo control climático.
- Invernadero U8: 1080 m², sistemas avanzados de control climático y sensorización.
Escenario 2: Cultivos Frutales en Clima Subtropical
Finca "Las Angustias" en Motril, Granada, con cultivos de aguacates de la variedad Haas.
Escenario 3: Cultivos Extensivos de Cereales
Parcelas de cultivo extensivo de cereales en campo abierto.
Tecnologías Implementadas
Redes de Sensorización
Implementación de diversas estaciones meteorológicas y sensores específicos:
- Estaciones meteorológicas para la medida de las variables agroclimáticas.
- Sensores de CO2.
- Sensores de medida de la humedad y del potencial del agua del suelo.
- Medida de la calidad del agua de riego.
- Sensores de planta.
- Otros sensores: medida del consumo eléctrico, sensores de nivel de depósitos, medida de caudal y presión en sistemas de riego.
Arquitecturas y Redes de Comunicación
Descripción técnica de la arquitectura general del sistema IoT para agricultura de precisión:
- Utilización de tecnologías como LoRaWAN y redes 4G para la transmisión de datos.
- Conexión a Internet mediante red LAN, 4G o LoRa según la cobertura disponible.
- Seguridad de los datos mediante cifrado y almacenamiento en bases de datos PostgreSQL.
Optimización de Riego y Fertirrigación
Desarrollo de Programas de Riego Inteligente
Se han desarrollado programas de riego que ajustan automáticamente la cantidad de agua suministrada a los cultivos, basándose en datos en tiempo real obtenidos de sensores de humedad del suelo, estaciones meteorológicas y otros dispositivos. Esto permite una gestión precisa del riego, reduciendo el desperdicio de agua y mejorando la eficiencia del uso de los recursos hídricos.
Programas de Fertirrigación
Los programas de fertirrigación implementados optimizan el uso de nutrientes, asegurando que las plantas reciban la cantidad adecuada de fertilizantes en el momento oportuno. Esto se logra mediante el análisis de datos sobre el estado del suelo y las necesidades específicas de los cultivos, promoviendo un crecimiento saludable y sostenible de las plantas.
Resultados de Calibración y Evaluación
Se han realizado estudios de calibración y evaluación para medir la eficiencia y las ventajas de los métodos de riego y fertirrigación aplicados. Los resultados muestran una mejora significativa en la productividad de los cultivos y una reducción en el uso de agua y fertilizantes, contribuyendo a una agricultura más sostenible y rentable.
Visualización y Gestión de Datos
Herramienta de Visualización
Se utiliza una plataforma basada en Grafana para la monitorización y gestión de datos agrícolas. Esta herramienta permite a los usuarios visualizar datos en tiempo real mediante gráficos y paneles personalizados, proporcionando una visión integral de las condiciones del cultivo y el entorno.
Conexión a Base de Datos
Los datos recolectados por los sensores y otros dispositivos se almacenan en una base de datos PostgreSQL. Este sistema de almacenamiento asegura que los datos sean accesibles y puedan ser analizados de manera eficiente, facilitando el desarrollo de modelos predictivos y la optimización de procesos agrícolas.
Caso de Estudio: Visión Artificial en el Invernadero
1. Etiquetado de Imágenes
Se recopiló un conjunto de imágenes del invernadero que capturan diferentes condiciones y aspectos de los cultivos. Estas imágenes fueron etiquetadas manualmente para identificar y clasificar diversas características relevantes, como las hojas, frutos y posibles signos de enfermedades. El etiquetado preciso es fundamental para asegurar que la red neuronal pueda aprender y reconocer patrones específicos de manera efectiva.
2. Entrenamiento de la Red YOLO
Utilizando el conjunto de datos etiquetados, se procedió a entrenar una red YOLO. Esta arquitectura de red neuronal es conocida por su capacidad de realizar detección de objetos en tiempo real con alta precisión. Durante el proceso de entrenamiento, la red aprendió a identificar y localizar las características etiquetadas en las imágenes del invernadero. Se ajustaron los hiperparámetros y se optimizó el modelo para mejorar su rendimiento.
3. Aplicación en Video
Una vez entrenada la red YOLO, se aplicó a un video capturado en el invernadero. La red fue capaz de procesar cada fotograma del video en tiempo real, detectando y clasificando las características de los cultivos conforme iban apareciendo. Esto permitió una monitorización continua y automatizada del estado de los cultivos, proporcionando información valiosa para la toma de decisiones.