Portugués 
Inglés 
Español 
5 min de lectura 
0 comentarios 
Investigadores de Malasia desarrollaron un sistema con cinco sondas enterradas en un área de 93 metros cuadrados que puede predecir la humedad del suelo con un 95,49% de precisión, utilizando inteligencia artificial, paneles solares y mediciones a 15 y 30 centímetros para hacer la irrigación más eficiente
Investigadores de Malasia desarrollaron un sistema con sensores subterráneos capaz de predecir la humedad del suelo con un 95,49% de precisión, ofreciendo apoyo más confiable para definir el mejor momento de irrigar y reduciendo el uso innecesario de agua en la agricultura.
La solución combina mediciones en profundidad, datos ambientales e inteligencia artificial para acercar las previsiones a las condiciones reales observadas en el campo.
El experimento se llevó a cabo en un área de aproximadamente 93 metros cuadrados, donde cinco sondas enterradas monitorearon, en tiempo real, la evolución del agua en el subsuelo. La propuesta concentra el análisis en la región donde las raíces absorben agua, en lugar de depender solo de señales visibles en la superficie.
-
Tecnología desarrollada para proteger comunicaciones militares en los años 1940 distorsionaba voces y, hoy en día, da origen al sonido robótico que domina la música actual.
-
Si miras al cielo este miércoles verás la Luna Rosa brillando en su apogeo a las 22:11, pero antes de decepcionarte, debes saber que el nombre no tiene nada que ver con el color, sino con las flores que florecen en esta época en Estados Unidos.
-
Descubrimiento en la USP revela cómo la árnica brasileña puede revolucionar la producción de nanopartículas de plata con menos impacto ambiental.
-
Científicos de Harvard crearon un exoesqueleto de tejido que no parece un exoesqueleto, sin piezas rígidas y con peso reducido, que utiliza cables flexibles y motores miniaturizados para ayudar al tobillo y la cadera y reducir el esfuerzo al caminar en hasta un 23% en pruebas controladas.
Esta diferencia es central porque el aspecto externo del terreno puede inducir a errores. El suelo puede parecer seco en la capa superior y, aun así, mantener suficiente agua en niveles más profundos, o presentar la situación inversa, lo que compromete las decisiones de irrigación cuando la lectura se basa solo en la observación superficial.
Sensores miden la humedad del suelo en profundidad
El sistema utiliza sensores enterrados a 15 y 30 centímetros, profundidades elegidas para observar precisamente el rango en el que el estrés hídrico comienza a afectar a las plantas. La medición en esta capa permite identificar con más claridad cuándo las raíces encuentran agua en cantidad insuficiente.
La agricultura representa aproximadamente el 70% del agua dulce extraída globalmente, y parte de este volumen se desperdicia por fallas en la gestión de la irrigación. En este escenario, el uso más preciso de la información puede ayudar a reducir pérdidas sin aumentar la disponibilidad de agua.
La estructura instalada en el campo no mide solo el agua presente en el suelo. El sistema también integra temperatura del aire, humedad ambiental, radiación solar y precipitación, reuniendo variables que ayudan a formar un retrato más completo de las condiciones que influyen en la humedad del suelo.
Los sensores subterráneos recopilan datos cada 10 minutos, mientras que las condiciones ambientales se registran cada 30 minutos. Todo el conjunto es alimentado por paneles solares, eliminando la dependencia de la red eléctrica y ampliando la viabilidad de uso en áreas rurales o aisladas.
La arquitectura adoptada es una red en estrella. En ella, los sensores envían la información a un nodo central, que luego envía los datos a la nube, en una configuración simple utilizada para validar el concepto en el campo.
Inteligencia artificial interpreta patrones a lo largo del tiempo
Para analizar los datos recopilados, los investigadores emplearon un modelo de inteligencia artificial del tipo LSTM, siglas de Long Short-Term Memory.
Este algoritmo no observa mediciones aisladas, sino que aprende secuencias e identifica cómo las condiciones evolucionan a lo largo del tiempo.
Esta característica es relevante porque, en el campo, muchos efectos no son inmediatos. La lluvia, por ejemplo, no se convierte automáticamente en agua disponible para las raíces, y el modelo fue entrenado para captar este intervalo entre el evento climático y la respuesta en el subsuelo.
El resultado generado por el sistema no es una previsión rígida, sino una estimación dinámica del comportamiento de la humedad del suelo. Esta lectura más cercana a la realidad tiende a ofrecer una base más útil para decidir cuándo irrigar y cuándo evitar la aplicación innecesaria de agua.
Los investigadores destacan, sin embargo, que la calidad de los datos tiene un papel decisivo en el rendimiento del modelo. Informaciones incompletas o irregulares pueden interrumpir los patrones que la inteligencia artificial necesita reconocer para mantener la precisión de las previsiones.
La lluvia intensa aún reduce la precisión del sistema
El rendimiento del sistema disminuye en períodos de lluvia fuerte, cuando la humedad se eleva de forma abrupta y se aleja de los patrones habituales. Este comportamiento dificulta la previsión y muestra que, incluso con inteligencia artificial, la variabilidad natural sigue imponiendo límites.
Para reducir el impacto de estas desviaciones en el entrenamiento del modelo, se aplicó la técnica de pérdida de Huber. El método mejora la estabilidad frente a errores extremos, aunque no elimina totalmente las dificultades observadas en escenarios de precipitación intensa.
La precisión del 95,49% no significa acierto absoluto en todas las variaciones registradas en el campo. El índice indica que, en la mayor parte de los casos, las estimaciones quedan suficientemente cerca de las condiciones reales para orientar decisiones de irrigación con menor margen de error.
En la práctica, esto permite evitar riegos cuando no son necesarios y también reduce el riesgo de ahorrar agua en momentos en que la planta comienza a sufrir por la falta de ella. El objetivo principal no es alcanzar la perfección matemática, sino disminuir fallas relevantes en la gestión.
El sistema apoya decisiones humanas y puede ser ampliado
La solución no automatiza directamente la irrigación. Funciona como una herramienta de apoyo, ofreciendo previsiones e información para orientar la decisión humana, en un enfoque intermedio que puede facilitar la adopción de la tecnología por parte de granjas que aún no han avanzado a sistemas totalmente automáticos.
La prueba se realizó en un cultivo específico y bajo condiciones relativamente homogéneas, lo que limita la extrapolación inmediata a escenarios más complejos. En áreas más grandes, con suelos variados y microclimas distintos, será necesario aumentar el número de sensores y reforzar la conectividad.
El material señala que esta expansión puede requerir redes más robustas, como LoRa o sistemas mesh, capaces de cubrir áreas extensas. También será necesario observar el comportamiento del sistema en diferentes estaciones, incluyendo sequías prolongadas y lluvias extremas.
Además de la irrigación, la tecnología abre espacio para integrar la gestión del agua a factores como fertilización, salud del suelo y crecimiento de los cultivos.
La perspectiva es avanzar de un sistema orientado a la irrigación inteligente a una agricultura de precisión más amplia, manteniendo la humedad del suelo como una referencia central para decisiones más eficientes.
Más información en sciencedirect.
Seja o primeiro a reagir!