Aplicación de algoritmos de Machine Learning para estimar la humedad superficial del suelo en el Sistema de Riego del Río Dulce, Santiago del Estero, Argentina

• Autores: López, Juana María; Angella, Gabriel Augusto; Pons, Diego Hernán; Frías, Carolina Patricia; Barraza, Gabriela Alejandra
• Año de publicación: 2024
• Idioma: español castellano
• Tipo de recurso: documento de conferencia
• Materia: Inteligencia Artificial (IA); Aprendizaje automático; Riego; Humedad de suelos; Bosque aleatorio (RF); Modelos de reforzamiento (GBM); Eje temático: Ciudad ambiente y territorio; TECHNOLOGY
• Institución: Universidad Nacional de Córdoba

Fil: López, Juana María. Instituto Nacional de Tecnología Agropecuaria. Estación Experimental Agropecuaria Santiago del Estero; Argentina.
Fil: Angella, Gabriel Augusto. Instituto Nacional de Tecnología Agropecuaria. Estación Experimental Agropecuaria Santiago del Estero; Argentina.
Fil: Pons, Diego Hernán. Instituto Nacional de Tecnología Agropecuaria. Estación Experimental Manfredi, Córdoba; Argentina.
Fil: Frías, Carolina Patricia. Instituto Nacional de Tecnología Agropecuaria. Estación Experimental Agropecuaria Santiago del Estero; Argentina.
Fil: Barraza, Gabriela Alejandra. Instituto Nacional de Tecnología Agropecuaria. Estación Experimental Agropecuaria Santiago del Estero; Argentina.
Alrededor del 70% del agua dulce se utiliza para riego en agricultura. El área irrigada más importante de la provincia de Santiago del Estero es el Sistema de Riego del Río Dulce. Sin embargo, la eficiencia en el uso del agua es baja debido a la poca frecuencia de riego y las prácticas agrícolas tradicionales. Para hacer un uso más eficiente del agua, se deben utilizar métodos de programación del riego. Una de las variables agronómicas a considerar es la humedad del suelo. El presente estudio aplica métodos de Machine Learning (ML) para predecir la humedad del suelo en 2 áreas piloto: Nueva Francia y Simbolar. La variable humedad superficial del suelo se obtuvo a partir de mediciones gravimétricas de humedad en 43 parcelas de algodón y alfalfa, en el período 2021 a 2023. En cada lote se midió la textura y densidad aparente del suelo a 0-20 cm de profundidad, y se calcularon índices espectrales a partir de imágenes Sentinel 2. Dos modelos de ML, Random Forest (RF) y Gradient Boosting Models (GBM), fueron evaluados según el error cuadrático medio (RMSE). El modelo GBM mostró el mejor rendimiento, con un RMSE del 4,25%. La metodología propuesta es adecuada para definir estrategias de riego en cultivos con sistemas radiculares poco profundos.
ABSTRACT About 70% of fresh water is used for irrigation in agriculture. The most important irrigated area in the province of Santiago del Estero is the Río Dulce Irrigation System. However, water use efficiency is low due to infrequent irrigation and traditional agricultural practices. To make more efficient use of water, irrigation scheduling methods should be used. One of the agronomic variables to be considered is soil moisture. The present study applies Machine Learning (ML) methods to predict soil moisture in 2 pilot areas: Nueva Francia and Simbolar. The variable surface soil moisture was obtained from gravimetric moisture measurements in 43 plots of cotton and alfalfa, in the period 2021 to 2023. In each plot, soil texture and bulk density were measured at 0-20 cm depth, and spectral indices were calculated from Sentinel 2 images. Two ML models, Random Forest (RF) and Gradient Boosting Models (GBM), were evaluated according to root mean square error (RMSE). The GBM model showed the best performance, with an RMSE of 4.25%. The proposed methodology is suitable for defining irrigation strategies in crops with shallow root systems.
Fil: López, Juana María. Instituto Nacional de Tecnología Agropecuaria. Estación Experimental Agropecuaria Santiago del Estero; Argentina.
Fil: Angella, Gabriel Augusto. Instituto Nacional de Tecnología Agropecuaria. Estación Experimental Agropecuaria Santiago del Estero; Argentina.
Fil: Pons, Diego Hernán. Instituto Nacional de Tecnología Agropecuaria. Estación Experimental Manfredi, Córdoba; Argentina.
Fil: Frías, Carolina Patricia. Instituto Nacional de Tecnología Agropecuaria. Estación Experimental Agropecuaria Santiago del Estero; Argentina.
Fil: Barraza, Gabriela Alejandra. Instituto Nacional de Tecnología Agropecuaria. Estación Experimental Agropecuaria Santiago del Estero; Argentina.