La evapotranspiración se define como la cantidad de agua que pierden los cultivos por evaporación desde el suelo y transpiración de la cubierta vegetal. Su estimación es fundamental para calcular las necesidades hídricas de las plantas, permitiendo establecer un programa de riego eficiente con el que minimizar el consumo de agua. Tradicionalmente, los valores de referencia de este parámetro se calculan a través de un complejo algoritmo, una función matemática basada en un balance de energía y que requiere un gran conjunto de datos climáticos. Pero, ¿sería posible simplificar este proceso para hallar el mismo resultado? ¿Y si se encuentra un camino más corto que conduzca al mismo sitio?

Esto es precisamente lo que ha conseguido un grupo de investigación del área de Proyectos de Ingeniería de la Universidad de Córdoba en un nuevo estudio cuyos resultados han sido publicados en la revista Agronomy. El equipo ha desarrollado nuevos modelos basados en inteligencia artificial que predicen con una semana de antelación las estimaciones que permiten conocer las necesidades hídricas de los cultivos, a través de un nuevo algoritmo que, a diferencia de otros desarrollados hasta la fecha, necesita menos variables meteorológicas para realizar dichas estimaciones.

Los investigadores Amanda García, Juan Antonio Bellido y Javier Estévez, en el campus universitario de Rabanales.

Concretamente, se nutre de hasta 9 variables, todas relacionadas con parámetros térmicos, como, por ejemplo, hora de la temperatura mínima y máxima o la energía térmica. «La gran ventaja de este algoritmo», explica el investigador Javier Estévez, es que «prácticamente con un termómetro se puede predecir con precisión la evapotranspiración de referencia, y posteriormente la demanda de agua de un cultivo».

Para calcular exactamente lo mismo, los sistemas tradicionales necesitan disponer de una serie de variables meteorológicas como la velocidad del viento, la humedad o la radiación solar, «parámetros más costosos de medir y que, a diferencia de la temperatura, no están disponibles en todas las estaciones meteorológicas», concluye el profesor Estévez.

Estos modelos desarrollados permiten estimar con gran fiabilidad la cantidad de agua que necesitaría un determinado cultivo con una semana de antelación, aunque se comporta de forma más eficiente en zonas de interior, en el que la temperatura no se ve afectada por grandes masas de agua. Además, durante los tres primeros días, las predicciones ofrecen una mayor precisión, «alcanzando unos resultados mejores a otros modelos publicados en la literatura científica», subraya Juan Antonio Bellido, otro de los autores que ha participado en el estudio.

El algoritmo, desarrollado dentro del proyecto de investigación SMARITY, ha sido validado en 5 localidades de Andalucía sujetas a distintas condiciones de aridez climática, desde zonas más húmedas cercanas a Cádiz y Huelva hasta zonas desérticas en Almería. Por otro lado, según destaca la investigadora Amanda García, tanto el modelo como el código fuente están disponibles en formato abierto, «lo que supone que cualquier persona que lo desee pueda usarlo, mejorarlo y adaptarlo a cualquier tipo de cultivo».

De esta forma, el nuevo trabajo ayuda a mejorar la gestión de los recursos hídricos y establecer programaciones de riego que optimicen al máximo el uso del agua, algo trascendental en zonas que sufren escasez de precipitaciones y que contribuye a luchar contra la sequía, uno de los grandes objetivos marcados en rojo en la hoja de ruta de la Organización de las Naciones Unidas.

Referencia bibliográfica:

J Bellido-Jiménez J.A., Estévez J., Vanschoren J., García-Marín A.P. AgroML: An Open-SourceRepositorytoForecast Reference Evapotranspiration in Different Geo-ClimaticConditionsUsing Machine Learning and Transformer-BasedModels. Agronomy .10.3390/agronomy12030656