El trabajo colaborativo de TEPRO y GMV, aplicando inteligencia artificial (IA) y análisis detallado de datos climatológicos, ofrece predicciones del contenido de agua en la tierra, marcando un hito crucial para la sostenibilidad y eficiencia en el uso del regadío.
AgrarIA lidera el camino en la implementación de soluciones innovadoras para optimizar el uso del agua en la agricultura, respondiendo a la urgente crisis hídrica que afecta a toda España
En un contexto en el que la reserva hídrica española se encuentra críticamente baja, con tan solo un 54,7% de su capacidad total a inicios de marzo, el proyecto AgrarIA emerge como una luz de esperanza para el sector agroalimentario español. Este proyecto, financiado a través del Programa Misiones de I+D en Inteligencia Artificial de la Secretaría de Estado de Digitalización e Inteligencia Artificial (SEDIA) del Ministerio para la Transformación Digital y de la Función Pública, tiene como objetivo principal la aplicación de tecnologías avanzadas para desarrollar métodos de producción agraria más tecnológicos, innovadores, sostenibles y comprometidos con el medioambiente.
En este contexto crítico, donde la gestión del agua se convierte en una prioridad, el proyecto AgrarIA se erige como un bastión de soluciones. Un estudio realizado dentro del proyecto por una de las empresas más importantes de España dentro de la consultoría agraria, TEPRO y la multinacional tecnológica GMV, ha demostrado avances significativos en la optimización del uso del agua en la agricultura mediante la aplicación de la inteligencia artificial y el análisis de datos climatológicos.
Avances significativos en la optimización del uso del agua
El trabajo conjunto de TEPRO y GMV ha logrado desarrollar modelos de predicción del contenido volumétrico de agua disponible en el suelo para el cultivo utilizando variables clave como precipitación, evapotranspiración, coeficiente de cultivo específico para el almendro, y el contenido de agua. Estos modelos, basados en el análisis de datos climatológicos, permiten anticipar las necesidades hídricas de los cultivos y optimizar el uso del riego. Según las simulaciones realizadas en una finca de 13 hectáreas en Carmona (Sevilla) con almendros de la variedad Lauranne, se han obtenido estimaciones de ahorro de hasta el 58 % en el gasto de agua de riego empleado para determinados periodos a lo largo del ciclo productivo.
La predicción del contenido de agua en el suelo no solo ayuda a anticipar las necesidades de riego, sino que también contribuye a hacer un uso más eficiente y eficaz del agua de riego al adaptar las prácticas agrícolas a las condiciones climáticas previstas. Aunque los resultados de las simulaciones siempre requieren una validación en campo, éstos son muy alentadores y pueden ser utilizados posteriormente para optimizar el uso del regadío, asegurando un uso eficiente y sostenible del recurso hídrico.
Un proyecto comprometido con el futuro sostenible de la agricultura
El proyecto AgrarIA, que finaliza este año, se alinea con los objetivos del Plan de Recuperación, Resiliencia y Transformación, abordando de manera directa la crisis hídrica que afecta a toda España. La combinación de la inteligencia artificial y el análisis de datos climatológicos permite a los agricultores anticipar y adaptarse a las condiciones cambiantes, haciendo un uso más eficiente del agua y contribuyendo a la sostenibilidad del sector.
El director del Sector Industria de Secure e-Solutions de GMV y coordinador del proyecto AgrarIA, Miguel Hormigo, destacó la importancia de estos avances: «En un momento en el que la gestión del agua es esencial para la supervivencia de la agricultura en España, el proyecto AgrarIA se presenta como un referente en la implementación de soluciones tecnológicas para enfrentar la crisis hídrica».
Este proyecto, con el respaldo del Programa Misiones de I+D en Inteligencia Artificial, demuestra cómo la tecnología puede ser un aliado fundamental en la búsqueda de soluciones sostenibles y eficientes para los desafíos del sector agrario español.
(GMV Innovating Solutions)
