sensores
Artículo
Una comparación experimental de la programación de riego tradicional y
basada en IoT en una granja de limón subtropical irrigada por
inundaciones
Huma Zia 1, *, Ahsan Rehman 2, Nick R. Harris 3, Sundus Fatima 2 y Muhammad Khurram 2
Citación: Zia, H .; Rehman, A .; Harris,
NR; Fatima, S .; Khurram, M. Una comparación
experimental de la programación de riego
tradicional y basada en IoT en una granja de
limón subtropical irrigada por inundaciones.
Sensores
2021, 21, 4175. https://doi.org/
10.3390 / s21124175
Editor académico: Davide Brunelli
Recibido: 19 de mayo de 2021
Aceptado: 15 de junio de 2021
Publicado: 17 de junio de 2021
Nota del editor: MDPI se mantiene neutral
con respecto a los reclamos jurisdiccionales
en mapas publicados y afiliaciones
institucionales.
Derechos de autor: © 2021 por los autores.
Licenciatario MDPI, Basilea, Suiza. Este
artículo es un artículo de acceso abierto
distribuido bajo los términos y condiciones
de la licencia Creative Commons Attribution
(CC BY) (https: // creativecommons.org/
licenses/by/
4.0 /).
Sensores 2021, 21, 4175. https://doi.org/10.3390/s21124175
1
Facultad de Ingeniería, Universidad de Abu Dhabi, Zayed City, Abu Dhabi PO Box 59911, Smart City Lab de los Emiratos
2
Árabes Unidos, NCAI (Centro Nacional de Inteligencia Arti fi cial),
Universidad de Ingeniería y Tecnología NED, Karachi 75270, Pakistán;
ahsanrehman@neduet.edu.pk (AR); sundussfatima@neduet.edu.p k (SF); mkhurrum@neduet.edu.pk (MK) Electrónica y
3
Ciencias de la Computación, Universidad de Southampton, Southampton SO17 1BJ, Reino Unido; nrh@ecs.soton.ac.uk
* Correspondencia: huma.zia@adu.ac.ae ; Tel .: + 971-551-773-242
Resumen: En los últimos años, la demanda de suministro de agua dulce está aumentando con la creciente
demanda de alimentos de una población en rápido crecimiento. El sector agrícola de Pakistán contribuye con el
26% de su PIB y emplea al 43% de toda la fuerza laboral. Sin embargo, los métodos agrícolas tradicionales que
se utilizan actualmente, como el riego por inundación y el sistema rotativo de asignación de agua (Warabandi),
dan como resultado un uso excesivo e inoportuno de agua, así como un bajo rendimiento de los cultivos. Las
soluciones de Internet de las cosas (IoT) basadas en datos de sensores agrícolas en tiempo real y sistemas de
soporte de decisiones inteligentes han llevado a muchas soluciones agrícolas inteligentes, mejorando así la
utilización del agua. El objetivo de este estudio fue comparar y optimizar el uso de agua en un sitio de prueba
de una granja de limón de 2 acres en Gadap, Karachi, por un período de 9 meses. mediante la implementación
de un dispositivo IoT desarrollado de forma autóctona y un sistema de apoyo a la toma de decisiones (DSS)
basado en la agricultura. Los datos del sensor se recopilan de forma inalámbrica a través de la nube y una
aplicación móvil, así como una visualización de información basada en la web, y un sistema DSS hace
recomendaciones de riego. El sistema DSS se basa en datos meteorológicos (temperatura y humedad), datos
de sensores in situ en tiempo real del dispositivo IoT implementado en la granja y datos de cultivos (Kc y tipo
de cultivo). Estos datos se suministran a Penman-Monteith y al modelo de coeficiente de cultivo para hacer
recomendaciones para los programas de riego en el sitio de prueba.◦C.
Palabras clave: riego inteligente; sistema de soporte de decisiones; Internet de las Cosas; Ecuación de Penman-Monteith;
coeficiente de cultivo
1. Introducción
La agricultura es la columna vertebral de la economía de Pakistán, que aporta el 26% del PIB del
país y emplea al 43% de la fuerza laboral total [1]. El apoyo a la agricultura utiliza actualmente el 60% del
total de los recursos de agua dulce [2]; El 90% del cultivo de la tierra se logra mediante el riego con agua
de río, y esto contribuye a más del 80% del rendimiento agrícola. Sin embargo, la precipitación media es
inferior a 240 mm al año [3], y se estima que el país podría secarse en 2025 [4]. Los cambios climáticos y
el alto crecimiento de la población (1,57% anual) en Pakistán requieren más recursos hídricos, no solo
para el uso diario sino también para la agricultura [5]. Sin embargo, la mayoría de los agricultores
utilizan métodos de riego obsoletos, como el riego por inundación, y se basan en estimaciones para la
toma de decisiones en las prácticas agrícolas que, por lo general, resultan en un uso excesivo de agua [6
]. Además, en la región se utiliza un sistema de asignación de agua rotacional fijo, conocido como
Warabandi, para suministrar agua de riego a los agricultores según un programa planificado
previamente [7]. En este método, preasignados fijos
https://www.mdpi.com/journal/sensors
Sensores 2021, 21, 4175 2 de 17

los volúmenes de agua de riego (estimados según el cultivo) se suministran a los canales que conducen
a los campos, en un día determinado [8]. Este método se utiliza ampliamente en Pakistán, India,
Bangladesh y parte de la región mediterránea [8,9]. Esta práctica, aunque proporciona un suministro de
agua equitativo para todos los agricultores de la región (que, de lo contrario, podría resultar en con fl
ictos sobre el uso del agua), no incorpora los requisitos de riego reales según los parámetros de campo
en un día determinado. Proporciona acceso al agua, en horarios establecidos, pero no todo el tiempo.
Esto puede resultar en un riego excesivo e intempestivo de los campos. El exceso de riego no solo agota
los ya escasos recursos de agua dulce, sino que también afecta la calidad de los cultivos. El agua
adicional en el suelo reduce el espacio necesario para la respiración de las plantas, lo que en
consecuencia dificulta el crecimiento de las plantas [10]. El exceso de agua en el suelo también puede
provocar problemas de salinidad, lo que afecta la fertilidad del suelo, reduciendo así la tierra cultivable
disponible [11]. El riego depende en gran medida de tres factores principales (tipo de cultivo, clima y
suelo) que afectan significativamente los criterios de programación del riego [12]. El tipo de cultivo y el
suelo determinan el volumen de riego y fertilizantes, mientras que el clima, la humedad del suelo, la
humedad y la temperatura gobiernan el programa de riego. En última instancia, las necesidades de
agua de riego para los cultivos cambian dinámicamente cada año [13]. Por lo tanto, es necesario
implementar una política de riego programada para los cultivos sobre la base de estos parámetros en
tiempo real para una gestión inteligente del agua y rendimientos de cultivos de alta calidad [14]. Los
sistemas de programación de riego basados en datos comprenden dos partes integrales: modelos
dinámicos (basados en datos del clima, cultivos y suelos) y un sistema de apoyo a las decisiones
agrícolas (DSS). El DSS agrícola analiza los datos, toma decisiones basadas en las entradas del suelo en
tiempo real y calcula el tiempo aproximado para el siguiente riego. En [15], y un estudio de los sistemas
de decisión y su uso en la gestión del agua fue presentado por Guariso et al. en [dieciséis]. El cálculo en
tiempo real del balance suelo-agua es esencial para la programación del riego en tiempo real.
Verdadero-
Los cálculos de tiempo requieren la predicción de la evapotranspiración de referencia diaria (ETo), cual
es la base para estimar la evapotranspiración del cultivo (ETC) y para calcular los requisitos de
riego de cultivos [17]. Se recomienda el método FAO Penman-Monteith (FAO-PM) como
ET estándaro método [18] y durante mucho tiempo ha sido aceptado en todo el mundo como un buen ETo estimador
en comparación con otros métodos [19-21]. Usando ET0, El déficit diario de agua del suelo se calcula luego
sobre la base de la ecuación de balance hídrico del suelo, que es un sistema de riego ampliamente utilizado.
método de programación [22]. Con la llegada del Internet de las cosas (IoT), la disponibilidad de datos
meteorológicos en tiempo real y del suelo in situ ha revolucionado la toma de decisiones de los
agricultores del sector agrícola. Las estimaciones realizadas por el DSS agrícola basado en IoT son más
precisas que la estimación humana, ya que se basan en un análisis preciso de datos variables en tiempo
real [23]. El monitoreo y la toma de decisiones para sistemas de riego basados en IoT y redes de
sensores inalámbricos (WSN) han predicho con precisión la programación del riego en el pasado
utilizando datos medidos, aumentando así la productividad del agua [24-34].
Hasta la fecha, varias aplicaciones han explorado la implementación de DSS basado en IoT para
programar el riego en granjas. Algunos estudios utilizaron la ecuación basada en el agua del suelo, mientras
que otros utilizaron el método del umbral de humedad del suelo [17]. En [29], se desarrolló un sistema con un
marco basado en la nube para el riego en un entorno urbano para una maceta multinivel. Cada nodo contenía
un sistema local de toma de decisiones junto con sensores y actuadores. Los nodos locales comunicaban los
datos a la nube a través de un nodo central, donde se podían analizar los datos. El experimento, aunque fue un
banco de pruebas a pequeña escala, mostró un consumo reducido de agua. El aprendizaje automático se
empleó en otro estudio de 3 semanas [24] para un sistema de gestión de riego basado en IoT en un pequeño
banco de pruebas. El sistema incluía placas base de microcontroladores integrados (Raspberry Pi y un Arduino)
para recomendar los requisitos de riego de un campo utilizando el valor de humedad del suelo previsto. El
algoritmo de predicción utilizó parámetros del suelo como la humedad del suelo, la temperatura del suelo y las
condiciones ambientales junto con los datos de pronóstico del tiempo de Internet. El estudio demostró
predicciones de buena precisión (R2 = 96%) pero no analizó el ahorro de agua. El dispositivo tampoco era lo
suficientemente robusto como para implementarse en un entorno hostil y remoto. Los estudios en [24,25,28]
también propuso sistemas de programación de riego basados en IoT y los implementó a escala piloto. La
Sensores 2021, 21, 4175 3 de 17

Los sistemas se basaron en la medición directa del agua del suelo para utilizar el agua de manera óptima en comparación con
los sistemas de riego tradicionales.
Otro estudio [33] centrado en la programación de riego inteligente para la agricultura en túneles. Los investigadores utilizaron

sensores para adquirir lecturas de luz, temperatura, humedad y humedad del suelo que fueron calibradas para implementar lógica difusa y

generar resultados que determinaron si el cultivo requiere agua y cuándo. Las lecturas se enviaron al servidor donde se podía acceder a

ellas y verlas mediante una aplicación de Android (un sistema operativo móvil popular y estandarizado de Google) o un navegador web.

Este estudio fue único ya que se centró en la agricultura de túneles, implementó lógica difusa para tomar decisiones inteligentes para la

programación y ahorró el consumo de energía al controlar los tiempos activos de los sensores. En un estudio en España se analizó un DSS

para la programación automática del riego basado en métodos de aprendizaje automático [35]. El estudio tuvo como objetivo probar

diferentes algoritmos de aprendizaje automático, como la regresión lineal, la máquina de vectores de soporte y la regresión forestal

aleatoria, para predecir los valores de riego. Los modelos se entrenaron con datos agronómicos adquiridos de nueve huertos de cítricos de

5-6 ha de área cada uno. Para eso se utilizaron nodos desarrollados por una empresa de soluciones inteligentes. Los datos meteorológicos

como la temperatura, la humedad, la radiación, la velocidad del viento, las precipitaciones y la presión de vapor fueron proporcionados por

un instituto público de investigación en España, que desplegó 49 estaciones climáticas que cubren la región en estudio. El estudio mostró

un error promedio semanal por debajo del 10% para las predicciones en comparación con los valores recomendados por el agrónomo.

Otro estudio de investigación para el cultivo de limón se realizó utilizando un dispositivo de IoT, en el que se utilizaron valores de umbral de

humedad del suelo para activar el riego. El sistema incluía un nodo de hardware basado en una unidad de microcontrolador, un sensor

DHT22 (temperatura y humedad) y un sensor de humedad del suelo junto con una aplicación móvil y un portal web. Según los valores

umbral de la humedad del suelo, el agricultor puede decidir regar el campo. En realidad, el estudio tenía como objetivo encontrar la

relación entre la humedad y la temperatura en el rendimiento de los cultivos sobre la base de los datos recopilados durante toda la

temporada, para lo cual se utilizó un modelo de regresión lineal. Se determinó que la temperatura y la humedad adecuadas para una alta

productividad de los limones cultivados en casa era de 29 a 32ºC. En realidad, el estudio tenía como objetivo encontrar la relación entre la

humedad y la temperatura en el rendimiento de los cultivos sobre la base de los datos recopilados durante toda la temporada, para lo cual

se utilizó un modelo de regresión lineal. Se determinó que la temperatura y la humedad adecuadas para una alta productividad de los

limones cultivados en casa era de 29 a 32ºC. En realidad, el estudio tenía como objetivo encontrar la relación entre la humedad y la

temperatura en el rendimiento de los cultivos sobre la base de los datos recopilados durante toda la temporada, para lo cual se utilizó un

modelo de regresión lineal. Se determinó que la temperatura y la humedad adecuadas para una alta productividad de los limones

cultivados en casa era de 29 a 32ºC.◦C y 72-81%, respectivamente. La mayoría de los estudios anteriores fueron implementaciones piloto a

pequeña escala y no pudieron evaluar el impacto del riego inteligente en el ahorro total de agua y el rendimiento de los cultivos durante

una temporada. Además, ninguno de los estudios se basó en el riego por inundación, que presenta sus propias limitaciones. Además,

Pakistán utiliza un método tradicional de asignación de agua por rotación, Warabandi, que limita la programación del agua y debe ser

considerado para el DSS. Algunos estudios utilizaron datos meteorológicos públicos, mientras que otros utilizaron datos meteorológicos

para predecir la humedad del suelo para programar el riego.

Hay varios módulos de IoT comerciales disponibles para la programación del riego, como el sensor CropX
[36], Sensor teralítico [37], Sensor Mark2 [38] y Libelium Kit [39]. El costo de estos sistemas oscila entre 1000 y
5000 USD. CropX mide la humedad del suelo, la temperatura del suelo y la conductividad eléctrica en múltiples
profundidades del suelo, así como las condiciones climáticas [36]. Tiene sus propios módulos de comunicación
y funciona como un componente independiente. Cuesta alrededor de 600 USD y ha mostrado ahorros de agua
de hasta un 30%. La sonda del sensor Teralytic junto con el kit de instalación y la puerta de enlace cuestan
hasta 4300 USD [37]. Mide los niveles de NPK (nitrato, fosfatos, potasio) del suelo, el pH del suelo, la humedad
del suelo, la temperatura del suelo y los parámetros meteorológicos. La sonda del sensor no puede funcionar
de forma independiente y requiere el concentrador asociado para la transferencia de datos. No se pudieron
encontrar resultados publicados según el mejor conocimiento de los autores para demostrar el ahorro de agua
con este dispositivo. El sensor Mark2 tiene características similares a los módulos anteriores y cuesta alrededor
de 1600 USD [38]. El kit de agricultura Libelium mide la humedad del suelo, la temperatura, la humedad, la
humedad de las hojas y la presión atmosférica [39]. También viene con un software de visualización de datos.
Este kit cuesta 5000 USD, que incluye nodos y un hub. Las herramientas y los sistemas disponibles discutidos
anteriormente no son rentables, lo que aumenta la dependencia de los usuarios de las soluciones importadas,
lo que dificulta el mantenimiento. Por lo tanto, existe el requisito de un dispositivo IoT de bajo costo
desarrollado localmente para abordar los requisitos regionales específicos.

El estudio propuesto representa el primer sistema de riego inteligente comercial del país. Debido
al desarrollo autóctono, es probable que el sistema se mantenga a un costo menor frente a
Sensores 2021, 21, 4175 4 de 17

las soluciones importadas que son caras de mantener. Dicho sistema debe utilizar datos de humedad
del suelo in situ, así como datos meteorológicos en tiempo real, para estimar los requisitos de agua de
los cultivos, y esto es lo que informamos en este documento.
En este documento, presentamos los resultados de un estudio de 9 meses de duración en una granja de limón
de 2 acres, donde se implementó y monitoreó el dispositivo IoT desarrollado de forma autóctona. El campo se comparó
con una finca de limón similar de 2 acres, donde se utilizó la programación de riego tradicional controlada por el
agricultor. Los limones, a diferencia del arroz y la caña de azúcar, no son una planta intensiva en agua; por lo tanto,
esto ofrece un margen significativo para lograr un ahorro de agua en comparación con las técnicas tradicionales de
cultivo de limón en la región. Los datos meteorológicos y de campo en tiempo real se recopilaron a través de un nodo
sensor de diseño propio. Se desarrolló una función de visualización de información y un sistema DSS tanto para una
aplicación móvil como para un portal web para que los agricultores puedan realizar un seguimiento de sus cultivos y
sus necesidades de agua. El nuevo DSS agrícola
El algoritmo utiliza datos recopilados para calcular la evapotranspiración diaria de referencia de la hierba (ET0),
coeficientes de cultivo (KC), y evapotranspiración diaria del cultivo ETC. El algoritmo calcula el
agotamiento del agua del suelo y la disponibilidad total de agua y recomienda un programa de riego al
agricultores, teniendo en cuenta el sistema Warabandi. Nuestro estudio es novedoso en el sentido de que
ninguna otra investigación en la región se ha centrado en el diseño, implementación, implementación y
evaluación completos de una solución DSS basada en un sistema IoT de bajo costo y diseño propio (menos de
100 USD) para la programación del riego y el monitoreo del rendimiento de los cultivos. durante toda una
temporada. Además, ningún estudio se ha centrado en el sistema de riego de Warabandi. Los autores tienen
una amplia experiencia en investigación con respecto al riego inteligente utilizando soluciones de IoT y
modelos ambientales para la gestión del agua agrícola [30,31,40]. El producto desarrollado fue lanzado en una
empresa de nueva creación como un servicio y está siendo adoptado por muchos agricultores en el país para el
monitoreo de cultivos y la programación de riego [41].

2. Materiales y métodos
Nuestro estudio destaca la diferencia entre el riego convencional y el riego agrícola basado
en DSS. El estudio se realizó en una granja de 4 acres en Gadap, Karachi, desde febrero de 2018
hasta octubre de 2018 (9 meses) en un huerto de limoneros. En total, se utilizaron 4 acres de tierra
para el ensayo: 2 acres reservados para riego controlado por agricultores (Área A) y 2 acres
reservados para riego agrícola controlado por DSS (Área B), como se muestra en la Figura1. Se
utilizó riego por inundación en ambas áreas. El Área A se regó en función de las estimaciones
tradicionales realizadas por los agricultores para el tiempo y el volumen de riego, mientras que el
Área B se regó utilizando las recomendaciones del DSS agrícola en función de la información en
tiempo real proporcionada por el dispositivo IoT desplegado.

Figura 1. Área A para estimaciones de agricultores (2 acres); Área B para las recomendaciones del DSS de agricultura (2
acres).
Sensores 2021, 21, 4175 5 de 17

2.1. Detalle de implementación

El dispositivo IoT a medida (como se muestra en la Figura 2), desarrollado por los autores, se utilizó
en el Área B para monitorear los datos del suelo y del clima en tiempo real. La aplicación utiliza datos de viento
de terceros (m / s) de fuentes en línea [42]. Un sensor DHT22 [43] está integrado en el dispositivo de IoT para
recopilar la temperatura y la humedad, y el sensor de humedad del suelo de re fl ectometría de dominio de
frecuencia (FDR) [44] mide la humedad del suelo a 30 cm de profundidad. Los detalles del dispositivo IoT se
tratan en la siguiente sección.

Figura 2. Dispositivo IoT.

Antes del despliegue final al comienzo de la temporada en febrero, el sistema se desarrolló y probó en el
sitio del estudio durante aproximadamente 4 meses. La información relacionada con el suelo, los cultivos y el
sistema de riego se recopiló con la ayuda de agricultores expertos y se incorporó al algoritmo DSS (que se
analiza en la siguiente sección). El dispositivo de IoT está encerrado en una caja de hardware para ser
implementado de forma segura en el sitio. Durante la prueba inicial, se instalaron dos dispositivos en el campo
de 2 acres para proporcionar resolución espacial para los datos. Sin embargo, debido a la ausencia de
variabilidad en los parámetros del suelo y las condiciones climáticas, así como a una tierra nivelada para el sitio
de prueba y el cultivo, los parámetros observados por los sensores no variaron. Por lo tanto, se decidió utilizar
solo un dispositivo para el monitoreo. Los resultados finales en términos de ahorro de riego y aumento de
rendimiento validaron nuestra decisión. Por lo tanto, la escalabilidad no es aplicable en nuestro caso; Solo se
necesitarían más sensores si es probable que los parámetros climáticos y del suelo cambien en el sitio dado. El
costo de un solo dispositivo de IoT es de 65 USD para que los agricultores lo compren. El costo total de un solo
dispositivo, así como su implementación, prueba y mantenimiento, durante toda una temporada asciende a
unos 170 USD. Esto incluye los cargos del servicio en la nube y el acceso a la aplicación móvil, el portal web y el
servicio de SMS.
Una vez que se implementa el sistema, el dispositivo envía los datos recopilados de los sensores a
un servidor en línea, donde el DSS agrícola utiliza estos datos para calcular los requisitos de agua. Para
la programación del riego en DSS, el método ampliamente utilizado de evapotranspiración
Se aplica balance ración / agua (ET-WB), en el cual se aplica la evapotranspiración diaria del cultivo (ET-WB).C)
se estima de acuerdo con los métodos descritos por la Organización de las Naciones Unidas para la Agricultura y la Alimentación

(FAO) [22]. El déficit diario de agua del suelo se calcula usando la ecuación ET-WB para programar
eventos de riego cuando el agotamiento total del agua excede el agua disponible. La ecuación
FAO-56 Penman-Monteith se utiliza para calcular la evapotran-
espiración (ET0). ETC se estima utilizando los procedimientos de coeficiente de cultivo dual de la FAO-56 [
18]. Toda esta información se pone a disposición del agricultor mediante una aplicación móvil y un
Portal web. Luego, el agricultor usa estos valores para programar el riego para el Área B.
Sensores 2021, 21, 4175 6 de 17

Cuando el servicio móvil no está disponible, se informa a los agricultores mediante un mensaje SMS sobre la
programación del riego y el estado del campo. Los agricultores hacen uso de la infraestructura existente para
regar su campo. Después del estudio de 9 meses, la investigación pudo registrar y comparar el rendimiento
total de la finca, el rendimiento por árbol, los ingresos y el uso total de agua de ambas áreas de la finca, como
se analiza en la Sección3.
A continuación, analizamos la arquitectura de diseño, incluido el dispositivo IoT y el algoritmo DSS,
los métodos de cálculo de riego y los parámetros de salida.

2.2. Arquitectura de diseño

El marco integral del sistema, que se muestra en la Figura 3, ilustra el sistema
información procedente del dispositivo IoT desplegado en la granja (humedad del suelo, temperatura,
humedad), datos satelitales (velocidad y dirección del viento) y datos predefinidos (tipo de cultivo, tipo de suelo,
ubicación, fecha de plantación).

Figura 3. Arquitectura general de DSS basado en la agricultura.

Los datos recopilados se presentan al DSS utilizando un algoritmo inteligente subyacente,

que recomienda la programación de riego para la granja. La figura ilustra además la interfaz de la
aplicación móvil presentada a los agricultores para analizar los parámetros de la finca y obtener
retroalimentación sobre los requisitos de riego. Ahora analizamos las dos secciones básicas de la
arquitectura: el dispositivo IoT y el algoritmo DSS.

2.2.1. Dispositivo de IoT

El nodo de IoT incorpora una fuente de alimentación, un microcontrolador, sensores y un

transceptor de RF para esta aplicación, como se muestra en la Figura 4. Se utilizan varios sensores.
El sensor DHT 22 y el sensor de humedad del suelo se utilizan para medir la temperatura y la
humedad del medio ambiente y el contenido de agua del suelo, respectivamente. Todos los
sensores están interconectados con microcontroladores ATmega8 / ATmega328 de la serie AVR de
bajo consumo y alto rendimiento. Los pines del controlador están interconectados con los
sensores y el transceptor de RF, a través del puerto serie. El módulo GSM / GPRS se utiliza con
fines de comunicación y para enviar los datos registrados a la nube. Se creó una placa separada
para proporcionar energía a los sensores. Se utiliza una batería de litio de 9 V para proporcionar
energía. La capacidad de la batería es de 2000 mAh, pero el suministro principal proviene de una
celda solar de 18 W. La batería permite una vida útil de 2 días sin cargar. Está regulado por un
regulador 78H05K para mantener el voltaje a 5 V para el microcontrolador,
Sensores 2021, 21, 4175 7 de 17

El dispositivo se colocó en una caja de plástico debajo del panel solar para protegerlo de las duras
condiciones climáticas en una granja, que, en casos anteriores, afectaron los circuitos y la carcasa del
dispositivo. Sin embargo, los sensores pudieron funcionar bajo las duras condiciones climáticas cuando la
temperatura alcanzó un máximo de 52◦C en el verano. La PCB personalizada del dispositivo IoT se muestra en
la Figura5. Los sensores registraron las lecturas de temperatura, humedad del suelo y humedad una vez por
hora en un día y los datos se enviaron a un servicio de plataforma de análisis en la nube llamado ThingSpeak a
través del módulo GSM (SIM800 L). ThingSpeak es una plataforma en la nube que agrega y visualiza los datos
enviados desde dispositivos (o sensores) [45]. Este dispositivo se puede utilizar en cualquier cultivo sin ningún
cambio en la estructura, ya que el dispositivo se utiliza para la adquisición de datos. Los datos recopilados
luego se ingresan en el DSS en línea que combina los datos del suelo y el clima con los datos del cultivo, lo que
finalmente da como resultado la estimación de las necesidades de agua del cultivo. Se pueden instalar varios
dispositivos en diferentes cultivos al mismo tiempo sin ningún cambio en el diseño del hardware para recopilar
los datos del suelo y el clima. El software de backend implementado en un servidor en línea representa los
datos predefinidos del cultivo para cada dispositivo, de modo que el sistema puede acomodar todos los
cultivos si sus datos predefinidos están disponibles.

Figura 4. Arquitectura de dispositivos IoT.

Figura 5. PCB de IoT.

Sensores 2021, 21, 4175 8 de 17

2.2.2. Algoritmo DSS

El algoritmo DSS determina si el agricultor requiere riego o no, y cuánto volumen de riego se
necesita. El fl ujo general del algoritmo DSS se ilustra en la Figura6. El DSS agrícola funciona con
dos tipos de datos: en tiempo real y predefinidos. Los sensores presentes en el dispositivo IoT
miden datos de temperatura ambiente, humedad y humedad del suelo en tiempo real. Los valores
del sensor son dinámicos ya que cambian cada hora. Estos valores actualizados cada hora de los
sensores son necesarios para que el DSS agrícola pueda tomar decisiones precisas. Además, el
DSS utiliza datos de viento promedio mensual de terceros (m / s) de una fuente en línea para la
región de Gadap [42]. Los parámetros del viento son
requerido para calcular ET0 pero no es necesario medirlos en el nodo, ya que están disponibles en
fuentes en línea.

Figura 6. Algoritmo DSS.

En el sistema se utilizan algunos datos estáticos predefinidos, como datos de cultivos, datos de suelos y datos de
ubicación. Los datos del cultivo incluyen el coeficiente de cultivo, la profundidad efectiva de las raíces y la fecha de
siembra. Los datos del suelo incluyen el tipo de suelo, la capacidad de agua del suelo y el punto de marchitez. Los datos
de ubicación incluyen la longitud y latitud del campo. Estos valores están predeterminados antes de instalar el
dispositivo en el campo y son esenciales para que el DSS agrícola programe el riego de manera óptima.
Para evaluar si el riego es necesario en un día determinado, existe una condición fundamental recomendada por
la Organización de las Naciones Unidas para la Agricultura y la Alimentación (FAO) [22] que está registrado
el algoritmo DSS diariamente: si DRhode Island ≥ CRUDO, se necesita riego, donde DRhode Island es el agotamiento
de la zona de la raíz al final del i-ésimo día (mm) y RAW es el agua fácilmente disponible en el
zona de la raíz (mm).
Esta es la ecuación fundamental para que el sistema de apoyo a la toma de decisiones calcule diariamente
la decisión de riego para un área y cultivo en particular. DRhode Island se denomina agotamiento final en esta
investigación. RAW representa la cantidad de agua que debe mantenerse por encima del valor final
valor máximo de producción para evitar el estrés hídrico en los cultivos y garantizar un crecimiento adecuado del cultivo. RAW se calcula

usando ETC y datos de cultivos predefinidos. Todos los días, los dos valores más críticos (agotamiento antes de
la evapotranspiración (agotamiento inicial) y agotamiento después de la evapotranspiración (final
agotamiento)) se calculan utilizando la capacidad de agua del campo, la humedad media del suelo y la información de
la profundidad efectiva de las raíces. Los valores de agotamiento aumentan cada día debido a la evapotranspiración del
cultivo. Finalmente, el agotamiento se eleva por encima del valor de RAW, lo que significa que se necesita riego.
El cultivo sufre si el agotamiento sigue siendo mayor que el RAW. Para ETC y ETC cálculos, el
Sensores 2021, 21, 4175 9 de 17

Se utilizan el modelo Penman-Monteith y el enfoque del coeficiente de cultivo, respectivamente (discutido

más adelante en detalle). Como figura6 ilustra, ETo se calcula utilizando la temperatura diaria, la humedad
diaria, la velocidad del viento y la información de ubicación (latitud y latitud). Una vez que lo anterior
Si la condición de riego es verdadera, el valor de RAW y el área total cubierta por todos los
limoneros se utilizan para determinar el volumen de riego requerido. El algoritmo determina la
duración (en minutos) según el flujo de agua dado para regar un área específica.
Como se mencionó anteriormente, el sistema Warabandi es un mecanismo rotatorio de asignación
de agua a través del cual se suministra una cantidad fija de agua a cada agricultor en un día
determinado. Por lo tanto, el DSS de riego debe tener en cuenta las limitaciones que ofrece el sistema y
recomendar el riego según el turno del agricultor sin afectar la salud del cultivo. Como resultado, el
sistema DSS informa a los agricultores que rieguen los cultivos cuando el requerimiento de agua esté
más cerca de su turno. Por ejemplo, si el DSS de agricultura calcula que un cultivo requiere agua el
lunes, pero el turno del agricultor es el viernes, entonces el DSS de agricultura le dirá al agricultor con
anticipación que riegue el cultivo el viernes anterior. Sería necesario regar el cultivo el viernes anterior,
antes del lunes, para evitar que se marchite más allá del lunes. Actualmente, ninguna otra organización
o individuo ha desarrollado un algoritmo similar. Por tanto, el algoritmo de predicción del DSS es
novedoso y único.

2.3. Métodos de cálculo de riego

Para un riego controlado, es necesario determinar la cantidad de agua que pierde el cultivo
durante un período, así como la cantidad que requiere el cultivo. Los requisitos de agua cambian con
cada tipo de cultivo y región; sin embargo, existen dos medios por los que se produce la pérdida de
agua. El primero es la evaporación del agua del suelo. El segundo es la transpiración de la planta. Por
tanto, es importante calcular cómo la evaporación y la transpiración (o evapotranspiración) afectan a la
planta. La evapotranspiración es una combinación de ambos términos, y esta investigación se centra en
calcular la evapotranspiración, ya que permite a los investigadores estimar de manera eficiente las
necesidades de agua de los cultivos.

2.3.1. Penman – Monteith

La ecuación de Penman-Monteith [46] (Ecuación (1)) es un método eficaz para calcular
evapotranspiración del cultivo de referencia (ET0).

0.408∆ (R -G) + Y 900 u (e - e)

T + 273 2 s a,
(1)
norte

ET0 =
∆ +Y (1 + 0.34u2)

donde ET0 es la evapotranspiración de referencia (mm por día), Rnorte es la radiación neta en la superficie del cultivo (MJ / m2 por
día), G es la densidad del fl ujo de calor del suelo (MH / m2 por día), T es la temperatura media diaria del aire
a 2 m de altura◦C), u2 es la velocidad del viento a 2 m de altura (m / s), es es la presión de vapor de saturación (kPa),
mia es la presión de vapor real (kPa), es - mia es el déficit de presión de vapor de saturación (kPa), ∆ es la
pendiente de la curva de presión de vapor (kPa por ◦C) y γ es la constante psicrométrica (kPa por ◦C).
El sensor proporciona la temperatura ambiente (T) y la humedad del suelo. Los valores restantes se determinan
como se describe a continuación.

Radiación neta (Rnorte)

Rnorte es la radiación en la superficie que puede aumentar la precisión de la estimación si está disponible. La
valor de Rnorte se calcula a partir de bibliotecas disponibles públicamente que implementan una fórmula de
estimación, a saber, meteolib [47] y la FAO [48]. Se tienen en cuenta diferentes parámetros como
valores máximos y mínimos de temperatura, latitud y longitud para determinar el valor final de Rnorte.

Flujo de calor del suelo (G)

La cantidad de energía térmica que se mueve a través de un área de suelo por unidad de tiempo se llama
fl ujo de calor del suelo [46]. El DSS agrícola calcula ETo cada 24 h, y el valor del fl ujo de calor del suelo es tan pequeño
que se considera insignificante. Por lo tanto, el fl ujo de calor del suelo es G≈ 0.
Sensores 2021, 21, 4175 10 de 17

Velocidad del viento (u2)

4.87
tu2 = tuz , (2)
-
ln (67,8z 5,42)
donde z es la elevación sobre el nivel del mar (m).
La FAO recomienda mantener los sensores a 10 m sobre la superficie porque la velocidad del viento es el más bajo

a nivel del suelo y aumenta con la altura. Por lo tanto, los anemómetros se colocan a una altura estándar,
es decir, 10 m en meteorología y 2 o 3 m en agrometeorología. En este caso, la altitud debe ser de 2 m en la ecuación
para obtener los mejores resultados, y el conjunto de datos se registró con la velocidad del viento a 10 m. Esto se
aplica a los conjuntos de datos eólicos de terceros que se utilizaron para el cálculo [42].

Presión de vapor de saturación (es)

La presión de vapor de saturación, requerida en la Ecuación (1), se calcula como se muestra en la Ecuación (3).

mi(o max)
T eo +T(min),
mis = (3)
2

donde T es la temperatura (◦C) ye0 (T) es la s [presión de vapor de aturación a la temperatura del aire.
tura T (kPa). ]
17.27T
mi0 (T) = 0,6108 exp . (4)
T + 237,3
La ecuación (4) muestra la no linealidad en el cálculo de los resultados deseados. Por lo tanto, la presión
de vapor de saturación media se calcula para un día, mes o semana en la media máxima y mínima.
temperaturas durante un período de tiempo específico.

Presión de vapor real (ea)

mia se calcula como se muestra en la Ecuación (5).

mi0 (Tmax) RHmax

100
mi0 T pulg.) RH100,
+ ( metro min
mia = (5)
2

donde T es la temperatura (◦C).

Curva de presión de vapor (∆)

∆ se determina usando la ecuación (6).
[ ( )]
17.27T
4098 0,618 exp T + 237,3
∆= , (6)
(T + 237,3)2

donde T es la temperatura (◦C).

Constante psicométrica (γ)

La constante psicrométrica, γ, se define por el valor de presión atmosférica como se muestra en
Ecuación (7), que se calcula utilizando la Ecuación (8). γ está relacionado con la evapotranspiración de
hojas, cuya velocidad depende de la presión atmosférica.

γ = 0,665 × 10-3PAG, (7)

donde P es la presión atmosférica (mb), como se indica en la Ecuación (8).

293 - 0.0065z 5.26

P = 101,3 ( ) , (8)
293

donde z es la altitud sobre el nivel del mar (m).

2.3.2. Enfoque de coeficiente de cultivo

La evapotranspiración, ET0, calculado utilizando la ecuación de Penman-Monteith se utiliza para estimar
la evapotranspiración del cultivo de referencia, ETC. Cada cultivo tiene una evapotranspiración única; por lo
tanto, la ecuación de Penman-Monteith asigna ET0 a cada cultivo. ET0 depende de tiempo real y predefinido
Sensores 2021, 21, 4175 11 de 17

datos. Considera variables como viento, humedad, altitud y latitud. Por lo tanto, utiliza un conjunto de un diverso
datos que incluye datos predefinidos y en tiempo real.
Para calcular ETC, el método del coeficiente de cultivo se utiliza como se muestra en la Ecuación (9).

ETc = KC ET0, (9)

donde KC se refiere al coeficiente de cultivo, que es específico para varios cultivos y sus etapas de crecimiento.
Para el limón, estos valores oscilan entre 0,6 y 0,8 según la FAO para varias etapas de cultivo, cambiando
con tiempo [18].

2.4. Salidas del sistema

El DSS agrícola ofrece al agricultor múltiples opciones con respecto a la variable de producción de riego,
así como la interfaz de la aplicación de usuario. La interfaz de la aplicación de usuario incluye una aplicación
móvil y un portal web.

2.4.1. Opciones de parámetros de salida para riego

El DSS agrícola ofrece flexibilidad a los agricultores para utilizar diferentes parámetros de producción para el
riego según sus necesidades. Algunos agricultores calculan la producción de riego en términos de volumen, como
galones o litros. Otros agricultores utilizan cálculos de riego de acres por pulgada. Además, algunos agricultores no
pueden calcular el volumen o el acre por pulgada y utilizan el tiempo como resultado. Por lo tanto, el DSS de agricultura
ofrece la opción de varios parámetros de producción a los agricultores según sus requisitos. Por ejemplo, si los
agricultores utilizan el tiempo como término de salida, el sistema les indicará que rieguen durante un período
específico. Los términos de producción no afectan las necesidades reales del cultivo. Por ejemplo, si un cultivo requiere
5 L de agua, entonces el sistema entrega 5 L de agua, ya sea que la producción sea en volumen, tiempo o acre por
pulgada. Ajusta la salida de acuerdo con el término de salida requerido; calcula cuánto tiempo o acre por pulgada es
igual a 5 L de agua, y luego muestra la cantidad de salida correcta al agricultor. Por lo tanto, el DSS agrícola puede
funcionar en cualquier granja en Pakistán, con diferentes requisitos de parámetros de producción de riego.

2.4.2. Aplicación móvil y portal web

Una interfaz de usuario fácil de navegar es fundamental para promover una solución agrícola técnica para los
agricultores de Pakistán. Con la disponibilidad de teléfonos móviles, el intercambio de información se ha vuelto más
frecuente. Por lo tanto, para el DSS agrícola, se desarrolló una aplicación móvil personalizada para informar a los
agricultores sobre el estado de su cultivo utilizando datos en tiempo real, como se muestra en la Figura.7. Los
agricultores registrados pueden iniciar sesión en su cuenta y acceder a información relacionada con los requisitos de
riego de su finca. La aplicación representa los parámetros de producción de riego establecidos según la preferencia del
agricultor. En la página principal de la aplicación se incluyen diferentes parámetros como la temperatura, la humedad,
la humedad del suelo, la temperatura del suelo y los requisitos de riego. La aplicación alerta al agricultor cuando se
requiere riego en la finca. Los agricultores riegan los cultivos de acuerdo con la producción de riego y el horario en la
aplicación móvil. Además, un servicio de alerta por SMS también está disponible para los agricultores que no poseen un
teléfono inteligente. El servicio de alerta por SMS envía mensajes de texto a los agricultores informando sobre los
requisitos de riego (volumen y tiempo). Además, se dispone de un portal web para acceder a la información. Hay dos
interfaces para el portal: administrador y usuario. El equipo de investigación utiliza la interfaz de administración para
ver los datos de todos los agricultores, mientras que la interfaz de usuario es para el agricultor. Por lo tanto, la interfaz
de usuario del DSS agrícola aborda los requisitos personalizados de cada agricultor.
Sensores 2021, 21, 4175 12 de 17

(a) (B)
Figura 7. (a) Aplicación de Android y (B) portal web de visualización de información para el agricultor.

3. Resultados y discusión
Durante el estudio de 9 meses para el huerto de limón seleccionado, se registraron las cantidades
de riego aplicadas según las estimaciones del agricultor utilizando el método tradicional en el Área A y
según el algoritmo DSS en el Área B. Al final de la temporada, también se estimó el rendimiento de
limón en ambas áreas agrícolas para evaluar el impacto de ambos métodos de riego.

3.1. Comparación del volumen de riego para los métodos DSS tradicionales y agrícolas
Mesa 1 muestra el volumen de riego total utilizado en ambas áreas. Como se indicó, el Área
A, regada con el método agrícola tradicional, utilizó 96,569 L de agua de riego en toda la
temporada. Por otro lado, el Área B, regada mediante el algoritmo DSS, se utilizó solo
44.290 L, que es el 46% del agua de riego utilizada por el método tradicional. En otros términos, el riego
programado por el algoritmo DSS ahorró 22,810,839 pies cúbicos de agua. Esto establece que el riego
programado mediante el algoritmo DSS, basado en parámetros agrícolas en tiempo real, optimiza el
uso de los recursos disponibles y ahorra agua sin afectar el rendimiento del cultivo. Además, se observó
que el rendimiento de los cultivos de hecho se incrementó, como se comenta más adelante.

Tabla 1. Estadísticas de riego (L).

Tradicional DSS programado Porcentaje de

Agua ahorrada
Riego (Área A) Riego (Área B) Agua ahorrada

96,569 44,290 52,279 46%

Mesa 2 enumera el programa de riego detallado para ambas fincas de acuerdo con su aplicación
según el día del año y el uso del agua. El día 01 denota el 1 de enero del año. Como es habitual en el
método de riego tradicional, el agricultor regó el área independientemente de las necesidades reales.
Por otro lado, dado que los datos de los sensores en tiempo real se utilizaron para calcular los requisitos
de agua en el Área B, el algoritmo DSS no recomendaba el riego cuando no era necesario. Estos datos
también se representan en la Figura8 para ilustrar la eficiencia del uso del agua.

3.2. Incremento de rendimiento

Mesa 3 muestra el rendimiento total resultante al final de la temporada en ambas zonas de

cultivo (A y B). Como se desprende de la tabla, el rendimiento de limón fue mucho mayor con 91
kg de limones por árbol en el Área B, que se regó según la recomendación del algoritmo DSS.
Sensores 2021, 21, 4175 13 de 17

basado en parámetros en tiempo real. En comparación, el rendimiento fue de 67 kg por limonero en el

área A regada por el método de cultivo tradicional. En resumen, el rendimiento aumentó en un 35%
utilizando el riego basado en algoritmos DSS. La tabla también menciona que el rendimiento total por
acre en el Área A fue de 4690 kg y que en el Área B fue de 6370 kg. El ingreso total generado en el Área B
(riego basado en algoritmo DSS) basado en el ahorro de agua y mayor rendimiento fue de 182.000 PKR,
que fue un 35% más alto que en el Área A (riego tradicional). Los agricultores del Área B estaban
encantados con los resultados positivos del dispositivo IoT y el algoritmo DSS asociado, ya que lograron
un 35% más de rendimiento de limones mientras consumían un 50% menos de agua de riego. Figura9
resume los resultados del rendimiento de los cultivos y el volumen de riego utilizado en ambas áreas
agrícolas.

Tabla 2. Eficiencia en el uso del agua al comparar la frecuencia de riego y la cantidad de agua tradicional y
sistema basado en sensores.

Uso de agua por tradicional Uso de agua por agricultura

Día del año
Riego en el Área A (L) DSS en el Área B (L)

32 7110 6266
67 5273 0
78 6588 4799
89 5212 0
105 4873 6399
115 5553 0
131 5452 5120
159 7117 0
169 5277 3922
179 4224 0
192 5833 3924
210 6563 7546
220 4624 0
226 7856 0
260 5104 0
291 4316 7242
304 5894 0

Figura 8. Eficiencia en el uso del agua de los sistemas de riego tradicionales y basados en algoritmos DSS.
Sensores 2021, 21, 4175 14 de 17

Tabla 3. Aumento del rendimiento de la cosecha de limón.

Rendimiento de Rendimiento de
El consumo de agua El consumo de agua Ingresos
Métodos Limones Limones
(L) (Pie cúbico) (PKR)
por árbol por acre

Agricultura tradicional 67 kilogramos 4690 kilogramos 96.570 3410 134.000

Riego por DSS 91 kilogramos 6370 kilogramos 44,290 1705 182.000

Figura 9. Aumento de rendimiento para cosecha de limón.

3.3. Perspectivas de futuro

El estudio de comparación en la figura 9 muestra la diferencia en el riego por agricultura

tradicional y agricultura DSS; en consecuencia, en el futuro, estos resultados podrían ayudar a
incrementar la producción anual de limones en todo el país. El área de cultivo de los cítricos en
total es de alrededor de 185.400 hectáreas (458.133 acres) en Pakistán. Es más,
El 97,16% de los cítricos se cultivan en la provincia de Punjab, ocupando un área de 183.200 hectáreas
(452.697 acres) produciendo 2.097.700 toneladas anuales [49]. El limón representa aproximadamente el
1,2% de la producción total de cítricos en el Punjab, ocupa un área de 4600 hectáreas (11,366.85 acres) y
produce 2600 toneladas anuales. En general, el área total dedicada a la producción de limón en Pakistán
es de aproximadamente 5000 hectáreas (12,355 acres) en 70 árboles por acre. Como se indica en
nuestros resultados, el método de riego tradicional generalmente genera 67 kg de limón por árbol; por
lo tanto, 70 árboles por acre podrían producir 4690 kg de limón / acre. Mesa4 muestra un resumen de
los ahorros potenciales de acuerdo con los resultados de nuestra prueba. Aunque se basa en una única
prueba, los ahorros son significativos y podrían incluso lograrse ahorros adicionales si la técnica se
extiende a otros cultivos de cítricos.
Específicamente, para este ensayo, el DSS agrícola mejoró significativamente el rendimiento de
cada árbol, dando una mejora del 35%, logrando esto notablemente usando un 50% menos de agua. En
muchos sentidos, este ahorro de agua es el punto más importante porque puede permitir la
explotación de tierras tradicionalmente inadecuadas para la producción, sin aumentar el uso general de
agua.
Sensores 2021, 21, 4175 15 de 17

Cuadro 4. Aumento del rendimiento para el cultivo anual de la cosecha de limón en Pakistán.

Riego tradicional por agricultor (Área A) Riego por DSS (Área B) Diferencia

Rendimiento de limón por árbol 67 kilogramos 91 kilogramos 24 kilogramos

Rendimiento total (kg) 4690 kilogramos × 12,355.27 acres = 57,946,216.3 kg 6370 kilogramos × 12,355.27 acres = 78,703,069.9 kg 20,756,853.9 kg

Rendimiento total (toneladas) 57,946.2 toneladas 78,703.1 toneladas 20.756,8 toneladas

96,569.8 L × 12,355.27 acres =

Uso total de agua (L) 44,290 L ×12,355.27 acres = 547,214,908.3 L 645,931,044.546 L
1,193,145,952.846 L

Uso total de agua (pies cúbicos) 42,135,551.7 pies3 19,324,712.1 pies3 22,810,839.6 pies3

Ingresos (PKR) 5794 M 7870 M 2076 millones

Ingresos (USD) 37,95 M 51,54 M 13,59 M

4. Conclusiones
El riego excesivo es un problema agrícola importante. Reduce el calidad de algunos
cultivos y reduce el rendimiento de los cultivos, mientras se desperdicia un recurso escaso. Los agricultores de
los países en desarrollo a menudo riegan excesivamente debido a su ignorancia de los problemas del
anegamiento y la salinidad. En la mayoría de los casos, con la excepción de los cultivos intensivos en agua, los
cultivos solo necesitan una cantidad adecuada de agua para crecer. El agua adicional destruye el crecimiento
de las raíces y disminuye la seguridad hídrica de una región. Para abordar esto, se desarrolló un dispositivo de
IoT y se combinó con un DSS para la programación de riego de un huerto de limoneros en Gadap, Karachi. El
DSS agrícola programó el riego de acuerdo con los datos recopilados de los sensores integrados en el
dispositivo; Los datos del suelo y los cultivos se alimentan previamente al dispositivo, mientras que los datos
meteorológicos se recopilan en tiempo real. La ecuación de Penman-Monteith y el enfoque del coeficiente de
cultivo son una parte esencial del sistema y forman la base de un sistema de predicción. Además, el sistema se
ajustó de acuerdo con el sistema Warabandi practicado en Sindh, Pakistán. Los resultados finales en forma de
estudio comparativo mostraron que el DSS fue exitoso. Se ahorraron 52,280 L de agua en la finca y se impulsó
la cosecha al producir 1680 kg más de limón por acre, es decir, 35% más de participación y preservar el 50% de
agua de riego. Por lo tanto, es un sistema eficaz que aumenta la productividad del agua para el cultivo
probado; con ligeros ajustes, podría simplemente aplicarse a otros cultivos que no requieren mucha agua.
Como se mencionó anteriormente, el producto desarrollado fue lanzado en una empresa de nueva creación
como un servicio y está siendo adoptado por muchos agricultores en el país para el monitoreo de cultivos y la
programación del riego, lo que demuestra la necesidad de un sistema de este tipo. Tenemos la intención de
informar más resultados a medida que el sistema se use en más situaciones.

Contribuciones de autor: Conceptualización, metodología, AR, MK, HZ; software, validación, AR,
SF; redacción: preparación del borrador original, HZ, AR; redacción: revisión y edición, HZ, NRH; visualización,
HZ, AR, NRH; supervisión, HZ, MK; administración del proyecto, SF Todos los autores han leído y están de
acuerdo con la versión publicada del manuscrito.

Fondos: Este trabajo fue patrocinado por la Oficina de Investigación y Programas Patrocinados de la
Universidad de Abu Dhabi.

Declaración de la Junta de Revisión Institucional: No aplica.

Declaración de consentimiento informado: No aplica.

Conflictos de interés: Los autores declaran no tener ningún conflicto de intereses.

Referencias
1. Rehman, A .; Jingdong, L .; Shahzad, B .; Chandio, AA; Hussain, I .; Nabi, G .; Iqbal, MS Perspectivas económicas de los principales cultivos de
campo de Pakistán: un estudio empírico.Pac. Sci. Rev. B Humanit. Soc. Sci.2015, 1, 145-158. [CrossRef] Ahmed, A .; Iftikhar, H .; Chaudhry,
2. Estrategia de conservación y recursos hídricos transgénicos de Pakistán.Pak. Dev. Rvdo.2007, 46,
997–1009. [CrossRef]
3. Khoso, S .; Wagan, H .; Tunio, H .; Ansari, A. Una descripción general de la escasez de agua emergente en Pakistán, sus causas, impactos y medidas
correctivas.J. Appl. Ing. Sci.2015, 13, 35–44. [CrossRef] Ebrahim, ZT ¿Pakistán se está secando? EnProblemas del agua en el sur de Asia del Himalaya;
4. Palgrave Macmillan: Singapur, 2019; págs. 153–181.
Sensores 2021, 21, 4175 16 de 17

5. Iqbal, MM; Arif, M. Aspersiones del cambio climático en la seguridad alimentaria de Pakistán.J. Sci. Dev.2010, 15.
6. Laycock, A. Sistemas de riego: diseño, planificación y construcción; Editorial CABI: Oxfordshire, Reino Unido, 2007.
7. Ajmera, S .; Shrivastava, R. Programa de distribución de agua bajo el sistema warabandi considerando pérdidas por filtración para un proyecto de riego:
un estudio de caso.En t. J. Innov. Ing. Tech.2013, 2, 178–187.
8. Latif, M .; Sarwar, S. Propuesta de asignación equitativa de agua para riego rotativo en Pakistán.Irrig. Drenar. Syst.1994, 8, 35–48. [CrossRef]

9. Zardari, NuH; Cordery, I. Estimación de la eficacia de un sistema de distribución de riego por rotación: un estudio de caso de Pakistán.
Irrig. Drenar.2010, 59, 277–290. [CrossRef]
10. Chen, X .; Dhungel, J .; Bhattarai, SP; Torabi, M .; Pendergast, L .; Midmore, DJ Impacto de la oxigenación en la respiración del suelo, el rendimiento y la
eficiencia del uso del agua de tres especies de cultivos.J. Plant Ecol. 2010, 4, 236–248. [CrossRef]
11. Shrivastava, P .; Kumar, R. Salinidad del suelo: un problema ambiental grave y bacterias promotoras del crecimiento de las plantas como una
de las herramientas para su alivio.Saudi J. Biol. Sci.2015, 22, 123-131. [CrossRef] Hoekstra, AY; Mekonnen, MM La huella hídrica de la
12. humanidad.Proc. Natl. Acad. Sci. EE.UU2012, 109, 3232–3237. [CrossRef] [PubMed]

13. Farooq, U. Revolucionando la agricultura de Pakistán mediante el aumento del uso del conocimiento, la ciencia y la tecnología y las TIC. En
Proceedings of the Building Knowledge-Based Economy in Pakistan: Learning from Best Practices, Islamabad, Pakistán, 9-10 de septiembre de
2015.
14. Amthor, J. Respiración y productividad de los cultivos; Springer Science and Business Media LLC: Berlín, Alemania, 1989.
15. Dutta, R .; Morshed, A .; Aryal, J .; D'Este, C .; Das, A. Desarrollo de un sistema inteligente de conocimiento ambiental para el apoyo a las
decisiones agrícolas sostenibles.Reinar. Modelo. Softw.2014, 52, 264–272. [CrossRef]
dieciséis. Guariso, G .; Rinaldi, S .; Soncini-Sessa, R. Sistemas de apoyo a la toma de decisiones para la gestión del agua: estudio de caso del lago Como.EUR. J.
Oper. Res.1985, 21, 295-306. [CrossRef]
17. Gu, Z .; Qi, Z .; Burghate, R .; Yuan, S .; Jiao, X .; Xu, J. Enfoques y aplicaciones de programación de riego: una revisión.J. Irrig. Drenar. Ing.2020,
146, 04020007. [CrossRef]
18. Allen, RG; Pereira, LS; Smith, M .; Raes, D .; Wright, JL FAO-56 Método de coeficiente de cultivo dual para estimar la evaporación del suelo y las
extensiones de aplicación.J. Irrig. Drenar. Ing.2005, 131, 2-13. [CrossRef]
19. Cai, J .; Liu, Y .; Lei, T .; Pereira, LS Estimación de la evapotranspiración de referencia con la ecuación FAO Penman-Monteith utilizando mensajes de
pronóstico meteorológico diarios.Agric. Para. Meteorol.2007, 145, 22–35. [CrossRef]
20. Yang, Y .; Cui, Y .; Luo, Y .; Lyu, X .; Traore, S .; Khan, S .; Wang, W. Pronóstico a corto plazo de la evapotranspiración de referencia diaria utilizando el
modelo Penman-Monteith y pronósticos meteorológicos públicos.Agric. Water Manag.2016, 177, 329–339. [CrossRef]
21. Zhang, B .; Liu, Y .; Xu, D .; Zhao, N .; Lei, B .; Rosa, RD; Paredes, P .; Paço, TA; Pereira, LS El enfoque de coeficiente de cultivo dual para estimar y
dividir la evapotranspiración de la secuencia de cultivos de trigo de invierno y maíz de verano en la llanura del norte de China.Irrig. Sci.
2013, 31, 1303-1316. [CrossRef]
22. Allen, RG; Pereira, LS; Raes, D .; Smith, M. “Capítulo 08 — ETc en condiciones de estrés hídrico del suelo”, Directrices de evapotranspiración de cultivos
para calcular los requisitos de agua de los cultivos - Documento de riego y drenaje de la FAO 56.Fao Roma 1998, 300, D05109. Phillips-Wren, G .;
23. Ichalkaranje, N.Toma de decisiones inteligente: un enfoque basado en inteligencia artificial; Springer Science & Business Media: Berlín, Alemania, 2008;
Volumen 97.
24. Goap, A .; Sharma, D .; Shukla, A .; Krishna, CR Un sistema de gestión de riego inteligente basado en IoT que utiliza aprendizaje automático y tecnologías
de código abierto.Computación. Electrón. Agric.2018, 155, 41–49. [CrossRef]
25. Kamienski, C .; Soininen, JP; Taumberger, M .; Dantas, R .; Toscano, A .; Salmon Cinotti, T .; Filev Maia, R .; Torre Neto, A. Plataforma de gestión
inteligente del agua: riego de precisión basado en Iot para la agricultura.Sensores 2019, 19, 276. [CrossRef] Nawandar, NK; Módulo inteligente
26. y de bajo costo basado en Satpute, VR IoT para sistema de riego inteligente.Computación. Electrón. Agric.
2019, 162, 979–990. [CrossRef]
27. Rajalakshmi, P .; Mahalakshmi, SD IOT Monitoreo de campos de cultivo y automatización de riego. En Actas de la Décima Conferencia
Internacional sobre Sistemas y Control Inteligentes (CIUO) de 2016, Coimbatore, India, 7 a 8 de enero de 2016; págs. 1–6.
28. Rao, RN; Sridhar, B. Sistema inteligente de riego de automatización y monitoreo de campos de cultivos basado en IoT. En Actas de la Segunda
Conferencia Internacional sobre Sistemas Inventivos y Control (ICISC) de 2018, Coimbatore, India, 19-20 de enero de 2018; págs. 478–483.
29. Salvi, S .; Jain, SAF; Sanjay, HA; Harshita, TK; Farhana, M .; Jain, N .; Suhas, MV Análisis de datos basado en la nube y monitoreo de un sistema
inteligente de riego multinivel con IoT. En Actas de la Conferencia Internacional de 2017 sobre I-SMAC (IoT en redes sociales, dispositivos
móviles, análisis y nube) (I-SMAC), Palladam, India, 10-11 de febrero de 2017; págs. 752–757.
30. Rivers, M .; Coles, N .; Zia, H .; Harris, NR; Yates, R. ¿Cómo podrían ayudar las redes de sensores con los problemas de gestión del agua
agrícola? Optimización de la programación del riego a través de sensores de humedad del suelo en red. En Actas del Simposio de Aplicaciones
de Sensores IEEE 2015 (SAS), Zadar, Croacia, 13-15 de abril de 2015; págs. 1–6. [CrossRef]
31. Zia, H .; Harris, NR; Merrett, GV; Rivers, M .; Coles, N. El impacto de las actividades agrícolas en la calidad del agua: un caso para la gestión
colaborativa a escala de cuencas utilizando redes de sensores inalámbricos integrados.Computación. Electrón. Agric.2013, 96, 126-138. [
CrossRef]
32. Tagar, HK; Shah, SRA Gestión de recursos hídricos en Sindh: problemas fundamentales y directrices de política.En t. J. Innov. Res. Dev.2013, 2,
175-193.
Sensores 2021, 21, 4175 17 de 17

33. Munir, MS; Bajwa, ES; Naeem, MA; Ramzan, B. Diseño e implementación de un sistema de IoT para el consumo de energía inteligente y el riego
inteligente en la agricultura de túneles.Energias 2018, 11, 3427. [CrossRef]
34. Aguilar, J .; Rogers, D .; Kisekka, I. Programación de riego basada en sensores de humedad del suelo y evapotranspiración.Kans. Agric. Exp. Stn.
Res. Reps.2015, 1, 20. [CrossRef]
35. Torres-Sánchez, R .; Navarro-Hellin, H .; Guillamon-Frutos, A .; San-Segundo, R .; Ruiz-Abellón, MC; Domingo-Miguel, R. Un sistema de apoyo a la
toma de decisiones para la gestión del riego: análisis e implementación de diferentes técnicas de aprendizaje.Agua 2020,
12, 548. [CrossRef]
36. Tecnologías CropX. Disponible en linea:https://cropx.com/shop/cropx-sensor/ (consultado el 15 de junio de 2021).
37. Sensores teralíticos. Disponible en linea:https://teralytic.com/ (consultado el 15 de junio de 2021).
38. Sensor agrícola Mark2 de Arable. Disponible en linea:https://arable.com/ (consultado el 15 de junio de 2021).
39. Kit de IoT para agricultura inteligente de Libelium. Disponible en linea:https://www.libelium.com/iot-solutions/smart-agriculture/ (consultado el 15 de junio
de 2021).
40. Syed, D .; Masood, UB; Farwa, UE; Khurram, M. Riego inteligente basado en la nube para el área agrícola de Pakistán.Computación. Ing. Apl. J.
2015, 4, 153-164.
41. AquaAgro — Compañía de datos agrícolas. Disponible en linea:https://aquaagro.smartcube.pk/ (consultado el 11 de junio de 2021).
42. World Weather Online. Disponible en linea:https://www.worldweatheronline.com/gadap-weather/sindh/pk.aspx (consultado el 19 de mayo de
2021).
43. Bogdan, M. Cómo utilizar el sensor DHT22 para medir la temperatura y la humedad con la placa Arduino. Acta Univ. Cibiniensis2016, 68, 22-25. [
CrossRef]
44. Zhu, Y .; Irmak, S .; Jhala, AJ; Vuran, MC; Diotto, A. Tipo de reflectometría en el dominio del tiempo y en el dominio de la frecuencia Rendimiento
del sensor de humedad del suelo y efectos de la temperatura del suelo en suelos de textura fina y gruesa.Apl. Ing. Agric.2019, 35, 117-134. [
CrossRef]
45. Benyezza, H .; Bouhedda, M .; Djellout, K .; Saidi, A. Sistema de riego inteligente basado en Thingspeak y Arduino. En Actas de la Conferencia
Internacional sobre Sistemas Inteligentes Aplicados (ICASS) de 2018, Coimbatore, India, 19-20 de enero de 2018; págs. 1–4.
46. Sauer, TJ; Horton, R. Flujo de calor del suelo.Agron. Monogr.2015, 47, 131-154. [CrossRef]
47. Módulos de función de meteorología y evaporación para Python. 2014. Disponible en línea:http://python.hydrology-amsterdam.nl/ moduledoc /
_modules / meteolib.html (consultado el 19 de mayo de 2021).
48. Richards, M. PyETo — Paquete Python para la evapotranspiración de cultivos de referencia (ETo). 2015. Disponible en línea:https: // pyeto.
readthedocs.io/en/latest/(consultado el 19 de mayo de 2021).
49. Siddique, MI; Garnevska, E. Cadena (s) de valor de los cítricos: una encuesta sobre la industria de los cítricos de Pakistán.Agric. Cadena de valor2018, 37. [CrossRef]