Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Artículo
Huma Zia 1, *, Ahsan Rehman 2, Nick R. Harris 3, Sundus Fatima 2 y Muhammad Khurram 2
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
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
Citación: Zia, H .; Rehman, A .; Harris,
de un dispositivo IoT desarrollado de forma autóctona y un sistema de apoyo a la toma de decisiones (DSS)
NR; Fatima, S .; Khurram, M. Una comparación
basado en la agricultura. Los datos del sensor se recopilan de forma inalámbrica a través de la nube y una
experimental de la programación de riego
limón subtropical irrigada por inundaciones. recomendaciones de riego. El sistema DSS se basa en datos meteorológicos (temperatura y humedad), datos
Sensores de sensores in situ en tiempo real del dispositivo IoT implementado en la granja y datos de cultivos (Kc y tipo
2021, 21, 4175. https://doi.org/ de cultivo). Estos datos se suministran a Penman-Monteith y al modelo de coeficiente de cultivo para hacer
10.3390 / s21124175 recomendaciones para los programas de riego en el sitio de prueba.◦C.
institucionales. 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
Derechos de autor: © 2021 por los autores.
el alto crecimiento de la población (1,57% anual) en Pakistán requieren más recursos hídricos, no solo
Licenciatario MDPI, Basilea, Suiza. Este
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
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
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.
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.
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.
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
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.
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
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].
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.
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).
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].
(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.
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.
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.
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
Rendimiento de Rendimiento de
El consumo de agua El consumo de agua Ingresos
Métodos Limones Limones
(L) (Pie cúbico) (PKR)
por árbol por acre
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 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
Uso total de agua (pies cúbicos) 42,135,551.7 pies3 19,324,712.1 pies3 22,810,839.6 pies3
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.
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]