En este trabajo, se ha propuesto una novedosa metodología para desarrollar un modelo de predicción que permita conocer con una semana de antelación la demanda de agua de riego de una comunidad de regantes real

Los sistemas de riego a presión son una de las mejores opciones para aumentar la eficiencia en el uso del agua en la agricultura de regadío, que consume hasta el 70% del agua dulce disponible a escala mundial (Daccache et al., 2014a, 2014b). La gestión adecuada del riego es esencial para lograr una agricultura sostenible, especialmente en áreas con escasez de agua. La planificación precisa y eficiente del riego puede ayudar a minimizar el uso excesivo de agua, a la gestión óptima de la energía, reduciendo costes de producción y optimizando las comunidades de regantes en su conjunto.

En este contexto, la predicción real de la demanda de agua de riego, así como la predicción del comportamiento del regante sobre el uso de esta agua se convierte en una herramienta fundamental para la optimización de las comunidades de regantes. La previsión de la demanda de agua de riego riego permite a los gerentes de las mismas planificar y distribuir los recursos hídricos de manera más eficiente, asegurando que los agricultores reciban la cantidad de agua necesaria en el momento adecuado, con una optimización tanto de su red de distribución de agua como de la estación de bombeo. Sin embargo, la predicción real de la demanda de agua de riego es un desafío complejo debido a la variabilidad temporal y espacial de los factores que influyen en el uso de agua, como las condiciones meteorológicas, el tipo de cultivo, las prácticas agrícolas y las características del suelo, sin olvidar el componente humano.

En la última década, se han desarrollado diversos modelos para predecir la demanda de agua de riego, utilizando técnicas estadísticas y de inteligencia artificial. Los modelos tradicionales basados en métodos estadísticos han demostrado ser útiles, pero tienen limitaciones significativas en cuanto a su capacidad para capturar la complejidad y no linealidad de los sistemas de distribución de agua y las comunidades de regantes. Por otro lado, los modelos basados en inteligencia artificial, como las redes neuronales artificiales (RNA) y los modelos basados en árboles de decisión, han mostrado un mayor potencial para manejar estas complejidades y proporcionar predicciones más precisas.

Entre estos modelos, las redes neuronales recurrentes (RNN) han sido particularmente populares debido a su capacidad para manejar datos secuenciales y capturar dependencias temporales. Sin embargo, las RNN tienen limitaciones inherentes, como la dificultad para entrenar modelos densos debido un problema de “pérdida de memoria” (el error de predicción aumenta a medida que nos alejamos en el tiempo).

En la última década se han desarrollado diversos modelos para predecir la demanda de agua de riego, utilizando técnicas estadísticas y de Inteligencia Artificial.

Para superar estas limitaciones, en 2017 el laboratorio de Google desarrolló una nueva arquitectura de redes neuronales artificiales, conocidas como Transformers (TNN) (Vaswani et al. 2017). Esta nueva arquitectura ha demostrado un rendimiento sobresaliente en diversas tareas de procesamiento de lenguaje natural (NLP) y de predicción de series temporales. Los TNN utilizan mecanismos de atención que permiten al modelo enfocarse en diferentes partes de la secuencia de entrada simultáneamente, mejorando la capacidad del modelo para capturar relaciones a medio y largo plazo, mejorando así la precisión de las predicciones.

La arquitectura de los TNN sigue una estructura de Encoder-Decoder (codificador-decodificador), donde el encoder transforma la secuencia de entrada en un vector de contexto de longitud fija, y el decoder utiliza este vector de contexto para generar la secuencia de salida. Con la suficiente adaptación, esta arquitectura permite a los TNN manejar eficientemente tareas de predicción de múltiples pasos, como la previsión de la demanda de agua de riego a medio plazo. Este es el modelo que se ha desarrollado por parte del grupo de investigación de Hidráulica y riegos de la Universidad de Córdoba.

La Comunidad de Regantes del Canal del Zújar está compuesto por 10 sectores independientes, cubriendo un área total de 21141 ha. La estación meteorológica más cercana es 'Don Benito-EFA' con coordenadas UTM: 252468, 431917 en la zona 30. La temperatura media en esta área varía desde 7.1°C en enero hasta 25°C en julio, mientras que la temperatura máxima promedio oscila entre 13.2°C y 35.1°C. La precipitación anual promedio es de 390 mm, y la evapotranspiración máxima ocurre en julio, con un promedio diario de 7 mm, sumando una evapotranspiración anual de 1296 mm.

Para este trabajo, se seleccionó el Sector II de dicha comunidad de regantes, que abarca un área de 2691 ha de riego y está compuesto por 191 hidrantes. Los cultivos principales en este sector son el tomate, maíz y arroz, representando el 90% del área total regada. El sistema de riego utilizado es por goteo para los cultivos de tomate y maíz, mientras que el arroz se riega por inundación. Cada hidrante está equipado con un medidor de flujo que registra automáticamente el volumen de agua aplicada cada hora.

El conjunto de datos completo, que contiene la demanda real diaria de agua de riego, incluye un total de 1849 medidas correspondientes a todas las campañas de riego estudiadas. Este conjunto de datos se dividió aleatoriamente en dos subconjuntos: un conjunto de entrenamiento que abarca el 80% del total de las medidas, y un conjunto de prueba que cubre el 20% restante.

Este trabajo se centra en el desarrollo de un modelo de predicción de demanda de agua de riego a medio plazo (una semana) y fue validado en la Comunidad de Regantes Canal del Zújar, en Don Benito (Badajoz) utilizando una combinación de TNNs adaptada a este problema, lógica difusa y algoritmos genéticos.

El modelo desarrollado se formuló como un problema de predicción de series temporales de múltiples pasos, utilizando una arquitectura encoder-decoder común en tareas de procesamiento de lenguaje natural (NLP) y en problemas de predicción de series temporales. En esta estructura, el encoder transforma la serie temporal de entrada en un vector de contexto de longitud fija que contiene toda la información relevante. El decoder utiliza este vector de contexto para generar la serie temporal de salida, mejorando el proceso de entrenamiento al tener también su propia serie temporal de entrada.

La arquitectura TNN utilizada sigue una estructura recursiva encoder-decoder con mecanismos de atención múltiple (multi-head attention), que decide, de los datos de entrada, qué información es más relevante en cada momento para realizar la inferencia. El modelo desarrollado contiene varias capas de encoder y decoder apiladas, donde el número de capas encoder (Nenc) y decoder (Ndec) se optimiza mediante algoritmos genéticos (GA). Cada capa de encoder y decoder es idéntica entre sí e incluye subcapas de autoatención y alimentación directa, seguidas de una subcapa de adición y normalización (Add&Norm).

La optimización de los hiperparámetros del modelo de predicción desarrollado, como son el número de capas de encoder y decoder, se realizó utilizando algoritmos genéticos. El entrenamiento del modelo se llevó a cabo mediante una técnica conocida como 'teacher forcing', que mejora la precisión de la inferencia al introducir las entradas reales en lugar de las predicciones del modelo en cada paso del tiempo durante el entrenamiento. Este modelo de predicción de demanda real de agua de riego en comunidades de regante fue desarrollado en Python, y validado en la zona de estudio anteriormente descrita.

La evaluación del modelo se basó en su capacidad para predecir la demanda real de agua de riego con precisión para cada uno de los siete días de predicción. Se midió el error estándar promedio (SEP) de la predicción y la representatividad del modelo (R²).

El modelo se optimizó utilizando un enfoque basado en un algoritmo genético, donde cada individuo representaba un modelo de predicción potencial. La optimización buscaba maximizar el coeficiente de determinación (R²) y minimizar el error estándar de predicción (SEP), equilibrando precisión y representatividad. El proceso de optimización involucró múltiples generaciones de modelos, seleccionando y cruzando los mejores individuos para mejorar continuamente los resultados.

El modelo óptimo seleccionado tuvo 1.75 millones de parámetros, ligeramente más denso que el modelo previo (16.7% más) (Gonzalez Perea et al. 2023), pero con una representatividad y precisión significativamente mejoradas. Este modelo fue capaz de predecir la serie temporal de demanda real de agua de riego diaria con alta adaptabilidad y generalización (Figura 2) (valores de R² cercanos a 1 y errores alrededor del 2%) (Figura 3) a pesar de la complejidad inherente en las decisiones diarias de los agricultores y su agregación a nivel de distrito.

El desarrollo de nuevas herramientas que, sin restringir la libertad del agricultor en términos de programación del riego, permitan conocer con antelación el comportamiento de la demanda de agua de riego (ID) para su posterior optimización es esencial, especialmente en escenarios de escasez de agua y dependencia energética. La inteligencia artificial, y más específicamente el aprendizaje profundo, con su capacidad para desarrollar modelos de predicción que aprenden de la información real de cada comunidad de regantes, puede ser una herramienta poderosa para anticipar el comportamiento de estas comunidades de reganes.

En este trabajo, se ha propuesto una novedosa metodología para desarrollar un modelo de predicción que permita conocer con una semana de antelación la demanda de agua de riego de una comunidad de regantes real. El modelo de predicción desarrollado fue validado en la Comunidad de regantes Canal del Zújar. Este nuevo modelo de predicción de demanda real de agua de riego, basado en transformers y optimizado por algoritmos genéticos, mejora la representatividad y precisión del mejor modelo desarrollado previamente en un 6.1% y un 89.8%, respectivamente.

La optimización adecuada de los hiperparámetros del modelo de predicción de la demanda de agua de riego (llevada a cabo por el algoritmo genético) fue clave para lograr una generalización adecuada del modelo de predicción. Además, el análisis de la población inicial del proceso de optimización y el frente de Pareto mostraron que cuando las variables de entrada (demanda previa de agua de riego, temperatura media, radiación y evapotranspiración) y de salida (demanda de agua de riego) están correlacionadas temporalmente, la precisión del modelo de predicción dependía aún más de la elección correcta de la arquitectura del modelo.

Así, con 1.75 millones de parámetros (solo un 16.7% más denso que trabajos previos) el modelo de predicción desarrollado fue capaz de predecir el 99.9% de los escenarios con una precisión promedio del 2.10%. Por lo tanto, este modelo puede ser muy útil para los gestores, ya que ofrece una previsión precisa de la demanda diaria de agua de riego con 7 días de antelación, lo cual desempeña un papel esencial en la gestión del agua y la contratación de energía en comunidades de regantes, considerando los escenarios actuales y previstos de escasez de agua y altos precios de la energía.

Bibliografía

Daccache, A., Ciurana, J.S., Rodriguez Diaz, J.A., Knox, J.W., 2014a. Water and energy footprint of irrigated agriculture in the Mediterranean region. Environmental Research Letters 9. https://doi.org/10.1088/1748-9326/9/12/124014

Daccache, A., Knox, J.W., Weatherhead, E.K., Daneshkhah, A., Hess, T.M., 2014b. Implementing precision irrigation in a humid climate - Recent experiences and on-going challenges. Agric Water Manag 147, 135–143.

González Perea, R., Fernández García, I., Camacho Poyato, E., Rodríguez Díaz, J.A., 2023. New memory-based hybrid model for middle-term water demand forecasting in irrigated areas. Agric Water Manag 284, 108367. https://doi.org/10.1016/j.agwat.2023.108367

Vaswani, A., Brain, G., Shazeer, N., Parmar, N., Uszkoreit, J., Jones, L., Gomez, A.N., Kaiser, L., Polosukhin, I., 2017. Attention Is All You Need. 31st Conference on Neural Information Processing Systems.

Para este trabajo, se seleccionó el Sector II de la CR Canal del Zújar, que abarca un área de 2691 ha de riego y está compuesto por 191 hidrantes. Los cultivos principales en este sector son el tomate, maíz y arroz, representando el 90% del área total regada