Diseño de sistemas de control para la optimización de uso de agua de riego en fruticultura

Abstract

En la actualidad, el crecimiento demográfico, el calentamiento global y el uso ineficiente del agua marcan un punto de no retorno en términos de la escasez hídrica, lo que genera la necesidad urgente de tomar medidas, desarrollar técnicas y estrategias que permitan optimizar el uso del recurso, en particular en los sectores donde el consumo de agua es mayor y más crítico, como es el caso del sector agrícola. Por esto, el presente trabajo busca estudiar metodologías para el control del sistema de riego en la fruticultura, en particular en la producción de uva vinífera a partir de la información provista por una viña en la región del Libertador Bernardo O' Higgins. Las metodologías actuales de riego en fruticultura se centran en mediciones sobre el estado hídrico de la planta y el terreno cultivado, estimaciones de evapotranspiración y la etapa de desarrollo en la que se encuentra el cultivo. A partir de estos factores se definen los requerimientos hídricos, los que se utilizan para definir la programación de riego para un intervalo de tiempo determinado. En este trabajo se propone la utilización de técnicas de aprendizaje reforzado (AR) para diseñar controladores que generen programaciones de riego. Para ello se utiliza el software HYDRUS-1D para construir un modelo de transferencias hídricas en Python, sobre este se entrenan los controladores y se obtienen las planificaciones de riego. El modelo define el entorno de AR, para su diseño y configuración se utiliza la información disponible del terreno, datos meteorológicos y las características particulares del cultivo de uva vinífera. El agente lo constituye el controlador de riego, se establece una recompensa en función del uso de agua y el contenido de agua en el perfil, con la cual se entrena y aprende según lo indicado por los algoritmos Deep Q-Network (DQN), Twin Delayed Deep Deterministic Policy Gradient (TD3) y Proximal Policy Optimization (PPO) utilizados. Finalmente, las programaciones de riego diario obtenidas deben ser evaluadas respecto de las estrategias de riego que se desean mejorar, las cuales son definidas en función del criterio utilizado por la viña e implementadas en el entorno. Se concluye que con aprendizaje reforzado es posible generar las programaciones de riego, donde se logra ajustar el modelo y el aprendizaje del agente para cumplir con los requerimientos del cultivo, sin embargo, se aprecian elementos de mejora para el modelo, principalmente en la aplicación del riego y la estimación de la evapotranspiración.