Application of new technologies for precision irrigation management

Abstract

Water scarcity is a growing global challenge, particularly in arid and semi-arid regions, where climate change is increasing both the frequency and intensity of droughts. Irrigated agriculture accounts for about 70 % of global freshwater withdrawals, but its expansion remains crucial for enhancing local socio-economic stability and development, and for increasing food production to meet the needs of an ever-increasing global population. Consequently, improving irrigation efficiency is an increasingly important goal to promote sustainable development and environmental sustainability while simultaneously minimizing or avoiding any negative impact on crop yields. In Spain, most irrigated areas have adopted pressurized irrigation systems to increase irrigation efficiency. In this context, precision irrigation, which aims to supply plants with exactly the water they need at the right time and place, or at times that minimize the negative impact on crop production, is becoming increasingly essential. However, the intricate interactions among plants, soil, and the atmosphere make accurately determining crop water needs, both in real-time and for future scenarios, a persistent challenge and an active area of research. This complexity makes it more difficult for farmers to decide when and how much water to apply, thereby hindering the optimization of irrigation practices. To address this, advanced tools are essential to enable farmers to easily and accurately estimate crop water requirements across past, present, and future scenarios, while also facilitating effective irrigation scheduling adapted to diverse irrigation strategies. This thesis is organized into six chapters, focused on the development of technological tools to enhance irrigation efficiency through precision irrigation strategies. Chapter 1 provides the context and rationale for the thesis, leading to the objectives outlined in Chapter 2. Chapter 3 outlines the development of an Internet of Things (IoT) platform for smart irrigation systems. The platform has been built using FIWARE, a widely adopted European standard that facilitates seamless integration with various other platforms. A custom-designed datalogger, equipped with soil moisture sensors, was incorporated to monitor soil moisture and simulate the water needs of an olive farm located in Cordoba, Spain. This simulation of olive grove water needs was based on a soil water balance model, using the dual crop coefficient to calculate crop evapotranspiration. To demonstrate the platform’s practical application, a deficit irrigation strategy was employed, highlighting its effectiveness when water resources are scarce. In Chapter 4, a new IoT system is developed to further enhance the existing IoT platform. This system integrates edge-computing technology with RGB cameras and the AquaCrop model, a model developed by FAO that simulates the yield response of herbaceous crops to water, being particularly suitable for conditions where water is a limiting factor. One of AquaCrop’s key strengths is its ability to estimate crop yield based on applied irrigation schedules, making it particularly valuable for designing deficit irrigation strategies. Since AquaCrop relies on the development of canopy cover to simulate crop growth, the integration of RGB cameras allows for real-time calculation of canopy cover through image-based segmentation techniques based on vegetation indices. This enables the system to dynamically adjust the AquaCrop outputs based on actual crop conditions, leading to more accurate and efficient irrigation scheduling. The system was successfully tested on a wheat crop at a commercial farm in Cordoba, Spain, demonstrating its benefits to apply in real-time irrigation scheduling. When using RGB-based vegetation indices, canopy cover calculations must be performed at solar noon, to minimize errors caused by shadows and ensure consistent lighting conditions. To overcome this limitation and allow the system to capture images at any time, Chapter 5 presents the development of a Convolutional Neural Network (CNN) capable of autonomously calculating canopy cover under varying conditions. The CNN was optimized using a genetic algorithm NSGA-II and trained on thousands of images of wheat, pepper, and alfalfa crops, in Andalusia, Spain, and California, USA. The optimization process focused on two primary objectives: minimizing the prediction error and reducing the network’s complexity. A lightweight model was essential to ensure compatibility with the previously developed edge-computing system. Results showed that the low-density CNN could predict canopy cover with an R2 of 0.98 and a Mean Absolute Error of 0.038. Finally, Chapter 6 summarizes key conclusions drawn from the development of this thesis and explores potential directions for future research. By integrating real-time sensor data, weather forecasting APIs, irrigation scheduling models, and artificial intelligence, this thesis highlights the importance of smart irrigation strategies and develops several tools to improve, automate, and facilitate real-time and future simulation of irrigation scheduling based on plant water needs and expected yields.

La escasez de agua es un reto mundial cada vez mayor, sobre todo en las regiones áridas y semiáridas, donde el cambio climático está aumentando tanto la frecuencia como la intensidad de las sequías. La agricultura de regadío representa alrededor del 70 % de las extracciones mundiales de agua dulce, pero su expansión sigue siendo crucial para mejorar la estabilidad socioeconómica y el desarrollo local, y para aumentar la producción de alimentos con el fin de satisfacer las necesidades de una población mundial en constante aumento. En consecuencia, la mejora de la eficiencia del riego es un objetivo cada vez más importante para promover el desarrollo sostenible y la sostenibilidad medioambiental, minimizando o evitando al mismo tiempo cualquier impacto negativo en el rendimiento de los cultivos. En España, la mayoría de las zonas de regadío han adoptado sistemas de riego presurizado para aumentar la eficiencia del riego. En este contexto, el riego de precisión, cuyo objetivo es suministrar a las plantas exactamente el agua que necesitan en el momento y lugar adecuados, o en momentos que minimicen el impacto negativo sobre la producción de los cultivos, resulta cada vez más esencial. Sin embargo, las intrincadas interacciones entre las plantas, el suelo y la atmósfera hacen que determinar con precisión las necesidades hídricas de los cultivos, tanto en tiempo real como para escenarios futuros, sea un reto persistente y un área activa de investigación. Esta complejidad hace que a los agricultores les resulte difícil decidir cuándo y cuánta agua aplicar, lo que dificulta la optimización de las prácticas de riego. Para hacer frente a esta situación, es esencial disponer de herramientas avanzadas que permitan a los agricultores estimar con facilidad y precisión las necesidades hídricas de los cultivos en escenarios pasados, presentes y futuros, facilitando al mismo tiempo una programación del riego eficaz y adaptada a las diversas estrategias de riego. Esta tesis está organizada en seis capítulos, centrados en el desarrollo de herramientas tecnológicas para mejorar la eficiencia del riego mediante estrategias de riego de precisión. El capítulo 1 proporciona el contexto y la justificación de la tesis, dando lugar a los objetivos presentados en el capítulo 2. El capítulo 3 describe el desarrollo de una plataforma de Internet de las Cosas (IoT) para sistemas de riego inteligentes. La plataforma se ha construido utilizando FIWARE, un estándar europeo ampliamente adoptado que facilita una integración perfecta con varias otras plataformas. Se incorporó un datalogger diseñado a medida, equipado con sensores de humedad del suelo, para monitorizar el contenido de agua en el suelo y simular las necesidades hídricas de una finca de olivos situada en Córdoba (España). Esta simulación de las necesidades hídricas del olivar se basó en un modelo de balance hídrico del suelo, utilizando el coeficiente dual de cultivo para calcular la evapotranspiración del cultivo. Para demostrar la aplicación práctica de la plataforma, se empleó una estrategia de riego deficitario, destacando su eficacia cuando los recursos hídricos son escasos. En el capítulo 4, se desarrolla un nuevo sistema IoT para mejorar aún más la plataforma IoT existente. Este sistema integra tecnología edge-computing con cámaras RGB y el modelo AquaCrop, un modelo desarrollado por la FAO que simula la respuesta del rendimiento de los cultivos herbáceos al agua, siendo especialmente adecuado para condiciones en las que el agua es un factor limitante. Uno de los principales puntos fuertes de AquaCrop es su capacidad para estimar el rendimiento de los cultivos en función de los programas de riego aplicados, lo que lo hace especialmente valioso para diseñar estrategias de riego deficitario. Dado que AquaCrop se basa en el desarrollo de la cubierta vegetal para simular el crecimiento de los cultivos, la integración de cámaras RGB permite calcular en tiempo real la cubierta vegetal, a través de un método que utiliza imágenes y emplea índices de vegetación para segmentar áreas específicas. De este modo, el sistema puede ajustar dinámicamente los resultados de AquaCrop en función de las condiciones reales del cultivo, lo que permite programar el riego con mayor precisión y eficacia. El sistema se probó con éxito en un cultivo de trigo en una explotación comercial de Córdoba, España, demostrando sus ventajas para aplicarlo en la programación del riego en tiempo real. Cuando se utilizan índices de vegetación basados en RGB , los cálculos de la cubierta vegetal deben realizarse al mediodía solar, para minimizar los errores causados por las sombras y garantizar unas condiciones de iluminación constantes. Para superar esta limitación y permitir al sistema capturar imágenes en cualquier momento, el Capítulo 5 presenta el desarrollo de una Red Neuronal Convolucional (CNN) capaz de calcular de forma autónoma la cobertura vegetal en condiciones variables. La CNN se optimizó utilizando un algoritmo genético NSGA-II y se entrenó con miles de imágenes de cultivos de trigo, pimiento y alfalfa, en Andalucía (España) y California (EE. UU.). El proceso de optimización se centró en dos objetivos principales: minimizar el error de predicción y reducir la complejidad de la red. Un modelo ligero era esencial para garantizar la compatibilidad con el sistema edge-computing desarrollado previamente. Los resultados mostraron que la CNN de baja densidad podía predecir la cubierta de copas con un R2 de 0,98 y un Error Absoluto Medio de 0,038. Por último, el capítulo 6 resume las principales conclusiones extraídas del desarrollo de esta tesis y explora posibles direcciones para futuras investigaciones. Mediante la integración de datos de sensores en tiempo real, APIs de predicción meteorológica, modelos de programación de riego e inteligencia artificial, esta tesis destaca la importancia de las estrategias de riego inteligente y desarrolla varias herramientas para mejorar, automatizar y facilitar la simulación en tiempo real y en el futuro de la programación de riego basada en las necesidades hídricas de las plantas y los rendimientos esperados.