XXVII ValgrAI Matinal de Investigación
¿Qué son los Matinales de Investigación?
- Son un ciclo de sesiones dedicadas a la divulgación científica en Inteligencia Artificial.
- Cada sesión incluye varias ponencias impartidas por personal investigador del ecosistema de ValgrAI.
- Abiertos a la participación de la comunidad académica, profesional y estudiantil interesada.
- Se organiza un Matinal de Investigación (generalmente) el primer viernes de cada mes.
¿Por qué no puedes perdértelo?
- Sumérgete en las investigaciones más innovadoras en inteligencia artificial.
- Dialoga directamente con los expertos durante una sesión de preguntas y respuestas.
- Amplía tu red conectando con otros apasionados de la tecnología.
- Déjate inspirar por nuevas ideas y oportunidades en el apasionante mundo de la IA
Iván Monzón Catalán
Título: Predicción de humedad del suelo con redes neuronales — Modelos de aprendizaje profundo aplicados a la agricultura.
En esta ponencia se presenta el desarrollo de un sistema de predicción de humedad del suelo basado en arquitecturas de aprendizaje profundo. El objetivo de la predicción es mejorar la toma de decisiones en agricultura a la hora de activar el riego o no. El sistema parte de una parcela experimental situada en el norte de la Comunidad Valenciana, donde se han recogido durante casi tres años datos a intervalos de quince minutos procedentes de sensores enterrados a cuatro profundidades, una estación meteorológica completa y registros de riego. Sobre esta base se construye una pipeline de procesado que incorpora codificaciones temporales cíclicas y acumuladores de variables hidrológicas, diseñada para garantizar la consistencia del balance de masas de agua en el suelo, un aspecto frecuentemente omitido en la literatura del área.
Como caso de aplicación se ha realizado un estudio comparativo de cinco arquitecturas representativas del estado del arte en predicción de series temporales: LSTM, GRU, NBEATSx, NHiTS y Temporal Fusion Transformer. La evaluación se ha llevado a cabo en horizontes de predicción de seis, doce y veinticuatro horas sobre las cuatro profundidades monitorizadas, utilizando una partición temporal estricta y optimización de hiperparámetros con Optuna. Los resultados muestran que la selección adecuada de variables de entrada resulta tan determinante como la propia arquitectura del modelo, y que solo los modelos capaces de incorporar información futura conocida, como el riego programado y el pronóstico meteorológico, logran mantener un rendimiento robusto en horizontes largos. La ponencia cierra con una reflexión sobre la convergencia entre aprendizaje profundo y modelos físicos clásicos, apuntando hacia arquitecturas informadas por física como siguiente paso natural en la predicción hidrológica aplicada a la agricultura.
¡Más información próximamente!
