Plataformas IoT para un Monitoreo Intensivo de Parámetros que Alimenten Modelos Predictivos de Rendimiento de Cultivos empleando Machine Learning

Abstract

La alfalfa (Medicago sativa L.) es esencial para la producción ganadera, cultivándose en 30-32 millones de hectáreas mundialmente. Argentina, con 1.5 millones de hectáreas, es uno de los mayores productores. La implementación de tecnologías no destructivas, como sensores ultrasónicos, permite estimar la biomasa de manera continua y precisa, midiendo la altura del cultivo y otros parámetros agro-hidrológicos como temperatura y precipitación. Estos datos son esenciales para modelos predictivos. Este proyecto se centra en el uso de plataformas IoT y modelos de Machine Learning para monitorear el crecimiento de cultivos de alfalfa y predecir su rendimiento. El objetivo principal es demostrar la viabilidad de utilizar sensores acústicos de bajo costo para monitorear el crecimiento de la alfalfa, ajustando modelos analíticos de crecimiento para evaluar la calidad de las mediciones. También se busca determinar la capacidad de estos datos para estimar la producción de biomasa en comparación con los métodos destructivos. La información recolectada y los modelos desarrollados se integrarán en una plataforma web accesible y fácil de interpretar, permitiendo a los productores predecir el rendimiento del cultivo basándose en datos de crecimiento en tiempo real.Mediante algoritmos de Machine Learning, como regresión lineal múltiple, Random Forest y análisis de componentes principales, se identificarán patrones y relaciones entre variables registradas y el rendimiento final del cultivo. Estos modelos predictivos ayudarán a los agricultores a tomar decisiones informadas sobre el momento óptimo para cosechar y las prácticas de manejo adecuadas para maximizar el rendimiento.El Centro de Estudios Fluviales e Hidro-Ambientales del Litoral lidera esta iniciativa, con amplia experiencia en el desarrollo de dispositivos de medición hidro-ambientales de bajo costo. El estado actual del grupo en esta temática es el resultado de varios proyectos de investigación y desarrollo financiados por la UNL, la ANPCyT y el CONICET. Proyectos anteriores han promovido prácticas agropecuarias sustentables y monitoreo agro-hidrológico con hardware libre, sentando las bases para este desarrollo.Este enfoque innovador promete transformar el monitoreo de cultivos, ofreciendo a los productores herramientas avanzadas para mejorar la toma de decisiones y optimizar el rendimiento de sus cultivos de alfalfa, contribuyendo a una agricultura más sostenible y eficiente.

Alfalfa (Medicago sativa L.) is essential for livestock production, being cultivated on 30-32 million hectares worldwide. Argentina, with 1.5 million hectares, is one of the largest producers. The implementation of non-destructive technologies, such as ultrasonic sensors, allows for continuous and accurate estimation of biomass by measuring crop height and other agro-hydrological parameters such as temperature and precipitation. These data are essential for predictive models. This project focuses on the use of IoT platforms and Machine Learning models to monitor the growth of alfalfa crops and predict their yield. The main objective is to demonstrate the feasibility of using low-cost acoustic sensors to monitor alfalfa growth, adjusting analytical growth models to evaluate the quality of the measurements. It also aims to determine the ability of these data to estimate biomass production compared to destructive methods. The collected information and developed models will be integrated into an accessible and easy- to-interpret web platform, allowing producers to predict crop yield based on real-time growth data. Using Machine Learning algorithms such as multiple linear regression, Random Forest, and principal component analysis, patterns and relationships between recorded variables and final crop yield will be identified. These predictive models will help farmers make informed decisions about the optimal harvest time and appropriate management practices to maximize yield. The Centro de Estudios Fluviales e Hidro-Ambientales del Litoral leads this initiative, with extensive experience in developing low-cost hydro-environmental measurement devices. The current state of the group in this field is the result of several research and development projects funded by UNL, ANPCyT, and CONICET. Previous projects have promoted sustainable agricultural practices and agro-hydrological monitoring with open-source hardware, laying the groundwork for this development. This innovative approach promises to transform crop monitoring, offering producers advanced tools to improve decision-making and optimize the yield of their alfalfa crops, contributing to more sustainable and efficient agriculture.