¿Puede un algoritmo prevenir la escorrentía mejor que un programador inteligente? El informe WaRPIC lo probó sobre el terreno
WaRPIC (Texas A&M, 2019) predice con machine learning el tiempo máximo de riego sin escorrentía: solo el 2,6% del agua que pierde un programador inteligente.
El programador inteligente no basta: el problema de la escorrentía
Quien ha instalado un programador inteligente (Rachio, Hunter Hydrawise, Rain Bird) para el riego suele dar por hecho que el problema de la escorrentía (el agua que corre por la acera en vez de absorberse en el suelo) está resuelto: al fin y al cabo, el programador conoce la previsión meteorológica y suspende el riego si se prevé lluvia. Un equipo de investigadores de Texas A&M (Informática e Ingeniería Biológica y Agrícola) puso a prueba esta suposición, y el resultado, publicado en BuildSys 2019 (la conferencia de la ACM sobre sistemas para edificios eficientes energéticamente), es que también un programador inteligente comercial provoca escorrentía, porque hace una suposición simplificada sobre la capacidad de infiltración del suelo que en la realidad cambia constantemente.
Su respuesta se llama WaRPIC (Weather-aware Runoff Prevention Irrigation Control): un módulo económico que se instala sobre el programador que ya tienes, con un modelo de machine learning entrenado con los datos de tu jardín en lugar de una suposición válida para 'todos los suelos'.
El informe en resumen
| Sección | Contenido |
|---|---|
| 🎓 Paper | Murthy, A., Green, C., Stoleru, R., Bhunia, S., Swanson, C., Chaspari, T. (2019). Machine Learning-based Irrigation Control Optimization. Proceedings of BuildSys '19 (6th ACM International Conference on Systems for Energy-Efficient Buildings, Cities, and Transportation), 213-222 |
| ❓ Pregunta | ¿Es posible prevenir la escorrentía de riego con más precisión que los programadores inteligentes comerciales, sin instalar sensores de humedad del suelo costosos (500 $+) en cada zona? |
| 🔬 Qué hicieron | Desarrollaron WaRPIC: un módulo de hardware económico que se instala sobre los programadores existentes a través del puerto del sensor de lluvia, junto con un modelo de machine learning entrenado con 15-20 observaciones guiadas por el propietario, que aprende el tiempo máximo de riego (MAR) antes de la escorrentía para cada zona individual |
| 📈 Qué descubrieron | Una red neuronal entrenada con datos ampliados mediante pseudo-labeling predijo el MAR mucho mejor que los modelos de regresión clásicos; en una comparación directa, WaRPIC desperdició solo el 2,6% del agua que perdía un programador inteligente comercial en la misma prueba (4,08 galones frente a 156,72) |
| 🌱 Qué significa para tu jardín | La escorrentía depende también del agua que el suelo ha recibido en los 7 días anteriores, no solo de la lluvia de hoy. Ningún programador de horarios fijos conoce ese dato, y muchos programadores "inteligentes" no lo estiman zona por zona |
| 🗺️ Cómo se conecta con SprinklerMap | Como en los dos primeros artículos de esta serie, lo que decide si hay escorrentía depende del terreno concreto. SprinklerMap, en cambio, usa una velocidad de infiltración fija por tipo de suelo, la misma simplificación que critica el estudio, y se centra en lo que puede comprobarse de antemano: presión, caudal y cobertura correctos por zona |
| 📚 Referencias | Ver la sección Referencias al final del artículo |
La pregunta: por qué hasta los programadores inteligentes se equivocan
Además de desperdiciar agua, la escorrentía arrastra sedimentos, químicos de fertilizantes y otros contaminantes, causando lo que los especialistas llaman contaminación difusa (non-point source pollution) de los cursos de agua. La solución estándar para prevenirla es el método cycle-and-soak (ciclo y remojo): en lugar de regar 20 minutos seguidos, el tiempo se divide en ciclos más cortos separados por pausas que permiten que el agua se absorba.
El problema, explican los autores, es calcular correctamente cuánto debe durar cada ciclo antes de que se forme encharcamiento visible en la superficie: el llamado Maximum Allowable Runtime (MAR, tiempo máximo permitido). Los programadores inteligentes comerciales estiman el MAR con una fórmula que asume una capacidad de infiltración del suelo constante en el tiempo. Pero décadas de investigación en ciencia del suelo (citadas en el informe) muestran que la infiltración varía continuamente con la estación, la pendiente y la composición del suelo. Una suposición de constancia, por cómoda que sea de programar, es falsa, y por eso incluso un programador 'inteligente' bien configurado puede seguir causando escorrentía.
Qué hicieron: un modelo que aprende de tu jardín, no de una fórmula genérica
En lugar de perseguir una fórmula física cada vez más compleja (un enfoque ya intentado por trabajos anteriores con ecuaciones diferenciales, pero con costes de hardware demasiado altos para uso residencial: una red de sensores dedicada para cada zona), los autores optaron por un enfoque distinto: convertir el problema en una tarea de aprendizaje supervisado, usando la observación humana como sensor.
Durante una fase de recogida de datos de 2-3 semanas, el propietario hace funcionar los aspersores de cada zona y observa cuándo aparece encharcamiento visible en la superficie. Ese momento es el MAR para esas condiciones. Después, para saber cuánto tiempo necesita el suelo para recuperar su capacidad de absorción, se hacen pruebas cortas de 10 segundos cada 5 minutos hasta que el agua vuelve a absorberse de inmediato. Repitiendo el experimento 15-20 veces, a distintos niveles de saturación del suelo, se obtiene un conjunto de datos específico para ese jardín, con tres variables de entrada: evapotranspiración (ETO), agua aplicada en los 7 días previos entre lluvia y riegos (AWA), y días transcurridos desde el último riego (LWA).
Con solo 15 muestras reales, el problema es demasiado pequeño para una red neuronal tradicional. Los autores resolvieron este cuello de botella con pseudo-labeling, una técnica de aprendizaje semi-supervisado: un primer modelo (Ridge Regression, el mejor en validación cruzada sobre las 15 muestras originales) genera predicciones sobre 202 observaciones meteorológicas históricas sin etiquetar (2015-2018), llevando el conjunto de entrenamiento a más de 200 muestras, suficientes para entrenar una red neuronal.
Qué descubrieron: las cifras de la comparación directa con un programador inteligente real
Con los datos ampliados, la red neuronal superó claramente a todos los modelos de regresión clásica probados: error cuadrático medio (MSE) de 0,43 frente a 0,63 de Ridge Regression, la mejor de las alternativas tradicionales, con un coeficiente de determinación R² de 0,63 frente a 0,45.
La prueba más útil es la comparación directa con un programador inteligente comercial real (configurado en modo 'Flex Monthly', que solo suspende el riego si detecta lluvia reciente y suelo saturado). En cuatro pruebas experimentales, las predicciones de WaRPIC resultaron muy cercanas al MAR real medido sobre el terreno, mientras que las del programador inteligente lo sobreestimaron sistemáticamente. Convirtiendo la diferencia en agua desperdiciada (usando tablas de caudal para tuberías de PVC de 5/8"), el resultado es contundente: 4,08 galones perdidos por WaRPIC frente a 156,72 galones perdidos por el programador inteligente en el mismo conjunto de pruebas, es decir un desperdicio de solo el 2,6% del competidor comercial.
Los autores instalaron después módulos WaRPIC en las casas de 12 familias de una ciudad de Texas, en modo básico. Usando las recomendaciones de riego de mayo a octubre de 2019, estimaron un ahorro medio de 38.826 galones de agua (unos 147.000 litros) y 192,53 $ por hogar durante la temporada de riego, con un rango de entre 8.640 y 111.780 galones según el tamaño y las características del jardín.
Qué significa en la práctica para tu jardín
Más allá de las cifras, el informe muestra que la escorrentía depende también de cuánta agua ha acumulado el suelo en los días previos entre lluvia y riegos, además de la lluvia de hoy. Dos días con el mismo tiempo pueden tener un MAR muy distinto si uno llega tras una semana seca y el otro tras días de lluvia. Un programa de horarios fijos ignora por completo esta variable, y los programadores comerciales 'basados en el clima' solo la tienen en cuenta en parte.
En la práctica, esto se traduce en un consejo aplicable incluso sin ningún hardware inteligente: después de varios días de lluvia el suelo ya está cargado de agua y el encharcamiento llega antes, así que acorta los ciclos o sáltate el riego hasta que se haya secado. El cycle-and-soak (ciclos cortos con pausas entre ellos) sigue siendo la forma más sencilla de prevenir la escorrentía incluso sin un modelo predictivo, dividiendo manualmente el riego en lugar de aplicarlo todo en una única sesión larga.
Cómo se conecta con SprinklerMap
Como los dos primeros artículos de esta serie, también este informe muestra que la escorrentía y la necesidad de agua dependen de variables del lugar (pendiente, tipo de suelo, historial reciente de riego) que ninguna fórmula ni ningún programador genérico conoce de antemano. Hacen falta datos recogidos en ese terreno, como hace WaRPIC con las observaciones del propietario.
SprinklerMap no estima el MAR con un modelo como WaRPIC. Para cada suelo usa una velocidad de infiltración fija (50 mm/h para la arena, 25 para el franco, 12 para la arcilla) y, si la pluviometría de los aspersores la supera, divide el tiempo en varios ciclos con pausa: es la misma simplificación que critica el estudio, así que tómala como punto de partida y acorta los ciclos si ves encharcamientos antes de que terminen. Sobre todo, la herramienta se ocupa de lo que necesita cualquier ciclo de riego para tener sentido: una cobertura uniforme y una presión correcta por zona. Una instalación mal diseñada puede causar encharcamiento en un punto incluso con un MAR calculado a la perfección, simplemente porque aporta el doble de agua allí que en el resto de la zona. Para la planificación de los ciclos cycle-and-soak según tu propio suelo, ver Calcular los tiempos de riego según el tipo de suelo.
En resumen
Incluso un programador inteligente bien configurado puede seguir desperdiciando agua por escorrentía, porque supone una capacidad de infiltración del suelo constante, y en la realidad no lo es. WaRPIC demuestra que un modelo entrenado con los datos específicos de un único jardín, con el mínimo indispensable de observación humana en lugar de sensores costosos, puede reducir el desperdicio de agua por escorrentía a una fracción (2,6%) del de un programador inteligente comercial avanzado. Aunque nunca uses un sistema así, conviene recordar que la escorrentía depende del historial reciente de lluvia y riego de tu propio suelo, no solo del clima de hoy.
Referencias
Murthy, A., Green, C., Stoleru, R., Bhunia, S., Swanson, C., Chaspari, T. (2019). Machine Learning-based Irrigation Control Optimization. Proceedings of the 6th ACM International Conference on Systems for Energy-Efficient Buildings, Cities, and Transportation (BuildSys '19), 213-222. doi.org/10.1145/3360322.3360854
Primer artículo de esta serie: Por qué la evapotranspiración es la base del riego moderno: /es/blog/evapotranspiracion-base-riego-moderno-fao56
Segundo artículo de esta serie: ¿Cuán fiable es el método FAO-56?: /es/blog/fiabilidad-metodo-fao56-revision-2015
Preguntas frecuentes
¿Se puede comprar WaRPIC como producto?
No: es un prototipo de investigación académica descrito en un artículo de 2019 (Murthy y colegas, Texas A&M, presentado en la conferencia BuildSys), no un dispositivo a la venta. La idea, eso sí, es replicable: un módulo económico que se acopla al programador que ya tienes, a través del puerto del sensor de lluvia. Lo que hoy se puede llevar uno a casa es el hallazgo: el tiempo que el suelo aguanta antes de que el agua se escurra cambia con cuánta agua ha recibido en los siete días anteriores, entre lluvia y riegos, y no solo con la lluvia de hoy. Es un criterio que puedes aplicar a mano a la programación de tu programador, sin comprar nada.
¿Hacen falta sensores de humedad del suelo para usar este enfoque?
No, y ese es justamente el punto de partida del estudio. Los autores probaron sensores de humedad del suelo económicos y los encontraron demasiado imprecisos en exterior, mientras que los fiables cuestan 500 dólares o más por zona, una cifra que hace el enfoque impracticable en una instalación residencial de cuatro o cinco zonas. WaRPIC nace precisamente para sortear ese obstáculo, porque el modelo usa solo datos meteorológicos y el histórico de los riegos ya realizados, sin nada enterrado en el suelo. En la comparación directa descrita en el estudio, el sistema desperdició solo el 2,6 % del agua que desperdició el programador inteligente comercial.
¿Funciona con cualquier programador existente?
Con casi todos, pero no con todos, y los autores lo dicen abiertamente. El módulo se conecta al puerto del sensor de lluvia, presente en la mayoría de los programadores residenciales como Hunter y Rachio, y es también el motivo por el que el enfoque sigue siendo barato: no hace falta sustituir el programador. La limitación real es que algunos fabricantes no usan el mecanismo de resistencia en el que el módulo se apoya, y en ese caso la conexión no funciona. Antes de dar la idea por replicable en una instalación concreta, por tanto, hay que comprobar cómo está construida la entrada del sensor de lluvia del propio programador: de ese detalle depende que el sistema sea aplicable.
¿Cuánto tiempo hace falta antes de que el sistema funcione bien?
En las pruebas descritas bastaron 2-3 semanas, con 15-20 experimentos de observación asistida por el propietario, para entrenar un modelo preciso en una sola zona. El aprendizaje automático, por tanto, no necesita por fuerza meses de datos: aquí el modelo parte de unas pocas observaciones guiadas, luego ampliadas con una técnica de pseudoetiquetado que permite a la red neuronal aprovechar también los datos sin etiquetar. Fue precisamente esa red la que predijo la escorrentía mejor que los modelos de regresión clásicos usados como comparación. Para arrancar hace falta sobre todo la colaboración de quien usa la instalación durante esas primeras semanas: sin esas observaciones el sistema no tiene de qué aprender.
Nota técnica: Este artículo explica de forma divulgativa los resultados de un estudio científico publicado, simplificando necesariamente la metodología original para hacerla legible. Para el análisis estadístico completo, las limitaciones señaladas por los propios autores y los detalles experimentales, remitimos siempre al artículo original, enlazado en las referencias al final del artículo: los resultados de un estudio no deben generalizarse automáticamente a tu caso concreto.