Los fallos inesperados de un cultivo pueden tener efectos devastadores en las zonas con agricultura de subsistencia y generar impactos económicos en agricultores comerciales, llegando a aumentar las primas de los seguros agrícolas (Castaneda-Vera, 2015), pueden afectar a mercados futuros (Lizumi et al, 2013) y provocar el uso excesivo de fertilizantes, pesticidas y riego. Muchos algoritmos de predicción del crecimiento de los cultivos o de las cosechas se basan en la medida de los niveles de NDVI por teledetección desde satélites (Tewes et al, 2015; Soria-Ruiz et al, 2004), que se usan tanto para estimar la biomasa y la salud del cultivo sobre grandes áreas (Zhang et al., 2015) y están sujetos a datos con ruido de fondo debido a las condiciones climáticas (Huang et al, 2013). Los modelos de crecimiento se basan a menudo en el desarrollo temprano de cultivos como el maíz (Mourtzinis et al, 2013) o en la altura de la planta o estados de crecimiento (Devkota et al., 2015; Yin et al., 2011). Estos modelos incorporan un rango de factores que incluyen tipo de suelo, terreno, clima, labores culturales, datos meteorológicos y técnicas estadísticas. Así como la fotosíntesis es crítica para el crecimiento de las plantas, la cantidad de radiación solar utilizable es crucial para el desarrollo de un cultivo saludable y una precisión en la predicción del crecimiento (Agarwal et al, 2001). La cantidad de radiación disponible se mide normalmente con un piranómetro de amplio espectro que suele costar alrededor de cientos de euros.

Para mejorar los modelos de predicción de cosecha es necesario suministrar información más detallada de la calidad específica de la luz solar y las condiciones para distinguir la luz solar brillante, luz, condiciones de alta nubosidad e incluso luz de luna. Estos datos pueden dar una información no sólo de la duración del día u otras condiciones específicas sino de información sobre la variación diaria. Estos datos son necesarios para saber si las condiciones son favorables por la mañana (Michael et al, 2008), por la tarde o por la noche. Esta información puede sustituir a la suministrada por piranómetros.

Los diodos LED se usan tradicionalmente para la iluminación. Sin embargo, cuando se exponen a una radiación apropiada, las uniones positivo-negativo (PN) generan una corriente proporcional opuesta al nivel de brillo del que depende el LED (dentro de unos límites) (Mimms III, 1992). Estas corrientes son excesivamente pequeñas y el comportamiento de los diodos LED en estas condiciones se determina mediante otros dispositivos característicos con métodos de medida específicos.

El sensor que se ensayó consiste en tres LED de haces de luz de 5 mm y 20-30 grados. El primero un cátodo LED RGB común. El segundo es un LED ultravioleta (UV). Finalmente un LED infrarrojo (IR) de lente transparente. Se tomaron una serie de 11 niveles de lecturas separadas temporalmente en cada uno de los canales del primer LED. Antes de empezar las series de cada canal, se configuró el pin de entrada como una salida digital a 0 y a lecturas simuladas para asegurar que se descargara todo el canal. Las primeras cuatro lecturas se tomaron en sucesiones inmediatas con los interruptores del procesador apagados. Las cuatro lecturas se tomaron en menos de 0,5 ms. Se aplicaron retardos crecientes de 1 ms y 2 ms, antes de las lecturas quinta y sexta respectivamente. Después de 7 ms de retardo, se restablecieron los interruptores y se tomó la séptima medida. Se aplicaron retardos de 20 ms, 70 ms, 200 ms y 700 ms, antes de las lecturas octava, novena, décima y décimo primera respectivamente. Se obtuvieron cuatro lecturas espaciadas linealmente en el tiempo seguidas de siete lecturas espaciadas exponencialmente proporcionales a los tiempos de exposición. Después de ser tomadas once lecturas, los resultados fueron grabados y transmitidos.

Para intentar caracterizar estas condiciones se trazaron los gráficos relacionados con las lecturas primera (0,1 de tiempo de exposición), cuarta (0,4 ms de tiempo de exposición), séptima (10 ms de tiempo de exposición) y décimo primera (1 segundo) como porcentaje del máximo valor de lectura observado para cada canal. Éstos se han referido como L1, L4, L7 y L11 respectivamente. Después de un examen inicial de los datos, se escogieron los siguientes para análisis posteriores: Infrarrojo (IR L1, IR L11); Rojo (Red L1, Red L4, Red L11); Verde (Green L4, Green L7, Green L11), Azul (Blue L4) y ultravioleta (UV L7). A partir de estas diez gráficas se obtuvo una regla de clasificación simple (Holland 86) que se usó para determinar doce condiciones de luminosidad. Esta clasificación fue: sin luna (Moonless), luz de luna (Moonlight), luz con contaminación (Light Pollution), anochecer (Dusk), amanecer (Dawn), luz pobre (Poor Light), muy nuboso (Heavy Cloud), sombra (Shade), luz nublada (Light Cloud), niebla (Haze), cielo azul (Blue Sky) y sol directo (Direct Sun). Como se podía esperar, la distinción entre amanecer, anochecer, luz de luna y luz con polución mostraron la dificultad de definición. Los resultados clasificados se validaron mediante la observación de un período de 20 horas y se comprobaron mediante comparación respecto a otras lecturas (Tabla 1).

Se usó un microcontrolador Arduino, funcionando a 3,3 v y 16 MHz, con unas baterías alcalinas de 3 Amperios. Los datos se transmitieron por un radio transmisor NRF24L01 a 2,4 GHz y se almacenaron en un Winbond W25Q32 a 32Mbit, SPI Flash Eprom. El coste de los componentes del dispositivo es inferior a los 10 euros incluyendo la caja intemperie IP56 y las baterías.

Sobre las 14:45 la cubierta de nubes empieza a aumentar y el sensor detecta la sombra de un edificio cercano. Cuando empieza a anochecer todas las diferencias de potencial de los diodos LED bajan y sobre las 19:35 tanto las lecturas de IR11 y R11 alcanzan un mínimo. Durante la noche, los diodos LED detectan luz con contaminación, pero durante alrededor de una hora (00:20-01:25) se detecta luz de luna. A través de las horas de luz diaria los niveles de luz ultravioleta suben y bajan según una curva estable.

Se propone una prueba de campo más grande, comparando los resultados de este dispositivo con un piranómetro comercial. Además se ha de contrastar con datos de cultivo con el fin de verificar el dispositivo como herramienta para la predicción de las cosechas y del crecimiento del cultivo.

Este Proyecto ha recibido el apoyo tecnológico de Telenatura EBT, S.L.

Suscríbase a nuestra Newsletter - Ver ejemplo

Autorizo el envío de newsletters y avisos informativos personalizados de interempresas.net

Autorizo el envío de comunicaciones de terceros vía interempresas.net

He leído y acepto el Aviso Legal y la Política de Protección de Datos

"Nuestro grupo tiene impregnada en su ADN la innovación permanente, sin ella no seríamos lo que somos"

"Las cooperativas tienen muy identificados los nuevos productos y servicios digitales que les van a ayudar a mejorar mucho la relación con sus socios"

"Estamos convencidos del éxito comercial de FIMA 2022"

"Ahora que todas las grandes navieras han dejado de enviar mercancías a Rusia, se teme que pronto haya un exceso de oferta de fruta en el mercado europeo"

"Cada vez son más los productores que apuestan por el aguacate para obtener precios dignos a pie de campo"

© 2019 - Interempresas Media, S.L.U. - Grupo Nova Àgora