Fase 0 — Contexto del reto
El objetivo es predecir el estrés hídrico 7-14 días antes de que aparezcan síntomas visibles en cultivos de tomate en invernadero, usando únicamente sensores de bajo coste (<50 €/unidad) y modelos ML ejecutables en Raspberry Pi 4 (edge computing). La solución debe ser transferible entre invernaderos sin reentrenar desde cero.
1
Sensores de humedad a profundidad fija (20 cm) — las raíces responden en distintas capas según fenología
2
Cámaras térmicas de bajo coste con alto ruido en mediciones de temperatura foliar
3
Baja transferibilidad de modelos entre invernaderos con distinta variedad o sustrato
1
Fase uno
Comprensión del Contexto
IA
CULTIVA IA
Sara, empecemos por lo que más te preocupa. Mencionas que los sensores actuales miden a profundidad fija. ¿Qué sabes del patrón de exploración radical del tomate en tus invernaderos? ¿Tienes datos de hasta qué profundidad llegan las raíces en cada estadio?
SM
Dra. Sara Molina
Tenemos mediciones esporádicas: en estadio vegetativo las raíces no superan 25 cm, pero en floración y fructificación llegan fácilmente a 40-50 cm. El problema es que en ese momento el sensor a 20 cm "ve" suelo casi seco aunque la planta esté bien irrigada porque absorbe a mayor profundidad.
IA
CULTIVA IA
Eso es un desajuste de escala temporal y espacial muy interesante. ¿Y el ruido en las cámaras térmicas — ¿es aleatorio o tiene un patrón? ¿Peor a ciertas horas del día, con cierta irradiación solar, o ciertos niveles de humedad ambiental?
SM
Dra. Sara Molina
Definitivamente empeora al mediodía — la reflexión del plástico del invernadero interfiere. También cuando la HR supera el 85%. Eso nos deja una ventana útil de datos entre las 8:00 y las 11:00 AM aproximadamente.
IA
CULTIVA IA
Perfecto. Esa ventana de 3 horas podría ser suficiente si la explotamos bien. Y sobre la transferibilidad: cuando un modelo entrenado en invernadero A falla en invernadero B, ¿el fallo es sistemático (siempre subestima o sobreestima) o caótico?
SM
Dra. Sara Molina
Sistemático — siempre subestima el estrés cuando cambia la variedad. Lo que cambia es básicamente la pendiente de respuesta del cultivo al déficit hídrico, no el patrón de señal.
2
Fase dos
Exploración Divergente — Ideas sin Filtro
Biomimicry · Sistema Nervioso Vegetal
Red de micro-sensores en cascada
Las plantas acuáticas detectan sequía con receptores distribuidos a distintas profundidades. ¿Por qué no clavar 3 electrodos de acero inoxidable (0,5 €/ud) a 15, 30 y 45 cm y medir la impedancia eléctrica del suelo? Junto con el estadio fenológico permite calcular el "perfil de disponibilidad hídrica real" de la raíz activa.
Analogía · Sonar / Doppler
Emisión de ultrasonidos en tallos
Las cavitaciones en el xilema (microburbujas por estrés hídrico) emiten ultrasonidos acústicos detectables. Transductores piezoeléctricos de <3 € pegados al tallo podrían captar estas señales 48-72h antes de cualquier cambio visible. Se combinan con ML para clasificar: sin estrés / estrés leve / crítico.
TRIZ · Recurso gratuito disponible
Luz solar como sensor pasivo de fluorescencia
La fluorescencia de clorofila (SIF — Sun-Induced Fluorescence) cambia antes de que haya síntomas de estrés. Cámaras de smartphone modificadas con filtro de paso estrecho (720-740 nm, filtro ~15 €) + imagen procesada en Raspberry Pi podrían medir SIF en la ventana de baja HR.
SCAMPER · Reutilizar + Combinar
Transfer learning + calibración con 5 minutos de datos
Entrena un modelo base (fundational) con datos de 10 invernaderos. Al desplegar en uno nuevo, ejecuta un "sprint de calibración" de 5-7 días con etiquetado automático por umbral de conductancia estomática. Fine-tuning ligero (solo la última capa) adaptable en Pi con TFLite.
Inversión de supuestos
¿Y si el sensor somos los propios datos meteorológicos?
Revertir la causalidad: en vez de medir el suelo, modelar la demanda evapotranspirativa (ETo, con datos de DHT22 — 4 € — y piranómetro casero con fotodiodo BPW34) y cruzarla con el histórico de riego. Si la demanda acumulada supera el umbral de la variedad, predicción de estrés sin tocar el suelo.
Analogía · Crédito de CO₂ · Economía
Índice de "Deuda Hídrica Acumulada"
Como la deuda financiera, el estrés hídrico se acumula silenciosamente. Modelar un "balance hídrico diario" integrando entradas (riego, lluvia) vs salidas (ETo). El índice de deuda acumulada durante 7-10 días predice cuándo la planta alcanzará el punto de no retorno. Simple, sin sensores adicionales, computable con datos existentes.
Escala temporal · Ritmos circadianos
Variación diurna del grosor del tallo como proxy
Los tallos se contraen de noche y se expanden de día. Bajo estrés hídrico, la expansión diurna disminuye incluso antes de síntomas visibles. Un sensor de distancia laser TOF (VL53L0X, 3 €) midiendo el diámetro del tallo cada hora detectaría esta señal de contracción anormal.
Tecnología emergente · Federated Learning
Modelo federado entre invernaderos
En vez de reentrenar centralizando datos, cada Raspberry Pi entrena su modelo local y solo comparte los pesos (no los datos). El modelo mejora globalmente respetando privacidad y diferencias de variedad. Convergencia en 2-3 semanas de datos reales.
3
Fase tres
Conexiones y Patrones Emergentes
-
Conexión multimodal clave: Las ideas de ultrasonidos en tallo, variación de diámetro y SIF apuntan todas a la misma variable latente: el estado del sistema de conducción de agua (xilema). Combinar las tres señales con fusión tardía en el modelo podría crear un "índice de integridad hidráulica" muy robusto.
-
La profundidad variable + la deuda hídrica son complementarias: La matriz de impedancia multi-profundidad resuelve el problema espacial; la deuda hídrica acumulada resuelve el problema temporal. Juntas forman un tensor espacio-temporal del estado del suelo-planta.
-
Transfer Learning + Federated Learning se potencian: El modelo base se entrena con datos federados de múltiples invernaderos; el fine-tuning local resuelve el problema de transferibilidad con mínima intervención. El error sistemático que Sara describió (subestimación de la pendiente) se puede corregir con un único parámetro de escala aprendible.
-
La ventana de 3h con baja ruido (8-11AM) + el sensor de grosor de tallo activo 24h: El sensor de tallo no necesita luz, opera de noche y captura la dinámica de recuperación nocturna, que es el indicador más precoz de estrés crónico. La cámara térmica se reserva para validación en la ventana de calidad.
4
Fase cuatro
Evaluación Crítica — Viabilidad y Riesgos
| Hipótesis / Idea | Viabilidad técnica | Coste estimado | Novedad | Obstáculo principal |
|---|---|---|---|---|
| Impedancia multi-profundidad (electrodos) | Alta | <5 €/sensor | Media | Calibración con tipo de sustrato; conductividad varía con temperatura del suelo |
| Ultrasonidos acústicos en xilema | Media | 8-15 €/sensor | Alta | Señal débil; necesita amplificación y aislamiento de vibraciones mecánicas del invernadero |
| SIF con cámara modificada + filtro | Media | 25-40 € | Alta | Requiere condición de luz estable; ventana de 3h por día limita temporalidad |
| Deuda Hídrica Acumulada (sin hardware extra) | Alta | 0 € adicionales | Media | Necesita registro histórico de riego preciso; falla si hay fugas o riego irregular |
| Sensor TOF (grosor de tallo diurno) | Alta | 3-6 €/planta | Alta | Calibración por variedad (distintos diámetros base); necesita soporte físico estable |
| Transfer Learning + fine-tuning local | Alta | 0 € adicionales | Media | Requiere 5-7 días de datos etiquetados por invernadero; etiquetado automático tiene error propio |
| Federated Learning entre invernaderos | Media | Infraestructura edge | Alta | Sincronización de pesos requiere conexión a internet; latencia en zonas rurales |
5
Fase cinco
Síntesis y Hoja de Ruta
H1
Sistema de Tensión Hidráulica Multimodal
Combinar sensor TOF de tallo + electrodos de impedancia a 3 profundidades + índice de Deuda Hídrica Acumulada como features de entrada. Modelo LSTM ligero computable en Pi 4. Predicción 10 días antes. Coste: <20 €/planta. Prioridad máxima.
H2
Protocolo de Transferibilidad con Parámetro de Escala
Modelo base federado + fine-tuning de un único parámetro de escala aprendido con 5 días de datos locales etiquetados por ETo. Resuelve el error sistemático de subestimación entre variedades sin reentrenar desde cero. Prioridad alta.
H3
SIF como Validación No Invasiva
Desplegar cámara de fluorescencia modificada en la ventana 8-11AM para validar las predicciones de H1 de forma independiente. Pilot en 2 invernaderos durante ciclo completo (90 días). Publicable como método de validación de bajo coste. Prioridad media.