El agua es un bien escaso, especialmente en las regiones áridas y semiáridas. Este es el caso de la Cuenca Mediterránea, donde sus condiciones demográficas y climáticas la hacen idónea para el cultivo de frutas y hortalizas, demandando un volumen mayor de recursos hídricos. Las estrategias de riego deficitario se han mostrado exitosas, pero resulta primordial el control del estrés hídrico de los cultivos. La medida directa del mismo se encuentra actualmente asociada al potencial hídrico de tallo a mediodía, cuya medida es costosa en tiempo y labores asociadas. A nivel agrario sería interesante definir unos niveles cualitativos del estrés hídrico del cultivo y poder estimarlos a partir de variables cuya medida sea automatizable, de manera que se puedan implementar sistemas de riego inteligente basados en las necesidades hídricas del cultivo. En este trabajo se presenta un estudio preliminar para la obtención de un modelo capaz de predecir cinco niveles de estrés del cultivo a partir de los datos temporales de potencial matricial y contenido volumétrico de agua en el suelo y de diferentes variables agro-climáticas. Se han evaluado múltiples algoritmos de Machine Learning, obteniéndose una precisión máxima en la estimación del 72,4 %.
scite is a Brooklyn-based organization that helps researchers better discover and understand research articles through Smart Citations–citations that display the context of the citation and describe whether the article provides supporting or contrasting evidence. scite is used by students and researchers from around the world and is funded in part by the National Science Foundation and the National Institute on Drug Abuse of the National Institutes of Health.