¿Puede un algoritmo prevenir la escorrentía mejor que un programador inteligente? El informe WaRPIC lo probó sobre el terreno

El programador inteligente no basta: el problema que nadie admite

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 tajante: incluso los programadores inteligentes más avanzados siguen causando escorrentía, porque hacen 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): no un programador nuevo que comprar, sino un módulo económico que se instala sobre el que ya tienes, junto con un modelo de machine learning entrenado con los datos de tu jardín específico — no con una suposición genérica válida para 'todos los suelos'.

El informe en resumen

La pregunta: por qué hasta los programadores inteligentes se equivocan

La escorrentía no es solo agua desperdiciada: 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, la composición del suelo e incluso la hora del día. Una suposición de constancia, por cómoda que sea de programar, es simplemente 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 de 15 a 220 muestras — suficiente para entrenar una red neuronal de forma fiable.

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 interesante, sin embargo, es la comparación directa con un programador inteligente comercial real (configurado en su modo más avanzado disponible, '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 — 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 la temporada anterior (mayo-octubre), 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

El punto más útil de este informe, más allá de las cifras, es conceptual: la escorrentía no depende (solo) de la lluvia de hoy, sino de cuánta agua ha acumulado ya el suelo en los días previos entre lluvia y riegos pasados. Dos días idénticos en cuanto al clima actual pueden tener un MAR muy distinto si uno sigue a una semana seca y el otro a días de lluvia — una variable que un programa de horarios fijos ignora por completo, y que incluso los programadores comerciales 'basados en el clima' solo tienen en cuenta parcialmente.

En la práctica, esto se traduce en un consejo aplicable incluso sin ningún hardware inteligente: tras un periodo de lluvias, aunque sean abundantes, el suelo puede necesitar más tiempo — no menos — antes de volver a absorber bien el agua de un nuevo ciclo de riego, porque su capacidad de infiltración sigue temporalmente reducida. 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

Este informe también confirma, desde un ángulo práctico y experimental distinto al de los dos primeros artículos de esta serie, el mismo principio de fondo: la escorrentía y la necesidad de agua dependen de variables específicas del lugar (pendiente, tipo de suelo, historial reciente de riego) que ninguna fórmula ni ningún programador genérico puede conocer con precisión de antemano — hacen falta datos reales recogidos en ese terreno concreto, como hace WaRPIC con las observaciones del propietario.

SprinklerMap no estima el MAR ni modela la capacidad de infiltración del suelo: la herramienta se ocupa de la condición previa de hardware que hace que cualquier ciclo de riego, corto o largo, tenga 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 /esCalcular los tiempos de riego según el tipo de suelo.

Preguntas frecuentes sobre el informe WaRPIC

¿Se puede comprar WaRPIC como producto? No, es un prototipo de investigación académica descrito en un informe científico de 2019, no un dispositivo comercial disponible en el mercado.

¿Hacen falta sensores de humedad del suelo para usar este enfoque? No, y ese es precisamente el punto central del informe: los autores probaron sensores económicos y los encontraron demasiado imprecisos al aire libre, mientras que los fiables cuestan 500 $ o más por zona — demasiado para una instalación residencial típica. El modelo usa solo datos meteorológicos e historial de riego, no sensores directos en el suelo.

¿Funciona con cualquier programador existente? El módulo se conecta al puerto del sensor de lluvia, presente en la mayoría de los programadores residenciales (Hunter, Rachio y similares). Los propios autores señalan, sin embargo, una limitación real: algunos fabricantes no usan el mecanismo basado en resistencia eléctrica en el que se apoya el módulo, haciéndolo incompatible con esos modelos concretos.

¿Cuánto tiempo hace falta antes de que el sistema funcione bien? En las pruebas descritas, 2-3 semanas de observación asistida por el propietario (15-20 experimentos) bastaron para entrenar un modelo preciso por zona.

En resumen

Incluso un programador inteligente bien configurado puede seguir desperdiciando agua por escorrentía, porque se basa en una suposición — capacidad de infiltración del suelo constante — que la realidad desmiente continuamente. 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. La enseñanza práctica sigue siendo válida incluso para quien nunca use un sistema así: la escorrentía depende del historial reciente de lluvia y riego de tu propio suelo, no solo del clima de hoy.