Modelos Empíricos de Radio Propagación en Presencia de Vegetación para Aplicaciones Agrícolas

Abstract

La producción de alimentos cultivados en invernaderos debe incrementarse, apoyándose en la agricultura de precisión (AP), para satisfacer la demanda alimentaria y comercial, teniendo en cuenta además la situación actual como consecuencia del cambio climático y los conflictos bélicos que están afectando significativamente a la producción a nivel mundial. En ese sentido, la red de sensores inalámbricos (WSN) demuestra ser una herramienta para proporcionar a los agricultores información útil sobre el estado de sus plantaciones debido a la implementación práctica sobre el terreno. Sin embargo, para medir la factibilidad de enlaces inalámbricos en el despliegue dentro del cultivo, es necesario conocer la cobertura de comunicación de los nodos que componen la red. La propagación multitrayecto de las ondas de radio entre los transceptores de nodos de la WSN en el interior de un invernadero se ve degradada y atenuada por el intrincado complejo de tallos, ramas, hojas y frutos, todos ellos orientados aleatoriamente, bloqueando la línea de visión, y generando en consecuencia pérdida de potencia de la señal a medida que aumenta la distancia. Aunque los modelos existentes en la bibliografía, como COST235 (European Cooperation in Science and Technology - COST), ITU-R (International Telecommunications Union-Radiocommunication Sector), FITU-R (Fitted ITU-R), y Weisbberger proporcionan explicación de la propagación de ondas de radio en presencia de vegetación, se encontraron diferencias significativas cuando se aplican a pruebas de campo con invernaderos de tomate. Este trabajo propone dos métodos novedosos para determinar un modelo empírico de atenuación de ondas de radio en el interior de un campo de cultivo. Incluyen como parámetro la altura de la vegetación además de la distancia entre los transceptores de los nodos WSN. El primer modelo empírico de atenuación se obtuvo aplicando regresiones regularizadas con una ecuación multiparamétrica utilizando mediciones experimentales de la intensidad de la señal recibida (RSSI) registrada por nuestro propio sistema de medición de RSSI durante las pruebas de campo realizadas en cuatro plantaciones. Los parámetros de evaluación dieron 0,948 para R2 y su error generalizado es de 0,906. El segundo método es a través de aprendizaje profundo (Deep Learning). En este caso su rendimiento por validación cruzada R2 es igual a 0,966 y su error generalizado es de 0,920 verificando la fiabilidad de ambos modelos empíricos.