[SPA] Este documento muestra una visión general del estado del arte de la inteligencia artificial aplicada a la agricultura de precisión. Además, describe el plan de trabajo propuesto para conseguir uno de los objetivos relacionados con el manejo eficiente del agua en la agricultura que pretenden ser abordados en la tesis doctoral y muestra algunos de los avances conseguidos hasta ahora. [ENG] This document gives an overview of the state of the art of artificial intelligence applied to precision agriculture. In addition, it describes the proposed work schedule in order to achieve the one of the objectives related to the efficient water management in agriculture that are aimed within this PhD and shows some of the advances that are fulfilled until now. | Este trabajo ha sido financiado por el Ministerio de Investigación e Innovación del Gobierno de España (PCIN-2017-091, WaterWorks2015 ERA-NET) y Manuel Forcen agradece la financiación del contrato predoctoral recibida de la Fundación Séneca (20767/FPI/18).

Studies on the dynamics of water in the soil-plant-atmosphere such as water availability cultures infiltration drainage and movement of solutes into the soil, require knowledge of the relation between the water content in soil matric potential and represented by retention curve water. However, its implementation is laborious, requires considerable time and cost. An alternative is your estimate through statistical equations called pedotransfer functions (PTFs). The aim of this study was to generate PTFs for the different soil classes in the state of Rio Grande do Sul, through prediction methodologies. To develop the work we used data available in the literature, with values of hydro-physical characteristics and mineralogical characteristics of soils of the State, to estimate values of soil unit under different stresses. In possession of the database was conducted subdivision thereof, in different textural classes identified in the state in an attempt to improve the predictive ability of pedofunctions, forming more homogeneous subsets. The development of PTFs was from two modeling methods: (i) multiple linear regression (MLR) and (ii) artificial neural networks (ANNs). For the development of PTFs first methodology was used the "stepwise" (SAS, 1997). The PTFs generated from ANNs were implemented through the multilayer perceptron with backpropagation algorithm and Levenberg-Marquardt optimization. Each network is trained by varying the number of neurons in the input layer and the number of neurons in the hidden layer. The output variable was water content in soil matric potentials of 0, -6, -10, -33, -100, -500 and -1500 kPa. For each architecture, the network was trained several times, picking up training at the end of the architecture with lower mean relative error and lower variance in relation to the validation data. The efficiency of PTFs were analyzed graphically by the ratio 1:1 between data versus the observed and estimated by means of the following statistical indicators: correlation coefficient (r); concordance index Wilmont (c); coefficient of determination (R2) and performance index (id). The results showed that the more homogeneous is the data of the variables that compose the PTFs, the greater the precision in estimating the water retention in the soil, for the same. The network architecture consists of 4 inputs, showed high accuracy in the estimation of variables. The PTFs developed by ANNs outperformed the predictive ability of the standard method (MLR). Thus, the estimate of the retention curve of soil water by means of ANNs trained by classes textures, presents itself as a subsidy techniques adopted in irrigated agriculture. | Coordenação de Aperfeiçoamento de Pessoal de Nível Superior | Estudos que envolvem a dinâmica da água no sistema solo-planta-atmosfera tais como disponibilidade de água as culturas, infiltração, drenagem e movimento de solutos no solo, necessitam do conhecimento da relação entre o conteúdo de água no solo e o potencial matricial, representada pela curva de retenção de água. No entanto, sua execução é laboriosa, demanda considerável tempo e custos. Uma alternativa é sua estimativa através de equações estatísticas denominadas Funções de Pedotransferência (FPTs). O objetivo deste estudo foi gerar FPTs para as diferentes classes de solos do Estado do Rio Grande do Sul, por meio de metodologias de predição. Para desenvolver o trabalho foram utilizados dados, disponíveis na literatura, com valores de características físico-hídricas e mineralógicas, de solos do Estado, para estimar valores de umidade de solo, sob diferentes tensões. De posse do banco de dados foi realizado a subdivisão do mesmo, nas diferentes classes texturais identificada no Estado, na tentativa de melhorar a capacidade preditiva das pedofunções, formando subconjuntos mais homogêneos. O desenvolvimento das FPTs foi a partir de dois métodos de modelagem: (i) regressão linear múltipla (RLM) e (ii) redes neurais artificiais (RNAs). Para o desenvolvimento das FPTs pela primeira metodologia, foi utilizada a opção stepwise (SAS, 1997). As FPTs geradas a partir de RNAs, foram implementadas através do perceptron multicamadas com algoritmo backpropagation e otimização Levenberg-Marquardt. As redes foram treinadas variando-se o número de neurônios na camada de entrada e número de neurônios na camada escondida. A variável de saída foi conteúdo de água no solo nos potenciais matriciais de 0, -6, -10, -33, -100, -500 e -1500 kPa. Para cada arquitetura, a rede foi treinada diversas vezes, escolhendo-se no final do treinamento a arquitetura com menor erro relativo médio e menor variância em relação aos dados de validação. A eficiência das FPTs foram analisadas graficamente pela relação 1:1, entre os dados estimados versus os observados e, por meio dos seguintes indicadores estatísticos: coeficiente de correlação (r); índice de concordância de Wilmont (c); coeficiente de determinação (R2) e índice de desempenho (id). Os resultados mostraram que quanto mais homogêneos são os dados das variáveis que compõem as FPTs, maior é a precisão na estimativa da retenção de água no solo, pelas mesmas. As redes de arquitetura formada por 4 entradas, apresentaram elevada precisão na estimativa das variáveis. As FPTs desenvolvidas por RNAs superaram a capacidade preditiva do método padrão (RLM). Deste modo, a estimativa da curva de retenção de água no solo, por meio das RNAs treinadas por classes texturais, apresenta-se como um subsídio as técnicas adotadas na agricultura irrigada. Palavras-chave: Pedofunções. Umidade do solo. Potencial matricial. Inteligência artificial