Se demostró que los valores obtenidos para luz solar directa se correlacionan con los valores medios diarios de temperatura con un factor de correlación por encima del 77%

Analizador de luz solar y registrador de datos de bajo coste para la medida de radiación en agroclimatología

M.J. Oates¹, N. Timoschenko¹, A. Ruiz-Canales¹, J.M. Molina-Martínez², A.L. Vázquez de León¹ ¹ Departamento de Ingeniería, Escuela Politécnica Superior de Orihuela (EPSO-UMH) ² Grupo de Investigación de Ingeniería Agromótica y del Mar (UPCT)04/03/2016

Durante la fase de crecimiento de los cultivos se dan unas condiciones críticas para estimar la cosecha futura. Estas condiciones incluyen calidad y humedad del suelo, temperatura, calidad y duración de luz solar disponible, entre otras. Diversas investigaciones han mostrado que la presencia o ausencia de longitudes de onda de luz específicas pueden afectar significativamente a la fotosíntesis y por consiguiente, al crecimiento del cultivo. Además, una sobreexposición de los tejidos de la planta a altos niveles de radiación ultravioleta puede resultar dañina. Se sabe que la radiación infrarroja se dispersa a niveles bajos de cielos muy nubosos y con niebla y se absorbe significativamente en condiciones moderadas de nubosidad, resultando que al suelo llegan niveles bajos de radiación. Esta comunicación discute los resultados de un analizador de luz solar autónomo basado en diodos LED dopados y un registrador de datos capaz de distinguir condiciones específicas de luz solar que oscilan entre diferentes valores: luz solar directa, luz a través de niebla, nuboso moderado y luz de luna uniforme. La unidad cuesta menos de 10 euros y puede monitorear más de cuatro meses sin mantenimiento transmitiendo mediante un enlace de radiofrecuencia de 2,4 GHz.

Introducción

Los fallos inesperados de un cultivo pueden tener efectos devastadores en las zonas con agricultura de subsistencia y generar impactos económicos en agricultores comerciales, llegando a aumentar las primas de los seguros agrícolas (Castaneda-Vera, 2015), pueden afectar a mercados futuros (Lizumi et al, 2013) y provocar el uso excesivo de fertilizantes, pesticidas y riego. Muchos algoritmos de predicción del crecimiento de los cultivos o de las cosechas se basan en la medida de los niveles de NDVI por teledetección desde satélites (Tewes et al, 2015; Soria-Ruiz et al, 2004), que se usan tanto para estimar la biomasa y la salud del cultivo sobre grandes áreas (Zhang et al., 2015) y están sujetos a datos con ruido de fondo debido a las condiciones climáticas (Huang et al, 2013). Los modelos de crecimiento se basan a menudo en el desarrollo temprano de cultivos como el maíz (Mourtzinis et al, 2013) o en la altura de la planta o estados de crecimiento (Devkota et al., 2015; Yin et al., 2011). Estos modelos incorporan un rango de factores que incluyen tipo de suelo, terreno, clima, labores culturales, datos meteorológicos y técnicas estadísticas. Así como la fotosíntesis es crítica para el crecimiento de las plantas, la cantidad de radiación solar utilizable es crucial para el desarrollo de un cultivo saludable y una precisión en la predicción del crecimiento (Agarwal et al, 2001). La cantidad de radiación disponible se mide normalmente con un piranómetro de amplio espectro que suele costar alrededor de cientos de euros.

La fotosíntesis incluye al menos tres procesos (Teal, 1990) que incluye longitudes de onda específicas primarias en el espectro infrarrojo (Raven et al, 2001). Los niveles combinados de estas longitudes de onda pueden afectar significativamente al crecimiento de las plantas (Emerson et al, 1943). Además, las condiciones de luz a lo largo del día juegan un papel crucial en el desarrollo y las actividades de polinizadores e insectos (Shepherd et al, 2003) que tienen gran influencia en la cosecha final (Buchmann et al 1996.). Una medida simple de un amplio espectro de intensidad de luz suministra información suficiente para poder determinar cómo afectan de diferente manera las condiciones agroclimáticas tanto por diferencias de luz a lo largo del día es diarias de luz como longitudes de onda de luz diferentes (Wiscombe et al, 1984). Muchos cultivos (por ejemplo, soja, guisante, espinaca, etc.) no evolucionan bien si se sobreexponen a una alta intensidad o condiciones prolongadas de luz solar y radiación ultravioleta (Krupa et al, 1989), requiriendo un balance adecuado para conseguir una cosecha óptima. Se conocen los mecanismos de crecimiento de algunas plantas que varían significativamente durante el ciclo diario (Michael et al, 2008), que está relacionado con la cantidad de luz solar recibida por la mañana o por la tarde.

Para mejorar los modelos de predicción de cosecha es necesario suministrar información más detallada de la calidad específica de la luz solar y las condiciones para distinguir la luz solar brillante, luz, condiciones de alta nubosidad e incluso luz de luna. Estos datos pueden dar una información no sólo de la duración del día u otras condiciones específicas sino de información sobre la variación diaria. Estos datos son necesarios para saber si las condiciones son favorables por la mañana (Michael et al, 2008), por la tarde o por la noche. Esta información puede sustituir a la suministrada por piranómetros.

Materiales y métodos

Los diodos LED se usan tradicionalmente para la iluminación. Sin embargo, cuando se exponen a una radiación apropiada, las uniones positivo-negativo (PN) generan una corriente proporcional opuesta al nivel de brillo del que depende el LED (dentro de unos límites) (Mimms III, 1992). Estas corrientes son excesivamente pequeñas y el comportamiento de los diodos LED en estas condiciones se determina mediante otros dispositivos característicos con métodos de medida específicos.

El sensor que se ensayó consiste en tres LED de haces de luz de 5 mm y 20-30 grados. El primero un cátodo LED RGB común. El segundo es un LED ultravioleta (UV). Finalmente un LED infrarrojo (IR) de lente transparente. Se tomaron una serie de 11 niveles de lecturas separadas temporalmente en cada uno de los canales del primer LED. Antes de empezar las series de cada canal, se configuró el pin de entrada como una salida digital a 0 y a lecturas simuladas para asegurar que se descargara todo el canal. Las primeras cuatro lecturas se tomaron en sucesiones inmediatas con los interruptores del procesador apagados. Las cuatro lecturas se tomaron en menos de 0,5 ms. Se aplicaron retardos crecientes de 1 ms y 2 ms, antes de las lecturas quinta y sexta respectivamente. Después de 7 ms de retardo, se restablecieron los interruptores y se tomó la séptima medida. Se aplicaron retardos de 20 ms, 70 ms, 200 ms y 700 ms, antes de las lecturas octava, novena, décima y décimo primera respectivamente. Se obtuvieron cuatro lecturas espaciadas linealmente en el tiempo seguidas de siete lecturas espaciadas exponencialmente proporcionales a los tiempos de exposición. Después de ser tomadas once lecturas, los resultados fueron grabados y transmitidos.

Para intentar caracterizar estas condiciones se trazaron los gráficos relacionados con las lecturas primera (0,1 de tiempo de exposición), cuarta (0,4 ms de tiempo de exposición), séptima (10 ms de tiempo de exposición) y décimo primera (1 segundo) como porcentaje del máximo valor de lectura observado para cada canal. Éstos se han referido como L1, L4, L7 y L11 respectivamente. Después de un examen inicial de los datos, se escogieron los siguientes para análisis posteriores: Infrarrojo (IR L1, IR L11); Rojo (Red L1, Red L4, Red L11); Verde (Green L4, Green L7, Green L11), Azul (Blue L4) y ultravioleta (UV L7). A partir de estas diez gráficas se obtuvo una regla de clasificación simple (Holland 86) que se usó para determinar doce condiciones de luminosidad. Esta clasificación fue: sin luna (Moonless), luz de luna (Moonlight), luz con contaminación (Light Pollution), anochecer (Dusk), amanecer (Dawn), luz pobre (Poor Light), muy nuboso (Heavy Cloud), sombra (Shade), luz nublada (Light Cloud), niebla (Haze), cielo azul (Blue Sky) y sol directo (Direct Sun). Como se podía esperar, la distinción entre amanecer, anochecer, luz de luna y luz con polución mostraron la dificultad de definición. Los resultados clasificados se validaron mediante la observación de un período de 20 horas y se comprobaron mediante comparación respecto a otras lecturas (Tabla 1).

Se usó un microcontrolador Arduino, funcionando a 3,3 v y 16 MHz, con unas baterías alcalinas de 3 Amperios. Los datos se transmitieron por un radio transmisor NRF24L01 a 2,4 GHz y se almacenaron en un Winbond W25Q32 a 32Mbit, SPI Flash Eprom. El coste de los componentes del dispositivo es inferior a los 10 euros incluyendo la caja intemperie IP56 y las baterías.

Tabla 1. Tabla de clasificación.

Resultados y discusión

La figura 1 muestra las lecturas de los diodos LED a lo lardo de un típico día soleado (4 de marzo de 2015) con una tarde nublada seguida de luz de luna. Las primeras 20 lecturas (06:35-08:15) muestran el aumento de los niveles de los niveles de rojo e infrarrojo a un tiempo de exposición de un segundo, saturándose alrededor del 90% de los valores máximos de diferencia de potencial observados. A lo largo del día, se puede ver cómo alcanzan las lecturas de 0,1 ms para el rojo y el infrarrojo, fluctuando ocasionalmente con el paso de nubes con luz a niebla.

Sobre las 14:45 la cubierta de nubes empieza a aumentar y el sensor detecta la sombra de un edificio cercano. Cuando empieza a anochecer todas las diferencias de potencial de los diodos LED bajan y sobre las 19:35 tanto las lecturas de IR11 y R11 alcanzan un mínimo. Durante la noche, los diodos LED detectan luz con contaminación, pero durante alrededor de una hora (00:20-01:25) se detecta luz de luna. A través de las horas de luz diaria los niveles de luz ultravioleta suben y bajan según una curva estable.

Fig. 1. Lecturas de diodos LED a lo largo de un día despejado típico con tarde nubosa y luz de luna.

La figura 2 muestra tanto una representación numérica de los resultados de la clasificación (sin luna, Moonless = 100;sol directo, Direct Sun = 133) como el porcentaje de diferencia de potencial saturado de las lecturas de los diodos LED para R1 e IR11 durante el período de 32 días desde el 13 de marzo hasta el 13 de abril de 2015. Este período presentó una variada selección de condiciones meteorológicas, incluyendo lluvia de tormenta intensa durante varios días (del 17 al 20 de marzo) seguidas por varios días con cielo cubierto nocturno, finalizando el 27 de marzo. Estas condiciones mejoraron al registrar cielos nocturnos despejados y permitieron detectar los cuartos crecientes y menguantes de la luna durante la noche del 3 al 4 de abril.

Fig. 2. Análisis de las condiciones de luz solar para 32 días, del 13 de marzo al 15 de abril de 2015.

La figura 3 muestra diferentes gráficas: los minutos de luz directa (MDS), la temperatura máxima (MT), temperatura media diaria (DAT) y los minutos de luz de luna para el mismo período de 32 días. Los cuartos crecientes y menguantes de luna se ven claramente entre el 31 de marzo y el 6 de abril. Hay una correlación positive entre los MDS registrados por el analizador de la luz solar y los valores de MT y DAT. Sin embargo, esta relación no es lineal y posiblemente dependa de un conjunto de diferentes factores como la cubierta de nubes durante la noche, humedad, velocidad y dirección del viento, etc. Un análisis de regresión lineal de MDS con DAT da un factor de correlación de 0,6683. Este resultado está sesgado por las cinco lecturas de alta temperatura por encima de 24 °C que tiene lugar durante los registros de buen tiempo entre el 27 y el 31 de marzo. Durante este tiempo, los valores de MDT, deberían haber sido probablemente más altos si el sensor no hubiese sido afectado por la sombra del edificio cercano por la tarde. Si estos 5 valores se ajustan al valor de 21 °C el factor de correlación aumenta hasta 0,7715.

Fig. 3. Evolución de los valores de minutos de luz solar directa (MDT), temperatura máxima (MT), temperatura media diaria (DAT) y minutos de luz de luna (MM), a lo largo del período experimental.

Conclusiones

Estos resultados demuestran que el analizador de luz solar puede medir la solidez relativa de varios componentes de la longitud de onda de luz solar y clasifica un amplio rango de condiciones de luz que oscilan desde luz solar directa (Direct Sun), hasta nuboso con niebla (Hazy Cloud), luz pobre (Poor Light) y luz de luna (Moonlight). Pese a que no es posible correlacionar la clasificación del analizador de luz solar con los datos obtenidos con un dispositivo similar, se demostró que los valores obtenidos para luz solar directa se correlacionan con los valores medios diarios de temperatura con un factor de correlación por encima del 77%.

Se propone una prueba de campo más grande, comparando los resultados de este dispositivo con un piranómetro comercial. Además se ha de contrastar con datos de cultivo con el fin de verificar el dispositivo como herramienta para la predicción de las cosechas y del crecimiento del cultivo.

Agradecimientos

Este Proyecto ha recibido el apoyo tecnológico de Telenatura EBT, S.L.

Referencias bibliográficas

Agarwal, Ranjana, Jain, R.C. and Mehta, S.C. (2001) Yield forecast based on weather variables and agricultural inputs on agro climatic zone basis. Indian Journal of Agricultural Science 71(7).
Buchmann SL, Nabhan FP. (1996). The Forgotten Pollinators. Shearwater Books: Washington D.C.
Castaneda-Vera, A., Leffelarr, P.A., Alvaro-Fuentes, J., Cantero-Martinez, C., Minguez, M.I. (2015) Selecting crop models for decision making in wheat insurance European Journal of Agronomy, Volume 68, August 2015, Pages 97–116.
Devkota, K.P., Hoogenboom, G., Boote, K.J., Singh, U., Lamers, J.P.A., Devkota, M., Vlek, P.L.G. (2015). Agricultural and Forest Meteorology, 214: 266-280.
Emerson R, Lewis C. (1943). The dependence of the quantum yield of Chlorella photosynthesis on wavelength of light. Am J Bot 30:165–17.
Holland, J. H. (1986). Escaping Brittleness: The possibilities of General-Purpose Learning Algorithms Applied to Parallel Rule-Based Systems. In Mitchell, Michalski, and Carbonell, editors, Machine learning, an artificial intelligence approach. Volume II, 20: 593-623. Morgan Kaufmann.
Huang J, Wang X, Li X, Tian H, Pan Z (2013). Remotely Sensed Rice Yield Prediction Using Multi-Temporal NDVI Data Derived from NOAA's-AVHRR. PLoS ONE 8(8): e70816. doi: 10.1371/journal.pone.0070816.
Iizumi T., Sakuma H., Yokozawa M., Luo J., Challinor A.J., Brown M.E., Sakurai G., Yamagata T. (2013). Prediction of seasonal climate-induced variations in global food production. Nature Climate Change Vol 3:904–908.
Krupa SV, Kickert RN. (1989). The greenhouse effect: impacts of ultraviolet-B (UV-B) radiation, carbon dioxide (CO2) and ozone (O3) on vegetation. Environmental Pollution 61,263-391.
Michael, T.P., G. Breton, S.P. Hazen, T.C. Mockler, S.A. Kay, and J. Chory. (2008). A morning-specific phytohormone gene expression program underlying rhythmic plant growth. PLoS Biol. 6: e255. 2008 September 16.
Mimms III, F. M. (1992). Sun Photometer with Light-emitting diodes as spectrally selective detectors, Applied Optics. Vol. 31, No. 33.
Mourtzinis S., Arriaga F.J., Balkcom K.S., Ortiz B.V. (2013). Corn Grain and Stover Yield Prediction at R1 Growth Stage. Agron. J. 105:1045-1050.
Raven P.H., Johnson G.B. (2001). Biology. 6th Edition. McGrawHill; Part III Energetics, Chapter 10 Photosythesis, pp183-204
Shepherd, M., Buchmann, S. (2003). Pollinator Conservation Handbook, Xerces Society.
Teal, A.R. Metabolism. (1990). Guidance notes for Advanced Biolog, No.4 BASC, The Biochemical Society.
Tewes, A., Thonfeld, F., Schmidt, M., Oomen, R.J., Zhu, X.L., Dubovyk, O., Menz, G., Schellberg, J. (2015). Using RapidEye and MODIS Data Fusion to Monitor Vegetation Dynamics in Semi-Arid Rangelands in South Africa, Remote Sensing, 7 (6): 6510-6534.
Wiscombe, W. J., Welch, R. M., Hall, W. D. (1984). The effect of very large drops on cloud absorption. Part I: Parcel models. J. Atmos. Sci. 41: pp. 1336-1355
Yin, X., M.A. McClure, N. Jaja, D.D. Tyler, R.M. Hayes. (2011). In-season prediction of corn yield using plant height under major production systems. Agron. J. 103:923–929.
Zhang, Z.S., Gao, J., Engling, G., Tao, J., Chai, F.H., Zhang, L.M., Zhang, R.J., Sang, X.F., Chan, C.Y., Lin, Z.J., Cao, J.J. (2015). Atmospheric Environment, 102: 290-301.