El desafío
La agricultura tradicional depende de riegos manuales o temporizadores fijos, lo que resulta en desperdicio de agua y estrés hídrico para las plantas. Este proyecto implementa sensores IoT y un modelo de Machine Learning para predecir y automatizar exactamente cuándo y cuánta agua requiere el cultivo basándose en temperatura, humedad y luz ambiental.
Desarrollo del Invernadero
El proyecto siguió un proceso estructurado desde la elicitación de requerimientos hasta la entrega de documentación técnica.
01
Fase 1
Diseño Hardware
Ensamblaje de microcontroladores (ESP32/Arduino) y sensores de humedad del suelo, temperatura, humedad relativa y fotorresistencias.
02
Fase 2
Recolección de Datos
Transmisión de datos ambientales en tiempo real vía MQTT/HTTP hacia una base de datos centralizada para crear un dataset robusto.
03
Fase 3
Entrenamiento del Modelo
Desarrollo y entrenamiento de un modelo Random Forest en Python usando scikit-learn, logrando un 99.8% de precisión en predicción de riego.
04
Fase 4
Integración Full-Stack
Desarrollo de un dashboard web para visualizar métricas en tiempo real y controlar actuadores (bombas de agua) automáticamente.
Especificaciones Técnicas
Especificaciones del hardware IoT y del modelo predictivo desarrollado.
HW-01Microcontrolador ESP32 para recolección y transmisión WiFi.
HW-02Sensores capacitivos de humedad del suelo con recubrimiento anticorrosión.
HW-03Sensor DHT22 para temperatura y humedad relativa del ambiente.
HW-04Módulo de fotorresistencia (LDR) para medir intensidad lumínica.
HW-05Módulo de relés de 5V para controlar bombas de agua sumergibles.
HW-06Sistema de alimentación ininterrumpida (UPS) de respaldo.
NHW-01Modelo Random Forest Classifier optimizado con GridSearchCV.
NHW-02Precisión validada (Accuracy) del 99.8% y F1-Score de 0.99.
NHW-03API REST en Python (Flask/FastAPI) para consumo del modelo.
NHW-04Dashboard web con WebSockets para gráficas de sensores en vivo.
NHW-05Base de datos temporal (Time-Series) para almacenamiento histórico.
Qué entregamos
El proyecto produjo un sistema completamente documentado, listo para implementación.
Modelo ML
Algoritmo de predicción entrenado con miles de lecturas ambientales reales.
Dashboard Web
Interfaz intuitiva para monitorear el invernadero y forzar riego manual.
Ahorro de Agua
Reducción significativa del consumo hídrico mediante riego únicamente cuando es necesario.