El ITER, ICIA y ULL inician la fase de experimentación del proyecto REGADÍA para optimizar el riego en cultivos de plátano y aguacate de Tenerife

• La actuación, que se desarrolla en colaboración con la Oficina del Regante del Cabildo de Tenerife, probará una IA para la gestión del agua de riego

24/07/2025. - La Laguna Televisión.

El Instituto Tecnológico y de Energías Renovables (ITER), dependiente del Cabildo de Tenerife, el Instituto Canario de Investigaciones Agrarias (ICIA) y la Universidad de La Laguna (ULL) han puesto en marcha la la fase de experimentación del proyecto REGADÍA, una innovadora iniciativa en la que colabora la Oficina del Regante del Cabildo de Tenerife que busca optimizar el uso del agua de riego en fincas de plátano y aguacate en la isla de Tenerife mediante la combinación de Inteligencia Artificial (IA) y criterios agronómicos sólidos.
El proyecto REGADÍA (PLEC2022-009444), coordinado por la Unidad de Robótica del ITER, tendrá una duración de 36 meses y está financiado por el Ministerio de Ciencia e Innovación y la Agencia Estatal de Investigación (10.13039/501100011033) y por la Unión Europea en el marco de del Plan de Recuperación de la UE Next Generation EU y del Plan de Recuperación, Transformación y Resiliencia de España (PRTR).
El consejero de Innovación, Investigación y Desarrollo, Juan José Martínez, señala que “las actuaciones del ITER se desarrollan en numerosos campos y en esta ocasión se ponen al servicio del sector primario a través de REGADÍA, una iniciativa que pretende avanzar hacia una gestión del agua de riego más eficiente, sostenible y tecnológicamente avanzada, contribuyendo a la resiliencia del sector agrícola insular frente a los desafíos del cambio climático y la escasez de recursos hídricos”.
Como parcela piloto, se utilizará una de las huertas experimentales ubicadas en el complejo de La Quinta, gestionado por la Oficina del Regante del Cabildo de Tenerife. En esta finca, las recomendaciones tradicionales de riego serán reemplazadas durante los próximos meses por predicciones generadas a través de modelos de aprendizaje profundo, que tiene en cuenta el comportamiento del suelo y las necesidades hídricas de los cultivos.
Para evaluar el estado hídrico de los cultivos, el sistema medirá el potencial matricial del suelo, un indicador indirecto que refleja la energía con la que el agua está retenida en la matriz del suelo debido a fuerzas capilares y de adsorción. Esta medida, expresada en unidades de presión negativa, permite estimar la disponibilidad de agua para las plantas.
El criterio clave para validar la eficacia del sistema será su capacidad para mantener el potencial matricial dentro de un rango óptimo para el cultivo, previniendo episodios de estrés hídrico que puedan afectar negativamente a la productividad agrícola.