Este trabajo tiene como objetivo la estimación de la humedad del suelo utilizando técnicas avanzadas de aprendizaje automático. La predicción precisa de la humedad del suelo es crucial en diversos campos como la gestión agrícola, el monitoreo ambiental y la planificación de recursos hídricos. Sin embargo, debido a la complejidad inherente de las interacciones entre los diferentes factores que afectan la humedad del suelo, como las condiciones meteorológicas, la vegetación y la evapotranspiración, la estimación precisa es un reto considerable. Por ello, en este estudio se han empleado múltiples arquitecturas de redes neuronales con el fin de abordar este problema desde diferentes enfoques. El primer modelo explorado es una red multimodal basada en transformers, una arquitectura avanzada que se ha mostrado particularmente efectiva en tareas de procesamiento secuencial y de serie temporal. En esta red, se combinan tres fuentes de datos: datos meteorológicos, índices de vegetación (NDVI) y datos de evapotranspiración, que son procesados conjuntamente para capturar las relaciones complejas entre las diferentes variables que afectan la humedad del suelo. Sin embargo, los resultados iniciales no fueron satisfactorios, mostrando problemas relacionados con la memoria de las predicciones pasadas, lo que llevó a plantear posibles mejoras en la estructura del modelo. En un segundo enfoque, se adoptó una estrategia de división del problema en submodelos individuales, es decir, se diseñaron redes neuronales independientes para predecir la humedad en cada sonda de manera específica. Este enfoque simplifica la tarea de predicción al reducir la complejidad del modelo para cada red individual. Aunque los resultados fueron ligeramente mejores que en el modelo basado en transformers, se observó que la falta de memoria a largo plazo en estos modelos seguía afectando el rendimiento, especialmente en la capacidad para capturar patrones temporales complejos. Finalmente, se desarrolló un tercer modelo más sencillo, basado en una red neuronal densa con dos capas ocultas y técnicas de regularización, como Dropout y L2. Esta red mostró un rendimiento más consistente en términos de aprendizaje, aunque aún presentaba un cierto grado de ruido en las predicciones. Para mitigar este efecto, se aplicaron varios filtros de suavizado, como el filtro de media móvil y el filtro gaussiano, lo que permitió mejorar la calidad de las predicciones, aunque no se eliminó completamente el problema. A lo largo de este trabajo, se ha llevado a cabo un análisis detallado del rendimiento de los diferentes modelos, destacando las ventajas y limitaciones de cada uno. En particular, se ha identificado que la memoria de las predicciones anteriores es un factor clave que debe ser abordado para mejorar la precisión de las estimaciones de humedad del suelo. Además, el uso de técnicas de regularización y el suavizado de las predicciones han demostrado ser herramientas útiles para mejorar la estabilidad del modelo y reducir el sobreajuste.

Aquest treball té com a objectiu l'estimació de la humitat del sòl utilitzant tècniques avançades d'aprenentatge automàtic. La predicció precisa de la humitat del sòl és crucial en camps com la gestió agrícola, el monitoratge ambiental i la planificació de recursos hídrics. No obstant això, degut a la complexitat inherent de les interaccions entre els diferents factors que afecten la humitat del sòl, com ara les condicions meteorològiques, la vegetació i l'evapotranspiració, l'estimació precisa és un repte considerable. Per això, en aquest estudi s'han emprat múltiples arquitectures de xarxes neuronals amb la finalitat d'abordar aquest problema des de diferents enfocaments. El primer model explorat és una xarxa multimodal basada en transformers, una arquitectura avançada que ha demostrat ser particularment efectiva en tasques de processament seqüencial i de sèries temporals. En aquesta xarxa es combinen tres fonts de dades: dades meteorològiques, índexs de vegetació (NDVI) i dades d'evapotranspiració, que són processades conjuntament per captar les relacions complexes entre les diferents variables que afecten la humitat del sòl. Tanmateix, els resultats inicials no van ser satisfactoris, mostrant problemes relacionats amb la memòria de les prediccions anteriors, cosa que va portar a plantejar possibles millores en l'estructura del model. En un segon enfocament, es va adoptar una estratègia de divisió del problema en submodels individuals, és a dir, es van dissenyar xarxes neuronals independents per predir la humitat a cada sonda de manera específica. Aquest enfocament simplifica la tasca de predicció en reduir la complexitat del model per a cada xarxa individual. Tot i que els resultats van ser lleugerament millors que en el model basat en transformers, es va observar que la manca de memòria a llarg termini en aquests models continuava afectant el rendiment, especialment en la capacitat de capturar patrons temporals complexos. Finalment, es va desenvolupar un tercer model més senzill, basat en una xarxa neuronal densa amb dues capes ocultes i tècniques de regularització, com ara Dropout i L2. Aquesta xarxa va mostrar un rendiment més consistent en termes d'aprenentatge, tot i que encara presentava un cert grau de soroll en les prediccions. Per mitigar aquest efecte, es van aplicar diversos filtres de suavització, com ara el filtre de mitjana mòbil i el filtre gaussià, que van permetre millorar la qualitat de les prediccions, tot i que no es va eliminar completament el problema. Al llarg d'aquest treball s'ha fet una anàlisi detallada del rendiment dels diferents models, destacant els avantatges i limitacions de cadascun. En particular, s'ha identificat que la memòria de les prediccions anteriors és un factor clau que cal abordar per millorar la precisió de les estimacions d'humitat del sòl. A més, l'ús de tècniques de regularització i el suavitzat de les prediccions han demostrat ser eines útils per millorar l'estabilitat del model i reduir el sobreajust.

This work aims to estimate soil moisture using advanced machine learning techniques. Accurate soil moisture prediction is crucial in fields such as agricultural management, environmental monitoring, and water resource planning. However, due to the inherent complexity of the interactions between the various factors affecting soil moisture, such as meteorological conditions, vegetation, and evapotranspiration, accurate estimation presents a considerable challenge. For this reason, this study employs multiple neural network architectures to address this problem from different approaches. The first model explored is a multimodal network based on transformers, an advanced architecture that has proven to be particularly effective in sequential processing and time-series tasks. In this network, three data sources are combined: meteorological data, vegetation indices (NDVI), and evapotranspiration data, which are processed together to capture the complex relationships between the various variables affecting soil moisture. However, the initial results were unsatisfactory, showing issues related to the memory of previous predictions, which led to possible improvements being proposed for the model's structure. In a second approach, the problem was divided into individual submodels, meaning independent neural networks were designed to predict moisture at each sensor specifically. This approach simplifies the prediction task by reducing the model's complexity for each individual network. Although the results were slightly better than those of the transformer-based model, it was observed that the lack of long-term memory in these models continued to affect performance, especially in capturing complex temporal patterns. Finally, a simpler third model was developed, based on a dense neural network with two hidden layers and regularization techniques, such as Dropout and L2. This network showed more consistent learning performance, although it still exhibited some noise in the predictions. To mitigate this effect, several smoothing filters were applied, such as the moving average filter and the Gaussian filter, which improved the prediction quality, although the problem was not completely resolved. Throughout this work, a detailed analysis of the performance of the different models has been carried out, highlighting the advantages and limitations of each. In particular, it has been identified that the memory of previous predictions is a key factor that must be addressed to improve the accuracy of soil moisture estimations. Additionally, the use of regularization techniques and prediction smoothing have proven to be useful tools for improving model stability and reducing overfitting.

This project focuses on the exploitation through AI/ML tools of a digital twin on the Segarra-Garrigues channel in Lleida, including soil moisture probes and satellite Earth observation data, for the estimation of soil moisture.