Green wall irrigation procedures are a particularly important and hard task, given that the quality of the green wall depends on them. There is currently a wide variety of irrigation programmers available, with a range of functions and prices, thereby replacing manual activities and making it easier to maintain green walls. This paper proposes the use of low-cost automated irrigation programmers via a freeware called Arduino. The system is based on air and substrate measurements to ensure optimal plant growth and high water-use efficiency. At certain thresholds, the irrigation system is activated. This not only makes irrigation more convenient but also helps to reduce energy consumption, increases irrigation efficiency and saves time. The data is then sent via Transmission Control Protocol using Internet of Things technology, in this case ThingSpeak. The platform compiles the data and presents them in simple graphical format, thus enabling real-time monitoring from wherever there is Internet access. Together with Arduino, the project incorporates the Raspberry pi system that operates like a database via Hypertext Transfer Protocol Wi-Fi received by a Structured Query Language (MySQL) server using Hypertext Preprocessor. These data are used for the subsequent analysis of green wall performance.

No abstract

No abstract

The development of the wet bulb under drip irrigation in sand-covered soils presents a different behavior compared to the one observed in homogeneous soils. Moreover, the presence of a very active crop imposes a series of variations that have not been fully characterized. The aim of this work is to present the data acquisition methodology to calibrate and validate the Hydrus-3D model in order to safely define the evolution of moisture in wet bulbs generated in stratified “sanded” soils characteristic of greenhouses with intensive pepper crop under drip irrigation. The procedure for collecting and processing moisture data in stratified soils has been defined. Soil permeability; retention curve, texture, and bulk density have been measured experimentally for each material. It has been found that the inclusion of a previous day in the simulation improves model predictions of soil moisture distribution. In soils with less gravel, a lower average stress and a more homogeneous moisture distribution were observed. It has been proved that the Hydrus-3D model can reproduce the behavior of sand covered soils under intensive greenhouse growing conditions, and it has been possible to verify that the predictions are adequate to what has been observed in the field. In view of the results, the Hydrus-3D model could be used to establish future irrigation strategies or to locate the optimal placement point of tensiometers that control irrigation in sandy soils for intensive agriculture.

La demanda de agua es la magnitud de referencia en la gestión óptima de los sistemas de distribución. En este trabajo se propone la estimación de la demanda en las próximas 24 horas en un sistema de distribución de agua para riego, y se utilizan, junto con los métodos tradicionales de predicción de regresión múltiple y de modelos univariantes de series temporales (ARIMA), las Redes Neuronales Computacionales (RNCs). Se dispone de los datos de las demandas diarias de agua de las campañas de riegos 1987/88, 1988/89 y 1990/91 de la zona regable de Fuente Palmera (Cór-doba). Los modelos se establecen considerando la relación de los datos presentes y pasados de la demanda, aunque también se analiza la influencia de datos climáticos (temperatura máxima, temperatura media, temperatura mínima, precipitación, humedad relativa, horas de sol y velocidad del viento). Las mejores estimaciones se consiguen con la RNC que considera como variables de entrada las demandas y las temperaturas máximas de los dos días anteriores al de estimación.Palabras clave: estimación demanda, regresión múltiple, análisis series temporales, red neuronal computacional, sistema de riego, control en tiempo real 1 Departamento de Ciencias Agroforestales, Universidad de Huelva, EPS, Campus Universitario de La Rábida, 21819 Palos de la Frontera (Huelva), e-mail: ipulido@uhu.es y juanc@uhu.es 2 Departamento de Agronomía, 3Departamento de Física Aplicada, Universidad de Córdoba, ETSIAM, Apdo. 3048, 14080 Córdoba, email: jroldan@uco.es y fa1lolur@uco.es Artículo recibido el 3 de septiembre de 2001, recibido en forma revisada el 19 de marzo de 2002 y aceptado para su publicación el 2 de abril de 2002. Pueden ser remitidas discusiones sobre el artículo hasta seis meses después de la publicación del mismo siguiendo lo indicado en las "Instrucciones para autores". En el caso de ser aceptadas, éstas serán publicadas conjuntamente con la respuesta de los autores. 1985; Saporta y Muñoz, 1994; Rüfenatch y Guibentif, 1997), mientras que la segunda modela la relación entre datos presentes y pasados de la demanda (análisis estocástico de series temporales) (Coulbeck et al., 1985;Hartley y Powell, 1991;Jowitt y Xu, 1992;Shvartser et al., 1993;Saporta y Muñoz, 1994;Molino et al., 1996;Nel y Haarhoff, 1996). La primera metodología es poco usual, dado que recoger los datos referentes a factores considerados determinantes es igual o si cabe más complicado que recoger los propios datos de consumo, y la inclusión de estos factores se contempla de forma implícita a través de las observaciones de la demanda (Saporta y Muñoz, 1994). TÉCNICAS DE PREDICCIÓNEntre las herramientas generalmente utilizadas para tales fines destacan las regresiones lineales y la metodología de Box-Jenkins de análisis de series temporales (modelos ARIMA), y en este trabajo junto con estos métodos tradicionales de predicción, se propone el uso de Redes Neuronales Computacionales (RNCs) ya que han demostrado conseguir muy buenos resultados en el campo de las técnicas de control inteligente.Las RNCs es...