Monitoreo de riego de cultivos y detección de anomalías con machine learning

Abstract

El presente trabajo resume la experiencia de desarrollo de un sistema de detección automática de anomalías en el riego de cultivos. Este proyecto se circunscribe al marco de un Trabajo Práctico Profesional de la carrera de Ingeniería en Informática de la Facultad de Ingeniería de la UBA. Los estudiantes trabajaron con la aprobación de la agtech Ponce Automations para asistir en su misión de brindar un mejor monitoreo del estado del riego de los cultivos de sus clientes. Se describe el diseño, implementación y despliegue productivo de una arquitectura capaz de procesar datos distribuidos en forma de series temporales y su clasificación a través de una red neuronal. La solución fue implantada en producción haciendo uso de una infraestructura IoT. Los dispositivos y sensores se comunican con un satélite y vuelcan los resultados telemétricos en la nube, donde se ejecutan pipelines de procesamiento de flujo masivo de datos para clasificar cada medición y detectar potenciales anomalías.