Particle Swarm para Calibrar Modelo de Riego en Almería
Visión general
De qué trata este proyecto.
Recibirás una temporada de datos (90 días, 12 invernaderos, sensores de humedad, transpiración, radiación) y la formulación del modelo de balance hídrico (9 parámetros). Implementa PSO con topología local-best y coeficientes inerciales decrecientes. Función objetivo: minimizar el error cuadrático medio de humedad simulada vs. medida, sujeto a no permitir caer bajo el umbral de estrés hídrico. Compara contra una calibración manual y contra un grid search reducido. Reporta error por invernadero, consumo simulado y un plan de despliegue para la próxima temporada.
El Briefing
Lo que harás y lo que demostrarás.
Calibra el modelo de balance hídrico con PSO usando datos reales y demuestra que mantiene producción reduciendo consumo de agua.
Earning criteria — what you'll demonstrate
- Implementar PSO con topología, inercia y coeficientes ajustados
- Calibrar modelos físicos con datos reales de sensor
- Manejar restricciones blandas (umbral de estrés hídrico) en la función objetivo
- Diseñar el rollout estacional de la calibración
Encaje académico
Dónde encaja esto en tus estudios.
Afina las mismas habilidades que tu titulación espera de ti.
Habilidades
Habilidades que demostrarás.
Cada una aparece en tu credencial verificada.
Carreras
Roles para los que esto te prepara.
Títulos reales. Puentes de habilidades reales. Elige el que más se acerque a tu trayectoria.
Trayectorias profesionales que esto construye
Roles canónicosCientífico de Datos
Calibración de modelos físicos con metaheurísticas es trabajo recurrente para Data Scientists en agritech y energía.
Este proyecto afina
- particle-swarm-optimization
- parameter-estimation
- agritech
Científico en IA Aplicada
Acoplar simulador y optimización para una decisión operacional (riego) es la rutina del Applied AI Scientist.
Este proyecto afina
- metaheuristics
- parameter-estimation
- benchmarking