Almería no necesita que la presenten como un invernadero futurista uniforme. Su fortaleza procede de una combinación mucho más interesante: estructuras mediterráneas relativamente austeras, conocimiento agronómico, riego localizado, control biológico, cooperativas, industria auxiliar e investigación aplicada. Sobre esa base están creciendo la sensórica, la automatización, la visión artificial, los modelos predictivos y la robótica.

Después de revisar información de la Junta de Andalucía, MAPA, Universidad de Almería, Agencia Estatal de Investigación y publicaciones científicas, encontramos tres errores repetidos. El primero es confundir digitalización con IA. El segundo es trasladar al conjunto de la provincia el resultado de un prototipo. El tercero es hablar de “ahorro” sin indicar el cultivo, la campaña, la parcela de control o el denominador.

Última revisión documental: 29 de julio de 2026.

Qué está ocurriendo realmente en los invernaderos de Almería

El Observatorio de Precios y Mercados de la Junta de Andalucía sitúa en Almería más del 84 % de la superficie andaluza de invernaderos, sobre un total regional superior a 39.000 hectáreas. También indica que más del 70 % de la producción de hortícolas protegidos se exporta. Son magnitudes del sector; no miden cuántas fincas usan aprendizaje automático.

Esa distinción es importante. El diagnóstico 2022–2025 del Observatorio de Digitalización del MAPA se basa en 3.434 encuestas del sector agroalimentario español. El Ministerio comunicó que el 96 % de las explotaciones agrícolas usa al menos una herramienta digital de propósito general y que alrededor del 21 % emplea herramientas específicas para detectar plagas o enfermedades. Son datos nacionales, no una tasa almeriense de uso de IA. Un teléfono, una hoja de cálculo o una aplicación de mensajería cuentan como herramientas digitales.

Lo que sí puede verificarse en Almería es un ecosistema de ensayo y transferencia. La Universidad de Almería inauguró en 2024 AgroConnect, un invernadero de investigación a escala real donde se evalúan control, robótica, energía, digitalización e IA. Proyectos como LIFE ACCLIMATE prueban adaptación climática, robots y modelos predictivos. Otros trabajos estudian ventilación, riego por eventos, estimación de cosecha o aplicación variable. Eso demuestra capacidad científica y tecnológica, pero no que todas las explotaciones dispongan ya de un invernadero autónomo.

La fotografía honesta: conviven programadores y decisiones manuales, control por reglas, plataformas conectadas y pilotos avanzados. La transformación es real, pero desigual y más gradual que el relato de “la IA ya lo controla todo”.

Por qué el modelo almeriense necesita soluciones propias

Un algoritmo entrenado en un invernadero de cristal calefactado del norte de Europa no puede trasladarse sin validación a una estructura de plástico con ventilación natural del sureste español. Cambian la inercia térmica, las posibilidades de actuación, la radiación, el viento, la humedad, el cultivo, el ciclo, el agua, el sustrato y el objetivo económico.

En una estructura mediterránea pasiva, el sistema no dispone necesariamente de calefacción, iluminación, enriquecimiento de CO₂ o deshumidificación activa para alcanzar cualquier consigna. Puede abrir ventanas, gestionar pantallas, accionar ventiladores o nebulización si existen y modificar riego y fertirrigación. La recomendación debe respetar esos actuadores reales.

También importa el agua. Un modelo puede ajustar la dosis, pero no crea disponibilidad ni corrige por sí solo una captación salina. MITECO aprobó en 2025 el proyecto para ampliar la desaladora de Campo de Dalías de 30 a 40 hm³ anuales. Esa infraestructura y la gestión de acuíferos, agua regenerada y mezclas determinan el contexto en el que opera la tecnología de parcela.

Por ello, “regar menos” no siempre es el objetivo completo. Con agua salina puede ser necesaria una fracción de lavado; en cultivo sin suelo hay que observar drenaje y recirculación; con agua desalada cambian composición, corrección y energía asociada. La métrica útil combina cantidad, calidad, producción y estado de la zona radicular.

Sensor, automatización e IA: cinco niveles distintos

Los cinco niveles pueden convivir. Una regla transparente puede superar a un modelo complejo cuando hay pocos datos o la decisión es sencilla. Del mismo modo, un modelo puede recomendar muy bien y fracasar porque la electroválvula, la ventilación o el equipo de campo no actúan a tiempo.

El control biológico tampoco es IA. Utilizar enemigos naturales, mallas y manejo integrado de plagas es una práctica agronómica. Una cámara puede ayudar a contar insectos o priorizar una revisión, pero no debe apropiarse del resultado conseguido por todo el sistema de manejo.

Elegir el problema antes que la tecnología

Este orden evita automatizar una avería. Si dos sectores reciben dosis distintas porque hay emisores obstruidos, añadir un modelo predictivo puede ocultar el problema durante un tiempo, pero no sustituye una prueba de uniformidad. Si una cámara ve mal por reflejos, condensación o suciedad, entrenar con más imágenes no resuelve siempre la captura.

Una ficha de problema que cabe en una página

• Decisión: qué persona decide hoy, con qué frecuencia y con qué información.
• Error actual: cómo se sabe que la decisión llega tarde o es incorrecta.
• Consecuencia: agua, kilos, calidad, rechazo, tiempo, riesgo o coste.
• Restricciones: cultivo, estructura, agua, personal, certificación y seguridad.
• Comparador: regla, asesor o práctica actual contra la que competirá el sistema.
• Criterio de salida: mejora mínima exigida y fallos que obligan a detener el piloto.

Los datos mínimos que necesita un invernadero

Más sensores no equivalen a mejores datos. La cobertura debe responder a la variabilidad real: sectores de riego, orientación, zonas de borde, altura de cultivo, tipo de suelo o sustrato y diferencias de ventilación. Un único termohigrómetro cerca de una puerta puede producir una falsa precisión para toda la finca.

Cuatro controles antes de entrenar

1. Tiempo: todos los equipos deben usar una hora coherente; un desfase arruina relaciones entre riego, clima y respuesta.
2. Unidad: conservar unidad, precisión y significado. No mezclar litros por sector con metros cúbicos por hectárea sin superficie y periodo.
3. Estado: guardar si el sensor estaba calibrado, averiado, sustituido o fuera de servicio.
4. Procedencia: registrar quién introdujo un dato manual y qué reglas se usaron para corregirlo.

Durante esta revisión llama la atención que muchas demostraciones describen el algoritmo con detalle y apenas explican el mantenimiento del dato. En una explotación, la batería agotada, la sonda desplazada y el cambio de variedad importan tanto como la arquitectura del modelo.

Riego y fertirrigación: dónde aporta valor un modelo

La programación puede apoyarse en radiación acumulada, evapotranspiración estimada, humedad o tensión en la zona radicular, drenaje, conductividad y señales de la planta. La IA es una opción para combinar estas entradas o anticipar la demanda, pero primero necesita una estrategia agronómica y límites de seguridad.

La cadena completa

1. El contador confirma cuánto entró realmente en cada sector.
2. La señal de suelo o sustrato muestra disponibilidad y dinámica entre riegos.
3. Radiación y microclima ayudan a estimar demanda.
4. La calidad del agua y la conductividad condicionan la dosis y el lavado.
5. El modelo o regla propone momento y volumen.
6. El agricultor o automatismo aplica dentro de límites.
7. Drenaje, estado de la planta, producción y calidad confirman el resultado.

El artículo científico “Evaluation of event-based irrigation system control scheme for tomato crops in greenhouses” estudió control predictivo por eventos con datos de un invernadero tipo parral de 877 m² en la estación de Cajamar en El Ejido. Su valor está en mostrar cómo equilibrar precisión de control, comunicaciones y uso de agua. No autoriza a prometer un mismo porcentaje a cualquier cultivo o finca.

Qué debe proteger el algoritmo

• No superar límites de salinidad o déficit definidos por el técnico.
• No actuar si faltan señales críticas o divergen dos sensores.
• Limitar el cambio máximo respecto al programa validado.
• Permitir anulación manual y conservar quién cambió la consigna.
• Evitar que una reducción por hectárea oculte pérdida de calidad o más drenaje.

Para comparar plataformas y sensores comerciales sin repetir aquí sus fichas, puede consultarse la comparativa de CropX, Hispatec y John Deere. Esta entrada se concentra en el método de adopción dentro del invernadero almeriense.

Control climático en estructuras mediterráneas

Temperatura y humedad dependen de radiación, viento, temperatura exterior, transpiración, ventilación, geometría, mallas, pantalla y manejo del riego. Abrir más no siempre enfría igual: la dirección y velocidad del viento alteran el intercambio, mientras una malla antiinsectos introduce resistencia.

Un trabajo de la Universidad de Almería presentado en 2025, “Estimación neuronal de la ventilación para controlar la temperatura en un invernadero”, plantea una prueba de concepto para estimar la apertura de ventanas a partir de condiciones exteriores y energía. Es investigación útil sobre una relación no lineal; no debe describirse como un controlador autónomo desplegado en toda la provincia.

La prueba correcta para clima

Antes de automatizar, se compara el sistema con la regla o decisión experta actual. Se miden minutos fuera del intervalo agronómico, máximos, condensación o déficit de presión de vapor cuando proceda, movimientos de actuadores, consumo energético y efecto en el cultivo. Reducir la desviación térmica puede carecer de valor si aumenta enfermedad, desgaste o coste.

Plagas, enfermedades y aplicación variable

La visión artificial puede contar insectos en trampas, detectar síntomas visibles, mapear vigor o estimar volumen de vegetación. La utilidad depende de una taxonomía operativa: qué especie o síntoma distingue, en qué fase y qué acción desencadena.

Precisión no es el único indicador. Si hay pocas plagas, un sistema que diga casi siempre “no hay” puede parecer acertado y perder focos críticos. Deben publicarse sensibilidad o recall por clase, falsos positivos por trampa o superficie, tiempo de anticipación y rendimiento cuando cambian iluminación, variedad, cámara o campaña.

Qué demuestra un ensayo local de aplicación variable

Un trabajo de 2025 de la Universidad de Almería probó en un invernadero experimental de 1.800 m² un sistema con LiDAR, posicionamiento y agrupación mediante modelos de mezcla gaussiana para adaptar teóricamente el volumen de caldo al dosel. En tres líneas de tomate, el método multibanda calculó entre un 65 % y un 75 % menos volumen que el método manual usado como referencia.

La cifra necesita contexto. El propio documento técnico del ensayo habla de volumen teórico y de tres líneas, no de una reducción demostrada de ingrediente activo en una campaña comercial. Para afirmar impacto faltan, entre otros, deposición, control de la plaga o enfermedad, deriva, residuos, tiempo, fiabilidad y producción. Esta lectura crítica es más útil que trasladar el 65–75 % a cualquier tratamiento.

La persona sigue cerrando el circuito

Una alerta debe conducir a inspección, diagnóstico y decisión. Síntomas nutricionales, daños mecánicos y enfermedades pueden parecerse en una imagen. En control biológico, además, una intervención debe considerar auxiliares y umbrales, no solo contar organismos.

Previsión de producción y cosecha

Prever kilos y fechas ayuda a planificar cuadrillas, envases, transporte, compromisos comerciales y capacidad de almacén. Las entradas pueden incluir conteos de frutos o flores, imágenes, variedad, fechas, clima, poda, cuajado, pesos históricos e incidencias.

El proyecto público-privado AGRISMART, con referencia CPP2021-008949, se orientó al desarrollo de un sistema de IA para estimación continua de producción antes de la cosecha en campo. La Universidad de Almería sitúa su periodo entre noviembre de 2022 y octubre de 2025. La ficha de un proyecto y su financiación prueban objetivo, participantes y calendario; no prueban por sí solas precisión comercial ni generalización.

Cómo evaluar una previsión

• Error absoluto: kilos o unidades de diferencia por finca, semana y categoría.
• Error relativo ponderado: evita que semanas pequeñas dominen el porcentaje.
• Sesgo: indica si el sistema sobreestima o subestima de forma persistente.
• Horizonte: una previsión a siete días no es comparable con otra a cuatro semanas.
• Transferencia: comprobar variedad, ciclo, orientación y campaña no presentes en el entrenamiento.
• Valor operativo: cuánto reduce cambios urgentes, ociosidad, faltas o sobrantes.

Una precisión media puede ocultar fallos costosos en picos. Conviene publicar el error por semana y no solo una cifra agregada de temporada.

Casos locales: despliegue, piloto o investigación

La clasificación evita dos injusticias: exigir a un proyecto de investigación el rendimiento de un producto maduro y, a la vez, vender una prueba de concepto como una solución ya validada. Cada nivel necesita preguntas distintas.

Cómo leer porcentajes y resultados sin engañarse

Cualquier porcentaje de ahorro debe incluir cinco datos: referencia, numerador, denominador, periodo y condiciones. “30 % menos agua” puede significar menos volumen por hectárea, menos agua por kilogramo, menos drenaje o una estimación respecto a una programación supuesta. No son equivalentes.

Escala de evidencia

1. Afirmación comercial: describe una capacidad sin método suficiente.
2. Laboratorio o simulación: prueba componentes bajo condiciones controladas.
3. Piloto: funciona en una parte real y durante un periodo delimitado.
4. Campaña comparada: existe referencia, protocolo y métricas agronómicas.
5. Replicación: mantiene resultado en más de una finca, ciclo o variedad.
6. Impacto operativo: la mejora persiste con mantenimiento y coste total conocidos.

También hay que distinguir resultado intermedio y final. Detectar antes es intermedio; reducir incidencia o pérdida es final. Calcular menos caldo es intermedio; controlar la plaga con menor impacto es final. Ajustar el riego es intermedio; mejorar productividad del agua sin degradar suelo, calidad o margen es final.

Comparador justo

La IA no debe competir contra un manejo deliberadamente deficiente. Debe compararse con una práctica competente: técnico, regla agronómica o modelo convencional bien calibrado. Así se descubre qué valor adicional aporta realmente y si compensa la complejidad.

Cómo diseñar el sistema sin quedar cautivo

Un invernadero conectado reúne sensores, controladores, comunicaciones, plataforma, modelo y actuadores. Pueden proceder de empresas distintas. Antes de firmar, dibuje el recorrido desde la medición hasta la acción y asigne un responsable a cada fallo.

El sistema maestro debe estar definido. Si la parcela se llama de tres maneras en riego, cuaderno y almacén, integrar datos será frágil. Identificadores estables para explotación, invernadero, sector, cultivo, lote y campaña son más valiosos que un panel vistoso.

El Reglamento europeo de Datos se aplica de forma general desde septiembre de 2025 y regula, entre otros aspectos, el acceso a datos generados por productos conectados. No sustituye la negociación: el contrato debe especificar datos, formato, frecuencia, secretos empresariales, servicio y portabilidad.

Protocolo de piloto para una campaña

Fase 1 — línea de base

Durante un periodo representativo se registra la práctica actual sin cambiarla: dosis y eventos, microclima, alarmas, actuaciones, producción, calidad y horas. Se reparan fallos evidentes. Una línea de base construida con goteros obstruidos o sensores sin calibrar no sirve.

Fase 2 — modo sombra

El sistema genera recomendaciones pero no gobierna. El agricultor y el técnico comparan qué habría hecho, por qué y qué límites habría rozado. Se detectan errores de datos sin arriesgar el cultivo.

Fase 3 — comparación controlada

Se eligen sectores comparables y se evita cambiar simultáneamente variedad, sustrato, manejo y tecnología. Cuando un control paralelo no sea posible, se documentan clima, fase y cambios para ajustar la comparación. La unidad experimental y el número de repeticiones deben acordarse con apoyo agronómico.

Fase 4 — autoridad limitada

El sistema puede actuar dentro de un rango aprobado. Fuera de él solicita confirmación. Se ensayan desconexión, sensor imposible, recomendación extrema, pérdida de electricidad y anulación manual.

Fase 5 — cierre de campaña

Se calculan indicadores finales, coste total y causas de las excepciones. El informe incluye también los días retirados por avería o datos inválidos. Solo entonces se decide ampliar, recalibrar o abandonar.

Cuadro de métricas comparables

Las métricas de protección evitan optimizar una variable a costa de otra. Un modelo que reduce agua pero aumenta destrío no ha mejorado necesariamente la explotación. Uno que detecta todos los insectos generando cientos de falsas alarmas puede consumir más tiempo del que ahorra.

Coste total y retorno verificable

No existe un precio universal por hectárea. Cambian número de sectores, sensores, cobertura, cableado, comunicaciones, actuadores existentes, integración y servicio. Un presupuesto útil separa:

• Adquisición: sensores, estación, cámaras, pasarelas, controlador, actuadores y protecciones.
• Instalación: electricidad, soportes, cableado, fontanería, configuración y puesta en marcha.
• Integración: conexión con riego, clima, gestión de finca, cuaderno y almacén.
• Operación: conectividad, nube, licencia, soporte, almacenamiento y usuarios.
• Mantenimiento: calibración, limpieza, baterías, reposición, cámara y versiones.
• Personas: formación, etiquetado, revisión de alertas y cambio de proceso.
• Salida: exportación, migración, retirada y continuidad de equipos.

El beneficio debe construirse desde la línea de base: agua y energía evitadas, menos pérdidas o destrío, mejor planificación, horas realmente liberadas y riesgo reducido. No se deben sumar beneficios que se solapan. Si una mejor programación de riego ya explica parte del aumento de producción, atribuir todo ese aumento de nuevo al control climático duplica el resultado.

Calcule tres escenarios —conservador, central y favorable— y varíe precio, rendimiento, disponibilidad del sistema y vida útil. El retorno que desaparece con una sola campaña débil necesita más prueba, no una promesa mayor.

Ayudas: qué comprobar antes de presupuestar

Una ayuda no debe incorporarse al retorno hasta que la convocatoria, beneficiario, inversión y plazo encajen. La página de la Junta sobre inversiones en explotaciones agrícolas mantiene documentación actualizada, pero la convocatoria específica visible para cultivos intensivos en invernadero corresponde a 2024 y su plazo terminó. Que una guía se actualice en febrero de 2026 no abre por sí solo una nueva convocatoria.

La operación 6501.2.2 para invernaderos hortícolas intensivos remunera compromisos agroambientales bajo sus condiciones; no es una bolsa automática para comprar cámaras o software. Las ayudas de 2026 a transformación y comercialización agroalimentaria se dirigen a las inversiones y beneficiarios definidos en esa línea, no a cualquier mejora de una explotación.

Lista de verificación

1. Localizar convocatoria oficial y estado del plazo.
2. Confirmar si el solicitante es beneficiario admisible.
3. Comprobar si el gasto debe realizarse después de solicitar o autorizar el inicio.
4. Separar inversión elegible, IVA, mantenimiento, licencia y segunda mano.
5. Revisar compatibilidad con otras ayudas y compromisos de permanencia.
6. No firmar ni pagar basándose solo en que “normalmente lo subvencionan”.

La guía nacional de ayudas para agricultura de precisión explica también Plan Renove 2026, asesoramiento digital y el error de confundir ecorregímenes con financiación automática de hardware.

Riesgos operativos, datos y ciberseguridad

Deriva y cambio de campaña

Variedad, fecha, poda, plaga, cubierta y agua cambian la relación aprendida. Debe existir una señal de deriva y un responsable de decidir cuándo recalibrar. “El modelo se actualiza solo” no sustituye el control de versiones.

Automatización insegura

Riego, fertirrigación y ventilación afectan directamente al cultivo. Se necesitan límites, enclavamientos, alarmas, modo manual y programa local que funcione si la nube cae. Nunca se debe depender de una única lectura para una acción irreversible.

Cámaras y personas

Una cámara orientada al cultivo puede captar trabajadores. La explotación debe limitar encuadre, acceso, conservación y uso secundario, informar cuando corresponda y valorar la normativa laboral y de protección de datos. Una finalidad agronómica no convierte cualquier vigilancia en legítima.

Ciberseguridad

Separar el acceso remoto de la red de control, usar cuentas individuales, doble factor cuando esté disponible, actualizar equipos, registrar cambios y retirar credenciales al terminar un servicio. El proveedor debe comunicar vulnerabilidades y plazo de soporte.

Dependencia y pérdida de conocimiento

La recomendación debe complementar la experiencia del agricultor y del técnico. Si nadie puede explicar por qué cambió el riego o reconstruir la campaña sin el proveedor, el sistema reduce autonomía. Conservar datos, reglas, incidencias y decisiones mantiene el aprendizaje en la explotación.

Tres rutas según el punto de partida

Ruta A — finca con poca instrumentación

1. Auditar uniformidad, contadores, sectores y clima.
2. Instalar pocas mediciones críticas y crear un registro estable.
3. Automatizar reglas transparentes con alarmas.
4. Comparar durante una campaña antes de comprar predicción avanzada.

Ruta B — finca conectada con varias aplicaciones

1. Inventariar datos, unidades, responsables y exportaciones.
2. Definir identificadores comunes y sistema maestro.
3. Construir un cuadro de métricas y limpiar históricos.
4. Probar un modelo sobre la decisión con mayor valor, no otra plataforma general.

Ruta C — cooperativa u organización de productores

1. Definir un diccionario común sin apropiarse del dato de cada socio.
2. Seleccionar fincas representativas, no solo las mejor equipadas.
3. Negociar soporte, portabilidad y formación de manera colectiva.
4. Publicar resultados por tipología para saber dónde funciona y dónde no.

La escala colectiva puede repartir coste técnico y generar evidencia más sólida. También exige gobernanza: quién ve datos, con qué finalidad, cómo se comparan explotaciones y cómo se evita usar una recomendación agronómica para evaluar injustamente a una persona.

Preguntas frecuentes

¿Un invernadero inteligente necesita inteligencia artificial?

No. Puede ser inteligente en sentido operativo con sensores, automatización y buenas reglas. La IA merece la pena cuando aprende patrones o resuelve una decisión que las alternativas más simples no cubren suficientemente.

¿La IA ahorra siempre un 30 % de agua?

No. El porcentaje depende del punto de partida, cultivo, agua, sistema, campaña y denominador. Debe medirse frente a una referencia competente y proteger producción, calidad, salinidad y drenaje.

¿Qué sensor debería instalar primero?

Depende de la decisión. Para riego suele ser más útil confirmar volumen real por sector y uniformidad antes de acumular sondas. Para clima, la ubicación representativa y el estado de los actuadores importan tanto como el número de sensores.

¿Una cámara sustituye al técnico de plagas?

No. Puede ampliar cobertura y priorizar inspecciones. La confirmación, el diagnóstico diferencial y la decisión dentro del manejo integrado siguen requiriendo conocimiento agronómico.

¿Cómo comparo dos ofertas?

Entregue a ambas la misma ficha de problema y exija la misma prueba: datos de entrada, compatibilidad, piloto, métricas, fallos, exportación, mantenimiento y coste total. No compare solo listas de funciones.

¿Cuánto tiempo necesita un piloto?

El modo sombra puede revelar fallos en semanas, pero producción, calidad y retorno requieren cubrir etapas representativas y, con frecuencia, una campaña. El periodo debe incluir las condiciones en las que la decisión es difícil.

¿Qué ocurre si no hay cobertura?

El control crítico debe tener un modo local seguro. Las mediciones pueden almacenarse y sincronizarse después; riego o ventilación no deberían quedar bloqueados por una caída de Internet.

¿Todas las ayudas agrarias financian IA?

No. Cada convocatoria define beneficiarios, gastos, fechas y compromisos. Un pago agroambiental, una ayuda a industria y una subvención para modernizar una explotación son instrumentos diferentes.

¿Almería ya utiliza IA de forma generalizada?

Hay empresas, centros, pilotos y usos reales, pero no una estadística pública que permita afirmar que la mayoría de invernaderos usa aprendizaje automático. Las encuestas nacionales sobre herramientas digitales no equivalen a adopción de IA en la provincia.

¿La automatización reduce necesariamente empleo?

No puede afirmarse de forma universal. Puede cambiar tareas, reducir recorridos o crear necesidades de mantenimiento y análisis. La evaluación debe medir horas por tarea, cualificación, carga, seguridad y calidad del empleo, no asumir un porcentaje fijo.

¿Qué dato demuestra que el proyecto funciona?

No hay uno solo. El indicador principal debe ir acompañado de una métrica de protección: agua por kilo junto a producción y salinidad; detección junto a falsos positivos y daño; clima junto a energía, enfermedad y calidad.

Metodología, fuentes y conclusión

Esta revisión prioriza estadísticas públicas, fichas institucionales y publicaciones científicas. Los resultados de prototipos se mantienen dentro de su escala experimental. Se eliminaron precios y porcentajes generales que la versión anterior no podía atribuir a un método, finca y periodo.

• Junta de Andalucía — Observatorio de hortícolas protegidos.
• Junta de Andalucía — síntesis de campaña 2024/25.
• MAPA — Observatorio de Digitalización del Sector Agroalimentario.
• Universidad de Almería — centro AgroConnect.
• Universidad de Almería — LIFE ACCLIMATE 2024–2028.
• UAL — estimación neuronal de la ventilación, 2025.
• Agricultural Water Management — control de riego por eventos en El Ejido.
• UAL — aplicación variable con LiDAR y aprendizaje no supervisado.
• Anecoop — ficha del proyecto AGRISMART.
• Universidad de Almería — proyecto CPP2021-008949.
• MITECO — ampliación de la desaladora de Campo de Dalías.
• Junta de Andalucía — modernización de explotaciones agrícolas.
• EUR-Lex — Reglamento (UE) 2023/2854 sobre datos.

Para el contexto nacional, la guía sobre IA y agricultura sostenible explica métodos generales; el análisis de IA y gestión del agua en España cubre redes, gobernanza y recursos; y la guía de drones agrícolas con IA aborda captura aérea. Aquí el foco ha sido otro: tomar una decisión dentro de un invernadero almeriense y demostrar que la tecnología la mejora.