Predicción del crecimiento de plantas de Coffea mediante machine learning basado en variables climáticas y agronómicas
DOI:
https://doi.org/10.18779/cyt.v19i2.1149Palavras-chave:
café, algoritmo, aprendizaje supervisado, agricultura, factores agroclimáticosResumo
El cultivo de café en zonas subtropicales enfrenta desafíos crecientes debido a la variabilidad climática y a la necesidad de toma de decisiones agronómicas más precisas, considerando este punto, las técnicas de aprendizaje automático se posicionan como una herramienta crucial para apoyar la gestión agrícola, este estudio expone el desarrollo e integración de un modelo de refuerzo de gradiente para predecir el crecimiento en altura y diámetro del tallo de plantas de café de las variedades Manabí 01 y Sarchimor, utilizando variables climáticas y agronómicas recolectadas mediante sensores instalados en el sector de Sacha Wiwa, La Maná. El modelo con coeficiente de determinación de R²=0,554 para altura y R²=0,535 para diámetro, mostró un desempeño adecuado para predecir el crecimiento de las plantas de café utilizando variables climáticas y agronómicas. Estos resultados, si bien pueden mejorar mediante la optimización del algoritmo y la inclusión de mayores cantidades de datos, evidencian el potencial del machine learning como herramienta para la toma de decisiones agronómicas. Como aplicación práctica, el modelo fue posteriormente integrado en una aplicación móvil para permitir la realización de predicciones en tiempo real y facilitar el monitoreo del desarrollo de las plantas en campo. Aunque se observaron márgenes de error propios de complejidad del entorno agrícola, los resultados mostraron un alto potencial de mejora mediante el uso de conjuntos de datos, más robustos y la optimización del algoritmo, y con ello, esta investigación busca acercar el machine learning al campo, fortaleciendo la toma de decisiones agronómicas basadas en datos concretos.
Downloads
Referências
Ahmed, S., Brinkley, S., Smith, E., Sela, A., Theisen, M., Thibodeau, C., Warne, T., Anderson, E., Van Dusen, N., Giuliano, P., Ionescu, K. E., and Cash, S. B. (2021). Climate change and coffee quality: Systematic review on the effects of environmental and management variation on secondary metabolites and sensory attributes of coffea arabica and coffea canephora. Frontiers in Plant Science, 12. https://doi.org/10.3389/fpls.2021.708013.
Astri Muliasari, A., Kemala Dewi, R., Fatchur Rochmah, H., Rakoto Malala, A., y Gamawati Adinurani, P. (2021). Improvement generative growth of Coffea arabica L. Using plant growth regulators and pruning. E3S Web of Conferences, 226, 00003. https://doi.org/10.1051/e3sconf/202122600003.
Bassine, F. Z., Epule.E.T., Kechchour, A., y Chehbouni, A. (2023). Recent applications of machine learning, remote sensing, and iot approaches in yield prediction: a critical review. https://arxiv.org/abs/2306.04566.
Bolikulov, F., Nasimov, R., Rashidov, A., Akhmedov, F., y Cho, Y.-I. (2024). Effective methods of categorical data encoding for artificial intelligence algorithms. Mathematics, 12(16), 2553. https://doi.org/10.3390/math12162553.
Botero-Valencia, J., García-Pineda, V., Valencia-Arias, A., Valencia, J., Reyes-Vera, E., Mejia-Herrera, M., y Hernández-García, R. (2025). Machine learning in sustainable agriculture: Systematic review and research perspectives. Agriculture, 15(4), 377. https://doi.org/10.3390/agriculture15040377.
Carvajal Chávez, C. A. (2024). Uso de técnicas como la regresión y redes neuronales para anticipar el rendimiento del maíz. RECIMUNDO, 8(4), 126–135. https://doi.org/10.26820/recimundo/8.(4).diciembre.2024.126-135.
Castro Hernández,D,O, y Durán Blanco, E,C. (2023). Modelo predictivo para el rendimiento de cultivos de cacao y café en el departamento de Santander basado en herramientas de aprendizaje automático profundo y variables climáticas. [Tesis de grado, Universidad Industrial de Santander]. https://noesis.uis.edu.co/handle/20.500.14071/12278.
Hernández-Salazar, C. A., González-Estrada, O. A., y González-Silva, G. (2024). Integración de la inteligencia artificial y la agricultura de precisión en cultivos de café. Revista UIS Ingenierías, 23(4). https://doi.org/10.18273/revuin.v23n4-2024012.
Huber, F., Yushchenko, A., Stratmann, B., Steinhage, V. (2022). Extreme gradient boosting for yield estimation compared with deep learning approaches. Computers and electronics in agriculture, 202, 107346. https://doi.org/10.1016/j.compag.2022.107346.
León Chilito, E. D., Casanova Olaya, J. F., Corrales, J. C., Figueroa, C. (2025). Sustainability-driven fertilizer recommender system for coffee crops using case-based reasoning approach. Frontiers in Sustainable Food Systems. https://doi.org/10.3389/fsufs.2024.1445795.
Mena Iza D. V., Quiroga Yanez V. F., Borja Borja C. D, Bajana Zajia J. X. (2024). Impact of climatic factors on coffee. Nanotechnology Perception, 20(7), 1912-1921. https://nano-ntp.com/index.php/nano/article/view/4351.
Muñoz Ordoñez, C. C., Cobos Lozada, C. A., y Muñoz Ordóñez, J. F. (2023). Predicción del rendimiento de cultivos de café: un mapeo sistemático. Ingeniería y Competitividad, 25(3). https://doi.org/10.25100/iyc.v25i3.13171.
Mustapha, I.B., Abdulkareem, M., Hasan, S., Ganiyu, A.A., Nabus, H., y Lee, J.C. (2025). Intelligent gradient boosting algorithms for estimating strength of modified subgrade soil. https://doi.org/10.48550/arXiv.2501.04826.
Omoseebi, A., Ola, G., Tyler, J. (2025). Data preparation and feature engineering. https://goo.su/pR1D6b.
Prity, F. S., Hasan, MD. M., Saif, S. H., Hossain, Md. M., Bhuiyan, S. H., Islam, Md. A., y Lavlu, M. T. H. (2024). Enhancing agricultural productivity: A machine learning approach to crop recommendations. Human-Centric Intelligent Systems, 4(4), 497–510. https://doi.org/10.1007/s44230-024-00081-3.
Ruiz-Del-Angel, E. O., Vargas Castilleja, R. D. C., Rolón Aguilar, J. C., y Chávez García, C. A. (2019). Modelo de requerimiento hídrico en un distrito de riego en México: incorporando escenarios de cambio climático. Biotecnia, 21(2), 129–136. https://doi.org/10.18633/biotecnia.v21i2.946.
Schröer, C. (2021). Towards microservice identification approaches for architecting data science workflows. Procedia Computer Science, 181, 519–525. https://doi.org/10.1016/j.procs.2021.01.198.
Sharma, P., Dadheech, P., Aneja, N., y Aneja, S. (2023). Predicting agriculture yields based on machine learning using regression and deep learning. IEEE Access, 11, 111255–111264. https://doi.org/10.1109/ACCESS.2023.3321861.
Waqas, M., Naseem, A., Humphries, U. W., Hlaing, P. T., Dechpichai, P., y Wangwongchai, A. (2025). Applications of machine learning and deep learning in agriculture: A comprehensive review. Green Technologies and Sustainability, 3(3), 100199. https://doi.org/10.1016/j.grets.2025.100199.
Publicado
Como Citar
Edição
Seção
Licença
Copyright (c) 2026 Ricardo Augusto Luna Murillo, Bryan Alexander Alvarez Real, Joshua Emanuel Vinces Manrique, Johnny Xavier Bajaña Zajia
Este trabalho está licenciado sob uma licença Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.
Contrato de Licenciamento
Este jornal oferece acesso gratuito ao seu conteúdo por meio de seu site, seguindo o princípio de que disponibilizar pesquisas gratuitamente ao público promove uma grande mudança no conhecimento global.
O conteúdo do site do jornal é distribuído sob a licença Atribuição-NãoComercial-CompartilhaIgual 4.0 Internacional.
Os autores podem adotar outros acordos de licenciamento não exclusivos para a distribuição da versão publicada de seu trabalho, desde que a publicação inicial seja indicada neste periódico. É permitido e recomendado que os autores divulguem seus trabalhos na Internet antes e durante o processo de submissão, ou que possam gerar mudanças interessantes e aumentar as citações dos trabalhos publicados.
