Análisis predictivo del rendimiento agrícola del cacao en el cantón Balao usando enfoques de aprendizaje profundo
Análisis predictivo del rendimiento agrícola del cacao
DOI:
https://doi.org/10.56124/refcale.v13i3.005Palabras clave:
Rendimiento agrícola, Aprendizaje profundo, Redes temporales LSTM, Predicción de cultivos, Series temporalesResumen
La problemática abordada en esta investigación fue la necesidad de optimizar los procesos de cuidado del cultivo de cacao CCN-51 en el cantón Balao, provincia del Guayas, frente a la alta variabilidad de los fenómenos meteorológicos. Por ello, se planteó desarrollar un enfoque predictivo para las producciones agrícolas del cacao CCN-51 mediante la implementación de redes neuronales LSTM, con el objetivo de predecir los rendimientos agrícolas a partir de datos multifuentes. El estudio optó un enfoque cuantitativo, con un diseño no experimental-longitudinal. La selección de muestra se basó en el método no probabilístico por conveniencia y se trabajó con un total de 384 huertas de cacao. El proceso de trabajo comenzó con la recopilación de información de diversas fuentes, análisis de suelo, índices de vegetación, datos históricos y registros de producción. Obtenido el dataset se realizó el proceso EDA para normalizar las variables, se aplicó el método VIF para determinar las variables predictoras a utilizar y se desarrolló un modelo utilizando varias configuraciones de LookBack y Horizon acompañadas de métodos de evaluación. Los resultados obtenidos permitieron determinar que las redes LSTM procesan mucho mejor variables multifuentes que los métodos tradicionales, obteniendo un error RMSE aceptable, pero el modelo no captaba de buena forma los patrones de las variables presentando un coeficiente de determinación bajo, esto debido a la heterogeneidad de los datos. La investigación recalca el potencial de las redes LSTM pero también expone lo fundamental que es un dataset de calidad y con datos homogéneos.Citas
Assimakopoulos, F., Vassilakis, C., Margaris, D., Kotis, K., & Spiliotopoulos, D. (2024). Artificial Intelligence Tools for the Agriculture Value Chain: Status and Prospects. Electronics, 13(22), 4362. https://doi.org/10.3390/electronics13224362
Bowen Quiroz, G. A., & Medranda Cobeña, G. I. (2024). Impacto de los sistemas de información en la agricultura inteligente: Una revision general. Revista InGenio, 7(2), 117-136. https://doi.org/10.18779/ingenio.v7i2.824
Cravero, A., Pardo, S., Galeas, P., López Fenner, J., & Caniupán, M. (2022). Data Type and Data Sources for Agricultural Big Data and Machine Learning. Sustainability, 14(23), 16131. https://doi.org/10.3390/su142316131
Cravero, A., Pardo, S., Sepúlveda, S., & Muñoz, L. (2022). Challenges to Use Machine Learning in Agricultural Big Data: A Systematic Literature Review. Agronomy, 12(3), 748. https://doi.org/10.3390/agronomy12030748
De La A Salinas, L. D. R., Monserrate Rodríguez, J. P., Medina Robayo, A. I., & Tobar Cuesta, B. A. (2025). Uso de índices de vegetación para la detección del estrés hídrico en cultivos: Una revisión sistemática de estudios basados en teledetección. Polo del Conocimiento, 10(8), 791-813. https://doi.org/10.23857/pc.v10i8.10183
Del Coco, M., Leo, M., & Carcagnì, P. (2024). Machine Learning for Smart Irrigation in Agriculture: How Far along Are We? Information, 15(6), 306. https://doi.org/10.3390/info15060306
Dos Santos Pereira, J., Silva Santos, A., Martins Newman Luz, E. D., & Corrêa, R. X. (2024). Sources of resistance to witches’ broom disease in cacao (Theobroma cacao L.): Progress update and perspectives. Plant Breeding, 143(6), 798-809. https://doi.org/10.1111/pbr.13205
Jaimez, R. E., Barragan, L., Fernández Niño, M., Wessjohann, L. A., Cedeño Garcia, G., Sotomayor Cantos, I., & Arteaga, F. (2022). Theobroma cacao L. cultivar CCN 51: A comprehensive review on origin, genetics, sensory properties, production dynamics, and physiological aspects. PeerJ, 10, 1-23. https://doi.org/10.7717/peerj.12676
Kumar, R., Bhanu, M., Mendes Moreira, J., & Chandra, J. (2024). Spatio-Temporal Predictive Modeling Techniques for Different Domains: A Survey. ACM Computing Surveys, 57(2), 1-42. https://doi.org/10.1145/3696661
Mihai, R. A., Melo Heras, E. J., Terán Maza, V. A., Espinoza Caiza, I. A., Pinto Valdiviezo, E. A., & Catana, R. D. (2023). The Panoramic View of Ecuadorian Soil Nutrients (Deficit/Toxicity) from Different Climatic Regions and Their Possible Influence on the Metabolism of Important Crops. Toxics, 11(2), 123-144. https://doi.org/10.3390/toxics11020123
Murillo Martínez, G. Y., & Cano Lara, E. D. (2025). Desafios De Las Startups Del Ecuador Al Implementar Inteligencia Artificial En Su Gestión De Marketing: Desafios: Startups Del Ecuador E Inteligencia Artificial. REFCalE: Revista Electrónica Formación y Calidad Educativa, 13(1), 39-56. https://doi.org/10.56124/refcale.v13i1.003
Nurraharjo, E., Utami, E., Kusrini, & Ari Yuana, K. (2024). Hybrid LSTM-IoT in Agriculture: A Systematic Literature Review. 2024 International Conference on Information Technology and Computing (ICITCOM), 36-41. https://doi.org/10.1109/ICITCOM62788.2024.10762212
Setyo Priyambudi, Z., & Sulistyo Nugroho, Y. (2024). Which algorithm is better? An implementation of normalization to predict student performance. AIP Conference Proceedings, 2926(1), 020110. https://doi.org/10.1063/5.0182879
Sornoza Vélez, Lady, Valencia Carreño, L., Corozo Quiñónez, L., Sánchez Mora, F., Salas Macías, C., & Peña Monserrate, G. (2022). Recursos genéticos de cacao tipo Nacional en Ecuador: Una revisión sistemática. Revista Ciencia y Tecnología, 15(2), 31-44.
Sun, F., Meng, X., Zhang, Y., Wang, Y., Jiang, H., & Liu, P. (2023). Agricultural Product Price Forecasting Methods: A Review. Agriculture, 13(9), 1671. https://doi.org/10.3390/agriculture13091671
Publicado
Cómo citar
Número
Sección
Licencia
Derechos de autor 2025 Gabriel Jesús Vega Delgado, Yasmany Fernández Fernández
Esta obra está bajo una licencia internacional Creative Commons Atribución 4.0.
Los autores/as que publiquen en esta revista aceptan las siguientes condiciones:
- Los autores/as conservan los derechos de autor y ceden a la revista el derecho de la primera publicación, con el trabajo registrado con la licencia de atribución de Creative Commons, que permite a terceros utilizar lo publicado siempre que mencionen la autoría del trabajo y a la primera publicación en esta revista.
- Los autores/as pueden realizar otros acuerdos contractuales independientes y adicionales para la distribución no exclusiva de la versión del artículo publicado en esta revista (p. ej., incluirlo en un repositorio institucional o publicarlo en un libro) siempre que indiquen claramente que el trabajo se publicó por primera vez en esta revista.
