Evaluación de la Eficacia de Modelos de Machine Learning para la Toma de Decisiones Basado en Datos Meteorológicos en la Producción Agrícola - Artículo de investigación

Aug 5, 2026

El clima influye de manera decisiva en la producción agrícola y condiciona la calidad de las decisiones de gestión. El estudio evalúa la eficacia de modelos de Machine Learning para predecir el rendimiento agrícola usando datos meteorológicos. Se aplica una metodología OSEMN (Obtain, Scrub, Explore, Model, Interpret) para el tratamiento de datos y la construcción de modelos. Se comparan Gradient Boosting, Random Forest, XGBoost y SVM mediante métricas estadísticas, destacando el mejor desempeño de XGBoost y su potencial para apoyar la planificación basada en condiciones climáticas.

IdiomaSpanish

CategoríaInvestigación e Informes

FormatoPDF

Páginas7

Tiempo de lectura11 min

AccesoGratis para descargar

Tabla de contenidos

Introducción

Contexto y motivación

Brecha de investigación

Metodología (OSEMN)

Obtención y depuración de datos

Construcción e interpretación de modelos

Modelos evaluados

Gradient Boosting

Random Forest

XGBoost

SVM

Resultados y métricas

MAE y RMSE

Conclusiones

Ecuadorian Science Journal Vol. 9 No. 2, Septiembre – 2025 (14–20) [http://doi.org/10.46480/esj.9.2.232](http://doi.org/10.46480/esj.9.2.232) Evaluación de la Eficacia de Modelos de Machine Learning para la Toma de Decisiones Basado en Datos Meteorológicos en la Producción Agrícola Evaluating the Effectiveness of Machine Learning Models for Decision-Making Based on Meteorological Data in Agricultural Production Nahomi Machuca Catagua1 , Marlon Navia Mendoza2 , y Luis Cedeño Valarezo3 RESUMEN Contexto: El clima es uno de los factores que mas suele influir en la produccion agrıcola. Este estudio evalua la eficacia demodelos de Machine Learning en la prediccion del rendimiento agrıcola basado en datos meteorologicos. Metodologıa: Se utilizo una metodologıa basada en OSEMN (Obtain, Scrub, Explore, Model, Interpret) para el tratamiento de datos y la construccion demodelos, evaluando su desempe~no y precision de la prediccion mediante metricas estadısticas . Se analizaron modelos basadosen las tecnicas Gradient Boosting, Random Forest, XGBoost y SVM. Resultados: El modelo XGBoost obtuvo el mejor rendimiento predictivo en terminos de precision (MAE = 0.1104, RMSE = 0.1367), seguido por Gradient Boosting (MAE = 0.1104, RMSE = 0.1370), mientras que SVM presento la menor capacidad predictiva en este contexto (MAE = 0.1223, RMSE = 0.1529) . Conclusiones: Estos hallazgos evidencian el potencial de los enfoques basados en arboles de decision para anticipar cambios en la produccion agrıcola y mejorar la planificacion en funcion de las condiciones climaticas. Palabras clave: Prediccion agrıcola, Modelos predictivos, Clima, Gradient Boosting, Random Forest. ABSTRACT Context: Weather is one of the factors that most often influences agricultural production. This study evaluates the effectiveness of Machine Learning models in predicting agricultural yield based on meteorological data. Methodology: A methodology based on OSEMN (Obtain, Scrub, Explore, Model, Interpret) was applied for data processing and model construction, evaluating their performance and prediction accuracy through statistical metrics. Models based on Gradient Boosting, Random Forest, XGBoost, and SVM techniques were analyzed. Results: The XGBoost model achieved the best predictive performance in terms of accuracy (MAE = 0.1104, RMSE = 0.1367), followed by Gradient Boosting (MAE = 0.1104, RMSE = 0.1370), while SVM showed the lowest predictive capacity in this context (MAE = 0.1223, RMSE = 0.1529) . Conclusions: These findings highlight the potential of decision tree{based approaches to anticipate production changes and improve planning according to weather conditions. Keywords: Agricultural prediction, Predictive models, Climate, Gradient Boosting, Random Forest. Fecha de recepci´on: Mayo 22, 2025 Fecha de aceptaci´on: Septiembre 30, 2025 Introducci´on Hoy en d´ıa la producci´on agr´ıcola moderna ha experimentado una transformaci´on significativa gracias a laincorporaci´on de tecnolog´ıas avanzadas para la optimizaci´on de recursos y la mejora de la productividad. Sin embargo, la creciente demanda de alimentos, sumadaa los desaf´ıos impuestos por el cambio clim´atico, haimpulsado la necesidad de adoptar enfoques innovadoresen la agricultura. En este contexto, la integraci´on det´ecnicas de Machine Learning (ML) y el aprovechamientode datos meteorol´ogicos se presentan como herramientas fundamentales para optimizar el rendimiento de los cultivosy mejorar la toma de decisiones en la gesti´on agr´ıcola. Diversos estudios han resaltado la importancia de emplear modelos predictivos para anticipar variaciones en el rendimiento agr´ıcola, siendo los datos meteorol´ogicos unode los insumos m´as cr´ıticos para lograr predicciones precisas (Van Klompenburg et al., 2020) . La literatura actual evidencia un creciente inter´es en el uso de modelos de ML para la predicci´on del rendimiento de cultivos. Por ejemplo, (Chlingaryan et al., 2018) han mostrado c´omo

Preguntas frecuentes

Qué se evalúa en el estudio y qué variable objetivo se predice?

Se evalúa la eficacia de modelos de Machine Learning para la toma de decisiones, prediciendo el rendimiento agrícola con base en datos meteorológicos.

Qué metodología se usa para el tratamiento de datos y construcción de modelos?

Se utiliza una metodología basada en OSEMN: Obtain, Scrub, Explore, Model, Interpret.

Qué modelo logró el mejor desempeño y con qué métricas?

XGBoost obtuvo el mejor rendimiento predictivo, con MAE = 0.1104 y RMSE = 0.1367; SVM mostró el menor desempeño con MAE = 0.1223 y RMSE = 0.1529.

Aug 5, 2026

Subir por Evangeline