Predicción del crecimiento de plantas de Coffea mediante machine learning basado en variables climáticas y agronómicas - Revista Ciencia y Tecnología 19(2)

Sep 17, 2026

Subir por Skyler

El cultivo de café en zonas subtropicales afronta crecientes retos por la variabilidad climática y la necesidad de decisiones agronómicas más precisas. El estudio desarrolla e integra un modelo de refuerzo de gradiente para predecir el crecimiento en altura y diámetro del tallo en las variedades Manabí 01 y Sarchimor. Se emplean variables climáticas y agronómicas obtenidas con sensores en Sacha Wiwa, La Maná, logrando R²=0,554 en altura y R²=0,535 en diámetro. El modelo se integró luego en una aplicación móvil para predicciones en tiempo real y monitoreo de campo.

IdiomaSpanish

CategoríaInvestigación e Informes

FormatoPDF

Páginas10

Tiempo de lectura15 min

AccesoGratis para descargar

Tabla de contenidos

Introducción

Predicción y toma de decisiones agronómicas con machine learning

Ventajas de la predicción estacional y su aplicación en campo

Revista Ciencia y Tecnología (2026) 19(2) p 1-10 ISSN 1390-4051; e-ISSN 1390-4043 [https://doi.org/10.18779/cyt.v19i2.1149](https://doi.org/10.18779/cyt.v19i2.1149) Predicción del crecimiento de plantas de Coffea mediante machine learning basado en variables climáticas y agronómicas Prediction of coffee plant growth using machine learning based on climatic and agronomic variables Ricardo Augusto Luna Murillo1 , Bryan Alexander Alvarez Real2 , Joshua Emanuel Vinces Manrique2 , Johnny Xavier Bajaña Zajia2 1 Universidad Técnica de Cotopaxi, Ecuador 2 Universidad Técnica de Cotopaxi-Extension La Maná, Ecuador Autor de correspondencia: [patoricardo@yahoo.es](patoricardo@yahoo.es) Recibido: 10/07/2025 . Aceptado: 05/05/2026 . Publicado el 3 de julio de 2026. Resumen El cultivo de café en zonas subtropicales enfrenta desafíos crecientes debido a la variabilidad climáticay a la necesidad de toma de decisiones agronómicas más precisas, considerando este punto, las técnicas de aprendizajeautomático se posicionan como una herramienta crucial para apoyar la gestión agrícola, este estudio expone el desarrollo eintegraciónde un modelode refuerzode 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 aplicaciónmóvil 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 decomplejidad 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 conello, esta investigación busca acercar el machine learning al campo, fortaleciendo la toma de decisiones agronómicas basadas en datos concretos. Palabras clave: café, algoritmo, refuerzo de gradiente, agricultura, aprendizaje supervisado, factores agroclimáticos. Abstract Coffee cultivation in subtropical regions faces increasing challenges due to climate variability and the need for more precise agronomic decision-making. Considering this, machine learning techniques are emerging as a crucial tool to support agricultural management.This study presents the development and integration of a gradient boosting model to predict plant growth in terms of height and stem diameter for coffee varieties Manabí 01 and Sarchimor, using climatic andagronomic variables collected through sensors installed in the Sacha Wiwa sector, La Maná . The model, with a coefficient of determination of R² = 0.554 for height and R² = 0.535 for diameter, showed adequate performance in predicting coffee plant growth based on climatic and agronomic variables. Although these results can be improved through algorithm optimization and the inclusion of larger datasets, they demonstrate the potential of machine learning as a tool foragronomic decision-making.As a practical application, the model was later integrated into a mobile application to enable real-time predictions and facilitate field monitoring of plant development. Although some margins of error were observed due to the complexity of the agricultural environment, the results showed strong potential for improvement through the use of more robust datasets and algorithm optimization. Ultimately, this research aims to br

Preguntas frecuentes

Qué objetivo persigue el estudio sobre Coffea?

Desarrollar e integrar un modelo de refuerzo de gradiente para predecir el crecimiento en altura y diámetro del tallo en variedades de café, usando variables climáticas y agronómicas.

Qué datos se usaron para entrenar el modelo?

Variables climáticas y agronómicas recolectadas mediante sensores instalados en el sector de Sacha Wiwa, La Maná.

Cómo se evaluó el desempeño del modelo?

Se reportaron coeficientes de determinación R²=0,554 para altura y R²=0,535 para diámetro, indicando un desempeño adecuado para predecir el crecimiento.

Sep 17, 2026

Subir por Skyler