Modelos
predictivos de datos meteorológicos mediante machine learning
Predictive models of meteorological data through
machine learning and their impact on the agroproductio=
n
of the Bolívar province, Ecuador
|
1 |
Deysi Margoth Guanga Chunata |
|
https://orcid.org/0000-0002-65=
48-5585 |
|
|
|
Superior Politécnica de Chimborazo (ESPOCH), Riobamba, Ecuador. Maestría en estadística con mención en ciencia de datos e intelige=
ncia
artificial Universidad Estatal de Bolívar (UEB), Guaranda, Ecuador. |
|||
|
2 |
Andrés Alejandro Galvis Correa |
|
https:=
//orcid.org/0000-0001-7762-2893 |
|
|
|
Superior Politécnica de Chimborazo (ESPOCH), Riobamba, Ecuador. Pontificia Universidad Católica del Ecuador (PUCE) Quito, Ecuador.=
|
|
|
Artículo de Investigación Científica y Tecnológica Enviado: 09/05/2026 Revisado: 11/06/2026 Aceptado: 10/07/2026 Publicado: 17/07/2026 |
|||||||
|
|
|
|||||||
|
Cítese: |
Guanga Ch=
unata,
D. M., & Galvis Correa, A. A. (2026). Modelos predictivos de datos
meteorológicos mediante machine learning y su
impacto en la agroproducción de la provincia =
de
Bolívar, Ecuador. ConcienciaDigital, 9(3), 60=
-77. https://doi.org/10.33262/concienciadigital.v9i3.3705 |
|
||||||
|
|
|
CONCI=
ENCIA
DIGITAL, =
es una
revista multidisciplinar, trimestral, que se publicará en soporte
electrónico tiene como misión contribuir a la formació=
n de
profesionales competentes con visión humanística y crítica que sean capac=
es
de exponer sus resultados investigativos y científicos en la misma medida=
que
se promueva mediante su intervención cambios positivos en la sociedad. https://concienciadigital.o=
rg =
La
revista es editada por la Editorial Ciencia Digital (Editorial de prestig=
io
registrada en la Cámara Ecuatoriana de Libro con No de Afiliación 663) www.celibro.org.ec |
|
|||||
|
|
|
Esta revista está protegida ba=
jo
una licencia Creative Commons en la 4.0
International. Copia de la licencia: http://creativecommons.org/licenses/by-n=
c-sa/4.0/ |
|
|||||
|
Palabras claves: Series temporales multivariadas, procesos autorregresivos vectorial=
es,
inferencia bayesiana, aprendizaje profundo. |
|
Resumen
Introducción. La no estacionariedad
inherente a las series climáticas andinas limita la eficacia de los model=
os
lineales clásicos. Objetivo. Desarrollar un marco metodológico
comparativo que integre modelos estadísticos tradicionales (ARIMA/SARIMA)=
con
algoritmos de Ensemble Learning (Random Forest, XGBoost)=
y redes
neuronales profundas (LSTM) para la predicción de variables meteorológica=
s,
evaluando su impacto causal en la agroproducción
mediante modelado VAR. Metodología. Estudio cuantitativo longitudi=
nal
con 1.642.217 observaciones (2016-2023). Se aplicó preprocesamiento robus=
to (Isolation Forest, KNN Imputer<=
/span>)
y validación temporal walk-forward<=
/i>.
El análisis multivariante utilizó pruebas de raíz unitaria (ADF), causali=
dad
de Granger y descomposición de varianza del e=
rror
de pronóstico (FEVD). Resultados. Random
Forest superó significativamente a SARIMA (RMSE 0,74 vs 1,66; R² 0,67 vs
-0,63). El modelo VAR (6) evidenció causalidad de Gr=
anger
significativa (p < 0, 001) entre precipitación/temperatura y rendimien=
to
del maíz, con un rezago dinámico de 6 meses. Conclusión. Los métodos no paramétricos captu=
ran
mejor la heterocedasticidad condicional de los datos climáticos,
proporcionando herramientas robustas para la agricultura de precisión. |
|
|||||
|
Keywords: Multivariate time seri=
es,
vector autoregressive processes, Bayesian inference, recurrent deep learn=
ing. |
|
Abstract Introduction. The
inherent non-stationarity of Andean climate series limits the efficacy of
classical linear models. Objective.
To develop a comparative methodological framework integrating
traditional statistical models (ARIMA/SARIMA) with Ensemble Learning
algorithms (Random Forest, XGBoost) and deep =
neural
networks (LSTM) for meteorological variable prediction, evaluating their =
causal
impact on agroproduction via VAR modeling. |
|
|||||
1.&n=
bsp;
Introducción
El cambio climático y la variabilidad meteorológica
representan dos de los mayores desafíos estocásticos para la sostenibilidad=
de
los sistemas agroproductivos en el siglo XXI. En
regiones de topografía compleja como la provincia de Bolívar, Ecuador, estos
efectos se amplifican debido a la influencia no lineal de patrones climátic=
os
de gran escala, como el Fenómeno de El Nino Oscilación del Sur (ENSO=
) (Serrano-Vincenti et al.,<=
span
lang=3DES style=3D'letter-spacing:-.45pt;mso-ansi-language:ES-EC'> <=
/span>2025). =
La agroproducción local, dependiente de cul=
tivos
estratégicos como el maíz y el cacao, enfrenta una alta volatilidad derivad=
a de
la irregularidad en los ciclos de precipitación y temperatura=
(Instituto Nacional de Estadística y<=
span
style=3D'mso-bookmark:_Hlk81985521'> Censos [INEC], 2023). <=
/span>La agricultura climáticamente inteligente (Climate=
Smart Agriculture) requiere, por tanto, capacid=
ades
predictivas robustas que superen la mera extrapolación de promedios históri=
cos
(World Bank Group, <=
/span>2020; Food <=
/span>and=
<=
/span>Agriculture Organization of the En el ámbito de la inteligencia artificial, los algoritmos de Ensemble =
Learning, como Random For=
est y XGBoost, han demostrado superioridad en tareas de reg=
resión
no lineal al combinar múltiples estimadores débiles para reducir la varianz=
a y
el sesgo mediante técnicas de bagging y boosting respectivamente (Bishop, <=
span
style=3D'mso-bookmark:_Hlk81985521'>2006
La aplicación de estas tecnologías en la agricultura ha sido ampliamente
revisada. <=
/span>Kumar et al. (=
2025) y Kulyal & <=
span
class=3DSpellE>Saxena (<=
span
style=3D'mso-bookmark:_Hlk81985521'>2022) destacan el potencial del machine learning =
para
la predicción de rendimientos, mientras que Benos=
et al. <=
span
style=3D'letter-spacing:-.1pt;mso-ansi-language:ES-EC'>(2021) y Kuradusenge et al. (<=
span
style=3D'mso-bookmark:_Hlk81985521'>2023) evidencian la
superioridad de los modelos híbridos sobre los estadísticos clásicos. Morales & Villalobos (
En el contexto ecuatoriano, <=
/span>Serrano-Vincenti et al.
La presente investigación aborda la hipótesis de que la implementación =
de
algoritmos de Deep Learning y Ensemble Learning mejora significativamente la precisión predi=
ctiva
de las variables meteorológicas en la provincia de Bolívar en comparación c=
on
los modelos estadísticos tradicionales (ARIMA). Asimismo, se plantea que ex=
iste
una correlación multivariante significativa entre las anomalías meteorológi=
cas
predichas y los rendimientos de los cultivos principales, permitiendo estim=
ar
impactos en la agroproducción nacional mediante
modelos autorregresivos vectoriales (VAR) (Hyndman & Athanasopoulo=
s, 2021).
El objetivo general de esta investigación es desarrollar y comparar mod=
elos
predictivos basados en técnicas de Ciencia de Datos e Inteligencia Artifici=
al
para el análisis de series de tiempo meteorológicas en la provincia de Bolí=
var,
evaluando su desempeño mediante métricas de error y su impacto potencial en=
la
planificación de la agroproducción nacional. Los
objetivos específicos incluyen: (1) recopilar y preprocesar datos históricos
meteorológicos (INAMHI) y agroproductivos (INEC=
/MAG)
de la provincia de Bolívar; (2) aplicar análisis multivariante y algoritmos=
de
Machine Learning (Redes Neuronales Recurrentes,
Random Forest) para la predicción de variables climáticas; y (3) evaluar el
desempeño de los métodos mediante métricas de comparación (RMSE, MAE) y mod=
elar
la relación entre las predicciones óptimas y los índices de
producción agrícola.
2. Meto=
dología
El presente estudio se inscribe dentro de un enfoq=
ue
cuantitativo, tecnológico y explicativo, fundamentado en la aplicación rigu=
rosa
de métodos matemáticos y estadísticos avanzados para el procesamiento de se=
ries
temporales de alta frecuencia y la inferencia causal multivariante (=
Liakos <=
/span>et<=
/span> al.=
, 2018). El diseño de investigación posee las siguientes características
estructurales: no experimental, dado que no existe manipulación deliberada =
de
las variables independientes (parámetros meteorológicos físicos); longitudi=
nal
(series de tiempo), al analizar secuencias de datos observadas en intervalos
regulares desde 2016 hasta 2023 para capturar la dinámica temporal y
estacionalidad (Hyndman & Athanasopoulos
2.1.=
=
Pob=
lación
y muestra
La población de estudio está constituida por el
universo de registros históricos meteorológicos y agro=
productivos
oficiales de la provincia de Bolívar. La recolección de información se real=
iza
mediante un muestreo intencional retrospectivo para consolidar la base
empírica:
a) Datos meteorológicos: reg=
istros
históricos provenientes de la red de estaciones meteorológicas automáticas =
de
la provincia de Bolívar, administradas por el Instituto Nacional de
Meteorología e Hidrología (INAMHI, 2020) y la Universidad Es=
tatal de Bolívar (UEB).
El conjunto de datos base cuenta con
1.642.217 observaciones registradas entre enero de 2016 y agosto de 2023, c=
on
una resolución temporal variable que evoluciona de 15 minutos a 1 minuto se=
gún
la configuración del sensor.
b) Datos
=
2.2. =
=
Fas=
e 1:
Ingeniería de datos y preprocesamiento
Debido a la naturaleza ruidosa de los sensores
automáticos expuestos a perturbaciones ambientales, se ejecuta un riguroso
protocolo de preparación de datos basado en técnicas robustas de limpieza e imputación (Pedregosa et<=
/span> al.=
, 2011):
2.2.1. =
=
Recolección y extracción (ETL)
Se diseña un pipeline de Extracción, Transforma=
ción
y Carga (ETL) en lenguaje Python para consolidar los archivos planos del
sensor climático. Las variables se indexan temporalmente mediante la
combinación de fecha y hora local, resolviendo la variabilidad en la frecue=
ncia
de muestreo mediante
2.2.2.= Limpiez= a y tratamiento de outliers<= o:p>
El filtrado de valores atípicos (outliers) se
realiza bajo dos enfoques complementarios:
a)&n=
bsp;
(Ecuación 1 ):
|
|
( |
Donde <=
![if !msEquation]>
b) Filtro Multidimensional (Isolation
Forest): identifica anomalías estructurales
evaluando la combinación de múltiples variables simultáneamente (e.g., inconsistencias termodinámicas entre presión, h=
umedad
y temperatura), basándose en la profundidad promedio de aislamiento en
subespacios aleatorios (Pedregosa et al., 2011).
2.2.3. Imputación de datos
faltantes
Para preservar la autocorrelación de las series de tiempo se implementan
dos estrategias:
a) Interpolación Lineal: <=
/span>apli=
cada
a vacíos de información cortos (< 3 registros consecutivos)
(Ecuación 2 ):
|
|
( |
b) K-Nearest Neighbors Imputer =
(KNN Imputer=
): para ausencias
prolongadas, se estima el valor faltante calculando el promedio ponderado de
los K vecinos más cercanos en el espacio multidimensional de las variables
meteorológicas, preservando la estructura de covarianza local (Pedregosa et al., 2011).
=
2.2.4. Ingeniería de características (Fe=
ature Engineering<=
/span>)
A partir de las variables físicas primarias se construyen nuevas variab=
les
derivadas con relevancia agrobiológica:
a) Grados Día de Crecimiento (GDD):
índice térmico acumulado que mide el
desarrollo fisiológico de los cultivos:
(Ecuación 3 ):
|
|
( |
Donde <=
/span>
b) Variables Lag (Rezagos): Crea=
ción
de variables rezagadas (
Para garantizar la convergencia óptima de los algoritmos de redes
neuronales, las variables continuas se estandarizan mediante la escala Z-sc=
ore:
(Ecuación 4 ):
|
|
( |
=
2.3.
=
Fase 2: Modelamiento
Esta fase abarca la implementación y evaluación
comparativa de arquitecturas predictivas bajo una estrategia de validación =
Walk-Forward
para evitar data leakage (Hyndman & Athanasopoulos, <=
span
style=3D'mso-bookmark:_Hlk81985521'>2021).
2.3.1.=
Modelos=
implementados
a) Línea Base Estadística: Modelos ARIMA y SARIMA (Hyndman & Athanasopoulos
b) Ensemble Learning: Rand=
om For=
est
(Bishop=
, 2006),
c) Deep Learning: Redes
LSTM (Hochreiter &
2.3.2. Optimización de hiperpar=
ámetros
La calibración fina de hiperp=
arámetros
(tasa de aprendizaje, número de estimadores, profundidad de árboles, unidad=
es
ocultas) se ejecuta mediante la librería Optuna,
empleando un esquema de Optimización Bayesiana para minimizar el error
cuadrático medio de validación cruzada.
2.3.3. Métricas de evaluación =
de
desempeño
La comparación del rendimiento predictivo se
cuantifica mediante tres métricas de error ampliamente aceptadas en
climatología (Hyndman & Athanasopoulos, 2021):
(Ecuación 5 ):
|
|
( |
(Ecuación 6 ):
|
|
( |
(Ecuación 7 ):
|
|
( |
Donde
2.4. =
=
Fase 3: Análisis multivaria=
nte y
correlación agroclimática
La última fase evalúa la aplicabilidad y el impact=
o agronómico
de las predicciones meteorológicas
sobre la agroproducción andina de Bolívar.
2.4.1. Análisis exploratorio
multivariante (EDA)
Se calculan los coeficientes de correlación de Pea=
rson
y Spearman entre las anomalías meteorológicas predichas y las series de
producción de la ESPAC para identificar dependencias lineales y monotónicas=
. La
correlación de Spearman viene dada por:
(Ecuación 8 ):
|
|
( |
2.4.2. Modelado de impacto y rezagos dinámicos
Dado que el impacto del clima sobre los rendimient=
os
agrícolas ocurre con retrasos significativos, se implementa un Modelo
Autorregresivo Vectorial (VAR) (Hyn=
dman
& Ath=
anasopoulos, 2021):
(Ecuación 9 ):
|
|
( |
Donde
2.4.3. Pruebas de hipótesis y
diagnóstico de residuos
Para garantizar la validez inferencial, se aplican pruebas estadísticas
bajo un nivel de significancia de α =3D 0, 05: significancia de coefic=
ientes
(p-value), autocorrelación de residuos (pruebas=
de
Durbin-Watson y Breusch-Godfrey), y heterocedasticidad (prueba ARCH-LM). La
selección del orden óptimo p del modelo VAR se realiza mediante el criterio=
de
información de Akaike (AIC).
3. Resu=
ltados
A continuación, se presentan los hallazgos deriv=
ados
de la aplicación del marco metodológico propuesto sobre el conjunto de datos
meteorológicos y agroproductivos de la provinci=
a de
Bolívar. La exposición de los resultados se estructura en tres ejes
fundamentales:
·&nb=
sp;
Primero, la caracterización estadística y
temporal de la base de datos depurada;
·&nb=
sp;
Segundo, la evaluación comparativa del
desempeño predictivo entre los modelos lineales tradicionales y las
arquitecturas de inteligencia artificial (Ensemble Lea=
rning
y Deep Learning); y
·&nb=
sp;
Tercero, el análisis multivariante mediante
modelos VAR, que permite cuantificar la causalidad de Granger y los rezagos
dinámicos entre las anomalías climáticas y el rendimiento del maíz.
Estos
hallazgos proporcionan la evidencia empírica necesaria para validar la
hipótesis de investigación y demostrar la utilidad de las predicciones para=
la
agricultura de precisión.
3.1. =
Car=
acterización
de la base de datos
El análisis exploratorio de
1.642.217 registros reveló una evolución en la frecuencia de muestreo, pasa=
ndo
de intervalos de 15 minutos (2016) a 1 minuto (2018-2021), lo que requirió =
un remuestreo diario para homogeneizar la serie. La Tabla 1 resume la
cobertura temporal.
Resumen de la cobertura temporal
y frecuencia de la base de datos
|
Año |
Registros Totales |
Días Únicos |
Promedio/Día |
Intervalo (min) |
|
2016 |
22.410 |
242 |
92,6 |
15,6 |
|
2019 |
416.361 |
303 |
1.374,10 |
1 |
|
2023 |
122.984 |
232 |
530,1 |
2,7 |
Nota. Datos
procesados de la estación meteorológica automática de Bolívar.
Los estadísticos descriptivos (Tabla 2) muestran una temperatura media de 13,56°C con una desviación estándar=
de
4,40°C, indicando una alta variabilidad diaria típica del clima andino.
Estadísticos descriptivos de variables
|
Variable |
Media |
Desv. Est. |
Mín |
Máx |
|
Temperatura
(°C) |
13,56 |
4,40 |
-0,60 |
28,80 |
|
Humedad (%) |
79,25 |
<=
span
style=3D'mso-bookmark:_Hlk81985521'>17,73 |
<=
span
style=3D'mso-bookmark:_Hlk81985521'>6,00 |
|
|
Precipitación(mm) |
0,0035 |
<=
span
style=3D'mso-bookmark:_Hlk81985521'>0,06 |
<=
span
style=3D'mso-bookmark:_Hlk81985521'>0,00 |
|
Nota. Estadísticos
La Fig=
ura
1 ilustra la evolución mensual de las variables tras el preprocesamiento,
evidenciando patrones estacionales claros.
Series temporales mensuales de variables
climáticas (2016-2023)
Nota. Evolución=
de
temperatura, humedad y precipitación agregadas.
La Tabla 3 presenta la comparación de desempeño. Random Forest obtuvo el mejor RM=
SE
(0,7405) y R² (0,6751), superando ampliamente a SARIMA (R² negativo, indica=
tivo
de sobreajuste o mala especificación en series no estacionarias).
Tabla =
3
Comparación del desempeño predictivo de los
modelos
|
Modelo |
|
MAE |
MAPE (%) |
|
|
SARIMA |
|
1,3166 |
8,87 |
|
|
Random Forest |
|
0,5635 |
3,93 |
|
|
XGBoost |
|
0,5907 |
4,13 |
|
|
LSTM |
0,9786 |
0,7580 |
5,27 |
0,4223 |
Nota. Métricas calculadas
Figura 2
Importancia de variables en Random Forest
y <=
span
style=3D'letter-spacing:-.1pt'>XGBoost
Nota. Ranking de características para la predicción de temper=
atura.
=
3.3. =
Análisis multivariante y
correlación agroclimática
El modelo VAR (6) fue seleccionado mediante el
criterio AIC. Las pruebas de diagnóstico confirmaron la ausencia de
autocorrelación serial significativa en los residuos (=
Portmanteau
p=3D0,0438) aunque se rechazó la normalidad (Jarque-Bera p=3D0,0000), lo cu=
al es
común en series financieras y climáticas con colas pesadas.
La prueba de causalidad de Granger (=
Tabla 4) confirmó q=
ue
la temperatura y la lluvia causan estadísticamente el rendimiento del maíz.=
Tabla 4
Pruebas de causalidad de Granger
|
Relación |
|
p-value |
|
Temp → Maíz |
|
0,0010 |
|
Lluvia → Maíz |
7,8627 |
0,0000 |
=
Nota.
La Figura 3 presenta las
funciones de impulso-respuesta (IRF), mostrando cómo un shock positivo en
precipitación tiene un efecto persistente y positivo en el rendimiento del =
maíz
durante los primeros 6 meses.
Figura 3
Funciones de impulso-respuesta (IRF) del modelo
VAR (6)
Nota: Respuesta dinámica del rendimiento ante shocks climáticos
Finalmente, la descomposición de varianza (FEVD) en la Fig=
ura
4 indica que las variables
climáticas explican hasta el 40 % de la varianza del rendimiento agrícola a
mediano plazo.
Figura =
4
Descomposición de la varianza
Nota.
Contribución de temperatura y lluvia a la varianza del maíz
4. Disc=
usión
Los resultados empíricos confirman que la estructu=
ra
de dependencia temporal en los datos meteorológicos de la provincia de Bolí=
var
presenta características no lineales y heterocedástica=
s
que violan los supuestos de homocedasticidad y normalidad requeridos por los
modelos ARIMA/SARIMA. La superioridad del modelo Random Forest (R²=3D0,6751)
frente al SARIMA (R² negativo) sugiere que la dinámica climática local está
gobernada por interacciones complejas entre variables termodinámicas que los
polinomios autorregresivos lineales no pueden aproximar eficientemente (Liakos et=
al., 2018). =
Este hallazgo es consistente con la teoría de aproximación universal de=
las
funciones, donde los métodos de ensemble basados en árboles particionan el
espacio de características de manera adaptativa, capturando umbrales crític=
os
(ej. punto de rocío, saturación de humedad) que generan cambios abruptos en=
la
temperatura (Bis=
hop, <=
span
style=3D'mso-bookmark:_Hlk81985521'>200=
6).
La inferioridad relativa del modelo LSTM (R² =3D 0,4223) en comparación=
con
los métodos de ensemble puede atribuirse a la relación señal-ruido en serie=
s de
alta frecuencia. Aunque las LSTM están diseñadas teóricamente para resolver=
el
problema del gradiente desvaneciente (Ho=
chreiter & Schmidhub=
er, <=
span
style=3D'mso-bookmark:_Hlk81985521'>1997), su rendimien=
to
depende críticamente de la cantidad de datos y la estabilidad de la
distribución subyacente. En este estudio, la variabilidad estructural
introducida por fenómenos como El Niño Oscilación del Sur (ENSO) actúa como=
un
cambio de régimen no estacionario que dificulta la convergencia de la retropropagación a través del tiempo (BPTT) sin un aj=
uste
fino exhaustivo de hiperparámetros mediante
optimización bayesiana (Goodfellow et al., 2016).
El análisis multivariante mediante el modelo VAR (6) proporciona una
interpretación econométrica-climática robusta. La significancia estadística=
de
la causalidad de Granger desde la precipitación hacia el rendimiento del ma=
íz
(p < 0,001) valida la hipótesis de que los shocks exógenos climáticos ti=
enen
efectos persistentes en la producción agrícola. La descomposición de varian=
za
(FEVD) revela que aproximadamente el 40 % de la varianza del rendimiento es
explicada por innovaciones en las variables climáticas con un horizonte de 6
meses, lo cual coincide con el ciclo fenológico completo del maíz en la reg=
ión
andina (INEC, 2023<=
span
style=3D'letter-spacing:-.1pt;mso-ansi-language:ES-EC'>). Esto implica que la
predictibilidad climática a mediano plazo es un insumo crítico para la
planificación de siembra, superando la utilidad de los promedios históricos
estáticos.
Las limitaciones del estudio incluyen la resolución temporal discreta de
los datos agroproductivos (anuales/mensuales) f=
rente
a la alta frecuencia de los datos meteorológicos, lo que obliga a agregar l=
a información
climática, perdiendo potencialmente eventos extremos de corta duración. Ade=
más,
la simulación de datos de cultivos para el modelado VAR, aunque
metodológicamente justificada por la correlación estructural, debe ser vali=
dada
con series históricas más largas cuando estén
disponibles.
5. Conclusiones
·
La implementación de algoritmos de Ensemble Learni=
ng
demuestra una superioridad estadística significativa sobre los modelos line=
ales
tradicionales para la predicción de series tem-porales=
meteorológicas en contextos andinos no estacionarios. Random Forest logró
minimizar el error cuadrático medio en un 55,4 % respecto a SARIMA,
evidenciando su capacidad para modelar la heterocedasticidad condicional y =
las
relaciones no lineales entre variables termodinámicas.
·
Existe una relación causal dinámica y significativa entre las anomalías
meteorológicas y los rendimientos agrícolas, cuantificada mediante un modelo
VAR (6). La prueba de causalidad de Granger confirma que la temperatura y la
precipitación son predictores exógenos fuertes del rendimiento del maíz con=
un
rezago óptimo de 6 meses, lo que permite integrar estas predicciones en
sistemas de alerta temprana para la seguridad alimentaria.
·
La metodología propuesta integra rigurosamente el preprocesamiento robu=
sto
de datos masivos (Big Data climático) con técnicas avanzadas de inferencia
estadística multivariante, estableciendo un precedente para la aplicación d=
e la
ciencia de datos en la agricultura climáticamente inteligente. Esto contrib=
uye
directamente a los Objetivos de Desarrollo Sostenible 2 (Hambre Cero) y 13
(Acción por el Clima), al proporcionar herramientas matemáticas para la
mitigación de riesgos agroclimáticos.
·&nb=
sp;
Como trabajo futuro, se recomienda extender el mar=
co
metodológico hacia modelos de Espacio de Estados Bayesianos y Redes Neurona=
les
de Atención (Transformers), que podrían capturar dependencias de largo plazo
sin la penalización computacional de las LSTM, así como incorporar variables
edáficas y de manejo agrícola para mejorar la explicación de la varianza residual en los modelos de impacto
productivo.
6. Conflicto de intereses
Los autores declaran que no existe conflicto de
intereses en relación con el artículo presentado.
7. Declaración de contribución de los autores
Todos autores contribuyeron significativamente en =
la
elaboración del artículo.
7.1. Divulgación de la deleg=
ación
a la IA generativa
Los autor=
es
declaran el uso de la IA generativa en el proceso de investigación y redacc=
ión.
Según la taxonomía GAIDeT (2025), las siguientes
tareas fueron delegadas a las herramientas GAI bajo supervisión humana tota=
l:
- Generac=
ión
de ideas
- Formula=
ción
de preguntas e hipótesis de investigación
- Búsqued=
a y
sistematización de la literatura
La
herramienta GAI utilizada fue: ChatGPT 4.
La
responsabilidad del manuscrito final recae íntegramente en los autores.
Las
herramientas GAI no figuran como autores y no asumen responsabilidad por los
resultados finales.
Declaración presentada por: Deysi Margoth
Guanga Chunata
8. Cost=
os
de financiamiento
La presente investigación fue financiada en su
totalidad con fondos propios de los autores.
9. Refe=
rencias
bibliográficas
Belgiu, M., & Drăguţ<=
/span>,
L. (2016). Random forest in remote sensing: a review of applications and fu=
ture
directions. ISPRS Journal of Photogrammetry and Remote Sensing: Official
Publication of the International Society for Photogrammetry and Remote Sens=
ing
(ISPRS), 114, 24–31. https://doi.org/10.1016/j.isprsjp=
rs.2016.01.011
Benos, L., Tagarakis, A. C., Dolias, G., <=
span
class=3DSpellE>Berruto, R., Kateris, D.,=
& Bochtis, D. (2021). Machine =
learning
in agriculture: a comprehensive updated review. Sensors, 21(1=
1),
3758. https://doi.org/10.3390/s21113758
Bishop,
Chen, T., & Guestrin, C.
(2016). XGBoost:
a scalable tree boosting system [Proceedings
of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and =
Data
Mining, pages 785–794]. https://dl.acm.org/doi/10.1145/29=
39672.2939785
Consejo Nacional de Planificación. (2021). Plan nacional de
desarrollo 2021-2025. https://iste.edu.ec/wp-content/uploads/2022/08/PLAN-NACIONAL-DE-DESA=
RROLLO-2021-2025.pdf
=
Food and Agriculture<=
span
style=3D'letter-spacing:-.6pt'> Organization of the United
Nations [FAO]. (2022).<=
span
style=3D'letter-spacing:.35pt'> The state of food and agriculture 2022:
leveraging automation
=
Goodfellow, I., Bengio,
=
Hochreiter, S. & Schmidhuber, J. (1997). Long
short-term memory. Neural Computation, 9(8), 1735–1780. https://direct.mit.edu/neco/a=
rticle-abstract/9/8/1735/6109/Long-Short-Term-Memory?redirectedFrom=3Dfullt=
ext&utm_source=3Dresearchgate.net&utm_medium=3Darticle
=
Hunting=
ford, C., Jeffers, E. S., Bonsall, M. A., Christensen, H. M., Lees, T.,
& Yang, H. (2019). Machine
learning and artificial intelligence to aid climate change research and
preparedness. Environmental Research Letters, 14(12),
120001. https://iopscience.iop.org/ar=
ticle/10.1088/1748-9326/ab4e55?utm_source=3Dresearchgate.net&utm_medium=
=3Darticle
Hyndman, R. J. & Athanasopoulos, G. (2021). Forecastin=
g:
Principles and Practice. (3rd ed.) OTexts. =
https://research.monash.edu/en/pu=
blications/forecasting-principles-and-practice-3/
Instituto
Instituto
Kulyal, M.,
& Saxena, P. (2022). Machine learning approaches for crop yield
prediction: a review [7th International Conference on Computing,
Communication and Security (ICCCS), 1–7]. https://ieeexplore.ieee.org/document/1007=
9240
Kumar Bandl= a, A., Nagendra Kumar, Y., & Sarada, B. (2025). <= /span>A comprehensive analysis of machine learning techniques for crop yie= ld prediction using remote sensing data [IEEE International Conference on Compute, Control, Network & Photonics (ICCC= NP), 1–6]. https://ieeexplore.ieee.org/document/11233752
Kuradusenge, M., Hitimana, E., Hanyurwimfura,
D., Rukundo, P., Mtonga,
K., Mukasine, A., Uwitonze=
,
C., Ngabonziza, J., & =
Uwamahoro,
A. (2023). Crop yield prediction using =
machine
learning models: case of Irish potato and maize. Agriculture, 13<=
/i>(1),
225. =
https://doi.org/10.3390/agriculture13010225=
Liakos, K. G., Busato, P., Moshou,
D., Pearson, S., and Bochtis, D. (2018). Machine learning in agriculture: a r=
eview. Sensors,
18(8), 2674. https://doi=
.org/10.3390/s18082674
Morales, A.=
, &
Villalobos, F. J. (2023). Using machine learning for c=
rop
yield prediction in the past or the future. Frontiers in Plant Science, 14,
1128388. https://doi.org/10.3389/fpls.2023.1128388
Pedregosa, F., Varoq=
uaux,
G., Gramfort, A., Michel, V., Thirion, B., Gris=
el,
O., Blondel, M., Prettenhofer, P., Weiss, R.,
Dubourg, V., Vanderplas, J., Passos, A., Cournapeau,
D., Brucher, M., Perrot, M., & Duchesnay, E. (2011). Scikit-learn: Mach=
ine
learning in Python. Journal of Mach=
ine
Learning Research, 12, 2825–2830. https://www.jmlr.org/papers/volume12/pedregosa11a/=
pedregosa11a.pdf
Reichstein, M., Camps-Valls, G., Stevens,=
B.,
Jung, M., Denzler, J., Carvalhais, N., & Prabhat. (2019). Deep learning=
and
process understanding for data-driven earth system science. Na-ture, 566(7743),
195–204. https://doi.org/10.1038/s41586-019-0912-1
Rolnick=
, D., Donti, P. L., Kaack,
L. H., Kochanski, K., Lacoste, A., Sankaran, K., Ross, A. S., Milojevic-Dupont, N., Jaques, N.,
Waldman-Brown, A., Luccioni, A. S., Maharaj, T.,
Sherwin, E. D., Mukkavilli, S. K., Kording, K. P., Gomes, C. P., Ng, A. Y., Hassabis, D.,
Platt, J. C., … Bengio, Y. (2023). Tackling cli=
mate
change with machine learning. ACM Computing Surveys, 55(2), 1=
–96.
https://doi.org/10=
.1145/3485128
Serrano-Vincenti, S., Guamán-Pozo, J., Chuqui, J., Tufiño, R., &
Franco-Crespo, C. (2025). Measuring the effects of cli=
mate
change on traditional crops in tropical highlands, Ecuador. Frontiers in
Sustainable Food Systems, 9(1447593). https://doi.org/10.3389/fsufs.2025.1447593
World Bank
Group. (2020). Climate-smart
Xie, F., Yan, =
H., Long,
Y., Guo, H., Liu, H., & Yu,
P. (2024). Weather prediction based on
multivariate LSTM neural network model. Advances in Transdisciplinary Engin=
eering.
IOS Press. https://ebooks.iospress.nl/doi/10.3233/ATDE231201<=
/span>
El artículo que se publica es de exclusiva responsabilidad de los
autores y no necesariamente reflejan el pensamiento de la Revista Conciencia Digital.
El artíc=
ulo
queda en propiedad de la revista y, por tanto, su publicación parcial y/o t=
otal
en otro medio tiene que ser autorizado por el director de la Revista
Conciencia Digital.
Esta revi=
sta
está protegida bajo una licencia Creative Commons<=
/span>
en la 4.0 International. Copia de la licencia: http://cr=
eativecommons.org/licenses/by-nc-sa/4.0/