����������������������������������������������������������������������������������

 

 

Uso de modelos predictivos basados en inteligencia artificial para anticipar la producci�n agr�cola en funci�n de variables clim�ticas

 

Using predictive models based on artificial intelligence to anticipate agricultural production based on climatic variables

 

Utilizando modelos preditivos baseados em intelig�ncia artificial para antecipar a produ��o agr�cola com base em vari�veis ​​clim�ticas

 

 

 

 

 

 

 

 

 

 

Correspondencia: luis.mendoza@uleam.edu.ec

 

 

Ciencias T�cnicas y Aplicadas

Art�culo de Investigaci�n

 

* Recibido: 26 de febrero de 2025 *Aceptado: 24 de marzo de 2025 * Publicado: �13 de abril de 2025

 

       I.          Universidad Laica Eloy Alfaro de Manab�, Ecuador.

     II.          Universidad Laica Eloy Alfaro de Manab�, Ecuador.

   III.          Universidad Laica Eloy Alfaro de Manab�, Ecuador.

 

Resumen

Los modelos predictivos basados en inteligencia artificial representan una evoluci�n poderosa de los m�todos cuantitativos, permitiendo analizar relaciones m�s complejas entre variables clim�ticas y la producci�n agr�cola. La IA puede mejorar la precisi�n, el horizonte temporal y el nivel de detalle de los pron�sticos, lo que se traduce en una toma de decisiones m�s informada y eficiente para los agricultores y la industria agr�cola en general. La precisi�n, la resoluci�n espacial y temporal, y el horizonte de pron�stico de los modelos NWP impactan directamente en la calidad y utilidad de las predicciones de producci�n agr�cola generadas por la IA. La integraci�n efectiva de la informaci�n meteorol�gica pronosticada con t�cnicas de aprendizaje autom�tico y otras fuentes de datos representa una v�a prometedora para mejorar la resiliencia y la eficiencia del sector agr�cola frente a la variabilidad y el cambio clim�tico. La IA proporciona las herramientas para analizar complejas relaciones entre el clima y los cultivos, mientras que los modelos NWP ofrecen la informaci�n meteorol�gica prospectiva necesaria para realizar predicciones informadas y potencialmente mejorar la resiliencia y la eficiencia del sector agr�cola. El uso de modelos predictivos basados en inteligencia artificial, alimentados con informaci�n precisa y oportuna de modelos num�ricos de predicci�n meteorol�gica, representa un avance significativo en la capacidad de anticipar la producci�n agr�cola. Esta combinaci�n ofrece el potencial de mejorar la toma de decisiones en el sector agr�cola, optimizar la gesti�n de recursos, aumentar la eficiencia y contribuir a la seguridad alimentaria en un contexto de creciente variabilidad clim�tica.

Palabras Clave: modelos predictivos; inteligencia artificial; agricultura.

 

Abstract

Artificial intelligence-based predictive models represent a powerful evolution of quantitative methods, enabling the analysis of more complex relationships between climate variables and agricultural production. AI can improve the accuracy, time horizon, and level of detail of forecasts, resulting in more informed and efficient decision-making for farmers and the broader agricultural industry. The accuracy, spatial and temporal resolution, and forecast horizon of NWP models directly impact the quality and usefulness of AI-generated agricultural production predictions. Effectively integrating forecasted weather information with machine learning techniques and other data sources represents a promising avenue for improving the resilience and efficiency of the agricultural sector in the face of climate variability and change. AI provides the tools to analyze complex relationships between climate and crops, while NWP models offer the forward-looking weather information needed to make informed predictions and potentially improve the resilience and efficiency of the agricultural sector. The use of artificial intelligence-based predictive models, coupled with accurate and timely information from numerical weather prediction models, represents a significant advance in the ability to anticipate agricultural production. This combination offers the potential to improve decision-making in the agricultural sector, optimize resource management, increase efficiency, and contribute to food security in a context of increasing climate variability.

Keywords: predictive models; artificial intelligence; agriculture.

 

Resumo

Os modelos preditivos baseados em intelig�ncia artificial representam uma poderosa evolu��o dos m�todos quantitativos, permitindo a an�lise de rela��es mais complexas entre as vari�veis ​​clim�ticas e a produ��o agr�cola. A IA pode melhorar a precis�o, o horizonte temporal e o n�vel de detalhe das previs�es, resultando numa tomada de decis�es mais informada e eficiente para os agricultores e para o setor agr�cola em geral. A precis�o, a resolu��o espacial e temporal e o horizonte de previs�o dos modelos de NWP impactam diretamente a qualidade e a utilidade das previs�es de produ��o agr�cola geradas pela IA. A integra��o eficaz da informa��o meteorol�gica prevista com t�cnicas de aprendizagem autom�tica e outras fontes de dados representa um caminho promissor para melhorar a resili�ncia e a efici�ncia do sector agr�cola face � variabilidade e �s altera��es clim�ticas. A IA fornece ferramentas para analisar rela��es complexas entre o clima e as planta��es, enquanto os modelos NWP oferecem informa��es meteorol�gicas futuras necess�rias para fazer previs�es informadas e potencialmente melhorar a resili�ncia e a efici�ncia do sector agr�cola. A utiliza��o de modelos preditivos baseados em intelig�ncia artificial, alimentados por informa��o precisa e oportuna de modelos num�ricos de previs�o clim�tica, representa um avan�o significativo na capacidade de antecipar a produ��o agr�cola. Esta combina��o oferece o potencial para melhorar a tomada de decis�es no sector agr�cola, optimizar a gest�o dos recursos, aumentar a efici�ncia e contribuir para a seguran�a alimentar num contexto de crescente variabilidade clim�tica.

Palavras-chave: modelos preditivos; intelig�ncia artificial; agricultura.

 

Introducci�n

La creciente preocupaci�n por la seguridad alimentaria global, exacerbada por el cambio clim�tico y el aumento de la poblaci�n, exige soluciones innovadoras para optimizar la producci�n agr�cola. La agricultura, intr�nsecamente ligada a las condiciones ambientales, se ve directamente afectada por la variabilidad clim�tica, lo que genera incertidumbre en la planificaci�n y la productividad. En este contexto, la capacidad de anticipar con precisi�n la producci�n agr�cola se ha convertido en un objetivo crucial para la toma de decisiones informada a lo largo de toda la cadena de valor, desde la siembra hasta la distribuci�n.

Tradicionalmente, la predicci�n de la producci�n agr�cola se ha basado en m�todos estad�sticos y modelos emp�ricos que, si bien �tiles, a menudo presentan limitaciones para capturar la complejidad no lineal y las interacciones multifactoriales inherentes a los sistemas agroclim�ticos. Sin embargo, el advenimiento y la r�pida evoluci�n de la inteligencia artificial (IA) ofrecen un paradigma prometedor para abordar estos desaf�os. Los modelos predictivos basados en IA, con su capacidad para aprender patrones complejos a partir de grandes vol�menes de datos, han demostrado un potencial significativo en diversas �reas, incluyendo la predicci�n de la demanda, el pron�stico financiero y el an�lisis ambiental.

En el �mbito agr�cola, la IA se presenta como una herramienta poderosa para integrar y analizar diversas fuentes de informaci�n, incluyendo datos hist�ricos de producci�n, caracter�sticas del suelo, informaci�n fenol�gica y, de manera fundamental, variables clim�ticas. La disponibilidad de predicciones meteorol�gicas cada vez m�s precisas, generadas por Modelos Num�ricos de Predicci�n Meteorol�gica (NWP), proporciona un insumo valioso para los modelos de IA, permitiendo anticipar el impacto de las condiciones clim�ticas futuras en el rendimiento de los cultivos.

Este art�culo explora el uso de modelos predictivos basados en inteligencia artificial para anticipar la producci�n agr�cola en funci�n de variables clim�ticas. Se analizar�n los fundamentos de los m�todos estad�sticos tradicionales y los enfoques de soft computing, con un enfoque particular en las redes neuronales, as� como el papel crucial de los modelos NWP como fuente de datos predictivos del clima. El objetivo es ofrecer una visi�n general del estado actual de la investigaci�n, destacar los beneficios y desaf�os de la aplicaci�n de la IA en este dominio, y discutir las perspectivas futuras para el desarrollo de sistemas de predicci�n agr�cola m�s precisos y robustos, contribuyendo as� a una agricultura m�s resiliente y sostenible.

Se comprende que la demanda se refiere a la cantidad total de un producto que un grupo espec�fico de compradores planea adquirir durante un periodo determinado, considerando las condiciones del entorno y las estrategias comerciales implementadas (Poorzaker & Ebrahimpour, 2019) La predicci�n de la demanda futura se basa en el an�lisis de patrones identificables en la demanda hist�rica, lo que facilita su estimaci�n a trav�s de pron�sticos �(Hu, Szerlip, Karaletsos, & Singh, 2019). Estos autores definen el pron�stico como un proceso para estimar eventos futuros mediante la proyecci�n de datos pasados, combinados sistem�ticamente para predecir tendencias futuras y as� identificar patrones recurrentes.

Seg�n (Kim, Lee, & Sohn, 2019), los pron�sticos se clasifican por su horizonte temporal: Corto plazo: Generalmente hasta 3 meses, �til para la planificaci�n de compras, personal y asignaciones de producci�n. Mediano plazo: De 3 meses a 3 a�os, empleado en la planificaci�n de ventas, producci�n, presupuesto y operaciones. Largo plazo: Usualmente 3 a�os o m�s, utilizado para la planificaci�n de nuevos productos, ubicaci�n de instalaciones, expansiones e investigaci�n y desarrollo.

Autores como (Vijai & Bagavathi Sivakumar, 2018) se�alan cuatro caracter�sticas fundamentales de los pron�sticos, identificadas a trav�s de la experimentaci�n. Estas incluyen la importancia de reconocer y valorar el error de pron�stico para mejorar la toma de decisiones, la menor precisi�n de los pron�sticos a largo plazo debido a una mayor desviaci�n est�ndar, la mayor exactitud de los pron�sticos agregados en comparaci�n con los desagregados, y la sensibilidad de la efectividad del pron�stico a la calidad de la informaci�n utilizada.

Los modelos num�ricos de predicci�n meteorol�gica son un componente esencial de la infraestructura de datos para el desarrollo de sistemas de predicci�n agr�cola basados en inteligencia artificial. . La sinergia entre los modelos predictivos basados en inteligencia artificial y los modelos num�ricos de predicci�n meteorol�gica representa un avance significativo en la capacidad de anticipar la producci�n agr�cola

 

DESARROLLO

Para la elaboraci�n de pron�sticos precisos, resulta fundamental la disponibilidad de datos hist�ricos que sirvan como insumo para los modelos predictivos. Estos conjuntos de datos, denominados series de tiempo, se definen como una secuencia de observaciones registradas cronol�gicamente, donde el tiempo constituye una variable independiente crucial para el an�lisis de la evoluci�n de m�ltiples variables dependientes ((Rezaie, 2022) La naturaleza secuencial de las series de tiempo permite identificar patrones y tendencias que sustentan la proyecci�n de eventos futuros.

Este mismo autor Rezaie (2022) categoriza los m�todos de pron�stico en diversas tipolog�as, ofreciendo a las organizaciones un abanico de opciones para seleccionar la estrategia m�s adecuada a las caracter�sticas de su demanda y mercado objetivo, o incluso combinar diferentes enfoques .Estas categor�as principales se distinguen por su metodolog�a y aplicabilidad:

El primero de ellos es el� M�todo Cualitativo caracterizado �por la ausencia de una estructura anal�tica formal, estos m�todos se emplean principalmente en situaciones de incertidumbre, como la introducci�n de nuevos productos al mercado. Su naturaleza subjetiva se basa en el juicio experto y la opini�n personal, lo que permite obtener resultados con relativa rapidez. El segundo referido a los M�todos Cuantitativos: Estos enfoques emplean herramientas matem�ticas y estad�sticas para la determinaci�n de la demanda futura.

Dentro de esta categor�a, se identifican dos subgrupos principales: Pron�sticos de Series de Tiempo, los cuales explotan los patrones hist�ricos de la demanda para proyectar valores futuros, asumiendo que las tendencias pasadas pueden ofrecer informaci�n valiosa sobre el comportamiento futuro. �Y los de pron�sticos causales que se fundamentan en la identificaci�n de relaciones de correlaci�n entre la demanda y otras variables relevantes, buscando explicar y predecir la demanda en funci�n de los cambios en dichas variables causales.

La comprensi�n de esta clasificaci�n y las particularidades de cada m�todo resulta necesario para la selecci�n e implementaci�n de estrategias de pron�stico efectivas en el �mbito empresarial y cient�fico.

Desde estas ideas se comprende que los m�todos de pron�stico tradicionales emplean� como base los m�todos cualitativos y cuantitativos (series de tiempo y causales) proporcionan los fundamentos conceptuales para la predicci�n. Debido a esto, entender la naturaleza de la demanda (en este caso, la producci�n agr�cola), los diferentes horizontes de tiempo para la planificaci�n y las caracter�sticas esenciales de un pron�stico (error, precisi�n seg�n el horizonte, agregaci�n) es crucial antes de aplicar t�cnicas m�s avanzadas como la IA.

Por tanto, los datos hist�ricos de producci�n agr�cola y variables clim�ticas constituyen las series de tiempo que alimentan tanto los modelos estad�sticos tradicionales como los modelos de IA. La calidad y la extensi�n de estas series de tiempo son determinantes para la precisi�n de cualquier pron�stico.

Del mismo modo, la IA se considera �como una evidencia �de evoluci�n de los m�todos cuantitativos teniendo en cuenta que los modelos predictivos basados en IA, como el aprendizaje autom�tico (Machine Learning) y el aprendizaje profundo (Deep Learning), representan una extensi�n novedosa �de los m�todos cuantitativos. �stos pueden� analizar grandes cantidades de datos complejos (incluyendo series de tiempo multivariadas con variables clim�ticas, datos de suelo, im�genes satelitales, etc.) e identificar �al mismo tiempo patrones no lineales y relaciones causales que ser�an dif�ciles o imposibles de detectar con los m�todos estad�sticos tradicionales (regresi�n lineal, ARIMA, etc.).

Por otra parte, mientras que los m�todos de series de tiempo tradicionales se centran en analizar la evoluci�n temporal de una o varias variables, los modelos de IA pueden a�adir una mayor cantidad de variables independientes (clim�ticas, ed�ficas, fenol�gicas, etc.) y sus interacciones lo cual permite �predecir la variable dependiente tal es el caso de la producci�n agr�cola.

Ahora bien,� existen tipos de pron�sticos �aplicables� en la IA agr�cola definidos en atenci�n a los horizontes de tiempo tales como a corto, mediano y largo plazo y que siguen siendo relevantes para los modelos de IA en la agricultura.

En tal sentido, los pron�sticos� aplicables� en la IA agr�cola a corto plazo, pueden permitir la predicci�n de cosechas inmediatas, gesti�n de riego y fertilizantes en tiempo real, alertas tempranas de enfermedades o plagas basadas en condiciones clim�ticas.

A Mediano plazo, los pron�sticos� aplicables� en la IA agr�cola pudiesen permitir la planificaci�n de siembra, decisiones sobre qu� cultivos plantar en funci�n de las tendencias clim�ticas estacionales, gesti�n de recursos para la pr�xima temporada. Y,� a largo plazo, la evaluaci�n del impacto del cambio clim�tico en la productividad agr�cola, planificaci�n de inversiones en infraestructura y desarrollo de nuevas variedades de cultivos.

Se comprende �entonces que los modelos de IA pueden ir m�s all� al identificar relaciones causales complejas y no evidentes entre variables clim�ticas espec�ficas (temperatura en diferentes etapas fenol�gicas, patrones de lluvia, humedad, radiaci�n solar, etc.) y el rendimiento de los cultivos.

Por otra parte en la mejora de las caracter�sticas del pron�stico con IA, �sta puede ayudar a cuantificar y reducir el error de pron�stico mediante la validaci�n cruzada, la optimizaci�n de hiperpar�metros y la selecci�n de los modelos m�s adecuados para cada contexto agr�cola.

Si bien la regla general de que los pron�sticos a largo plazo son menos precisos se mantiene, la IA puede mejorar la precisi�n de los pron�sticos a largo plazo al incorporar modelos clim�ticos y escenarios futuros m�s complejos. Adem�s de lo anterior, la IA facilita la realizaci�n de pron�sticos desagregados, como por ejemplo por parcela, por tipo de cultivo espec�fico, los cuales pueden ser analizados con mayor precisi�n que los m�todos tradicionales, al considerar la variabilidad espacial y las condiciones locales.

Otros de los modelos, son los de An�lisis de Regresi�n, la cual es �una t�cnica estad�stica ampliamente utilizada para modelar y pronosticar la demanda, estableciendo relaciones entre la variable de inter�s y diversos factores influyentes, tales como las condiciones meteorol�gicas, el tipo de d�a o las caracter�sticas de los consumidores �(Singh, Ibraheem, Khatoon S. Muazzam, & Chaturvedi, 2012 ). Una parte significativa de la investigaci�n en regresi�n lineal se ha centrado en la identificaci�n de las variables predictoras relevantes para la demanda tal como lo han encontrado investigadores como ��(Ruzic & Vuckovic, 2003.) �(Engle, Mustafa, & Rice, 1992)

Lo anteriormente descrito �se�ala que en contexto de la predicci�n de la producci�n agr�cola mediante IA, el an�lisis de regresi�n proporciona un marco conceptual inicial para comprender c�mo las variables clim�ticas como la temperatura, precipitaci�n, radiaci�n solar, etc. impactan el rendimiento de los cultivos. Los modelos de IA pueden considerarse como una extensi�n sofisticada de la regresi�n, capaces de modelar relaciones no lineales y complejas entre un conjunto a�n mayor de variables predictoras y la producci�n agr�cola, superando las limitaciones de los modelos lineales tradicionales.

Se ha encontrado adem�s los M�todos Basados en Series de Tiempo, los cuales se fundamentan en la premisa de que los datos secuenciales en el tiempo contienen una estructura interna susceptible de ser modelada para realizar predicciones.

Alguno de ellos son Modelos Autoregresivos (AR), los cuales predicen el valor actual de una serie bas�ndose en valores previos de la misma serie de demanda �(Huang, Huang, Gadh, & Li, 2012);. Los Modelos de Medias M�viles (MA) que estiman el siguiente valor como una combinaci�n del promedio hist�rico de la serie y una combinaci�n de errores aleatorios precedentes. Los Modelos ARMA que integran componentes autoregresivos y de medias m�viles para capturar diferentes aspectos de la din�mica temporal., �(Erdem & Shi, 2011) los Modelos ARIMA que extienden los modelos ARMA para modelar series de tiempo no estacionarias mediante la inclusi�n de una etapa de diferenciaci�n (integraci�n) y� los Modelos ARIMAX y SARIMAX �(Mandal, Senjyu, Urasaki, & Funabashi, 2006), los cuales permiten incorporar variables ex�genas (como factores clim�ticos) y componentes estacionales, respectivamente, enriqueciendo la capacidad predictiva de los modelos ARIMA (Singh, Ibraheem, Khatoon S. Muazzam, & Chaturvedi, 2012 ).

Los modelos de IA pueden aprovechar estos principios al analizar patrones temporales complejos en m�ltiples series de tiempo simult�neamente, por ejemplo, las redes neuronales recurrentes (RNN) y las redes de memoria a corto plazo (LSTM) las cuales son arquitecturas de aprendizaje profundo dise�adas espec�ficamente para procesar datos secuenciales y pueden identificar dependencias temporales intrincadas entre las variables clim�ticas y la producci�n de cultivos, superando las limitaciones de los modelos lineales de series de tiempo tradicionales en la captura de no linealidades y dependencias de largo alcance. La capacidad de los modelos ARIMAX y SARIMAX para incorporar variables ex�genas anticipa la capacidad de los modelos de IA para integrar una amplia gama de factores clim�ticos y otros datos relevantes para una predicci�n m�s precisa de la producci�n agr�cola.

Los modelos num�ricos de predicci�n meteorol�gica (NWP) constituyen una herramienta fundamental para anticipar el estado futuro de la atm�sfera, con horizontes temporales que generalmente oscilan entre 15 y 240 horas. Estos modelos se basan en la representaci�n de la atm�sfera a trav�s de un conjunto de ecuaciones diferenciales que describen las leyes f�sicas que gobiernan su comportamiento. El concepto inicial de un modelo NWP fue introducido por el cient�fico noruego Vilhelm Bjerknes �(Lynch, 2008.)

Los modelos num�ricos de predicci�n meteorol�gica desempe�an un papel crucial como fuente de datos fundamentales para el desarrollo de modelos predictivos basados en inteligencia artificial destinados a anticipar la producci�n agr�cola en funci�n de variables clim�ticas.

Se ha encontrado que existen variables clim�ticas predictoras que son analizadas a trav�s de los modelos NWP proporcionando �predicciones detalladas de las variables clim�ticas clave que influyen directamente en el crecimiento y rendimiento de los cultivos, como temperatura, precipitaci�n, radiaci�n solar, humedad y viento. Estos datos constituyen las variables de entrada esenciales para entrenar y operar los modelos de IA.

Adem�s la informaci�n generada por los modelos NWP abarca tanto la dimensi�n espacial a trav�s de su resoluci�n geogr�fica como la dimensi�n temporal a trav�s de sus horizontes de pron�stico y resoluci�n temporal. Esta riqueza de datos espacio-temporales permite a los modelos de IA capturar la variabilidad clim�tica en diferentes ubicaciones y a lo largo del tiempo, lo que es crucial para realizar predicciones agr�colas precisas y localizadas.

Los diferentes tipos de modelos NWP (globales y regionales) ofrecen informaci�n clim�tica a diversas escalas espaciales y con distintos horizontes temporales. Esta diversidad permite alimentar modelos de IA dise�ados para predicciones agr�colas a corto, mediano y largo plazo, adapt�ndose a las diferentes necesidades de planificaci�n y toma de decisiones en el sector agr�cola.

Por �ltimo, la mejora de la Precisi�n de la IA se alcanza al integrar predicciones meteorol�gicas de alta calidad provenientes de modelos NWP y los modelos de IA , los cuales pueden refinar sus propias predicciones de producci�n agr�cola, incorporando informaci�n expl�cita sobre las condiciones clim�ticas futuras en lugar de depender �nicamente de patrones hist�ricos. Esto es especialmente relevante en escenarios de variabilidad clim�tica y eventos meteorol�gicos extremos.

En tal sentido, como forma de sintetizar algunos aspectos clave, se tiene que la IA representa una evoluci�n valiosa� para la predicci�n agr�cola, superando las limitaciones de los m�todos estad�sticos tradicionales. Mientras que m�todos como la regresi�n y los modelos de series de tiempo proporcionan la base conceptual y los datos hist�ricos iniciales, la IA, especialmente a trav�s de redes neuronales, ofrece la capacidad de modelar relaciones no lineales complejas entre m�ltiples variables (clim�ticas, ed�ficas, de manejo, etc.) y la producci�n agr�cola con mayor precisi�n y adaptabilidad.

Los modelos NWP son una fuente de datos esencial y de alta calidad para los modelos de IA en la agricultura. Proporcionan predicciones detalladas y espacio-temporales de variables clim�ticas cruciales (temperatura, precipitaci�n, radiaci�n solar, etc.) que act�an como insumos fundamentales para el entrenamiento y la operaci�n de los modelos de IA. La precisi�n y la resoluci�n de los modelos NWP impactan directamente en la fiabilidad de las predicciones agr�colas generadas por la IA.

La combinaci�n de la capacidad de modelado avanzado de la IA con la informaci�n predictiva de los modelos NWP permite abordar la complejidad de la producci�n agr�cola de manera m�s efectiva. La IA puede aprender patrones complejos y no lineales a partir de los datos hist�ricos y las predicciones meteorol�gicas, adapt�ndose a las din�micas cambiantes del clima y los sistemas agr�colas..

En tal sentido, la integraci�n de datos de modelos NWP con otras fuentes de informaci�n agr�cola (historial de rendimientos, datos de suelo, sensores remotos, etc.) en los modelos de IA puede conducir a predicciones a�n m�s precisas y hol�sticas. La combinaci�n de diferentes tipos de datos permite a la IA capturar una visi�n m�s completa de los factores que influyen en la producci�n agr�cola.

CONCLUSIONES

Las principales conclusiones sobre el uso de modelos predictivos basados en inteligencia artificial (IA) para anticipar la producci�n agr�cola en funci�n de variables clim�ticas son las siguientes:

La IA emerge como una herramienta eficaz e innovadora �para la predicci�n agr�cola, superando las limitaciones de los m�todos estad�sticos tradicionales. Mientras que enfoques como la regresi�n y los modelos de series de tiempo facilitan una base fundamental, la IA, especialmente a trav�s de t�cnicas de aprendizaje autom�tico y aprendizaje profundo como las redes neuronales, ofrece la capacidad de modelar relaciones complejas, no lineales y multivariadas entre las variables clim�ticas y la producci�n de cultivos de manera m�s efectiva.

Los Modelos Num�ricos de Predicci�n Meteorol�gica (NWP) son una fuente de datos crucial y esencial para alimentar los modelos de IA en la agricultura al proporcionar predicciones detalladas y espacio-temporales de las variables clim�ticas clave como la temperatura, precipitaci�n, radiaci�n solar, viento, etc.que influyen directamente en el crecimiento y rendimiento de los cultivos. La calidad, resoluci�n y horizonte temporal de los modelos NWP impactan significativamente la precisi�n de las predicciones agr�colas generadas por la IA.

La sinergia entre la capacidad de modelado avanzado de la IA y la informaci�n predictiva proporcionada por los modelos NWP permite una comprensi�n y anticipaci�n m�s precisa de la producci�n agr�cola. La IA puede aprender patrones intrincados a partir de datos hist�ricos y pron�sticos meteorol�gicos, adapt�ndose a la din�mica cambiante del clima y los sistemas agr�colas.

Los modelos NWP ofrecen pron�sticos en estas diversas escalas, lo que permite a la IA generar predicciones agr�colas que se ajustan a diferentes necesidades de planificaci�n y toma de decisiones, desde la gesti�n operativa de la temporada actual hasta la planificaci�n estrat�gica a largo plazo.

El dise�o, la implementaci�n y la optimizaci�n de modelos de IA para la predicci�n agr�cola requieren una consideraci�n cuidadosa de la arquitectura del modelo (por ejemplo, redes neuronales), la selecci�n de las variables de entrada m�s relevantes, la gesti�n del sobreajuste y la validaci�n rigurosa. No existe una soluci�n �nica, y la investigaci�n se centra en adaptar y mejorar continuamente los modelos para contextos agr�colas espec�ficos.

La integraci�n de datos provenientes de modelos NWP con otras fuentes de informaci�n relevantes para la agricultura (datos hist�ricos de rendimiento de cultivos, caracter�sticas del suelo, datos de sensores remotos, pr�cticas de manejo agr�cola, etc.) en los modelos de IA tiene el potencial de generar predicciones a�n m�s precisas y hol�sticas. La combinaci�n de diversas fuentes de datos permite a la IA capturar una imagen m�s completa y detallada de los factores que influyen en la producci�n agr�cola.

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

Referencias

Engle, R., Mustafa, C., & Rice, J. (1992). "Modelling peak electricity demand. J. Forecast, vol. 11, pp. 241-251, .

Erdem, E., & Shi, J. (2011). ARMA based approaches for forecasting the tuple of wind speed and direction. Appl. Energy,, vol. 88, pp. 1405-1414, .

Hu, X., Szerlip, P., Karaletsos, T., & Singh, R. (2019). Applying SVGD to Bayesian Neural Networks for Cyclical Time-Series Prediction and Inference, . arxiv., (1), 1�5. http://arxiv.org/abs/1901.05906.

Huang, R., Huang, T., Gadh, R., & Li, N. (2012). "Solar generation prediction using the ARMA model in a laboratory-level micro-grid,". IEEE Third International Conference on, . 528-533.

Kim, T., Lee, S., & Sohn, S. (2019). Graph convolutional network approach applied to predict hourly bike-sharing demands considering spatial, temporal, and global effects. Plos One, 14(9), 1�17. https://doi.org/10.1371/journal.pone.0220782.

Lynch, P. (2008.). The origins of computer weather prediction and climate modeling,". Journal of Computational Physics,, vol. 227, pp. 3431-3444, .

Mandal, P., Senjyu, T., Urasaki, N., & Funabashi, T. (2006). A neural network based severalhour-ahead electric load forecasting using similar days approach. Electrical Power & Energy Systems, https://www.sciencedirect.com/science/article/abs/pii/S0142061506000275.

Poorzaker, S., & Ebrahimpour, H. (2019). The Improvement of Forecasting ATMs Cash Demand of Iran Banking Network Using Convolutional Neural Network. Arabian Journal for Science and Engineering, , 44(4), 3733�3743. https://doi.org/10.1007/s13369-018-3647-7.

Rezaie, M. (2022). Model parameters estimation of the proton exchange membrane fuel cell by a Modified Golden Jackal Optimization, Sustain53. Energy Technol. Assessments, 102657. https://www.sciencedirect.com/science/article/abs/pii/S2213138822007068.

Ruzic, S., & Vuckovic, A. .. (2003.). Weather sensitive method for short term load forecasting in electric power utility of Serbia," . Power Systems, IEEE Transactions on, vol. 18, pp. 1581-1586.

Singh, A., Ibraheem, I., Khatoon S. Muazzam, M., & Chaturvedi, D. (2012 ). "Load forecasting techniques and methodologies: A review," in . International Conference Power, Control and Embedded Systems (ICPCES), 2012 2nd , 110. .

Vijai, P., & Bagavathi Sivakumar, P. (2018). Performance comparison of techniques for water demand forecasting. . Procedia Computer Science,, 143, 258�266. https://doi.org/10.1016/j.procs.2018.10.394.

 

 

�

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

� 2025 por los autores. Este art�culo es de acceso abierto y distribuido seg�n los t�rminos y condiciones de la licencia Creative Commons Atribuci�n-NoComercial-CompartirIgual 4.0 Internacional (CC BY-NC-SA 4.0)

(https://creativecommons.org/licenses/by-nc-sa/4.0/).