Desarrollo de un sistema predictivo del tonelaje de caña por hectárea

Abstract

En el sector agrícola guatemalteco, la predicción precisa del rendimiento de los cultivos de caña de azúcar representa un desafío significativo debido a la complejidad de las variables involucradas. Este proyecto abordó esta problemática mediante el desarrollo de un sistema predictivo del Tonelaje de Caña por Hectárea (TCH) utilizando técnicas avanzadas de aprendizaje automático. El trabajo se estructuró en tres fases principales: primero, la integración de múltiples fuentes de datos, incluyendo registros climatológicos del Instituto de Cambio Climático, índices vegetativos derivados de imágenes satelitales de NAX Solutions, y datos históricos de cosecha del Ingenio Pantaleon; segundo, el desarrollo y optimización de modelos predictivos mediante Azure AutoML, implementando diferentes arquitecturas de aprendizaje automático; y tercero, el despliegue de una infraestructura MLOps completa con una API REST en Flask para la automatización del pipeline de datos y predicciones. Los resultados demostraron la efectividad del enfoque propuesto, con los modelos de ensamble basados en XGBoost y LightGBM alcanzando un R² de hasta 0.817 y un RMSE tan bajo como 8.638 toneladas por hectárea en las predicciones a corto plazo. En particular, el modelo demostró una capacidad robusta para predecir el TCH con diferentes horizontes temporales, desde 2 hasta 10 meses antes de la cosecha, manteniendo un R² superior a 0.77 incluso en las predicciones a largo plazo. La interpretabilidad del modelo, analizada mediante valores SHAP, reveló la importancia crítica de factores como el tipo de cosecha, la variedad de caña y los índices vegetativos en la determinación del rendimiento final. En conclusión, este proyecto no solo proporciona una herramienta práctica para la optimización de la producción de caña de azúcar, sino que también demuestra la viabilidad de integrar múltiples fuentes de datos y técnicas avanzadas de aprendizaje automático en un sistema operativo y escalable. El éxito en la implementación de una infraestructura MLOps completa subraya el potencial de la inteligencia artificial para transformar prácticas agrícolas tradicionales, ofreciendo soluciones que pueden mejorar significativamente la eficiencia y sostenibilidad de la industria azucarera.