Predicción del rendimiento de cosecha de palta Hass
Fundo Los Paltos

Integrantes:

• BENITEZ QUIROZ, RAUL JONATAN
• PEÑA BENITES, ELVIS RUBÉN
• YANQUI YANQUE, SAUL WILLY
• VÉLEZ DURAND, GIANCARLO FRANCO

Resumen:
El estudio evalúa modelos de Machine Learning supervisado para predecir el rendimiento de aguacate Hass (Tn/Ha) usando datos históricos de Fundo Los Paltos (Perú, 2025).

Se aplica el framework DAY con un dataset de 245 registros y 38 variables climáticas, edáficas y de manejo. Se comparan Random Forest, Decision Tree, Ridge Regression y MLP, destacando Random Forest como el mejor modelo ($R^2=0.67$, MAE=2.45).

Hallazgos clave:

• El rendimiento se correlaciona con horas frío, evapotranspiración y edad del cultivo.
• Los modelos superan en 25% a métodos tradicionales.
• Integración futura con IoT y explicabilidad SHAP.

Resumen
Este trabajo predice el rendimiento (Tn/Ha) de palta Hass en Perú combinando el Framework DAY (Data–AI–Yield) y Random Forest. Se limpió y normalizó el CSV (2013–2025), se imputaron nulos por mediana y se mitigó data leakage (excluyendo 'Frutos' y 'Peso'). Con partición 70/30, el modelo alcanzó R²=0.66, MAE=4.41 Tn/Ha y RMSE=5.70 Tn/Ha. Se incluyen visualizaciones de desempeño y explicabilidad. El enfoque es reproducible y alineado con la literatura reciente sobre ML en agricultura.
Palabras clave
Precision Agriculture, Crop Yield Prediction, Random Forest, DAY Framework, XAI, Hass Avocado Peru, NASA POWER, Sentinel-2, Small Data ML.
Abstract
This study applies the DAY Framework (Data-AI-Yield) and Random Forest to predict Hass avocado yield (Tn/Ha) at Fundo Los Paltos, Peru, using a historical dataset of 245 records (2013-2025) with 38 climatic (NASA POWER), edaphic, and management variables.
Robust preprocessing was performed: median imputation for missing values (50% in nutrients), data


leakage mitigation (excluding "Frutos" and "Peso"), and 70/30 train-test split. Random Forest achieved R²=0.66, MAE=4.41 Tn/Ha, and RMSE=5.70 Tn/Ha, outperforming Decision Tree (R²=0.64), Ridge (R²=0.53), and MLP (R²=0.48).
Key variables include AoCos (16.1%), EdadCamp (14.1%), and Potasio (7.9%). The approach validates ML in low digital maturity Peruvian contexts, proposing XAI (SHAP) and future Sentinel-2 integration for scalability

Introducción
La estimación de rendimiento agrícola (yield prediction) guía decisiones de siembra, riego y logística, y es crítica para la seguridad alimentaria. La integración de datos climáticos, de suelo, manejo e imágenes remotas mediante aprendizaje automático (ML) ha mostrado



avances sustantivos. Revisiones sistemáticas reportan aplicaciones de ML en manejo de cultivos, agua y suelo, y su capacidad para capturar relaciones no lineales y de alta dimensionalidad (Liakos et al., 2018; Araújo et al., 2023). A nivel de modelos, los ensembles como Random Forest han superado a regresiones lineales y otros baselines en predicciones de rendimiento para trigo, maíz y papa, con RMSE entre 6–14% del promedio observado (Jeong et al., 2016). Por su parte, marcos modernos con redes profundas (CNN/RNN) demuestran mejoras en contextos de grandes volúmenes y series temporales, generalizando a ambientes no vistos (Khaki & Wang, 2019; 2020). En el agro peruano, la disponibilidad de datos etiquetados y sensores aún es limitada; por ello, un enfoque reproducible de small data como DAY, que combine preparación rigurosa de datos, modelos robustos y explicabilidad, es pertinente y escalable.


https://www.troomes.com/download/file.p ... ew&id=7191
https://www.troomes.com/download/file.p ... ew&id=7192

La agroindustria es uno de los sectores más importantes del Perú, ya que no solo representa una fuente de empleo para miles de familias, sino que también es uno de los principales motores de exportación del país. En este contexto, considero que la Inteligencia Artificial (IA) puede tener un impacto muy positivo, ayudando a modernizar procesos y a enfrentar los retos que el sector atraviesa día a día, desde la variabilidad climática hasta la exigencia de calidad en los mercados internacionales.

El primer caso de uso que veo muy relevante es el de la predicción de cosechas y plagas mediante modelos de IA. Actualmente, muchos agricultores aún dependen de la experiencia empírica o de reportes generales del clima para planificar sus campañas. Sin embargo, la IA podría analizar en tiempo real datos de satélites, sensores en los campos y patrones históricos para anticipar la aparición de plagas o enfermedades. Esto no solo permitiría reducir las pérdidas, sino también optimizar el uso de pesticidas, evitando la contaminación y reduciendo costos. En mi opinión, este avance sería clave para que el Perú mantenga su competitividad frente a otros países exportadores.

El segundo caso de uso está relacionado con la optimización de la cadena de suministro agroindustrial. Uno de los problemas recurrentes en el sector es la falta de eficiencia en el transporte y almacenamiento de productos, lo que genera mermas importantes. La IA puede ayudar a diseñar rutas de transporte más eficientes, predecir la demanda de cada mercado e incluso recomendar tiempos óptimos de cosecha para garantizar la frescura y calidad. Esto tendría un impacto directo en la reducción de pérdidas económicas y en una mayor satisfacción de los clientes internacionales, que cada vez son más exigentes con la puntualidad y la calidad.

En lo personal, creo que aplicar la IA en la agroindustria no es un lujo, sino una necesidad para el Perú. Nuestro país ya tiene una posición destacada en productos como el arándano, la palta y los espárragos, pero si no modernizamos los procesos con herramientas como la IA, corremos el riesgo de quedar rezagados frente a países competidores. Por otro lado, estas tecnologías no reemplazan a los agricultores ni a los trabajadores del campo, sino que los empoderan, dándoles mejores herramientas para tomar decisiones y trabajar con mayor eficiencia.

En conclusión, considero que la IA puede transformar positivamente la agroindustria peruana. La predicción de plagas y el uso inteligente de la cadena logística son solo dos ejemplos de un abanico enorme de posibilidades. Lo más importante es que el país adopte una visión de largo plazo, invierta en tecnología y capacite a las personas, para que este impacto positivo se traduzca en un beneficio sostenible tanto para las empresas como para los trabajadores y las comunidades agrícolas.