Modelado predictivo de la producción agrícola de papa, maíz y arveja basado en variabilidad climática y factores productivos en la Sierra del Ecuador

Abstract

La producción agrícola en la región Sierra del Ecuador está influenciada por la variabilidad climática, especialmente por factores como la temperatura y la precipitación, los cuales afectan el desarrollo de los cultivos y dificultan la planificación agrícola y la toma de decisiones. El objetivo de esta investigación fue desarrollar una herramienta predictiva basada en técnicas de aprendizaje automático para estimar la producción de papa, maíz suave seco y arveja tierna. Para ello, se utilizaron datos históricos de producción agrícola y variables climáticas correspondientes al período 2002 - 2023, obtenidos de fuentes oficiales. Los datos fueron sometidos a procesos de limpieza, tratamiento de valores faltantes, generación de variables derivadas y análisis exploratorio. Posteriormente, se implementaron y compararon modelos de Regresión Lineal, Random Forest, XGBoost y Redes Neuronales Artificiales, evaluados mediante las métricas RMSE, MAE y R². Los resultados evidenciaron que la Regresión Lineal obtuvo el mejor desempeño para la predicción de papa y arveja, mientras que Random Forest presentó la mayor capacidad predictiva para el maíz, demostrando que la selección del modelo depende de las características de cada cultivo. Finalmente, se desarrolló una interfaz interactiva que permite estimar la producción agrícola a partir de variables climáticas y productivas. Se concluye que la herramienta constituye un apoyo para la planificación agrícola y la toma de decisiones basadas en datos frente a la variabilidad climática… Agricultural production in the Ecuadorian Highlands (Sierra region) is strongly influenced by climate variability, particularly by factors such as temperature and precipitation, which affect crop development and make agricultural planning and decision-making more challenging. The objective of this study was to develop a predictive tool based on machine learning techniques to estimate the production of potatoes, dry soft corn, and green peas. Historical agricultural production data and climatic variables for the period 2002–2023 were obtained from official sources. The dataset was processed through data cleaning, missing value treatment, feature engineering, and exploratory data analysis. Subsequently, Linear Regression, Random Forest, XGBoost, and Artificial Neural Network models were implemented and compared using RMSE, MAE, and R² as evaluation metrics. The results showed that Linear Regression achieved the best predictive performance for potatoes and green peas, whereas Random Forest provided the highest predictive accuracy for dry soft corn, demonstrating that model selection depends on the characteristics of each crop. Finally, an interactive interface was developed to estimate agricultural production based on climatic and production-related variables. It is concluded that the proposed tool supports agricultural planning and data-driven decision-making under conditions of climate variability…