Predicción de estrés hídrico mediante Machine Learning utilizando sensores loT de monitoreo ambiental: caso de estudió en cultivos de café de centro experimental Sacha Wiwa.
DOI:
https://doi.org/10.69583/inndev.v4n1.2025.153Palabras clave:
Internet de las Cosas, machine learning, estrés hídrico, agricultura de precisión, caféResumen
El estrés hídrico representa una de las principales limitaciones para la productividad del café en regiones tropicales. Este estudio desarrolló un sistema de predicción de estrés hídrico basado en sensores IoT y algoritmos de machine learning para cultivos de café en el Centro Experimental Sacha Wiwa, Ecuador. Se implementó una red de sensores inalámbricos (Ecowitt) que monitoreó 16 variables ambientales durante 8 meses (octubre 2023 - mayo 2024), recopilando 2,920 observaciones con 82.3% de disponibilidad de datos. Se desarrolló un modelo Random Forest para clasificar el estrés hídrico en tres categorías: sin estrés (>65% humedad del suelo), estrés moderado (40-65%) y estrés severo (<40%). El modelo alcanzó una precisión global del 91.8% (R² = 0.891, RMSE = 0.724), identificando las variables de humedad del suelo como predictores primarios (53.5% de importancia), seguidas por precipitación (18.6%) y temperatura ambiental (12.8%). Los períodos críticos se concentraron en enero y marzo 2024, coincidiendo con temperaturas máximas >31°C. El sistema demostró capacidad predictiva de 2-3 días, proporcionando tiempo suficiente para implementar medidas preventivas. Los resultados validan la viabilidad de tecnologías IoT para agricultura de precisión en regiones tropicales, estableciendo bases metodológicas para sistemas de alerta temprana en cultivos de café.
Citas
Abioye, E. A., Abidin, M. S. Z., Mahmud, M. S. A., Buyamin, S., Ishak, M. H. I., Rahman, M. K. I. A., ... & Ramli, M. S. A. (2023). IoT-based monitoring and data-driven modelling of drip irrigation system for mustard leaf cultivation experiment. Information Processing in Agriculture, 10(2), 270-283.
An, J., Li, W., Li, M., Cui, S., & Yue, H. (2019). Identification and classification of maize drought stress using deep convolutional neural network. Symmetry, 11(2), 256.
Bwambale, E., Abagale, F. K., & Anornu, G. K. (2020). Smart irrigation monitoring and control strategies for improving water use efficiency in precision agriculture: A review. Chemical Engineering Transactions, 82, 369-374.
Hassanpour, B., Yazdandoost, F., & Ramezani, Y. (2020). Evaluation of OPTRAM implementation on Sentinel-2 data for soil moisture mapping at field scale. Computers and Electronics in Agriculture, 178, 105746.
Kamienski, C., Soininen, J. P., Taumberger, M., Dantas, R., Toscano, A., Cinotti, T. S., ... & Kozlovski, E. (2019). Smart water management platform: IoT-based precision irrigation for agriculture. Sensors, 19(2), 276.
Kangogo, D., Dentoni, D., & Bijman, J. (2022). Prediction of arabica coffee production using artificial neural network and multiple linear regression techniques. Scientific Reports, 12(1), 9729.
Molin, J. P., Colaço, A. F., & Amaral, L. R. (2022). The role of machine learning on Arabica coffee crop yield based on remote sensing and mineral nutrition monitoring. Biosystems Engineering, 221, 81-104.
Montaguano, J. A. (2024). Implementación de un sistema de monitoreo medioambiental mediante sensores inalámbricos y tecnologías IoT para el centro experimental Sacha Wiwa [Tesis de maestría, Universidad Estatal Península de Santa Elena]. Repositorio UPSE.
Monteiro, A., Santos, S., & Gonçalves, P. (2021). Precision agriculture for crop and livestock farming—Brief review. Animals, 11(8), 2345.
Ohana-Levi, N., Munitz, S., Ben-Gal, A., Schwartz, A., Peeters, A., & Netzer, Y. (2024). A spatial machine-learning model for predicting crop water stress index for precision irrigation of vineyards. Computers and Electronics in Agriculture, 217, 108621.
Sankararao, A. U., Ramalinga Reddy, M., Kiran Kumar, B., Raghavendra, S., & Leela Rani, K. (2021). Identification of water stress in pearl millet crop using UAV based hyperspectral remote sensing. Geocarto International, 38(1), 2208816.
Singh, A. K., Ganapathysubramanian, B., Sarkar, S., & Singh, A. (2018). Deep learning for plant stress phenotyping: trends and future perspectives. Trends in Plant Science, 23(10), 883-898.
Sishodia, R. P., Ray, R. L., & Singh, S. K. (2020). Applications of remote sensing in precision agriculture: A review. Remote Sensing, 12(19), 3136.
Sitienei, I., Kamau, D. M., & Ndakidemi, P. A. (2017). Artificial intelligence approach for the prediction of Robusta coffee yield using soil fertility properties. Computers and Electronics in Agriculture, 155, 324-333.
Zhuang, S., Wang, P., Jiang, B., Li, M., & Gong, Z. (2020). Early detection of water stress in maize based on digital images. Computers and Electronics in Agriculture, 178, 105746.
Publicado
Cómo citar
Número
Sección
Categorías
Licencia
Derechos de autor 2025 InnDev
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-SinDerivadas 4.0.
