Desarrollo de un Sistema de Análisis y Predicción de Condiciones Agronómicas para Optimizar el Rendimiento en la Cosecha de Banano en la Bananera "La Fortuna"

Autores/as

DOI:

https://doi.org/10.59169/pentaciencias.v8i3.1859

Palabras clave:

agricultura de precisión; aprendizaje automático; rendimiento de cultivos; sistema web; regresión ridge; banano; analítica de datos

Resumen

El cultivo de banano constituye uno de los pilares de la economía ecuatoriana; sin embargo, en muchas fincas su productividad sigue condicionada por prácticas tradicionales de seguimiento agronómico, registros dispersos y procesos administrativos poco eficientes. En este contexto, la presente investigación tuvo como objetivo implementar un sistema web integral de análisis y predicción de condiciones agronómicas para optimizar el rendimiento del cultivo en la hacienda "La Fortuna", ubicada en el cantón Valencia. El estudio se desarrolló con un enfoque mixto, de tipo aplicado y descriptivo, y se apoyó en el marco ágil Scrum para organizar el proceso de construcción tecnológica. Durante la fase de diagnóstico se trabajó con 15 actores estratégicos de la hacienda, lo que permitió identificar necesidades operativas, estandarizar 18 variables críticas climáticas, edáficas, nutricionales, fitosanitarias, productivas y de gestión e integrar información en una sola plataforma. Como resultado, se implementó un modelo de Regresión Ridge para la predicción del rendimiento, el cual alcanzó un coeficiente de determinación R² de 0.70 y un Error Porcentual Absoluto Medio de 17.9%, valores que evidencian una capacidad predictiva adecuada para apoyar la planificación operativa. La plataforma redujo en un 93% el tiempo administrativo destinado a la generación de reportes medido mediante cronometraje en condiciones reales antes y después de la implementación y obtuvo una aceptación del 96.7% por parte de los usuarios evaluados a través de una escala de Likert de cinco puntos. La integración de analítica de datos, la trazabilidad digital y la predicción automatizada fortalecen la toma de decisiones y favorecen una gestión agronómica más precisa, oportuna y sostenible.

Descargas

Los datos de descargas todavía no están disponibles.

Citas

Aeberli, A., Phinn, S., Johansen, K., Robson, A., y Lamb, D. W. (2023). Characterisation of banana plant growth using high-spatiotemporal-resolution multispectral UAV imagery. Remote Sensing, 15(3), 679. https://doi.org/10.3390/rs15030679

Akkem, Y., Biswas, S. K., y Varanasi, A. (2023). Smart farming using artificial intelligence: A review. Engineering Applications of Artificial Intelligence, 120, 105899. https://doi.org/10.1016/j.engappai.2023.105899

Betew, A. G., Gebresenbet, G., Gelaw, G. K., Mengistu, D. A., y Yibre, A. M. (2026). Historical and contemporary crop yield prediction models: Key lessons and innovations. Smart Agricultural Technology, 13, 101672. Advance online publication. https://doi.org/10.1016/j.atech.2025.101672

Garabi, L., y Robinson, H. (2026). Modelos predictivos del impacto del cambio climático sobre los rendimientos agrícolas. Polo del Conocimiento, 11(1), 720–747. https://doi.org/10.23857/pc.v11i1.11038

Hayat, A., Baglat, P., Mendonça, F., Mostafa, S. S., y Morgado-Dias, F. (2024). Machine learning system for commercial banana harvesting. Engineering Research Express, 6(3), 035202. https://doi.org/10.1088/2631-8695/ad5cd2

Najdenko, E., Lorenz, F., Dittert, K., y Olfs, H.-W. (2024). Rapid in-field soil analysis of plant-available nutrients and pH for precision agriculture: A review. Precision Agriculture, 25(6), 3189–3218. https://doi.org/10.1007/s11119-024-10181-6

Olivares, B. O., Vega, A., Rueda Calderón, M. A., Montenegro-Gracia, E., Araya-Almán, M., y Marys, E. (2022). Prediction of banana production using epidemiological parameters of Black Sigatoka: An application with Random Forest. Sustainability, 14(21), 14123. https://doi.org/10.3390/su142114123

Organización de las Naciones Unidas para la Alimentación y la Agricultura. (2016). Buenas prácticas agrícolas para bananos. Foro Mundial Bananero. https://www.fao.org/world-banana-forum/projects/good-practices/good-agricultural-practices/es/

Rapetti, M., y Dorel, M. (2022). Bunch weight determination in relation to the source-sink balance in 12 Cavendish banana cultivars. Agronomy, 12(2), 333. https://doi.org/10.3390/agronomy12020333

Romero-García, C. V., Saraguro-Reyes, C. M., Mazon-Olivo, B. E., y Morocho-Román, R. F. (2025). Agricultura de precisión en la producción de banano: Revisión sistemática. Ingenium et Potentia, 7(12), 50–76. https://doi.org/10.35381/i.p.v7i12.4450

Yánez-Cajo, D., Vásconez-Montúfar, G., Villamar-Torres, R. O., Godoy-Montiel, L., Jazayeri, S. M., Pérez-Porras, F., y Mesas-Carrascosa, F. (2025). Banana yield prediction using Random Forest, integrating phenology data, soil properties, spectral technology, and UAV imagery in the Ecuadorian Littoral Region. Sustainability, 17(22), 10098. https://doi.org/10.3390/su172210098

Silva-Arero, E. A., Cardona, W. A., Bolaños-Benavides, M. M., y Morales-Osorno, H. (2022). Nutrient injection: an efficient technique to increase plantain (Musa AAB) crop yield. Agronomía Mesoamericana, 33(3), 48192. https://doi.org/10.15517/am.v33i3.48192

Fernández-Ledesma, C. M., Garcés-Fiallos, F. R., Rosso, F., Cordero, N., Ferraz, S., Durigon, A., y Portalanza, D. (2023). Assessing the risk of Fusarium oxysporum f. sp. cubense Tropical Race 4 outbreaks in Ecuadorian banana crops using spatial climatic data. Scientia Agropecuaria, 14(3), 301-314. https://doi.org/10.17268/sci.agropecu.2023.026

Acuña, R., Rouard, M., Leiva, A. M., Marques, C., Olortegui, A., et al. (2022). First report of Fusarium oxysporum f. sp. cubense Tropical Race 4, causing Fusarium wilt in Cavendish bananas in Peru. Plant Disease, 106(8), 2268. https://doi.org/10.1094/PDIS-09-21-1951-PDN

Batjes, NH; Calisto, L; de Sousa, LM. 2024. Providing quality assessed and standardised soil data to support global mapping and modelling (WoSIS snap-shot 2023). Earth System Science Data 16(10):4735-4765. DOI: https://doi.org/10.5194/essd-16-4735-2024

Descargas

Publicado

2026-08-12

Cómo citar

Vinces Manzaba, L. A. ., Macías Cajamarca, D. A. ., Najarro Quintero, R. ., & Bajaña Zajia, J. X. (2026). Desarrollo de un Sistema de Análisis y Predicción de Condiciones Agronómicas para Optimizar el Rendimiento en la Cosecha de Banano en la Bananera "La Fortuna" . Revista Científica Arbitrada Multidisciplinaria PENTACIENCIAS, 8(3), 204–212. https://doi.org/10.59169/pentaciencias.v8i3.1859

Número

Sección

Artículos originales