Hacia la mejora del rendimiento del sistema de predicción de cultivos para la agricultura de precisión usando un clasificador de vecinos más cercanos basado en el cuadrado de correlación de características

Por qué importan las decisiones más inteligentes sobre los cultivos

Para muchos agricultores, especialmente pequeños productores en países como India, elegir qué sembrar puede sentirse como una apuesta. Las variaciones meteorológicas, los cambios en las precipitaciones y las condiciones del suelo influyen en si un cultivo prospera o fracasa. Este estudio explora cómo los datos y herramientas sencillas de inteligencia artificial pueden eliminar parte de la incertidumbre de esa decisión, ayudando a los agricultores a ajustar los cultivos a las condiciones locales de forma más fiable y rentable.

Agricultura guiada por datos, no por conjeturas

La agricultura de precisión moderna usa sensores, registros meteorológicos y análisis de suelo para monitorear el entorno de cultivo con gran detalle. En lugar de confiar solo en la experiencia o la tradición, los agricultores pueden consultar números sobre nutrientes del suelo, temperatura, humedad y precipitaciones. Sin embargo, la mayoría de los sistemas informáticos actuales que transforman estas medidas en recomendaciones de cultivo pasan por alto cómo interactúan entre sí estos factores. Por ejemplo, el cultivo más adecuado puede depender no solo de la cantidad de lluvia o de nitrógeno, sino de la combinación particular de ambos. Ignorar esas relaciones puede dar lugar a predicciones menos sólidas y a oportunidades perdidas para obtener mejores rendimientos.

Encontrar patrones en cómo interactúan las condiciones del campo

Los autores proponen una forma nueva de captar cómo distintas condiciones del campo se mueven en conjunto. Comienzan limpiando y escalando todas las medidas en un conjunto de datos de cultivos para que ningún factor destaque solo por tener valores mayores. A continuación construyen lo que llaman un “cuadrado de correlación de características”: básicamente una rejilla que muestra, para cada par de mediciones, si tienden a subir y bajar juntas o a moverse en direcciones opuestas. Los vínculos positivos fuertes en esta rejilla indican que dos condiciones suelen ir de la mano; los vínculos negativos, que normalmente se separan. Este mapa de relaciones se convierte en un resumen compacto de cómo se comporta un conjunto particular de condiciones de campo.

Dejar que casos similares voten por el mejor cultivo

Una vez capturadas esas relaciones, el sistema aplica una idea simple pero potente: buscar situaciones pasadas que se parezcan a la actual y copiar la elección de cultivo que funcionó mejor allí. Esto se hace con un método llamado clasificador de vecinos más cercanos. Cada registro pasado en el conjunto de datos tiene tanto sus condiciones medidas como el cultivo que realmente se sembró. Para una nueva situación de campo, el sistema calcula cuán “cercana” está respecto a cada caso anterior, basándose en las características informadas por la correlación, y selecciona un pequeño grupo de los más similares. Estos vecinos más próximos votan entonces por qué cultivo es el más adecuado. Al ajustar cuidadosamente cuántos vecinos se consultan, los autores equilibran la estabilidad frente a la sensibilidad al ruido en los datos.

Pruebas con datos reales de recomendaciones de cultivos

Para evaluar su método, los investigadores lo probaron con un conjunto de datos público de recomendaciones de cultivos recogido en India. Los datos incluyen siete características clave: necesidades de nitrógeno, fósforo y potasio; temperatura; humedad; pH del suelo; y precipitaciones. El conjunto de datos cubre veintidós cultivos diferentes, desde cereales básicos como arroz y maíz hasta frutas como mango y papaya, así como cultivos de fibra y de plantación como algodón y café. Debido a que el conjunto de datos está perfectamente equilibrado, con el mismo número de ejemplos para cada cultivo, ofrece una base de prueba justa para comparar distintos modelos informáticos.

Superando métodos de predicción consolidados

El nuevo enfoque, llamado FCSNN, se comparó con varios métodos de aprendizaje automático ampliamente usados, incluidos árboles de decisión, bosques aleatorios, regresión logística, Naive Bayes, gradient boosting y un modelo estándar de vecinos más cercanos. Según múltiples medidas de rendimiento, FCSNN salió consistentemente por delante. Identificó correctamente el mejor cultivo en casi el 98% de los casos, y su tasa de error fue la más baja entre todos los métodos evaluados. Curiosamente, incluso los otros modelos mejoraron cuando se les suministraron características transformadas por el cuadrado de correlación, lo que subraya la importancia de respetar la interacción entre las condiciones del campo en lugar de tratar cada factor de forma aislada.

Qué significa esto para los agricultores

Para el público no especializado, la conclusión es sencilla: prestando atención a cómo se combinan los factores de suelo y clima, y no solo a sus valores individuales, los ordenadores pueden ofrecer consejos mucho más fiables sobre qué cultivar. El sistema FCSNN demuestra que incluso técnicas de inteligencia artificial relativamente simples, cuando se diseñan con cuidado, pueden afinar significativamente las predicciones de cultivo. En la práctica, esta herramienta podría conectarse a sensores de bajo coste en las fincas o a servicios de datos regionales, proporcionando a los agricultores orientación oportuna y específica por ubicación. Aunque este estudio utiliza datos históricos, trabajos futuros podrían integrar lecturas en tiempo real desde los campos, convirtiendo patrones ambientales complejos en decisiones de siembra claras y prácticas.

Cita: Kindra, K., Bhuvaneswari Amma, N.G. & Nageswari Amma, N.G. Towards enhancing the performance of crop prediction system for precision agriculture using feature correlation square-based nearest neighbor classifier. Sci Rep 16, 8807 (2026). https://doi.org/10.1038/s41598-026-35212-2

Palabras clave: agricultura de precisión, recomendación de cultivos, aprendizaje automático, datos de suelo y clima, agricultura de pequeños productores