Modelado predictivo del crecimiento del mijo en suelos enmendados con pesticidas y vinaza mediante interpretación de regresión SHAP

Por qué esto importa para nuestra comida y el suelo

La agricultura moderna depende de pesticidas para proteger los cultivos y de subproductos industriales como la vinaza, un líquido rico en nutrientes procedente del procesamiento de la caña de azúcar, para fertilizar los campos. Pero la mezcla de estos químicos y residuos en el suelo puede tener efectos ocultos sobre el crecimiento de las plantas y la salud del suelo a largo plazo. Este estudio plantea una pregunta práctica con grandes implicaciones: ¿podemos usar modelos informáticos avanzados para desenredar cómo interactúan estas sustancias en el suelo y afectan a un cultivo forrajero resistente, el mijo perla, a lo largo del tiempo?

Un banco de pruebas para un suelo agrícola cambiante

Los investigadores cultivaron plantas de mijo perla en macetas bajo condiciones de invernadero, simulando áreas reales de cultivo de caña donde los pesticidas y la vinaza son habituales. Se centraron en dos productos de uso extendido: tebuthiurón, un herbicida de larga persistencia, y tiametoxam, un insecticida, junto con la vinaza, que se aplica con frecuencia como fertilizante líquido. Al combinar la presencia o ausencia de cada uno de estos tres insumos, crearon suelos con distintos escenarios de contaminación y fertilización. El equipo luego monitorizó cómo respondían las plantas de mijo mediante mediciones sencillas pero reveladoras: el peso seco de raíces y partes aéreas, y el verdor de las hojas, que refleja la clorofila y la salud general de la planta.

Dejar que los datos hablen con aprendizaje automático

En lugar de buscar relaciones simples de causa y efecto uno a uno, los autores recurrieron a un conjunto de herramientas de aprendizaje automático. Estos modelos informáticos están diseñados para encontrar patrones en datos complejos y ruidosos con los que la estadística tradicional a menudo tiene dificultades. Probaron nueve métodos de regresión, desde modelos lineales sencillos hasta técnicas más flexibles como bosques aleatorios y regresión por procesos gaussianos. Para asegurarse de que los modelos no solo fueran precisos sino también comprensibles, emplearon un método llamado SHAP (Shapley Additive Explanations), que muestra cuánto empuja hacia arriba o hacia abajo cada factor —tiempo, pesticidas y vinaza— las predicciones para cada planta.

El tiempo es el gigante silencioso en el crecimiento de las plantas

En todos los modelos, un mensaje quedó claro: el tiempo fue el motor dominante de las predicciones. Cuando se incluía el número de días desde la siembra, los modelos hicieron un trabajo modesto pero significativo anticipando la biomasa de raíces y partes aéreas. Al eliminar el tiempo, su precisión se desplomó, explicando casi ninguna de las variaciones en el crecimiento vegetal. Los análisis SHAP confirmaron esto, mostrando que el tiempo tenía consistentemente la influencia más fuerte sobre la biomasa prevista, mientras que los pesticidas y la vinaza jugaban papeles menores y dependientes del contexto. Esto tiene sentido biológico: los sistemas de raíces y brotes se desarrollan gradualmente, y sus respuestas a los químicos se acumulan o se atenúan durante semanas en lugar de aparecer de golpe.

Actores buenos y malos en la mezcla del suelo

Los modelos también detectaron señales más sutiles sobre cómo cada aditivo del suelo afectaba al crecimiento del mijo. La vinaza tendió a favorecer el desarrollo vegetal, actuando como acondicionador del suelo y fuente de nutrientes que a menudo aumentó la biomasa de las partes aéreas en las simulaciones. En contraste, el tebuthiurón y, en menor medida, el tiametoxam mostraron contribuciones generalmente neutras o negativas, coherentes con su reputación como químicos persistentes que pueden estresar plantas no objetivo y la vida del suelo. De forma importante, los modelos sugirieron que la interacción entre estos factores —cómo la vinaza modifica las condiciones del suelo, cómo los pesticidas se degradan o persisten, y cómo todo esto cambia con el tiempo— es demasiado compleja como para captarla con una sola medida puntual.

Qué significa esto para una agricultura más inteligente y segura

Para un lector general, la conclusión clave es que predecir el crecimiento vegetal en suelos tratados químicamente no es solo cuestión de qué productos están presentes, sino de cuánto tiempo han estado expuestas las plantas y cómo interactúan esas sustancias a medida que cambian las condiciones. El estudio muestra que el aprendizaje automático interpretable puede revelar estos patrones sensibles al tiempo, incluso cuando los datos son desordenados y los efectos modestos. Si bien los modelos no fueron bolas de cristal perfectas, confirmaron de forma fiable que la vinaza puede ayudar al crecimiento de las plantas y que los pesticidas persistentes pueden retrasarlo, todo bajo la fuerte influencia del tiempo. Este tipo de enfoque puede ayudar a agricultores, agrónomos y reguladores a diseñar estrategias de manejo que mantengan la productividad del suelo mientras reducen los riesgos a largo plazo por acumulación química.

Cita: Frias, Y.A., de Almeida Moreira, B.R., Valério, T.S. et al. Predictive modeling of millet growth in pesticide- and vinasse-amended soils using SHAP regression interpretation. Sci Rep 16, 6935 (2026). https://doi.org/10.1038/s41598-026-35512-7

Palabras clave: suelos contaminados por pesticidas, mijo perla, fertirrigación con vinaza, aprendizaje automático en la agricultura, remediación del suelo