Desambiguación de múltiples deficiencias de nutrientes en el coco mediante normas diagnósticas composicionales impulsadas por algoritmos de aprendizaje automático

Por qué importa la nutrición del coco

Los cocos son mucho más que un telón de fondo tropical; son una red de seguridad económica para millones de pequeños agricultores, especialmente en el sur de la India. Sin embargo, en Kerala, una de las principales regiones productoras del mundo, los rendimientos han caído drásticamente en los últimos años. Un culpable importante no es solo la sequía o las plagas, sino un problema silencioso y complejo bajo los pies de los agricultores: múltiples carencias de nutrientes en el suelo y en las propias palmas. Este estudio explora una nueva forma de desenredar esas carencias superpuestas usando una herramienta matemática llamada diagnóstico composicional de nutrientes, combinada con aprendizaje automático, para ayudar a los agricultores a entender qué nutrientes son más importantes y cómo restaurar rendimientos saludables.

Una crisis oculta en los cocoteros

En los suelos lateríticos de Kerala, las palmas de coco a menudo crecen en pequeñas parcelas donde el uso de fertilizantes es bajo, irregular o se hace a base de conjeturas. Estos suelos rojos muy meteorizados son ácidos y propensos a la lixiviación, por lo que los nutrientes clave se pierden con las fuertes lluvias monzónicas. Los enfoques tradicionales de diagnóstico—mirar hojas amarilleantes, analizar uno o dos nutrientes a la vez o basarse en experimentos en maceta pequeños—tienen dificultades cuando muchos nutrientes están desequilibrados a la vez. Los síntomas de distintas deficiencias se superponen y pueden confundirse fácilmente con enfermedades o daños por insectos. Como resultado, los agricultores pueden aplicar el fertilizante equivocado o dosis insuficientes del correcto, dejando sin aprovechar gran parte del potencial de rendimiento.

De la muestreo de campo a las huellas nutricionales

Para capturar el panorama nutricional completo, los investigadores muestrearon 120 parcelas de coco en una amplia región del sur de Kerala, todas plantadas con la variedad común West Coast Tall. Recogieron suelo a dos profundidades cerca de las palmas, junto con una hoja “índice” específica de cada árbol, y midieron cuidadosamente un conjunto de nutrientes: elementos mayores como nitrógeno, fósforo y potasio; nutrientes secundarios como calcio, magnesio y azufre; y elementos traza que incluyen hierro, manganeso, zinc, cobre y boro. Los rendimientos variaron ampliamente —desde aproximadamente 34 hasta 118 cocos por palma y año— reflejando cómo cada árbol experimentó de manera diferente este complejo entorno de nutrientes. Los análisis confirmaron muchos patrones típicos de los suelos lateríticos: condiciones ácidas, descenso del calcio y magnesio con la profundidad, fósforo y potasio dispares y suministros particularmente frágiles de boro.

Usar razones y algoritmos para decodificar el desequilibrio

En lugar de juzgar cada nutriente en una simple escala de “suficiente o no”, el equipo trató la nutrición vegetal como un sistema cerrado, donde todos los niveles de nutrientes deben interpretarse en relación unos con otros. El diagnóstico composicional de nutrientes convierte los contenidos foliares en un conjunto de log‑razones que describen cómo se compara cada nutriente con el grupo en su conjunto. A partir de las palmas de mayor rendimiento (las que producen más de unas 81 cocos al año), los investigadores definieron un patrón de equilibrio “ideal”: normas que actúan como la huella nutricional de un árbol bien alimentado. Para cualquier palma nueva, su conjunto de razones puede compararse con estas normas, produciendo un índice para cada nutriente que muestra tanto la dirección (deficiencia o exceso) como la gravedad. Un “índice de desequilibrio” combinado resume hasta qué punto la nutrición de la palma se ha apartado del óptimo.

Qué limita el rendimiento y cómo ayudan las máquinas

Aplicar este marco a los datos de campo reveló que el magnesio fue el nutriente limitante más común, seguido de cerca por el potasio; también aparecieron deficiencias de fósforo, azufre, zinc y boro en muchas palmas. En los árboles de bajo rendimiento, los índices nutricionales de magnesio, potasio y fósforo mostraron vínculos positivos fuertes con el rendimiento, lo que significa que un mejor equilibrio en estos nutrientes se tradujo directamente en más cocos. El estudio también reveló interacciones intrincadas: por ejemplo, el exceso de fósforo tendía a interferir con el zinc, y niveles altos de algunas cationes entorpecían a otros. Para poner a prueba si las reglas diagnósticas eran robustas, los autores entrenaron modelos de aprendizaje automático—un árbol de decisión y una red neuronal profunda—para clasificar las palmas como deficientes o suficientes en nutrientes en función de sus índices CND. Usando validación cruzada repetida, ambos modelos alcanzaron muy alta precisión y una excelente capacidad para distinguir palmas equilibradas de desequilibradas en todos los nutrientes.

Estrés por encima y por debajo del suelo

El estudio fue más allá al comparar el equilibrio nutricional con la incidencia de la enfermedad de la raíz (marchitez) y los ataques del diminuto ácaro eriófido, dos importantes amenazas biológicas en los cocotales de Kerala. Las palmas que sufrían déficits de magnesio y potasio no solo producían menos cocos, sino que también mostraban síntomas de enfermedad más severos y mayor daño por ácaros que las palmas con carencia solo de magnesio. Los investigadores proponen que una nutrición débil reduce la integridad de hojas y cocos, facilitando que los ácaros se oculten bajo el periantio aflojado (la base del coco) y que la enfermedad avance. De este modo, el estrés nutricional invisible y los problemas visibles de plagas y enfermedades se refuerzan mutuamente, profundizando las pérdidas de rendimiento.

De datos complejos a decisiones prácticas

Al combinar el diagnóstico composicional de nutrientes con el aprendizaje automático, este trabajo convierte una maraña de química del suelo, fisiología vegetal y presión de plagas en una herramienta de decisión estructurada. En lugar de adivinar qué nutriente añadir, los agricultores y asesores pueden identificar el nutriente más limitante, ordenar las restricciones secundarias y comprender cómo los desequilibrios pueden estar alimentando brotes de plagas y enfermedades. Para los cultivadores de coco de Kerala—y potencialmente para otros cultivos perennes en suelos difíciles—este enfoque ofrece una vía hacia programas de fertilización más inteligentes, palmas más saludables y cosechas más fiables del “Árbol del Paraíso”.

Cita: N., N., Raj, K.K., Gopinath, P.P. et al. Disambiguation of multiple nutrient deficiency stresses in coconut using compositional nutrient diagnostic norms powered by machine learning algorithms. Sci Rep 16, 13713 (2026). https://doi.org/10.1038/s41598-026-40501-x

Palabras clave: nutrición del coco, fertilidad del suelo, aprendizaje automático, desequilibrio de nutrientes, salud de las plantas