UniTriRob: un modelo de regresión de aprendizaje automático robusto para predecir rendimientos de lechuga en agricultura vertical aeropónica

Por qué importan las granjas de lechuga más inteligentes

Alimentar a las ciudades con verduras frescas todo el año es difícil cuando la tierra, el agua y el clima están bajo presión. Las granjas verticales aeropónicas cultivan lechuga en torres interiores altas utilizando niebla en lugar de suelo, ahorrando espacio y agua. Pero obtener cosechas fiables de estas granjas de alta tecnología requiere conocer de antemano cuánto producirán. Este estudio presenta una nueva forma de pronosticar los rendimientos de lechuga con mayor precisión, ayudando a los agricultores a planificar mejor mientras usan menos recursos.

Cultivar ensalada en el aire

En la agricultura vertical aeropónica, las plantas de lechuga se sitúan en columnas apiladas y sus raíces quedan colgando en el aire, pulverizadas regularmente con una niebla rica en nutrientes. Dado que todo, desde la temperatura y la humedad hasta la luz, el pH y la concentración de nutrientes puede ajustarse con precisión, los agricultores pueden cultivar lechuga rápidamente con menos agua que en campos con suelo. La desventaja es que estos sistemas tan controlados son sorprendentemente sensibles. Pequeñas fallas en los sensores o variaciones breves en las condiciones pueden sesgar las mediciones, lo que dificulta confiar en herramientas de predicción simples que suponen datos limpios y estables.

Por qué las matemáticas habituales se quedan cortas

Muchas predicciones de rendimiento existentes se basan en regresiones estándar o en métodos populares de aprendizaje automático, que funcionan mejor cuando los datos se comportan de forma ordenada. En granjas aeropónicas reales, las lecturas de sensores que registran pH, sólidos disueltos totales, conductividad eléctrica, turbidez, temperatura, humedad, luz y crecimiento suelen incluir valores atípicos y ruido desigual. Una boquilla obstruida, un breve corte de energía o un sensor que deriva pueden generar valores extremos que desvían los modelos ordinarios. Como resultado, enfoques anteriores no pudieron afrontar completamente la realidad desordenada de ensayos agrícolas interiores a largo plazo.

Un modelo en tres partes diseñado para ignorar datos malos

Los autores diseñaron un nuevo marco de regresión llamado UniTriRob que combina tres técnicas robustas en un solo modelo. Una parte reduce suavemente la influencia de pequeñas anomalías; otra ajusta líneas repetidamente descartando claramente los valores atípicos; una tercera se basa en medianas en lugar de medias para resistir puntos extremos. Juntas, desvalorizan lecturas sospechosas en lugar de permitir que dominen el resultado. El modelo se entrenó con más de 50.000 registros con marca temporal recolectados cada 15 minutos durante varios ciclos de crecimiento de lechuga en una torre aeropónica, capturando cómo cambiaron las condiciones clave a lo largo del tiempo y cómo esos cambios afectaron el rendimiento final.

Probar el modelo en una granja en funcionamiento

Tras una limpieza y visualización cuidadosas de los datos, los investigadores dividieron sus registros en conjuntos de entrenamiento y de prueba. Luego compararon UniTriRob con una variedad de alternativas comunes, incluidas regresiones lineales y polinómicas, regresión por vectores de soporte y varios métodos robustos usados por separado. Usando medidas como el error cuadrático medio, el error absoluto medio y el error porcentual, UniTriRob realizó de forma constante las predicciones más cercanas al peso realmente cosechado de la lechuga. Explicó alrededor del 98 por ciento de la variación en el rendimiento, redujo las tasas de error en aproximadamente una quinta a una cuarta parte en comparación con modelos estándar, y lo hizo con un tiempo de cálculo razonable, lo que lo hace práctico para sistemas de control en granjas reales.

Qué significa esto para las granjas urbanas del futuro

Pronósticos de rendimiento más precisos permiten a los agricultores de interior afinar el riego, los nutrientes y la iluminación en lugar de confiar en conjeturas. En este estudio, el modelo robusto ayudó a revelar qué factores importaban más y sugirió formas de recortar el uso de recursos, como reducir el consumo de agua hasta en un 40 por ciento en ensayos piloto. Los autores subrayan que sus resultados se aplican a la lechuga cultivada en una configuración aeropónica específica y que se necesita más trabajo para probar otros cultivos y sistemas. Aun así, UniTriRob demuestra que tratar con cuidado los datos ruidosos de sensores puede hacer que las granjas verticales de alta tecnología sean más predecibles, eficientes y más aptas para suministrar alimentos frescos a ciudades densamente pobladas.

Cita: Rajendiran, G., Rethnaraj, J., Zade, S. et al. UniTriRob: a robust machine learning regression model for predicting lettuce yields in aeroponic vertical farming. Sci Rep 16, 15791 (2026). https://doi.org/10.1038/s41598-026-44564-8

Palabras clave: lechuga aeropónica, agricultura vertical, predicción de rendimiento, regresión robusta, agricultura inteligente