Predicción del rendimiento del trigo para múltiples cultivares basada en factores agroclimáticos

• Hoceme, Degaichia ^[1] ; Touati, Bakria ^[1] ; Ahcène, Hakem ^[1]
  1. [1] Centro de Investigación en Agropastoralismo (CRAPast). Djelfa, Argelia
• Localización: Revista mexicana de ciencias agrícolas, ISSN 2007-0934, ISSN-e 2007-9230, Vol. 17, Nº. 1, 2026
• Idioma: español
• Títulos paralelos:
  • Wheat yield prediction for multiple cultivars based on agroclimatic factors
• Enlaces
  • Texto completo (pdf)
• Resumen
  • español

    Este estudio tuvo como objetivo evaluar el rendimiento de cuatro cultivares de trigo duro Odysseo, Saragola, Irid y Maestrale utilizando dos técnicas de aprendizaje automático: árboles de clasificación y regresión y árboles aleatorios. El análisis de árboles de clasificación y regresión demostró que la temperatura media anual es el factor dominante que influye en el rendimiento en todos los cultivares. Para los cultivares Saragola, Irid y Maestrale, el rendimiento aumentó significativamente cuando la temperatura media anual superó los 17.25 °C, particularmente cuando la densidad de emergencia era óptima. Por el contrario, el cultivar Odysseo mostró sensibilidad tanto a la temperatura media anual como a las semillas por espiga, con mayores rendimientos asociados a una temperatura media anual superior a 17.25 °C y semillas por espiga superiores a 33.6. El análisis de árboles aleatorios confirmó la importancia de la temperatura media anual y la densidad de emergencia, destacando su fuerte poder predictivo. Los modelos proporcionaron una mayor robustez y capacidad de generalización al reducir la varianza de predicción, lo que los convierte en herramientas fiables para la predicción del rendimiento. Estos hallazgos subrayan las respuestas específicas de cada cultivar a las condiciones agroclimáticas, donde Odysseo está influenciado tanto por la temperatura media anual como por las semillas por espiga, mientras que Saragola, Irid y Maestrale demuestran una interacción crítica entre la temperatura media anual y la densidad de emergencia. La integración de los modelos de árboles aleatorios mejora la precisión de la predicción y ofrece información valiosa para el desarrollo de estrategias de agricultura de precisión adaptadas a las condiciones ambientales.

  • English

    This study aimed to evaluate the performance of four durum wheat cultivars Odysseo, Saragola, Irid and Maestrale using two machine learning techniques: classification and regression trees and random trees. Classification tree and regression analysis showed that mean annual temperature is the dominant factor influencing yield in all cultivars. For the Saragola, Irid and Maestrale cultivars, yield increased significantly when the mean annual temperature exceeded 17.25 °C, particularly when emergence density was optimal. In contrast, the Odysseo cultivar showed sensitivity to both average annual temperature and seeds per spike, with higher yields associated with an average annual temperature above 17.25 °C and seeds per spike above 33.6. The random tree analysis confirmed the importance of average annual temperature and emergence density, highlighting their strong predictive power. The models provided greater robustness and generalizability by reducing prediction variance, making them reliable tools for yield prediction. These findings highlight cultivar-specific responses to agroclimatic conditions, with Odysseo influenced by both mean annual temperature and seeds per ear, while Saragola, Irid and Maestrale demonstrate a critical interaction between mean annual temperature and emergence density. Integrating random tree models improves prediction accuracy and provides valuable information for developing precision agriculture strategies tailored to environmental conditions.