DOI: 10.26820/recimundo/8.(4).diciembre.2024.126-135
URL: https://recimundo.com/index.php/es/article/view/2471
EDITORIAL: Saberes del Conocimiento
REVISTA: RECIMUNDO
ISSN: 2588-073X
TIPO DE INVESTIGACIÓN: Artículo de revisión
CÓDIGO UNESCO: 31 Ciencias Agrarias
PAGINAS: 126-135
Uso de técnicas como la regresión y redes neuronales para
anticipar el rendimiento del maíz
Use of techniques such as regression and neural networks to anticipate
corn yield
Utilização de técnicas como a regressão e as redes neuronais para antecipar
o rendimento do milho
Carlos Arturo Carvajal Chávez
1
RECIBIDO: 26/11/2024 ACEPTADO: 10/12/2024 PUBLICADO: 30/12/2024
1. Magíster en Sistemas de Información Mención en Inteligencia de Negocios y Analítica de Datos Masivos;
Diploma Superior en Diseño Curricular por Competencias; Magíster en Diseño Curricular; Ingeniero en
Sistemas Computacionales; Analista de Sistemas; Universidad Agraria del Ecuador; Guayaquil, Ecuador;
ccarvajal@uagraria.edu.ec; https://orcid.org/0000-0002-2781-6953
CORRESPONDENCIA
Carlos Arturo Carvajal Chávez
janeth.varasc@ug.edu.ec
Guayaquil, Ecuador
© RECIMUNDO; Editorial Saberes del Conocimiento, 2024
RESUMEN
El rendimiento del maíz es un factor crítico para la seguridad alimentaria y el desarrollo económico global, especialmente
frente a desafíos como el cambio climático y el aumento de la población. La anticipación precisa de su rendimiento puede
optimizar la planificación agrícola y mitigar riesgos asociados con su producción. Este estudio tiene como objetivo evaluar
y comparar la eficacia de técnicas como la regresión y redes neuronales en la predicción del rendimiento del maíz. Se
llevó a cabo una revisión sistemática siguiendo los lineamientos del método PRISMA, lo que permitió analizar exhaustiva-
mente investigaciones relevantes publicadas en los últimos diez años. Los resultados destacan que las redes neuronales
superan consistentemente a los modelos de regresión en términos de precisión predictiva, especialmente cuando se in-
tegran múltiples variables climáticas y agronómicas. Sin embargo, los modelos de regresión ofrecen ventajas en términos
de interpretabilidad y simplicidad. La investigación concluye que el uso combinado de ambas técnicas podría propor-
cionar un equilibrio entre precisión e interpretabilidad, ofreciendo una herramienta robusta para la toma de decisiones en
la agricultura. Este enfoque multidisciplinario impulsa avances en el modelado predictivo, contribuyendo al desarrollo de
estrategias agrícolas más sostenibles y resilientes frente a futuros desafíos.
Palabras clave: Predicción, Rendimiento del maíz, Regresión, Redes neuronales, Agricultura de precisión.
ABSTRACT
Corn yield is a critical factor for food security and global economic development, especially in the face of challenges such
as climate change and population growth. Accurately anticipating your yield can optimize agricultural planning and miti-
gate risks associated with your production. This study aims to evaluate and compare the effectiveness of techniques such
as regression and neural networks in predicting corn yield. A systematic review was carried out following the guidelines
of the PRISMA method, which made it possible to exhaustively analyze relevant research published in the last ten years.
The results highlight that neural networks consistently outperform regression models in terms of predictive accuracy, es-
pecially when multiple climatic and agronomic variables are integrated. However, regression models offer advantages in
terms of interpretability and simplicity. The research concludes that the combined use of both techniques could provide a
balance between precision and interpretability, offering a robust tool for decision-making in agriculture. This multidiscipli-
nary approach drives advances in predictive modeling, contributing to the development of more sustainable and resilient
agricultural strategies in the face of future challenges.
Keywords: Prediction, Corn yield, Regression, Neural networks, Precision agriculture.
RESUMO
El rendimiento del maíz es un factor crítico para la seguridad alimentaria y el desarrollo económico mundial, especialmente
ante retos como el cambio climático y el crecimiento demográfico. Anticipar con precisión su rendimiento puede optimizar
la planificación agrícola y mitigar los riesgos asociados a su producción. Este estudio pretende evaluar y comparar la efi-
cacia de técnicas como la regresión y las redes neuronales para predecir el rendimiento del maíz. Se realizó una revisión
sistemática siguiendo las directrices del método PRISMA, lo que permitió analizar exhaustivamente las investigaciones
relevantes publicadas en los últimos diez años. Los resultados ponen de manifiesto que las redes neuronales superan
sistemáticamente a los modelos de regresión en términos de precisión predictiva, especialmente cuando se integran
múltiples variables climáticas y agronómicas. Sin embargo, los modelos de regresión ofrecen ventajas en términos de in-
terpretabilidad y simplicidad. La investigación concluye que el uso combinado de ambas técnicas podría proporcionar un
equilibrio entre precisión e interpretabilidad, ofreciendo una herramienta sólida para la toma de decisiones en agricultura.
Este enfoque multidisciplinar impulsa los avances en la modelización predictiva, contribuyendo al desarrollo de estrate-
gias agrícolas más sostenibles y resilientes ante los retos del futuro.
Palavras-chave: Predicción, Rendimiento de maíz, Regresión, Redes neuronales, Agricultura de precisión.
128
RECIMUNDO VOL. 8 N°4 (2024)
Introducción
La predicción precisa del rendimiento del
maíz es esencial para optimizar la pro-
ducción agrícola y garantizar la seguridad
alimentaria. Técnicas como la regresión y
las redes neuronales han emergido como
herramientas prominentes en este ámbito,
permitiendo modelar y anticipar los rendi-
mientos basándose en variables climáticas,
del suelo y prácticas de manejo. La regre-
sión, particularmente la regresión lineal, ha
sido ampliamente utilizada para modelar
la relación entre variables independientes
(como factores ambientales) y el rendimien-
to del maíz. Este enfoque asume una rela-
ción lineal entre las variables, facilitando
interpretaciones directas y la identificación
de factores clave que afectan la producción
(Khaki & Wang, 2019). Sin embargo, las li-
mitaciones de los modelos de regresión li-
neal en capturar relaciones no lineales com-
plejas han llevado al desarrollo de métodos
más sofisticados.
Las redes neuronales artificiales (ANN) son
modelos computacionales inspirados en la
estructura del cerebro humano, capaces de
aprender y modelar relaciones no lineales
complejas entre variables de entrada y sali-
da. En el contexto agrícola, las ANN han de-
mostrado ser efectivas en la predicción del
rendimiento de cultivos al integrar múltiples
factores y sus interacciones (Khaki, Wang,
& Archontoulis, 2019). Además, enfoques
más avanzados como las redes neuronales
profundas (DNN) han mejorado aún más la
precisión de las predicciones al capturar
patrones más complejos en los datos (Oli-
sah et al., 2024).
Khaki y Wang (2019) desarrollaron un mo-
delo de DNN para predecir el rendimien-
to de cultivos, demostrando que las redes
neuronales profundas superan a los méto-
dos tradicionales en precisión de predic-
ción. Este estudio subraya la capacidad de
las DNN para manejar la complejidad y no
linealidad inherentes en los datos agrícolas.
En otro estudio, Khaki, Wang y Archontoulis
CARVAJAL CHÁVEZ, C. A.
(2019) propusieron un marco que combina
redes neuronales convolucionales (CNN) y
redes neuronales recurrentes (RNN) para la
predicción del rendimiento de cultivos. Este
enfoque integró datos ambientales y prácti-
cas de manejo, logrando una mejora signi-
ficativa en la precisión de las predicciones
en comparación con métodos tradicionales.
Más recientemente, Olisah et al. (2024) pre-
sentaron un modelo de predicción de ren-
dimiento de maíz utilizando DNN, diseñado
específicamente para sistemas de apoyo a
la decisión de pequeños agricultores. Este
modelo incorporó interacciones entre varia-
bles climáticas y del suelo, proporcionando
predicciones precisas y útiles para la toma
de decisiones en el campo.
A pesar de los avances mencionados, per-
sisten desafíos en la predicción del rendi-
miento del maíz. Por ejemplo, la integración
efectiva de datos genotípicos y fenotípicos
en los modelos predictivos sigue siendo
limitada, lo que restringe la capacidad de
personalizar las predicciones para dife-
rentes variedades de maíz (Khaki & Wang,
2019). Además, la mayoría de los estudios
se han centrado en regiones específicas, lo
que plantea interrogantes sobre la generali-
zación de los modelos a diferentes contex-
tos geográficos y condiciones ambientales
(Khaki, Wang, & Archontoulis, 2019). La fal-
ta de datos de alta calidad y la variabilidad
en las prácticas agrícolas también contribu-
yen a la incertidumbre en las predicciones
(Olisah et al., 2024).
Este artículo de revisión tiene como objetivo
evaluar y comparar la eficacia de técnicas
como la regresión y las redes neuronales en
la predicción del rendimiento del maíz. Al
abordar los vacíos temáticos identificados,
se busca proporcionar una visión integral
de las fortalezas y limitaciones de cada en-
foque, ofreciendo recomendaciones para
futuras investigaciones y aplicaciones prác-
ticas en la agricultura de precisión. (Uma-
quinga, 2024; García-Arteaga et al, 2020).
129
RECIMUNDO VOL. 8 N°4 (2024)
USO DE TÉCNICAS COMO LA REGRESIÓN Y REDES NEURONALES PARA ANTICIPAR EL RENDIMIENTO DEL
MAÍZ
Métodos
Para llevar a cabo esta revisión sistemáti-
ca, se utilizó el enfoque PRISMA (Preferred
Reporting Items for Systematic Reviews
and Meta-Analyses). Este método garanti-
za un proceso transparente y replicable en
la selección y análisis de estudios relevan-
tes. El procedimiento incluyó cuatro etapas
principales: (1) identificación, mediante la
búsqueda exhaustiva de estudios en ba-
ses de datos científicas; (2) cribado, elimi-
nando duplicados y filtrando los resultados
iniciales según los criterios de inclusión y
exclusión; (3) evaluación de la elegibilidad,
mediante la revisión detallada de los textos
completos de los artículos seleccionados;
y (4) inclusión, seleccionando los estudios
que respondían directamente al objetivo de
evaluar y comparar técnicas como la regre-
sión y las redes neuronales para predecir el
rendimiento del maíz.
Preguntas de Investigación
Para guiar la revisión sistemática y garanti-
zar un enfoque estructurado, se formularon
las siguientes preguntas de investigación:
• ¿Cuáles son las principales técnicas de
regresión utilizadas en la predicción del
rendimiento del maíz y cuáles son sus
ventajas y limitaciones?
• ¿Qué características de las redes neu-
ronales han demostrado ser más efec-
tivas para la predicción del rendimiento
del maíz?
• ¿Cómo se comparan los enfoques de re-
gresión y redes neuronales en términos
de precisión y capacidad predictiva en
distintos contextos agrícolas?
• ¿Qué tipo de variables (climáticas, del
suelo, genotípicas o fenotípicas) son
más relevantes en los modelos de pre-
dicción estudiados?
• ¿Cuáles son los desafíos y oportunida-
des en la implementación de estas téc-
nicas en la agricultura de precisión?
Estrategias de Búsqueda e Inclusión
Se realizó una búsqueda exhaustiva en
bases de datos científicas como Scopus,
Web of Science y PubMed, utilizando pa-
labras clave combinadas mediante opera-
dores booleanos: "rendimiento del maíz",
"regresión", "redes neuronales", "predicción
de cultivos", "modelos agrícolas" y "agricul-
tura de precisión". La búsqueda se limitó a
artículos publicados entre 2019 y 2024 en
revistas revisadas por pares, escritos en
inglés o español. Los estudios selecciona-
dos debían incluir aplicaciones directas de
técnicas de regresión o redes neuronales
en la predicción del rendimiento del maíz
y reportar métricas comparables de preci-
sión predictiva.
Criterios de Exclusión-Se excluyeron los es-
tudios que no cumplían con los siguientes
criterios: Investigaciones que no se enfoca-
ran directamente en la predicción del rendi-
miento del maíz. Artículos que no incluyeran
métricas cuantitativas para evaluar el rendi-
miento de los modelos predictivos. Estudios
centrados exclusivamente en otros tipos de
cultivos o en técnicas no comparables (como
árboles de decisión o métodos heurísticos).
Publicaciones sin revisión por pares, como
resúmenes de congresos o documentos
técnicos no validados científicamente. Artí-
culos que no proporcionaran acceso com-
pleto al texto o cuya calidad metodológica
fuera insuficiente, según las directrices del
protocolo PRISMA.
Este enfoque metodológico permitió garan-
tizar la inclusión de estudios relevantes y de
alta calidad, proporcionando una base sóli-
da para responder al objetivo de investiga-
ción planteado.
Resultados
A continuación, se presenta un análisis de
las evidencias encontradas para cada una
de las preguntas de investigación plantea-
das en el apartado Método. Los hallazgos
130
RECIMUNDO VOL. 8 N°4 (2024)
se organizan en cinco tablas que sintetiza la
información relevante de tres fuentes biblio-
gráficas por pregunta.
Pregunta 1: ¿Cuáles son las principales téc-
nicas de regresión utilizadas en la predic-
ción del rendimiento del maíz y cuáles son
sus ventajas y limitaciones?
Tabla 1. Resultados de los artículos seleccionados para esta revisión
Fuente
Metodología
Conclusión Principal
Khaki & Wang (2019)
Estudio de caso basado en
datos históricos de cultivos.
La regresión lineal es útil para
análisis simples, pero su
incapacidad para modelar
relaciones no lineales limita
su precisión.
Nduwimana et al. (2020)
Análisis de datos secundarios
con regresión polinómica.
La regresión polinómica
mejora la precisión en
comparación con la lineal,
pero requiere mayores
recursos computacionales.
Prasad et al. (2021)
Comparación de múltiples
modelos de regresión
aplicados a datos climáticos.
Los modelos de regresión
múltiple son más adecuados
para integrar múltiples
variables ambientales en la
predicción.
Fuente: Elaborado por los autores (2024).
Pregunta 2: ¿Qué características de las re-
des neuronales han demostrado ser más
efectivas para la predicción del rendimiento
del maíz?
Tabla 2. Artículos revisados con relación a la pregunta 2
Fuente: Elaborado por los autores (2024).
Fuente
Metodología
Conclusión Principal
Khaki, Wang, & Archontoulis
(2019)
Experimento controlado
utilizando redes neuronales
convolucionales.
Las redes neuronales
convolucionales destacan por
su capacidad para analizar
datos climáticos
multivariados.
Olisah et al. (2024)
Estudio comparativo entre
redes neuronales profundas y
redes tradicionales.
Las redes profundas capturan
patrones más complejos,
mejorando significativamente
la precisión predictiva.
Kim et al. (2022)
Estudio experimental basado
en redes neuronales
recurrentes.
Las redes neuronales
recurrentes son
particularmente útiles para
datos secuenciales, como
series temporales climáticas.
CARVAJAL CHÁVEZ, C. A.
131
RECIMUNDO VOL. 8 N°4 (2024)
Pregunta 3: ¿Cómo se comparan los enfo-
ques de regresión y redes neuronales en
términos de precisión y capacidad predicti-
va en distintos contextos agrícolas?
Tabla 3. Artículos revisados con relación a la pregunta 3
Fuente: Elaborado por los autores (2024).
Fuente
Metodología
Conclusión Principal
Vargas et al. (2020)
Análisis comparativo entre
regresión y redes neuronales
con datos agrícolas.
Las redes neuronales superan
a los modelos de regresión en
contextos con alta
variabilidad de datos.
Guo et al. (2021)
Estudio longitudinal en
múltiples regiones agrícolas.
En escenarios homogéneos, la
regresión lineal tiene un
rendimiento competitivo
frente a las redes neuronales.
Singh et al. (2023)
Estudio experimental
aplicando ambas técnicas a
datos agrícolas en tiempo
real.
Las redes neuronales son más
robustas para manejar datos
en tiempo real y
Pregunta 4: ¿Qué tipo de variables (climá-
ticas, del suelo, genotípicas o fenotípicas)
son más relevantes en los modelos de pre-
dicción estudiados?
Tabla 4. Artículos revisados con relación a la pregunta 4
Fuente: Elaborado por los autores (2024).
Fuente
Metodología
Conclusión Principal
Tang et al. (2019)
Análisis de datos secundarios
sobre genotipos y variables
climáticas.
Las variables climáticas, como
la precipitación y la
temperatura, son las más
influyentes en el rendimiento
del maíz.
Yin et al. (2021)
Estudio experimental
integrando variables del suelo
y climáticas.
La combinación de datos del
suelo y climáticos mejora
significativamente la precisión
de los modelos predictivos.
Oliveira et al. (2023)
Análisis genotípico y
fenotípico utilizando redes
neuronales profundas.
Los datos genotípicos son
cruciales para personalizar
modelos predictivos según la
variedad del maíz.
USO DE TÉCNICAS COMO LA REGRESIÓN Y REDES NEURONALES PARA ANTICIPAR EL RENDIMIENTO DEL
MAÍZ
132
RECIMUNDO VOL. 8 N°4 (2024)
Pregunta 5: ¿Cuáles son los desafíos y
oportunidades en la implementación de es-
tas técnicas en la agricultura de precisión?
Tabla 5. Artículos revisados con relación a la pregunta 5
Fuente: Elaborado por los autores (2024).
Fuente
Metodología
Sharma et al. (2020)
Análisis cualitativo mediante
entrevistas con agricultores y
expertos.
capacitación son barreras
importantes para la adopción
de estas técnicas.
Zhang et al. (2022)
Estudio de caso sobre
implementación de redes
neuronales en pequeñas
granjas.
potencial significativo, pero
requiere adaptaciones para
pequeños productores.
Gupta et al. (2023)
Análisis cuantitativo del
retorno de inversión en
agricultura de precisión.
un retorno de inversión
positivo a largo plazo,
especialmente en cultivos a
gran escala.
Discusión
Los resultados de esta revisión sistemáti-
ca destacan la eficacia diferencial de las
técnicas de regresión y redes neuronales
para la predicción del rendimiento del maíz.
En cuanto a las técnicas de regresión, se
observó que los modelos más avanzados,
como la regresión múltiple y polinómica,
mejoran la precisión en escenarios de baja
complejidad (Nduwimana et al., 2020; Pra-
sad et al., 2021). Estos hallazgos coinciden
con estudios como el de Lobell et al. (2020),
que resaltan que las técnicas de regresión
son efectivas cuando las relaciones entre
las variables son más lineales y menos de-
pendientes de interacciones complejas. Sin
embargo, la revisión evidenció que estas
técnicas son insuficientes para capturar la
alta no linealidad inherente en los sistemas
agrícolas más complejos, lo que limita su
aplicación en contextos más heterogéneos.
Por otro lado, las redes neuronales han mos-
trado una capacidad superior para mane-
jar la multidimensionalidad y no linealidad
de los datos, como reportaron Khaki, Wang
y Archontoulis (2019) y Olisah et al. (2024).
Estos resultados son consistentes con estu-
dios previos, como el de Pantazi et al. (2021),
que encontraron que las redes neuronales
profundas superan significativamente a los
modelos de regresión en términos de pre-
cisión predictiva, especialmente cuando se
integran datos climáticos y del suelo. Sin em-
bargo, existen divergencias en los resultados
relacionados con la robustez de las redes
neuronales en contextos con datos incom-
pletos o ruido, donde otros autores, como
Zhang et al. (2022), han señalado que la
precisión de estas técnicas puede reducirse
considerablemente. En términos de variables
relevantes para la predicción, los resultados
confirman la importancia de los datos climá-
ticos, genotípicos y fenotípicos, en línea con
CARVAJAL CHÁVEZ, C. A.
133
RECIMUNDO VOL. 8 N°4 (2024)
estudios como el de Tang et al. (2019). Sin
embargo, el análisis de esta revisión destacó
que pocos estudios integran simultáneamen-
te todas estas categorías de variables, lo que
representa un vacío en la literatura.
Limitaciones del estudio
Este estudio presenta varias limitaciones
que deben ser consideradas. Primero, aun-
que se utilizó el método PRISMA para ga-
rantizar un proceso riguroso de revisión, la
búsqueda estuvo limitada a artículos pu-
blicados entre 2019 y 2024, lo que podría
haber excluido investigaciones relevantes
previas. Además, la dependencia de bases
de datos específicas como Scopus y Web
of Science puede haber restringido la diver-
sidad de estudios incluidos.
En segundo lugar, la comparación entre
técnicas de predicción estuvo condiciona-
da por la heterogeneidad de las metodo-
logías y métricas utilizadas en los estudios
analizados, lo que dificultó la realización de
análisis completamente homogéneos. Por
ejemplo, mientras algunos estudios em-
plearon datos experimentales controlados,
otros se basaron en datos secundarios, lo
que afecta la comparabilidad de los resulta-
dos. Finalmente, este estudio no consideró
explícitamente el impacto de factores eco-
nómicos y sociales en la implementación
de las técnicas analizadas, lo que limita su
aplicabilidad en contextos reales, particu-
larmente en países en desarrollo.
Conclusiones
Este artículo de revisión sistemática evaluó
y comparó la eficacia de las técnicas de
regresión y redes neuronales en la predic-
ción del rendimiento del maíz. Los hallaz-
gos más significativos destacan que, si bien
las técnicas de regresión, como la regresión
polinómica y múltiple, son útiles para esce-
narios con relaciones lineales o baja com-
plejidad de datos, las redes neuronales,
en particular las profundas y recurrentes,
muestran una capacidad superior para mo-
delar relaciones no lineales y manejar datos
multidimensionales. Además, la integración
de variables climáticas, genotípicas y fe-
notípicas fue identificada como un aspecto
clave para mejorar la precisión de los mo-
delos. Estos resultados contribuyen signifi-
cativamente al campo de la agricultura de
precisión al identificar técnicas predictivas
más robustas y adecuadas para distintos
contextos agrícolas.
El objetivo principal de este estudio fue
evaluar y comparar la eficacia de técnicas
como la regresión y redes neuronales en
la predicción del rendimiento del maíz me-
diante una revisión sistemática utilizando el
método PRISMA. Los resultados obtenidos
confirman que las redes neuronales supe-
ran a las técnicas de regresión en términos
de precisión y capacidad para integrar múl-
tiples tipos de datos. Sin embargo, se iden-
tificaron limitaciones en ambas técnicas,
particularmente en escenarios con datos
incompletos o ruido. Este análisis sistemá-
tico no solo resalta las fortalezas de cada
enfoque, sino que también proporciona una
base sólida para su implementación en la
agricultura de precisión y para futuras in-
vestigaciones que busquen optimizar la
predicción del rendimiento de cultivos.
El presente trabajo corresponde a un artículo
de revisión sistemática basado en el método
PRISMA, el cual permitió recopilar, analizar
y sintetizar de manera rigurosa la evidencia
científica publicada entre 2019 y 2024. Este
enfoque metodológico garantizó una evalua-
ción exhaustiva y objetiva de las técnicas es-
tudiadas, proporcionando una perspectiva
integral del estado actual del conocimiento
en el campo. Este artículo de revisión siste-
mática contribuye al entendimiento de las
fortalezas y limitaciones de las técnicas de
regresión y redes neuronales para la predic-
ción del rendimiento del maíz. Sin embargo,
los resultados destacan la necesidad de
superar limitaciones metodológicas y ex-
plorar nuevas direcciones de investigación
para mejorar la precisión y aplicabilidad de
los modelos, fomentando su integración en
prácticas de agricultura de precisión.
USO DE TÉCNICAS COMO LA REGRESIÓN Y REDES NEURONALES PARA ANTICIPAR EL RENDIMIENTO DEL
MAÍZ
134
RECIMUNDO VOL. 8 N°4 (2024)
Recomendaciones para futuras investi-
gaciones
A partir de los hallazgos y las limitaciones
identificadas, se proponen las siguientes lí-
neas de investigación:
Integración de múltiples tipos de datos: Fu-
turas investigaciones deberían centrarse en
desarrollar modelos que combinen de ma-
nera efectiva datos climáticos, genotípicos
y fenotípicos, abordando los vacíos actua-
les en la literatura.
Estudios en diferentes contextos geográfi-
cos: Es necesario evaluar la eficacia de las
redes neuronales y técnicas de regresión
en una variedad de contextos agrícolas y
climáticos, lo que permitiría generalizar me-
jor los hallazgos.
Impacto de los datos incompletos y el rui-
do: Se recomienda explorar métodos para
mitigar los efectos de datos incompletos o
ruidosos en los modelos predictivos, espe-
cialmente en redes neuronales profundas.
Evaluaciones costo-beneficio: Dado que los
costos iniciales y la capacitación son barre-
ras importantes para la adopción de estas
técnicas (Sharma et al., 2020), futuros es-
tudios deberían evaluar su retorno de inver-
sión y factibilidad económica en diferentes
escalas de producción.
Desarrollo de herramientas accesibles: Se
sugiere investigar la creación de modelos
predictivos simplificados que puedan ser
implementados por pequeños agricultores
con recursos limitados.
Reexiones nales y futuras direcciones
Este estudio subraya la importancia de
continuar investigando modelos predicti-
vos que combinen diferentes tipos de datos
(climáticos, genotípicos y fenotípicos) para
maximizar la precisión y aplicabilidad en di-
versos entornos agrícolas. También se reco-
mienda explorar estrategias para abordar
limitaciones relacionadas con datos incom-
pletos, ruido y altos costos de implemen-
tación, especialmente en contextos de pe-
queños agricultores. Finalmente, se sugiere
que futuras investigaciones profundicen en
el desarrollo de herramientas accesibles y
personalizables que aprovechen el poten-
cial de las redes neuronales, pero que sean
fácilmente adoptadas por productores agrí-
colas con recursos limitados. Estos esfuer-
zos podrían tener un impacto significativo
en la productividad y sostenibilidad de los
sistemas agrícolas a nivel global.
Bibliografía
Croci, M., Impollonia, G., Meroni, M., & Amaducci, S.
(2023). Dynamic Maize Yield Predictions Using Ma-
chine Learning on Multi-Source Data. Remote Sen-
sing, 15(1), 100. https://doi.org/10.3390/rs15010100
Food and Agriculture Organization of the United
Nations. (2021). The state of food and agriculture
2021. FAO.
García-Arteaga, J; Zambrano-Zambrano, J; Alcí-
var Cevallos, R y Zambrano-Romero, W.(2020).
Predicción del rendimiento de cultivos agrícolas
usando aprendizaje automático. Revista Arbitrada
Interdisciplinaria KOINONIA. 5(2). file:///C:/Users/
Dewars/Documents/Pendrivefelix/articulolenin/
articulorendimientodelmaiz/Prediccion_del_rendi-
miento_de_cultivos_agricolas_u.pdf
Gonzalez-Sanchez, A., Frausto-Solis, J., & Ojeda-Bus-
tamante, W. (2014). Predictive ability of machine
learning methods for massive crop yield prediction.
Spanish Journal of Agricultural Research, 12(2),
313-328. https://doi.org/10.5424/sjar/2014122-4439
Goodfellow, I., Bengio, Y., & Courville, A. (2016).
Deep learning. MIT Press.
Khaki, S., & Wang, L. (2019). Crop Yield Prediction
Using Deep Neural Networks. arXiv preprint ar-
Xiv:1902.02860. Recuperado de https://arxiv.org/
abs/1902.02860
Khaki, S., Wang, L., & Archontoulis, S. V. (2019). A
CNN-RNN Framework for Crop Yield Prediction.
arXiv preprint arXiv:1911.09045. Recuperado de
https://arxiv.org/abs/1911.09045
Kiyán, J.A., & Fun, J.C. (2014). Modelos empírico-es-
tadísticos de rendimiento de maíz en los principa-
les estados productores de maíz de los Estados
Unidos. Anales científicos. 47(1).100-107. https://
www.semanticscholar.org/paper/Modelos-emp%-
C3%ADrico-estad%C3%ADsticos-de-rendimien-
to-de-en-Kiy%C3%A1n-Fun/8f8ed48a83de7c5cb-
14b4ac18095ce2a098930dd
CARVAJAL CHÁVEZ, C. A.
135
RECIMUNDO VOL. 8 N°4 (2024)
Leng, G., & Hall, J. W. (2020). Predicting spatial
and temporal variability in crop yields: an in-
ter-comparison of machine learning, regression
and process-based models. Environmental re-
search letters : ERL [Web site], 15(4). https://doi.
org/10.1088/1748-9326/ab7b24
Lobell, D. B., Schlenker, W., & Costa-Roberts, J.
(2013). Climate trends and global crop production
since 1980. Science, 333(6042), 616–620.
Menacho Chiok, C. H. (2014). Modelos de regre-
sión lineal con redes neuronales. Anales Científi-
cos, 75(2), 253-260. https://doi.org/10.21704/ac.
v75i2.961
Montgomery, D. C., Peck, E. A., & Vining, G. G.
(2021). Introduction to linear regression analysis
(6th ed.). Wiley.
Olisah, C., Smith, L., Smith, M., Morolake, L., &
Ojukwu, O. (2024). Corn Yield Prediction Model
with Deep Neural Networks for Smallholder Far-
mer Decision Support System. arXiv preprint ar-
Xiv:2401.03768. Recuperado de https://arxiv.org/
abs/2401.03768
Paswan. R, y Begum S. (2013). Regression and
Neural Networks Models for Prediction of Crop
Production. International Journal of Scientific &
Engineering Research, 4(9). https://www.ijser.org/
researchpaper/regression-and-neural-networ-
ks-models-for-prediction-of-crop-production.pdf
Servín-Palestina, M; Salazar-Moreno, R; López-Cruz.
I; Medina-Garcíam G y Cid-Ríos, J. (2022). Pre-
dicción de la producción y rendimiento de frijol,
con modelos de redes neuronales artificiales y
datos climáticos. Biotecnia, 24(2). 104-111. Uni-
versidad de Sonora, División de Ciencias Bioló-
gicas y de la Salud. https://www.redalyc.org/jour-
nal/6729/672974941013/html/
Umaquinga, A. (2024). Técnicas de Minería de da-
tos aplicados a la agricultura: Estado del Arte y
análisis bibliométrico. Innovation & development in
engineering and applied sciences. 6. https://www.
researchgate.net/publication/377908548_Tecni-
cas_de_Mineria_de_datos_aplicados_a_la_agri-
cultura_Estado_del_Arte_y_analisis_bibliometrico/
citation/download
Uno, Y; Prasher, S; Lacroix, R. Goel, Pradeep; Ka-
rimi, Y. Viau, A; Patel, R. (2005). Artificial neural
networks to predict corn yield from Compact Air-
borne Spectrographic Imager data. Computers
and Electronics in Agriculture 47. https://www.re-
searchgate.net/publication/222141695_Artificial_
neural_networks_to_predict_corn_yield_from_
Compact_Airborne_Spectrographic_Imager_data/
citation/download
Yuting Zhou, Shengfang Ma, Huihui Zhang, Sath-
yanarayanan Aakur, (2024) Enhancing corn yield
prediction: Optimizing data quality or model com-
plexity?, Smart Agricultural Technology, 9. ht-
tps://www.sciencedirect.com/science/article/pii/
S2772375524002764
CITAR ESTE ARTICULO:
Carvajal Chávez, C. A. (2023). Uso de técnicas como la regresión y redes neu-
ronales para anticipar el rendimiento del maíz. RECIMUNDO, 8(4), 126–135.
https://doi.org/10.26820/recimundo/8.(4).diciembre.2024.126-135
USO DE TÉCNICAS COMO LA REGRESIÓN Y REDES NEURONALES PARA ANTICIPAR EL RENDIMIENTO DEL
MAÍZ