DOI: 10.26820/recimundo/9.(esp).mayo.2025.378-394
URL: https://recimundo.com/index.php/es/article/view/2631
EDITORIAL: Saberes del Conocimiento
REVISTA: RECIMUNDO
ISSN: 2588-073X
TIPO DE INVESTIGACIÓN: Artículo de revisión
CÓDIGO UNESCO: 31 Ciencias Agrarias
PAGINAS: 378-394
Toma de decisiones de riego inteligente para cultivos de
café con la utilización de sensores IoT
Making smart irrigation decisions for coffee crops with the use of IoT
sensors
Tomar decisões de irrigação inteligentes para culturas de café com a
utilização de sensores IoT
Johnatan Israel Corrales Bonilla
1
; Charles Fabián Barreno Flores
2
; Anderson Leonardo Salvatierra Tacle
3
;
Nelly Mariuxi Pastuña Chusin
4
RECIBIDO: 10/01/2025 ACEPTADO: 19/03/2025 PUBLICADO: 06/05/2025
1. Universidad Técnica de Cotopaxi; Latacunga, Ecuador; johnatan.corrales5518@utc.edu.ec; https://orcid.
org/0000-0003-0843-8704
2. Universidad Técnica de Cotopaxi; Latacunga, Ecuador; charles.barreno0992@utc.edu.ec; https://orcid.
org/0000-0002-6494-7143
3. Universidad Técnica de Cotopaxi; Latacunga, Ecuador; anderson.salvatierra6436@utc.edu.ec; https://or-
cid.org/0009-0004-7359-0758
4. Universidad Técnica de Cotopaxi; Latacunga, Ecuador; nelly.pastuna8702@utc.edu.ec ; https://orcid.
org/0009-0007-4775-4183
CORRESPONDENCIA
Johnatan Israel Corrales Bonilla
johnatan.corrales5518@utc.edu.ec
Latacunga, Ecuador
© RECIMUNDO; Editorial Saberes del Conocimiento, 2025
RESUMEN
La correcta administración del riego agrario es de suma importancia dado el contexto de escasez de recursos hídricos y,
por otro lado, el aumento en la demanda de productos agrícolas. El cultivo del café, para el que sí que se precisa de unas
prácticas de riego que sean muy concretas y flexibles, tal y como los sistemas de cultivo, es decir, las condiciones medioam-
bientales son determinantes. En este estudio se combinan tecnologías de agricultura de precisión con tecnologías del In-
ternet de las Cosas (IoT) para optimizar la toma de decisiones sobre el riego en cultivos de café. Se emplean sensores del
IoT para monitorizar la humedad del suelo, la temperatura, la radiación solar y en general para monitorizar las condiciones
medioambientales del cultivo, por tanto, el sistema recoge datos en tiempo real que son procesados mediante algoritmos
del machine learning y cuya aplicación es predecir los requerimientos de riego. Este enfoque y esta solución pueden llevar
a una adecuada gestión de los recursos hídricos y ajustándose a las condiciones del cultivo, lo que lleva a mejoras tanto de
la productividad y calidad del café como de las pérdidas de agua.
Palabras clave: Gestión del riego, Agricultura de precisión, Internet de las Cosas, IoT.
ABSTRACT
The correct administration of agricultural irrigation is of utmost importance given the context of scarcity of water resources
and, on the other hand, the increase in demand for agricultural products. The cultivation of coffee, for which irrigation prac-
tices are required that are very specific and flexible, just as the cultivation systems, that is, the environmental conditions
are decisive. This stufy combines precision agriculture technologies with Internet of Things (IoT) technologies to optimize
decision-making about irrigation in coffee crops. IoT sensors are used to monitor soil humidity, temperature, solar radiation
and in general to monitor the environmental conditions of the crop, therefore, the system collects data in real time that is
processed using machine learning algorithms and whose application is to predict irrigation requirements. This approach
and this solution can lead to adequate management of water resources and adjustment to crop conditions, leading to im-
provements in both coffee productivity and quality as well as water losses.
Keywords: Irrigation management, Precision agriculture, Internet of Things, IoT.
RESUMO
A correta administração da rega agrícola é de primordial importância dado o contexto de escassez de recursos hídricos
e, por outro lado, o aumento da procura de produtos agrícolas. O cultivo do café, para o qual são necessárias práticas de
rega muito específicas e flexíveis, bem como os sistemas de cultivo, ou seja, as condições ambientais são determinantes.
Este estudo combina tecnologias de agricultura de precisão com tecnologias de Internet das Coisas (IoT) para otimizar
a tomada de decisões sobre a irrigação em plantações de café. Os sensores IoT são utilizados para monitorizar a humi-
dade do solo, a temperatura, a radiação solar e em geral para monitorizar as condições ambientais da cultura, portanto,
o sistema recolhe dados em tempo real que são processados utilizando algoritmos de aprendizagem automática e cuja
aplicação é prever as necessidades de irrigação. Esta abordagem e esta solução podem levar à gestão adequada dos
recursos hídricos e ao ajustamento às condições da cultura, levando a melhorias na produtividade e na qualidade do café,
bem como a perdas de água.
Palavras-chave: Gestão da rega, Agricultura de precisão, Internet das Coisas, IoT.
380
RECIMUNDO VOL. 9 N° ESPECIAL (2025)
Introducción
La gestión del riego al ser aplicada en el
sistema de producción agrícola es uno de
los problemas más inmediatos en el mundo
actual en un mundo donde el agua es un
recurso limitado y la demanda de productos
agrícolas es creciente. En concreto, los cul-
tivos de café, que son muy sensibles a las
variables medioambientales, mitigan los ob-
jetivos de un manejo del riego en el cultivo
de manera óptima y de calidad del producto
final. Este tipo de cultivos, además de una
importancia económica para zonas como el
cantón La Maná, buscan alternativas para
mejorar el uso de los recursos y por ende la
producción agrícola.
El trabajo realizado se sitúa dentro de la agri-
cultura de precisión donde se puede apro-
vechar las ventajas que se generan a partir
de las tecnologías de nuevos avances, y en
particular, el IoT en la generación de deci-
siones para manejar el riego. Con el uso de
sensores inteligentes se pueden, continua-
CORRALES BONILLA, J. I. ., BARRENO FLORES, C. F., SALVATIERRA TACLE, A. L., & PASTUÑA CHUSIN, N. M.
mente, conocer parámetros de medida de la
humedad del suelo, temperatura, radiación
solar, etc. Con lo cual se lograría, no solo
conseguir optimizar el uso de agua, sino que
también lograr producir con mayor eficiencia
el uso de recursos sin tener un perjuicio en la
sostenibilidad del medioambiente.
A lo largo del proyecto hay una connotación
adicional: que sirva de base para poner tec-
nologías de la agricultura de precisión en un
cantón con una tradición agrícola rica como
es La Maná. La vinculación con la sociedad
es uno de los factores de avasallador de este
estudio, donde busca que estos tipos de tec-
nologías vayan siendo aplicadas en la agricul-
tura que desarrollan los agricultores en esta
zona. La introducción de sistemas de monito-
reo inteligente en la agricultura no solo mejo-
ra la producción, sino que puede contribuir a
mejorar la calidad de vida de los productores
en cuanto que pueden adoptar decisiones
mejores, más eficaces y sostenibles.
Metodología
Proceso de simulación
Carga y Preparación de
Datos:
Los datos se cargan
desde un archivo Excel
usando Pandas.
La columna
"Fecha_hora" se
convierte en un objeto
de po dateme para
poder trabajar con
fechas.
Se dene una función
determinar_estacion
para asignar la estación
(verano o invierno)
según el mes de la fecha.
Se crea una columna
"Tiempo" que conene
la estación
correspondiente a cada
registro.
Se aplica la codicación
one-hot a la columna
"Tiempo".
Se reemplazan los
valores no numéricos en
las columnas relevantes
con NaN.
Denición de Umbrales y
Función de Toma de
Decisiones:
Se establecen umbrales
para las variables
relacionadas con las
condiciones de riego.
Se dene la función
tomar_decision_riego
que
toma decisiones de riego
en función de las
condiciones climácas y de
suelo.
Aplicación de la Función
de Toma de Decisiones:
Se aplica la función de
toma de decisiones a cada
la de datos y se crea la
columna "Decision_Riego"
con las decisiones
resultantes.
División de Datos y
Entrenamiento del
Modelo:
Los datos se dividen en
conjuntos de
entrenamiento y prueba.
Se realiza una búsqueda
de hiperparámetros
ulizando GridSearchCV
para encontrar la
profundidad ópma del
árbol de decisión.
Se entrena un modelo de
árbol de decisión con la
profundidad ópma
encontrada.
Predicción y Evaluación
del Modelo:
Se realizan predicciones
sobre el conjunto de
prueba.
Se calcula la exactud,
sensibilidad (recall) y F1-
score del modelo
ulizando las métricas
proporcionadas por scikit-
learn.
Se calcula y muestra la
matriz de confusión.
Se muestra el reporte de
clasicación, que incluye
precision, recall y F1-
score
para cada clase de
decisión de riego.
Visualización de
Resultados:
Se muestra el gráco del
árbol de decisión
entrenado.
Se crean grácos de barras
para visualizar la
frecuencia de decisiones
de riego en los conjuntos
de entrenamiento y
prueba.
Figura 1. Tipo de simulación usada
381
RECIMUNDO VOL. 9 N° ESPECIAL (2025)
TOMA DE DECISIONES DE RIEGO INTELIGENTE PARA CULTIVOS DE CAFÉ CON LA UTILIZACIÓN DE SEN-
SORES IOT
Modelo lógico
El modelo lógico utilizado en el código pro-
porcionado es un Árbol de Decisión, que es
un algoritmo de aprendizaje automático que
se utiliza para la clasificación y regresión
(Kotsiantis, 2013). En este caso, se está uti-
lizando un Árbol de Decisión para realizar la
clasificación y tomar decisiones de riego en
función de diversas variables relacionadas
con el cultivo de café.
El Árbol de Decisión divide el conjunto de
datos en diferentes grupos o ramas basán-
dose en las características de las variables
(Canete-Sifuentes et al., 2021). En cada
nodo del árbol, se realiza una prueba en
una variable específica y se divide el con-
junto de datos en dos subconjuntos. Este
proceso de división se repite en cada sub-
conjunto hasta que se alcanza un criterio de
parada, como un número máximo de nive-
les o una cantidad mínima de muestras en
un nodo (Charbuty & Abdulazeez, 2021).
Cada hoja del árbol representa una decisión
o clase, y en este caso, cada hoja del árbol
representa una decisión específica de riego
que se tomará para un conjunto de condi-
ciones ambientales y del suelo (El Morr et
al., 2022).
El modelo lógico generado por el Árbol de
Decisión es fácil de interpretar y entender,
lo que lo convierte en una herramienta útil
para tomar decisiones en situaciones don-
de se requiere claridad en el proceso de
toma de decisiones. Sin embargo, es im-
portante tener en cuenta que el rendimiento
y la precisión del modelo pueden depender
de la calidad y representatividad de los da-
tos utilizados para entrenar el árbol (Song
& Lu, 2015). Es recomendable realizar una
validación cruzada y evaluar diferentes mé-
tricas para asegurarse de que el modelo
sea adecuado para el problema específico
en cuestión. Para realizar una gráfica del
modelo lógico, primero debemos identifi-
car las variables dependientes e indepen-
dientes que se utilizarán en el proceso de
simulación. En este caso, el modelo de Ár-
bol de Decisión se utiliza para clasificar las
decisiones de riego en función de diversas
variables ambientales y características del
cultivo de café.
Tipos de variables
Tabla 1. Categorización de las variables
Dependientes
Independientes
Decision_Riego:
Representa la decisión de riego
que se tomará en el tiempo t+1. Es
la variable objetivo que el modelo
intenta predecir.
Rad_Solar(W/m²):
Radiación solar en watts por
metro cuadrado.
Vel_Viento(km/h):
Velocidad del viento en
kilómetros por hora.
Temperatura_Amb(°C):
Temperatura ambiente en grados
Celsius.
Amb_Humedad(%):
Humedad ambiente en
porcentaje.
Suelo_Humedad1(%):
Humedad del suelo en la primera
ubicación en porcentaje.
Suelo_Humedad2(%):
Humedad del suelo en la segunda
ubicación en porcentaje.
Temperatura_Suelo(°C):
Temperatura del suelo en grados
Celsius.
Tiempo_Invierno:
Variable binaria (0 o 1) que indica
si la fecha corresponde a la
estación de invierno.
Tiempo_Verano:
Variable binaria (0 o 1) que indica
si la fecha corresponde a la
estación de verano.
División
de
datos
Entrenamiento
Evaluación del
rendimiento
Creación
del modelo
382
RECIMUNDO VOL. 9 N° ESPECIAL (2025)
Dependientes
Independientes
Decision_Riego:
Representa la decisión de riego
que se tomará en el tiempo t+1. Es
la variable objetivo que el modelo
intenta predecir.
Rad_Solar(W/m²):
Radiación solar en watts por
metro cuadrado.
Vel_Viento(km/h):
Velocidad del viento en
kilómetros por hora.
Temperatura_Amb(°C):
Temperatura ambiente en grados
Celsius.
Amb_Humedad(%):
Humedad ambiente en
porcentaje.
Suelo_Humedad1(%):
Humedad del suelo en la primera
ubicación en porcentaje.
Suelo_Humedad2(%):
Humedad del suelo en la segunda
ubicación en porcentaje.
Temperatura_Suelo(°C):
Temperatura del suelo en grados
Celsius.
Tiempo_Invierno:
Variable binaria (0 o 1) que indica
si la fecha corresponde a la
estación de invierno.
Tiempo_Verano:
Variable binaria (0 o 1) que indica
si la fecha corresponde a la
estación de verano.
División
de
datos
Entrenamiento
Evaluación del
rendimiento
Creación
del modelo
Secuenciación del proceso de simulación
Dependientes
Independientes
Decision_Riego:
Representa la decisión de riego
que se tomará en el tiempo t+1. Es
la variable objetivo que el modelo
intenta predecir.
Rad_Solar(W/m²):
Radiación solar en watts por
metro cuadrado.
Vel_Viento(km/h):
Velocidad del viento en
kilómetros por hora.
Temperatura_Amb(°C):
Temperatura ambiente en grados
Celsius.
Amb_Humedad(%):
Humedad ambiente en
porcentaje.
Suelo_Humedad1(%):
Humedad del suelo en la primera
ubicación en porcentaje.
Suelo_Humedad2(%):
Humedad del suelo en la segunda
ubicación en porcentaje.
Temperatura_Suelo(°C):
Temperatura del suelo en grados
Celsius.
Tiempo_Invierno:
Variable binaria (0 o 1) que indica
si la fecha corresponde a la
estación de invierno.
Tiempo_Verano:
Variable binaria (0 o 1) que indica
si la fecha corresponde a la
estación de verano.
División
de
datos
Entrenamiento
Evaluación del
rendimiento
Creación
del modelo
Figura 2. Secuenciación del proceso de simulación
Para validar matemáticamente el modelo
propuesto, se realizan los siguientes pasos:
• División de datos: Dividir los datos
en un conjunto de entrenamiento y un
conjunto de prueba. El conjunto de en-
trenamiento se utilizará para entrenar
el modelo, mientras que el conjunto de
prueba se utilizará para evaluar el ren-
dimiento del modelo en datos no vistos.
En este código, hemos utilizado train_test_
split para dividir los datos en un 80% para
entrenamiento (X_train e y_train) y un 20%
para prueba (X_test e y_test). El argumento
test_size=0.2 indica que queremos que el
20% de los datos sean utilizados para prue-
ba, mientras que random_state=42 asegura
que la división de datos sea reproducible y
consistente en diferentes ejecuciones.
• Creación del modelo: Se creó una ins-
tancia del clasificador de Árbol de De-
cisión utilizando la clase DecisionTree-
Classifier. En este caso, se definió el
criterio de "entropía" para medir la cali-
dad de una partición, y se encontró la
profundidad óptima del árbol de deci-
sión, para esto se utilizó la búsqueda en
cuadrícula (GridSearchCV) con valida-
ción cruzada. La idea detrás de la bús-
queda en cuadrícula es probar diferen-
tes valores de hiperparámetros (en este
caso, la profundidad máxima del árbol)
y evaluar el rendimiento del modelo con
cada valor en diferentes divisiones de
los datos mediante validación cruzada.
El proceso para encontrar la profundi-
dad óptima es el siguiente:
CORRALES BONILLA, J. I. ., BARRENO FLORES, C. F., SALVATIERRA TACLE, A. L., & PASTUÑA CHUSIN, N. M.
383
RECIMUNDO VOL. 9 N° ESPECIAL (2025)
– Definir el rango de valores posibles
para la profundidad máxima del ár-
bol. En este caso, se eligieron los va-
lores [2, 4, 6, 8, 10], pero este rango
puede variar dependiendo de los da-
tos y del problema específico.
– Crear una instancia del clasificador
de árbol de decisión (DecisionTree-
Classifier) sin especificar la profundi-
dad máxima. Esto se hizo en la línea
arbol_decision = DecisionTreeClassi-
fier (criterion="entropy").
– Crear una instancia de GridSearch-
CV, pasando como parámetros el
clasificador de árbol de decisión, los
valores posibles de la profundidad
máxima y el número de divisiones
para la validación cruzada (cv=5, en
este caso).
– Ajustar el GridSearchCV a los datos
de entrenamiento (X_train y y_train)
utilizando la función fit (). Durante este
proceso, se probarán todas las com-
binaciones de valores posibles de la
profundidad máxima mediante valida-
ción cruzada y se seleccionará el me-
jor valor que optimice alguna métrica
de evaluación, como la precisión.
– Una vez finalizada la búsqueda, se
puede acceder al valor óptimo de
la profundidad máxima a través del
atributo best_params_ del objeto
GridSearchCV. En este caso, se uti-
lizó grid_search.best_params_['max_
depth'] para obtener la profundidad
máxima óptima del árbol.
– Luego, se crea una nueva instancia
del clasificador de árbol de decisión
con la profundidad máxima óptima
encontrada y se entrena el modelo
con estos hiperparámetros.
• Entrenamiento del modelo: Utilizar el
conjunto de entrenamiento para entrenar
el modelo de árbol de decisión. Esto se
realiza mediante la función fit() del clasi-
ficador de árbol de decisión. Durante el
entrenamiento del modelo, el algoritmo
de árbol de decisión utiliza el conjunto
de entrenamiento (X_train y y_train) para
aprender a tomar decisiones basándose
en las características y la variable obje-
tivo (Tao et al., 2021). El proceso de en-
trenamiento implica lo siguiente:
– Se toman las características (varia-
bles independientes) del conjunto
de entrenamiento (X_train) y las eti-
quetas o valores objetivo asociados
(y_train).
– El algoritmo de árbol de decisión bus-
ca la mejor forma de dividir el con-
junto de entrenamiento en diferentes
nodos (cada nodo representa una
condición o característica) de ma-
nera que las muestras en cada nodo
compartan características similares.
El objetivo es reducir la impureza en
cada nodo y, por lo tanto, obtener di-
visiones que sean más informativas
para tomar decisiones.
– El algoritmo repite el proceso de sub-
división en cada nodo hasta que se
alcanza la profundidad máxima del
árbol o hasta que se cumple algún cri-
terio de detención, como la cantidad
mínima de muestras en un nodo o la
impureza alcanza un valor mínimo.
– Una vez que el árbol ha sido cons-
truido y entrenado con el conjunto de
entrenamiento, puede utilizar esta es-
tructura de árbol para hacer predic-
ciones sobre nuevos datos.
• Predicciones: Utilizar el modelo entre-
nado para hacer predicciones sobre
el conjunto de prueba. Esto se realiza
utilizando la función predict() del cla-
sificador de árbol de decisión (Friha et
al., 2021). Durante el entrenamiento del
modelo, el algoritmo de árbol de deci-
sión utiliza el conjunto de entrenamiento
(X_train y y_train) para aprender a tomar
decisiones basándose en las caracterís-
TOMA DE DECISIONES DE RIEGO INTELIGENTE PARA CULTIVOS DE CAFÉ CON LA UTILIZACIÓN DE SEN-
SORES IOT
384
RECIMUNDO VOL. 9 N° ESPECIAL (2025)
ticas y la variable objetivo. El proceso de
entrenamiento implica lo siguiente:
– Se toman las características (varia-
bles independientes) del conjunto de
entrenamiento (X_train) y las etiquetas
o valores objetivo asociados (y_train).
– El algoritmo de árbol de decisión
busca la mejor forma de dividir el
conjunto de entrenamiento en dife-
rentes nodos (cada nodo representa
una condición o característica) de
manera que las muestras en cada
nodo compartan características simi-
lares (Ferrández-Pastor et al., 2018).
El objetivo es reducir la impureza en
cada nodo y, por lo tanto, obtener di-
visiones que sean más informativas
para tomar decisiones.
– El algoritmo repite el proceso de sub-
división en cada nodo hasta que se
alcanza la profundidad máxima del
árbol o hasta que se cumple algún cri-
terio de detención, como la cantidad
mínima de muestras en un nodo o la
impureza alcanza un valor mínimo.
– Una vez que el árbol ha sido cons-
truido y entrenado con el conjunto de
entrenamiento, puede utilizar esta es-
tructura de árbol para hacer predic-
ciones sobre nuevos datos.
– Durante la fase de predicción, el árbol
de decisión recorre el árbol siguien-
do las condiciones en cada nodo y
llega a una hoja que representa una
decisión de riego específica para las
condiciones climáticas y la estación
del año de los datos de prueba.
– El rendimiento del modelo se eva-
lúa utilizando el conjunto de prueba
(X_test y y_test) para medir qué tan
bien generaliza el modelo a datos no
vistos. La exactitud, matriz de confu-
sión, precisión y F1-score son algu-
nas de las métricas utilizadas para
evaluar el rendimiento del modelo.
• Evaluación del rendimiento: Una vez
que se realizaron las predicciones en
el conjunto de prueba, se compararon
con las etiquetas reales (y_test). Se cal-
culó la exactitud del modelo, que es la
proporción de predicciones correctas
sobre el total de predicciones realiza-
das en el conjunto de prueba. Además,
también se calculó la matriz de confu-
sión y el F1-score para evaluar el rendi-
miento del modelo en cada una de las
clases de decisiones de riego (Vamshi
et al., 2023). En la etapa de evaluación
del rendimiento, se comparan las pre-
dicciones realizadas por el modelo en el
conjunto de prueba (y_pred) con las eti-
quetas reales conocidas del conjunto de
prueba (y_test). Esto nos permite medir
la precisión y el rendimiento general del
modelo en datos no vistos.
– Exactitud del modelo: La exactitud
del modelo se calcula dividiendo el
número de predicciones correctas
entre el número total de predicciones
realizadas en el conjunto de prueba.
Representa la proporción de predic-
ciones correctas en relación con el
tamaño del conjunto de prueba. Una
alta exactitud indica que el modelo
ha logrado realizar una cantidad sig-
nificativa de predicciones correctas.
– Matriz de confusión: La matriz de
confusión es una tabla que muestra
la cantidad de predicciones realiza-
das por el modelo para cada clase
de decisión de riego en el conjunto
de prueba y cómo estas prediccio-
nes se comparan con las etiquetas
reales. La matriz de confusión tiene
la estructura detallada en la figura 3.
CORRALES BONILLA, J. I. ., BARRENO FLORES, C. F., SALVATIERRA TACLE, A. L., & PASTUÑA CHUSIN, N. M.
385
RECIMUNDO VOL. 9 N° ESPECIAL (2025)
Figura 3. Output matriz de confusión modelo
Fuente: Realizado en base a (Charbuty & Abdulazeez, 2021).
• Verdadero Positivo (TP): El modelo pre-
dijo correctamente que la decisión de
riego es positiva (acertó).
• Falso Positivo (FP): El modelo predijo
incorrectamente que la decisión de rie-
go es positiva cuando en realidad es ne-
gativa.
• Verdadero Negativo (TN): El modelo
predijo correctamente que la decisión
de riego es negativa (acertó).
• Falso Negativo (FN): El modelo predijo
incorrectamente que la decisión de rie-
go es negativa cuando en realidad es
positiva.
La matriz de confusión nos permite evaluar
el rendimiento del modelo en términos de
falsos positivos, falsos negativos y aciertos
para cada clase de decisión de riego.
– Sensibilidad, también conocida como
recall o tasa de verdaderos positivos
(TPR), es una métrica de evaluación
utilizada en problemas de clasifica-
ción y se enfoca en la capacidad del
modelo para identificar correctamen-
te los casos positivos entre todas las
muestras que realmente son positivas
(Vamshi et al., 2023). En otras pala-
bras, mide la proporción de ejemplos
positivos que el modelo ha clasifica-
do correctamente como positivos. En
el contexto de una matriz de confu-
sión, la sensibilidad se calcula como:
– Sensibilidad (Recall) = Verdaderos
Positivos (TP) / (Verdaderos Positivos
(TP) + Falsos Negativos (FN))
Donde:
Verdaderos Positivos (TP) representa el nú-
mero de ejemplos positivos que el modelo ha
clasificado correctamente como positivos.
Falsos Negativos (FN) representa el núme-
ro de ejemplos positivos que el modelo ha
clasificado incorrectamente como negativos.
Una sensibilidad alta indica que el modelo es
eficiente en detectar los casos positivos. En
el contexto de problemas de riego, una alta
sensibilidad significa que el modelo es capaz
de predecir con precisión las decisiones de
riego adecuadas en situaciones donde son
necesarias. Es especialmente importante en
casos donde clasificar correctamente ejem-
plos positivos es de gran relevancia, como
en aplicaciones médicas donde detectar en-
fermedades o en problemas de seguridad
donde identificar eventos riesgosos. La sen-
sibilidad es una medida crucial para evaluar
el rendimiento de un modelo de clasificación
cuando la identificación de ejemplos positi-
vos es importante y se busca reducir al míni-
mo los falsos negativos.
– F1-score: El F1-score es una métrica
que combina la precisión y el recall
del modelo. Se calcula como la media
armónica de la precisión y el recall, y
es útil cuando hay clases desbalan-
ceadas en los datos. El F1-score os-
cila entre 0 y 1, donde 1 indica una
precisión y recall perfectos, y 0 indi-
ca un rendimiento deficiente (Bishnoi
& Hooda, 2022).
“Arboles de Decisión” vs “Arboles de Re-
gresión”
En el caso presentado, se está abordando
un problema de toma de decisiones basado
en condiciones sobre múltiples caracterís-
TOMA DE DECISIONES DE RIEGO INTELIGENTE PARA CULTIVOS DE CAFÉ CON LA UTILIZACIÓN DE SEN-
SORES IOT
386
RECIMUNDO VOL. 9 N° ESPECIAL (2025)
ticas. Esto se alinea perfectamente con el
uso de "Árboles de Decisión". A continua-
ción, se presentan algunas razones que jus-
tifican el uso de Árboles de Decisión en este
caso en lugar de Árboles de Regresión:
• Variable Objetivo Categórica: Se está
tomando decisiones sobre el riego de
las plantas en función de diferentes con-
diciones climáticas y del suelo. La varia-
ble objetivo es la decisión de riego que
cae en categorías discretas, como "Rie-
go Aplicado (Bajo) en t+1", "Riego Apli-
cado (Medio) en t+1", etc. Esto se ajusta
a un problema de clasificación, lo que
hace que los Árboles de Decisión sean
una opción natural.
• Condiciones y Reglas: Los Árboles de
Decisión son ideales cuando se nece-
sita tomar decisiones basadas en una
serie de condiciones y reglas sobre
varias variables (Kotsiantis, 2013). En
este caso, se está evaluando múltiples
condiciones como humedad del suelo,
temperatura del suelo, radiación solar,
velocidad del viento, etc., para decidir
el nivel de riego necesario.
• Interpretación: Los Árboles de Decisión
son altamente interpretables, cada nodo
y rama del árbol representa una regla o
condición, lo que te permite comprender
cómo se toma cada decisión. Esto es
beneficioso en aplicaciones donde se
necesita entender y justificar el razona-
miento detrás de las decisiones.
• Visualización: Los Árboles de Decisión
se pueden visualizar fácilmente, lo que
facilita la comunicación de los resulta-
dos a partes interesadas y permite una
comprensión más clara del proceso de
toma de decisiones (Canete-Sifuentes et
al., 2021).
• No Linealidades y Relaciones Com-
plejas: Dado que se está tomando de-
cisiones basadas en múltiples variables,
los Árboles de Decisión pueden captu-
rar relaciones no lineales y complejas
entre estas variables, lo que puede ser
difícil de lograr con un simple modelo de
regresión (Kotsiantis, 2013).
Dado que se está tomando decisiones ba-
sadas en reglas y condiciones sobre múl-
tiples características para clasificar en di-
ferentes niveles de riego, los Árboles de
Decisión son una opción sólida y adecuada
para tu problema. Estos modelos te permi-
tirán capturar las decisiones en función de
las características de manera clara, inter-
pretable y efectiva.
Conveniencia de usar una “Validación
Cruzada”
El uso de la "Validación Cruzada" en este
proyecto es altamente conveniente por va-
rias razones:
• Mejora de la Generalización: La Vali-
dación Cruzada ayuda a estimar cómo
se comportará tu modelo en datos no
vistos. Dividir los datos en conjuntos de
entrenamiento y prueba múltiples veces
y calcular promedios de rendimiento te
da una medida más confiable de cómo
el modelo generalizará a nuevos datos
(Ferrández-Pastor et al., 2018).
• Reducción de la Variabilidad: Al reali-
zar múltiples divisiones de los datos en
conjuntos de entrenamiento y prueba,
se reduce la posibilidad de obtener re-
sultados extremadamente sesgados de-
bido a la elección de un solo conjunto
de prueba.
• Mayor Utilización de los Datos: La Va-
lidación Cruzada utiliza eficientemente
los datos disponibles al entrenar y pro-
bar el modelo en diferentes subconjun-
tos de datos (Kalesanwo et al., 2020).
Esto es especialmente útil cuando el ta-
maño del conjunto de datos es limitado.
• Selección de Hiperparámetros: Si es-
tás ajustando hiperparámetros, como la
profundidad máxima del árbol en tu caso,
la Validación Cruzada te ayuda a selec-
cionar los valores óptimos al evaluar el
CORRALES BONILLA, J. I. ., BARRENO FLORES, C. F., SALVATIERRA TACLE, A. L., & PASTUÑA CHUSIN, N. M.
387
RECIMUNDO VOL. 9 N° ESPECIAL (2025)
rendimiento del modelo con diferentes
combinaciones de hiperparámetros en
distintos conjuntos de entrenamiento y
prueba (Edwards-Murphy et al., 2016).
• Evaluación Consistente del Rendimien-
to: Con la Validación Cruzada, se obtiene
una evaluación más robusta del rendi-
miento del modelo, en lugar de depender
de una única métrica calculada a partir de
un solo conjunto de prueba, obtienes una
estimación más precisa de cómo el mode-
lo se desempeñará en la realidad.
Reducción del Sobreajuste (Overfitting): La
Validación Cruzada ayuda a evitar el sobre-
ajuste ya que el modelo se evalúa en dife-
rentes subconjuntos de datos. Esto permite
identificar si el modelo es capaz de genera-
lizar bien en lugar de ajustarse demasiado
a un conjunto particular de datos.
La Validación Cruzada es una práctica
estándar en el desarrollo de modelos de
aprendizaje automático, ya que proporcio-
na una evaluación más confiable y realista
del rendimiento del modelo. Permite tomar
decisiones informadas sobre qué modelo y
qué hiperparámetros son los más adecua-
dos para tu proyecto, ayudándote a cons-
truir un modelo más robusto y generalizable.
Resultados
Validación de predicciones
Interpreta la comparación las predicciones
del modelo con las etiquetas reales del con-
junto de prueba. Con base en las métricas
de rendimiento y la matriz de confusión, se
puede interpretar qué tan bien está funcio-
nando el modelo en el conjunto de prueba.
Un modelo con un alto nivel de exactitud,
precisión, sensibilidad y F1-score gene-
ralmente indica un buen rendimiento en la
clasificación de los datos del conjunto de
prueba. La validación de predicciones es
esencial para determinar si el modelo ge-
neraliza bien a datos no vistos y para tomar
decisiones informadas sobre el desempeño
del modelo en situaciones del mundo real.
Al aplicar el código en Python, se tiene los
resultados mostrados en la figura 4.
Figura 4. Output parámetros para la toma de decisión de regadío
Interpretación de resultados
• Profundidad óptima del árbol: La bús-
queda de hiperparámetros ha determi-
nado que la profundidad óptima para el
árbol de decisión es 10.
• Exactitud del modelo: La exactitud del
modelo en el conjunto de prueba es de
aproximadamente 0.839. Esto indica que
aproximadamente el 83.9% de las predic-
ciones del modelo coinciden con las eti-
quetas reales en el conjunto de prueba.
• Sensibilidad del modelo: La sensibili-
dad (recall) del modelo es una métrica
que indica la proporción de casos posi-
tivos que el modelo ha identificado co-
rrectamente en relación con el total de
casos positivos reales. En este caso, se
TOMA DE DECISIONES DE RIEGO INTELIGENTE PARA CULTIVOS DE CAFÉ CON LA UTILIZACIÓN DE SEN-
SORES IOT
388
RECIMUNDO VOL. 9 N° ESPECIAL (2025)
presenta una lista de valores para cada
clase de decisión de riego. Por ejemplo,
para la clase "Riego Aplicado (Bajo) en
t+1", el modelo ha identificado correc-
tamente todos los casos positivos (sen-
sibilidad de 1.0). Sin embargo, para la
clase "Riego Aplicado (Medio) en t+1", la
sensibilidad es aproximadamente 0.636,
lo que significa que el modelo ha identi-
ficado solo el 63.6% de los casos positi-
vos reales para esta clase.
• F1-score del modelo: El F1-score es
una métrica que combina la precisión y
la sensibilidad en una sola medida. Al
igual que con la sensibilidad, se presen-
ta una lista de valores para cada clase
de decisión de riego. Por ejemplo, el
F1-score para la clase "Riego Aplica-
do (Bajo) en t+1" es aproximadamente
0.571. Un valor bajo del F1-score puede
indicar un desequilibrio entre la preci-
sión y la sensibilidad en la clasificación
de esa clase.
• Matriz de Confusión: La matriz de con-
fusión es una representación tabular que
muestra cómo las predicciones del mo-
delo se comparan con las etiquetas rea-
les para cada clase de decisión de rie-
go. Los valores diagonales de la matriz
son las predicciones correctas, mientras
que los valores fuera de la diagonal son
las predicciones incorrectas.
• Reporte de Clasicación: El reporte
de clasificación presenta varias métri-
cas para cada clase de decisión de rie-
go, incluyendo precisión, sensibilidad y
F1-score. La precisión es la proporción
de predicciones correctas en relación
con el total de predicciones para cada
clase. La sensibilidad es la misma mé-
trica mencionada anteriormente. El
F1-score es una medida que combina
precisión y sensibilidad.
• El modelo de árbol de decisión parece
tener un rendimiento razonable en la cla-
sificación de las decisiones de riego en
el conjunto de prueba. Sin embargo, hay
algunas diferencias notables en la sensi-
bilidad y el F1-score entre las diferentes
clases de decisión de riego, lo que po-
dría indicar que el modelo tiene más di-
ficultades para identificar ciertas clases.
Se podría considerar ajustar el modelo
o recopilar más datos para mejorar su
rendimiento en estas áreas.
Ajuste y mejora del modelo
Con el fin de mejorar la respuesta del mode-
lo, podemos ajustar los hiperparámetros del
clasificador de árbol de decisión, los criterios
de división hasta obtener un modelo con un
rendimiento aceptable, la figura 5, muestra
los resultados al ajustar los hiperparámetros.
Figura 5. Output modelo ajustado
• Output 2 (Hiperparámetros óptimos:
{'max_depth': 6, 'min_samples_leaf': 2,
'min_samples_split': 2}):
– Hiperparámetros óptimos: {'max_
depth': 6, 'min_samples_leaf': 2,
'min_samples_split': 2}.
CORRALES BONILLA, J. I. ., BARRENO FLORES, C. F., SALVATIERRA TACLE, A. L., & PASTUÑA CHUSIN, N. M.
389
RECIMUNDO VOL. 9 N° ESPECIAL (2025)
– Exactitud del modelo ajustado:
0.9677.
– Sensibilidad del modelo ajustado
para cada clase:
– Riego Aplicado (Bajo) en t+1: 1.00
– Riego Aplicado (Medio) en t+1: 1.00
– Riego Aplicado (Óptimo) en t+1:
0.9444
– F1-score del modelo ajustado para
cada clase:
– Riego Aplicado (Bajo) en t+1: 1.00
– Riego Aplicado (Medio) en t+1:
0.9565
– Riego Aplicado (Óptimo) en t+1:
0.9714
– La matriz de confusión muestra que
el modelo ajustado predijo correcta-
mente todas las clases, sin errores en
la predicción.
– El modelo ajustado tiene un rendi-
miento excepcionalmente alto en
términos de exactitud, sensibilidad y
F1-score.
– Los hiperparámetros óptimos inclu-
yen una profundidad máxima del ár-
bol de 6, un mínimo de 2 muestras
por hoja y una división mínima de
2 muestras. Estos hiperparámetros
permitieron que el modelo alcanzara
su máximo rendimiento.
Validación cruzada
En el caso de datos de series temporales, es
importante aplicar técnicas de validación cru-
zada especializadas, como la validación cru-
zada por bloques o la validación cruzada de
series de tiempo. Esto nos permite evaluar el
rendimiento del modelo en diferentes interva-
los de tiempo y asegurarnos de que no haya
fuga de información del futuro al pasado. Para
este modelo se utiliza la clase cross_val_sco-
re de scikit-learn, la Imagen 4, muestra los re-
sultados al aplicar la validación cruzada.
Figura 6. Output Validación cruzada
• Hiperparámetros óptimos: Los hiperpa-
rámetros encontrados por la búsqueda
en cuadrícula son max_depth: 8, min_
samples_leaf: 2 y min_samples_split: 5.
Estos valores son los que optimizan el
rendimiento del modelo.
• Exactitud del modelo ajustado: La exac-
titud del modelo en el conjunto de prue-
ba es aproximadamente 0.9355, lo que
significa que alrededor del 93.55% de
las decisiones de riego se predicen co-
rrectamente.
• Sensibilidad del modelo ajustado: La
sensibilidad (recall) del modelo varía
para cada clase. Para la clase "Riego
Aplicado (Bajo) en t+1", la sensibilidad
es del 100%, lo que significa que todos
los casos positivos de esta clase fueron
correctamente identificados. Para la cla-
se "Riego Aplicado (Medio) en t+1", tam-
TOMA DE DECISIONES DE RIEGO INTELIGENTE PARA CULTIVOS DE CAFÉ CON LA UTILIZACIÓN DE SEN-
SORES IOT
390
RECIMUNDO VOL. 9 N° ESPECIAL (2025)
bién es del 100%, lo que significa que
todos los casos positivos de esta cla-
se fueron correctamente identificados.
Para la clase "Riego Aplicado (Óptimo)
en t+1", la sensibilidad es del 88.89%, lo
que significa que el 88.89% de los casos
positivos de esta clase fueron correcta-
mente identificados.
• F1-score del modelo ajustado: El F1-sco-
re es una medida que combina la preci-
sión y la sensibilidad. Para la clase "Rie-
go Aplicado (Bajo) en t+1", el F1-score
es 1.00. Para la clase "Riego Aplicado
(Medio) en t+1", el F1-score es aproxi-
madamente 0.9167. Para la clase "Riego
Aplicado (Óptimo) en t+1", el F1-score
es aproximadamente 0.9412.
• Exactitud en cada pliegue: Durante la
validación cruzada, se realizó la evalua-
ción del modelo en 5 pliegues diferen-
tes. Los resultados de la exactitud en
cada pliegue son [0.9032, 0.7333, 0.7,
0.8667, 0.9667].
• Exactitud promedio: La exactitud pro-
medio de todas las iteraciones de vali-
dación cruzada es aproximadamente
0.8340, lo que indica el rendimiento pro-
medio del modelo en diferentes conjun-
tos de datos de prueba simulados.
• Desviación estándar de la exactitud:
La desviación estándar de la exactitud
entre las iteraciones de validación cru-
zada es aproximadamente 0.1015. Esto
da una idea de la variabilidad del rendi-
miento del modelo en diferentes conjun-
tos de datos de prueba.
• Matriz de Confusión del modelo ajus-
tado: La matriz de confusión muestra
cómo el modelo clasificó las instancias
en cada clase. En este caso, se pueden
ver los valores correspondientes a ver-
daderos positivos, falsos positivos y fal-
sos negativos para cada clase.
• Reporte de Clasificación del modelo
ajustado: Este reporte proporciona me-
didas como precisión, recall y F1-score
para cada clase, así como promedios
ponderados y macro. Además, se pre-
senta la exactitud general y el soporte
(cantidad de casos) para cada clase.
• En la Figura 3, se muestra la una gráfi-
ca de barras donde se puede observar
que el rendimiento del modelo en los 5
pliegues establecidos para la validación
cruzada se aproxima a la exactitud pro-
medio, determinando gráficamente la
validez del modelo.
Figura 7. Pliegue de validación cruzada
CORRALES BONILLA, J. I. ., BARRENO FLORES, C. F., SALVATIERRA TACLE, A. L., & PASTUÑA CHUSIN, N. M.
391
RECIMUNDO VOL. 9 N° ESPECIAL (2025)
Establecer una semilla aleatoria:
Es normal que los resultados varíen cada
vez que ejecutas el modelo, especialmente
cuando se trabaja con algoritmos que tie-
nen un componente aleatorio o cuando se
utilizan técnicas como la validación cruzada
(Canete-Sifuentes et al., 2021). Para abor-
dar este problema, es recomendable es-
tablecer semillas aleatorias antes de cada
ejecución para que los resultados sean re-
producibles (Song & Lu, 2015). Esto se hace
configurando la semilla aleatoria en el ge-
nerador de números aleatorios utilizado por
el algoritmo. En este caso, en Scikit-Learn
(una biblioteca de aprendizaje automático
en Python), se establece la semilla aleatoria
usando la función random_state en los ob-
jetos de los modelos.
Validación de resultados
Se está utilizando la prueba de Tukey, que
es una prueba estadística post hoc utilizada
para realizar comparaciones múltiples entre
las medias de varios grupos. La prueba de
Tukey es comúnmente utilizada después de
realizar un análisis de varianza (ANOVA) para
determinar si existen diferencias significativas
entre las medias de tres o más grupos.
En tu caso, la prueba de Tukey se está utili-
zando para comparar las medias de exactitud
entre dos grupos: el grupo "Prueba" y el gru-
po "Validación Cruzada". La prueba de Tukey
evalúa si hay diferencias estadísticamente
significativas entre estas medias y ayuda a
identificar qué grupos específicos tienen me-
dias significativamente diferentes. Al aplicar
este modelo, se tiene el output de la figura 8:
Figura 8. Output Análisis estadístico
Desviación estándar de la exactitud: El va-
lor de 0.07199324231850222 representa la
desviación estándar de las exactitudes ob-
tenidas durante la validación cruzada. Esto
mide cuánto varían las exactitudes en los
diferentes pliegues de validación cruzada,
proporcionando una idea de la consistencia
del rendimiento del modelo en diferentes di-
visiones del conjunto de datos.
Matriz de Confusión del modelo ajustado:
Esta matriz muestra cómo el modelo clasifi-
có las muestras en cada una de las clases.
Los números en la matriz indican cuántas
muestras se clasificaron correctamente o
incorrectamente en cada clase.
Análisis de Varianza (ANOVA) en la Exac-
titud: Estos valores corresponden a los
resultados del análisis de varianza rea-
lizado en las exactitudes entre los gru-
pos de validación cruzada y el conjunto
de prueba. El estadístico F calculado es
0.9757294548050331 y el valor p asociado
es 0.3791749978317657. El valor p es ma-
yor que un nivel de significancia típico de
0.05, lo que sugiere que no hay diferencias
estadísticamente significativas en las exac-
titudes entre los dos grupos.
Prueba de Tukey: La prueba de Tukey se
utiliza para realizar comparaciones múlti-
ples entre los grupos y determinar si hay di-
TOMA DE DECISIONES DE RIEGO INTELIGENTE PARA CULTIVOS DE CAFÉ CON LA UTILIZACIÓN DE SEN-
SORES IOT
392
RECIMUNDO VOL. 9 N° ESPECIAL (2025)
ferencias significativas en las medias. En tu
caso, se compara la exactitud entre el grupo
"Prueba" y el grupo "Validación Cruzada". El
resultado indica que no hay evidencia para
rechazar la hipótesis nula de que no hay
diferencias significativas en las medias de
exactitud entre estos dos grupos. De esta
manera, no hay una diferencia estadística-
mente significativa en la exactitud entre la
prueba y la validación cruzada.
En general, estos resultados indican que tu
modelo está funcionando bien en la clasi-
ficación de las diferentes clases y que no
hay diferencias estadísticamente significa-
tivas en las exactitudes entre la validación
cruzada y el conjunto de prueba.
Discusión
La adopción de la tecnología IoT en el cam-
po de la agricultura, aunque ha cobrado
importancia aún no estaba bien integrada
en el cultivo de café que plantea un manejo
particularmente delicado por la sensibilidad
del cultivo a las condiciones del entorno.
El aporte más significativo de este trabajo
de investigación se encuentra en el hecho
de integrar sensores IoT con algoritmos de
machine learning para realizar predicciones
en tiempo real sobre las necesidades de rie-
go, de forma que se pueden ir adaptando las
prácticas de riego a las condiciones particu-
lares de cada cultivo, lo cual permite dejar
atrás los sistemas tradicionales que no pro-
porcionaban datos continuos, accediendo a
datos a muy alta resolución; con ello se po-
tencia una toma de decisiones más robusta
y eficiente. También hay que señalar que la
capacidad de implementar big data y machi-
ne learning en el ajuste del riego en función
de factores como la radiación solar y la eva-
potranspiración aporta una innovación im-
portante al éxito del riego que permite apor-
tar una mejora significativa en la precisión de
los sistemas de riego, además de dificultar
el principio de sostenibilidad. En cuanto a la
sostenibilidad, un aspecto que vale la pena
destacar es la posibilidad de optimizar el uso
del agua, un recurso cada vez más escaso
en muchas regiones agrícolas a causa de la
explotación de los acuíferos. Al ser un sis-
tema inteligente, se separa de los sistemas
convencionales que normalmente tienen pa-
trones fijos de riego, ya que responde a las
dinámicas del ambiente y con ello reduce el
malgasto de agua. De este modo, es posible
salvar los recursos hídricos y mejorar la sos-
tenibilidad del cultivo.
La aportación que esta investigación hace
al conocimiento académico y científico es
muy significativa. En primer lugar, se pasa
a contribuir con la agricultura de precisión
y las tecnologías de IoT dado que permi-
te su aplicación a cultivos de alta demanda
(como es el caso del café). En segundo lu-
gar, se convierte en la base para generar
soluciones más adaptativas y escalables a
la gestión del riego de otras especies agrí-
colas. Y en tercer lugar, se genera un sis-
tema replicable (que puede ser trasladado
a otras regiones o condiciones agrícolas),
ayudando a una mayor adopción de prácti-
cas sostenibles a una escala global.
Conclusiones
El modelo de árbol de decisión fue ajustado
con hiperparámetros óptimos {'max_depth':
8, 'min_samples_leaf': 2, 'min_samples_
split': 5}, lo que sugiere que un árbol con
una profundidad máxima de 6, una hoja mí-
nima de tamaño 1 y una división mínima de
10 muestras en cada nodo proporciona el
mejor equilibrio entre complejidad y capaci-
dad de generalización.
Evaluando el rendimiento del Modelo en el
Conjunto de Prueba, el modelo de árbol de
decisión demostró un alto nivel de precisión
en el conjunto de prueba, con una exacti-
tud del 93.5%. Esto indica que el modelo es
capaz de tomar decisiones acertadas en la
clasificación de las decisiones de riego.
En cuanto al rendimiento por Clase, el mo-
delo demostró una excelente sensibilidad
y F1-score en las clases "Riego Aplicado
(Bajo)" y "Riego Aplicado (Medio)", con una
sensibilidad y F1-score del 100%. La clase
CORRALES BONILLA, J. I. ., BARRENO FLORES, C. F., SALVATIERRA TACLE, A. L., & PASTUÑA CHUSIN, N. M.
393
RECIMUNDO VOL. 9 N° ESPECIAL (2025)
"Riego Aplicado (Óptimo)" también mostró
un buen rendimiento con una sensibilidad
del 88% y un F1-score del 94.1%.
La validación cruzada realizada en el mode-
lo mostró una exactitud promedio del 83.3%
con una desviación estándar de 0.07. El
análisis de varianza (ANOVA) no reveló di-
ferencias estadísticamente significativas en
la exactitud entre los grupos de validación
cruzada y el conjunto de prueba. Además,
la prueba de Tukey no rechazó la hipótesis
nula de que no hay diferencias significati-
vas entre los grupos.
En función de los modelos utilizados y los
resultados obtenidos, podemos concluir que
el enfoque de Simulación de la toma de de-
cisiones de riego inteligente para cultivos de
café con la utilización de sensores IoT, de-
muestra la eficacia del modelo de árbol de
decisión en la toma de decisiones de riego
para diferentes condiciones de cultivo. La
precisión y capacidad de clasificación del
modelo, respaldadas por el análisis de va-
lidación cruzada y las pruebas estadísticas,
refuerzan la viabilidad de este enfoque para
optimizar la gestión de riego en los cultivos
de café mediante la integración de sensores
IoT y técnicas de aprendizaje automático.
El uso de sensores IoT en combinación con
modelos de aprendizaje automático, como
el árbol de decisión, permite una gestión
eficiente e inteligente del riego en cultivos
de café. Los sensores proporcionan datos
clave sobre las condiciones del ambiente y
del suelo, lo que permite predicciones pre-
cisas y decisiones optimizadas. Este en-
foque mejora el uso de recursos hídricos y
promueve la sostenibilidad agrícola
Recomendaciones
Dado que el modelo de árbol de decisión
ha demostrado un alto rendimiento en la
clasificación de decisiones de riego, se re-
comienda implementar esta metodología en
el campo. Utilizando los hiperparámetros
óptimos determinados durante el proyecto,
el modelo puede ayudar a automatizar la
toma de decisiones de riego, optimizando
el uso del agua y mejorando la eficiencia
del proceso.
Para garantizar la precisión y eficacia del
modelo de toma de decisiones, se debe es-
tablecer un sistema de monitoreo continúo
utilizando sensores IoT. Esto permitirá reco-
pilar datos en tiempo real sobre variables
clave como humedad del suelo, tempera-
tura, radiación solar y velocidad del viento.
Los datos actualizados mejorarán la preci-
sión del modelo y la capacidad de respues-
ta a las condiciones cambiantes del cultivo.
Aunque el modelo ha mostrado un rendi-
miento prometedor en el entorno de prueba,
es fundamental validar su desempeño en
condiciones reales en el campo. La imple-
mentación piloto en una parcela de cultivo
de café permitirá evaluar cómo el modelo
se adapta a situaciones variables y confir-
mar su eficacia en la toma de decisiones en
tiempo real.
Después de la implementación en el cam-
po, se debe realizar un seguimiento cons-
tante de la eficacia del modelo y las deci-
siones de riego que genera. Esto permitirá
identificar posibles desviaciones y ajustar el
modelo según sea necesario. Además, se
pueden recopilar comentarios y experien-
cias de los agricultores para mejorar aún
más el sistema.
Es esencial capacitar a los agricultores en
el uso del sistema de toma de decisiones
basado en el modelo de árbol de decisión.
Los agricultores deben comprender cómo
se generan las decisiones de riego y cómo
interpretarlas. Esto fomentará la confianza
en el sistema y su adopción exitosa.
Además de los beneficios ambientales y
agronómicos, es importante llevar a cabo
una evaluación económica del sistema de
toma de decisiones. Esto incluye analizar
los ahorros en costos de agua, la optimiza-
ción de la producción y cualquier inversión
adicional requerida para la implementación
del sistema.
TOMA DE DECISIONES DE RIEGO INTELIGENTE PARA CULTIVOS DE CAFÉ CON LA UTILIZACIÓN DE SEN-
SORES IOT
394
RECIMUNDO VOL. 9 N° ESPECIAL (2025)
Bibliografía
Bishnoi, S., & Hooda, B. K. (2022). Decision Tree Al-
gorithms and their Applicability in Agriculture for
Classification. Journal of Experimental Agricultu-
re International. https://doi.org/10.9734/jeai/2022/
v44i730833
Canete-Sifuentes, L., Monroy, R., & Medina-Perez, M.
A. (2021). A Review and Experimental Comparison
of Multivariate Decision Trees. IEEE Access, 9. ht-
tps://doi.org/10.1109/ACCESS.2021.3102239
Charbuty, B., & Abdulazeez, A. (2021). Classifica-
tion Based on Decision Tree Algorithm for Machi-
ne Learning. Journal of Applied Science and Te-
chnology Trends, 2(01). https://doi.org/10.38094/
jastt20165
Edwards-Murphy, F., Magno, M., Whelan, P. M., O’Ha-
lloran, J., & Popovici, E. M. (2016). B+WSN: Smart
beehive with preliminary decision tree analysis for
agriculture and honey bee health monitoring. Com-
puters and Electronics in Agriculture, 124. https://
doi.org/10.1016/j.compag.2016.04.008
El Morr, C., Jammal, M., Ali-Hassan, H., & El-Hallak,
W. (2022). Decision Trees. In International Series
in Operations Research and Management Scien-
ce (Vol. 334). https://doi.org/10.1007/978-3-031-
16990-8_8
Ferrández-Pastor, F. J., García-Chamizo, J. M., Nie-
to-Hidalgo, M., & Mora-Martínez, J. (2018). Preci-
sion agriculture design method using a distribu-
ted computing architecture on internet of things
context. Sensors (Switzerland), 18(6). https://doi.
org/10.3390/s18061731
Friha, O., Ferrag, M. A., Shu, L., Maglaras, L., &
Wang, X. (2021). Internet of Things for the Futu-
re of Smart Agriculture: A Comprehensive Survey
of Emerging Technologies. In IEEE/CAA Journal
of Automatica Sinica (Vol. 8, Issue 4). https://doi.
org/10.1109/JAS.2021.1003925
Kalesanwo, O., Awodele, O., Eze, M., Kuyoro, ’S., &
Ajaegbu, C. (2020). Evaluation of Decision Tree
Algorithms in Precision Agriculture. International
Journal of Computing and Technology (IJCAT),
7(3).
Kotsiantis, S. B. (2013). Decision trees: A recent over-
view. In Artificial Intelligence Review (Vol. 39, Issue
4). https://doi.org/10.1007/s10462-011-9272-4
Song, Y. Y., & Lu, Y. (2015). Decision tree methods:
applications for classification and prediction. Sha-
nghai Archives of Psychiatry, 27(2). https://doi.or-
g/10.11919/j.issn.1002-0829.215044
Tao, W., Zhao, L., Wang, G., & Liang, R. (2021). Re-
view of the internet of things communication tech-
nologies in smart agriculture and challenges. In
Computers and Electronics in Agriculture (Vol. 189).
https://doi.org/10.1016/j.compag.2021.106352
Vamshi, H., Vamshi, D., Dakshiraju, S., Chennauah-
gari, S., Saswati, B., & Loganayagi, B. (2023).
SMART AGRICULTURE USING DECISION TREE
IN IOT. International Research Journal of Moder-
nization in Engineering Technology and Science,
5(03/March-2023). https://doi.org/10.56726/irj-
mets35152
CITAR ESTE ARTICULO:
Corrales Bonilla, J. I. ., Barreno Flores, C. F., Salvatierra Tacle, A. L., & Pastuña
Chusin, N. M. (2025). Toma de decisiones de riego inteligente para cultivos de
café con la utilización de sensores IoT. RECIMUNDO, 9(Especial), 378–394.
https://doi.org/10.26820/recimundo/9.(esp).mayo.2025.378-394
CORRALES BONILLA, J. I. ., BARRENO FLORES, C. F., SALVATIERRA TACLE, A. L., & PASTUÑA CHUSIN, N. M.
