🔍 Estimación de cosecha con IA

En un contexto climático cada vez más impredecible, anticiparse puede marcar la diferencia entre un buen año y un año difícil.

Esta temporada dimos un paso importante: intentamos responder una de las preguntas más frecuentes entre productores y asesores de almendros:
¿Se puede predecir la cosecha con varios meses de anticipación?

Lo hicimos con datos, imágenes satelitales e inteligencia artificial, en colaboración con ChileAlmonds, la principal asociación gremial de almendros del país.

El objetivo fue claro: anticipar el rendimiento de los huertos, reducir la incertidumbre y facilitar decisiones técnicas informadas.

Este trabajo forma parte de un proyecto entre ViLab y ChileAlmonds, cuyo propósito es entregar estimaciones de cosecha cada vez más precisas a los productores.

Los resultados de este primer año no solo confirman el potencial del modelo, sino que permitirán ajustarlo y corregirlo para que las proyecciones de la próxima temporada sean más confiables.

🧠 El modelo: tres fuentes de datos, una sola predicción

Para abordar este desafío, en ViLab desarrollamos un modelo de estimación de cosecha que combina tres fuentes principales de información:

• Estaciones meteorológicas: datos diarios de acumulación de frío, precipitaciones, grados día, heladas y olas de calor.

• Imágenes satelitales multiespectrales diarias (resolución 3×3 m): evolución del vigor y nutrición vegetal.

• Datos productivos: variedades, portainjertos y rendimientos históricos de cada huerto.

Estos datos fueron analizados mediante herramientas estadísticas y modelos de inteligencia artificial (Gradient Boosting), permitiendo generar predicciones confiables y comparables entre huertos y temporadas.

📊 7 factores que explican el rendimiento de los almendros, según IA y datos reales

🌡️ 1. Grados Días: la variable más influyente

La acumulación de calor durante floración y llenado de fruto fue la variable más determinante. En general, más grados día = mayor rendimiento.

Se utilizó el modelo de Grados Días (GD) con base 7 °C, medido para cada huerto durante agosto y septiembre. Un déficit térmico en estas etapas puede impactar negativamente el rendimiento final.

🌧️ 2. Lluvias invernales: agua acumulada, lavado de sales, mayor potencial

Las precipitaciones invernales mostraron una correlación positiva con los rendimientos. No solo mejoran la disponibilidad hídrica, sino que también permiten lavar sales del suelo y obtener una brotación más uniforme.

🌱 3. Manejo productivo: la diferencia está en los detalles

Los huertos con nutrición adecuada, riego oportuno y podas bien ejecutadas superaron las estimaciones del modelo. Esta variable se evaluó a partir de índices vegetacionales obtenidos por imágenes satelitales.

❄️ 4. Porciones de frío: relevante, pero no crítica

Aunque es clave para romper la dormancia de las yemas, el frío invernal tuvo menor peso relativo que el calor acumulado o el manejo técnico.

Se utilizó el modelo de Porciones de Frío (PF), medido entre mayo y julio en la zona central, y entre abril y junio más al norte.

🧬 5. Variedad y portainjerto: genética y adaptación

Algunas variedades mostraron mayor estabilidad y menor sensibilidad climática. El portainjerto también influye, especialmente en condiciones restrictivas de suelo o agua.

La variedad Carmel, ampliamente usada como polinizante de Nonpareil en California, presenta problemas importantes en Chile, especialmente por su susceptibilidad a enfermedades y una floración poco sincronizada con Nonpareil.

🧊 6. Temperatura mínima: impacto puntual, pero severo

Temperaturas bajo –1 °C durante floración, cuaja o en frutos pequeños generan un alto riesgo de pérdida de producción.

En un caso registrado, una helada de –1,5 °C durante floración provocó una pérdida del 50% del rendimiento estimado. Aunque su peso en el modelo es bajo, su efecto puede ser devastador si ocurre en momentos críticos.

🔁 7. Vecería: sí afecta, y puede predecirse

La alternancia entre años altos y bajos de producción también fue considerada. Los huertos con alta carga el año anterior tendieron a rendir por debajo del promedio, lo que valida la inclusión de la vecería como variable predictiva.

📌 Ejemplo comparativo real

Un huerto ubicado en la Región Metropolitana, con buen manejo y alta acumulación térmica, tuvo un rendimiento estimado de 3.200 kg/ha. El resultado real fue 3.100 kg/ha, con un error menor al 4%.

En contraste, otro huerto de la misma zona, con deficiencias en el riego, rindió un 20% por debajo de lo estimado, lo que evidencia la importancia del manejo técnico.

¿Eres productor de almendros? Súmate al proyecto este 2025

Este 2025 queremos ampliar la red de huertos participantes y abrimos la invitación a nuevos productores.

💡 El acceso es gratuito, y quienes se incorporen al plan piloto este año obtendrán:

• Acceso en línea a datos diarios y horarios de sus huertos

• Informes mensuales del modelo predictivo, con comparativas frente a valores de referencia en su zona

• Participación sin costo, con un límite de hasta 20 hectáreas por productor

📩 Escríbenos a [email protected] antes del 30 de junio para sumarte al piloto y comenzar a trabajar juntos en una agricultura más precisa, anticipada y digital.

Este correo ha sido preparado por el Equipo de ViLab | www.vilab.cl