Marco arquitectónico para sistemas de predicción aplicados a la producción del banano en Ecuador
DOI:
https://doi.org/10.46480/esj.10.1.280Palabras clave:
arquitectura de sistemas, machine learning, pronóstico agrícolaResumen
Contexto: El cultivo de banano es un pilar de la economía ecuatoriana y su producción depende fuertemente de variables ambientales, edafológicas, lo que dificulta anticipar su rendimiento mediante métodos tradicionales. Aunque estudios previos han demostrado el potencial del aprendizaje automático y el análisis geoespacial para mejorar la predicción agrícola, aún no existe un marco conceptual adaptado específicamente a las condiciones del sector bananero ecuatoriano. Este trabajo propone una arquitectura destinada a integrar datos ambientales, de suelo y de producción histórica para fortalecer la toma de decisiones en fincas y organizaciones productoras. Método: La arquitectura fue evaluada mediante un enfoque híbrido. Desde la perspectiva cualitativa, se aplicó el modelo de éxito de sistemas de información de DeLone y McLean, analizando calidad del sistema, calidad de la información e impacto en usuarios y organizaciones. Desde el enfoque cuantitativo, se emplearon métricas estructurales derivadas del modelo ISA, lo que permitió examinar coherencia interna, complejidad y nivel de integración. Resultados: Los resultados muestran que los módulos de adquisición y procesamiento presentan alta calidad técnica e informativa, mientras que los componentes de visualización destacan por su impacto directo en los usuarios. Las métricas cuantitativas evidencian una estructura organizada, escalable y adaptable a distintos escenarios productivos. Conclusiones: En conclusión, la arquitectura propuesta constituye una base conceptual sólida para futuros sistemas predictivos en el sector bananero ecuatoriano, promoviendo el uso de tecnologías avanzadas en agricultura.
Descargas
Referencias
Baswaraju, S., Maheswari, V., Chennam, K., Thirumalraj, A., Kan-tipudi, M., & Aluvalu, R. (2023). Future Food Production Pre-diction Using AROA Based Hybrid Deep Learning Model in Agri-Sector. Human-Centric Intelligent Systems, 3(1), 521–536. https://doi.org/10.1007/s44230-023-00046-y
Bhatta, S., Pant, P., Kapri, R., & Mishra, B. (2023). Production efficiency of banana cultivation in Chitwan District, Nepal. Cogent Food & Agriculture, 9(1). https://doi.org/10.1080/23311932.2023.2212461
Bustaliño, B., Galos, T., & Cajudo, S. (2024). Arima Modeling and Forecasting of Banana Production in Eastern Visayas, Philip-pines: 2010-2022. Research Square. https://doi.org/10.21203/rs.3.rs-4260041/v1
Da Silva, A., Oliveira, F., Da Fonseca, R., & Braga, G. (2023). Yield prediction in banana (Musa sp.) using STELLA model. Ac-ta Scientiarum, Agronomy, 45(1), e58947. https://doi.org/10.4025/actasciagron.v45i1.58947
DeLone, W., & McLean, E. (1992). Information Systems Success: The Quest for the Dependent Variable. Information Systems Research, 3(1), 60-95 https://doi.org/10.1287/isre.3.1.60
FAO (2025). Banana Market Review. Preliminary results 2024. https://openknowledge.fao.org/handle/20.500.14283/cd3731en
Khan, T., Qiu, J., Qureshi, M., Iqbal, M., Mehmood, R. & Hussain, W. (2020).
Agricultural Fruit Prediction Using Deep Neural Networks. Procedia Computer Science, 174, 72-78. https://doi.org/10.1016/j.procs.2020.06.058
Khan, T., Sherazi, H., Ali, M., Letchmunan, S., & Butt, U. (2021). Deep Learning-Based Growth Prediction System: A Use Case of China Agriculture. Agronomy, 11(8). https://doi.org/10.3390/agronomy11081551
Okolie, H., Obasi, C. & Obidiebube, E. (2019). Yield prediction and predictors in banana/plantain cultivers (Musa spp). Nige-rian Journal Of Crop Science, 6(3), 32-39. https://www.researchgate.net/publication/348834066
Olivares, B., Vega, A., Rueda Calderón, M., Montenegro-Gracia E., Araya-Almán, M., & Marys, E. (2022). Prediction of Banana Production Using Epidemiological Parameters of Black Sigatoka: An Application with Random Forest. Sustain-ability, 14(21). https://doi.org/10.3390/su142114123
Pandya, U., Mudaliar, A., & Gaikwad, A. (2023). Forecasting of Banana Crop Productivity Using Geospatial Approach: A Case Study of Anand District. Environmental Sciences Pro-ceed-ings, 25(1). https://doi.org/10.3390/ECWS-7-14248
Patrick, S., Mirau, S., Mbalawata, I., & Leo, J. (2023). Time series and ensemble models to forecast banana crop yield in Tan-zania, considering the effects of climate change. Resources, Envi-ronment and Sustainability, 14(1). https://doi.org/10.1016/j.resenv.2023.100138
Prity, K., Dinesh, P., Sathish, K., Yogesh, L., & Ashish M. (2022). An artificial neural network ap-proach for predicting area, pro-duction and productivity of Banana in Gujarat. The Pharma Innovation Journal, 11(4), 816-821. https://www.thepharmajournal.com/special-issue?year=2022&vol=11&issue=4S&ArticleId=11983
Quiloango-Chimarro, C., Gioia, H., & Costa, J. (2024). Typology of Production Units for Improving Banana Agronomic Man-agement in Ecuador. AgriEngineering, 6(3), 2811-2823. https://doi.org/10.3390/agriengineering6030163
Rebortera, M., & Fajardo, A. (2019). An Enhanced Deep Learn-ing Approach in Forecasting Banana Harvest Yields. Interna-tional Journal of Advanced Computer Science and Applica-tions (IJACSA), 10(9). https://doi.org/10.14569/IJACSA.2019.0100935
Rebortera, M., & Fajardo, A. (2019). Forecasting Banana Har-vest Yields using Deep Learning. 2019 IEEE 9th International Conference on System Engineering and Technology (ICSET), Shah Alam, Malaysia. 380-384. https://doi.org/10.1109/ICSEngT.2019.8906427
Sacala, R., Abad, J., & Arboleda, E. (2024). Integration Of Machine Learning Techniques in Banana Production: A Litera-ture Review. JSRED-International Journal of Scientific Research and Engineering Development, 7(1), 677-695. https://doi.org/10.5281/zenodo.10667895
Soares, J., Pasqual, M., Lacerda, W., Silva, S., & Donato, S. (2014). Comparison of techniques used in the prediction of yield in banana plants. Scientia Horticulturae, 167, 84–90. https://doi.org/10.1016/j.scienta.2013.12.012
Souza, A., Neto, A., Piazentin, J., Junior, B., Gomes, E., Bonini, C., & Putti, F. (2019). Artificial neural network modelling in the prediction of bananas’ harvest. Scientia Horticulturae, 257. https://doi.org/10.1016/j.scienta.2019.108724
Vaca, E., Gaibor, N., & Kovács, K. (2020). Analysis of the chain of the banana industry of Ecuador and the European market. Applied Studies in Agribusiness and Commerce, 14(1-2), 57-65. https://doi.org/10.19041/APSTRACT/2020/1-2/7
Vasconcelos, A., Sousa, P., & Tribolet, J. (2007). Information System Architecture Metrics: an En-terprise Engineering Evalu-ation Approach. The Electronic Journal Information Systems Evaluation, 10(1), 91-122. https://academic-publishing.org/index.php/ejise/article/view/317
Descargas
Publicado
Número
Sección
Licencia
Derechos de autor 2026 Mitchell Jhon Vásquez Bermúdez (Author)
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-CompartirIgual 4.0.
Los autores conservan los derechos sobre sus artículos y, por tanto, son libres de compartir, copiar, distribuir, ejecutar y comunicar públicamente su obra en sus sitios web personales o en repositorios institucionales, después de su publicación en esta revista, siempre que se proporcione la referencia bibliográfica que acredite su publicación original.
Cómo citar
