📓 Referencia completa (según DOI/SSRN): Baffico-Hernández, A.; Carrasco-Benavides, M.; Becerra, G.; Fuentes, S.; Ahumada-Orellana, L. (2026). Integration of Climate Data and Machine Learning for Cherry Phenological Stages Prediction. SSRN (preprint). https://doi.org/10.2139/ssrn.6082130
🔗 Acceso: Integration of Climate Data and Machine Learning for Cherry Phenological Stages Prediction by Antonella Baffico-Hernández, Marcos Carrasco-Benavides, Guillermo Becerra, Sigfredo Fuentes, Luis Ahumada-Orellana :: SSRN
Planificar la cosecha cuando el clima desplaza el calendario del árbol
¿Qué margen real tiene un productor para organizar mano de obra y operaciones si el calendario fenológico se mueve unos días cada temporada? El preprint de Baffico-Hernández y colaboradores parte de un hecho operativo: en cereza, anticipar cuándo progresa el cerezo por sus estadios fenológicos condiciona decisiones críticas. Su propuesta es directa: combinar datos climáticos y aprendizaje automático para predecir múltiples estadios fenológicos, no solo un hito aislado.
Chile central como banco de pruebas bajo presión climática
El trabajo se sitúa en la zona central de Chile (aprox. 32°55′–38°00′ S) y la enmarca en una megasequía persistente desde 2010, con cambios concomitantes en el entorno climático. En ese escenario, los autores señalan que los enfoques clásicos —a menudo calibrados para combinaciones concretas de sitio y cultivar y utilizados para eventos puntuales como floración o cosecha— pueden resultar costosos de adaptar y menos transferibles cuando cambian las condiciones de base. Este es el hueco técnico que intentan cubrir con un enfoque multietapa.
De grados-día a una fenología continua que un modelo pueda aprender
Para construir el conjunto de datos, el estudio integra siete temporadas (2017–2023) en tres localidades (Comalle, Sagrada Familia y Linares) y cinco cultivares (‘Santina’, ‘Lapins’, ‘Kordia’, ‘Regina’ y ‘Sweetheart’). La variable climática principal es el tiempo térmico mediante GDD con umbral base de 5 °C, enlazado históricamente con De Réaumur (1735).
El desafío es que la fenología se observa en visitas discretas, mientras que los algoritmos trabajan mejor con series densas. Para resolverlo, los autores convierten la escala BBCH a valores numéricos discretos (1–10) y aplican PCHIP (Piecewise Cubic Hermite) para interpolar días intermedios, preservando la monotonicidad y evitando oscilaciones artificiales. Con esta “trayectoria continua” entrenan y comparan siete algoritmos (incluida regresión lineal como referencia) y separan el tiempo de forma estricta: 2017–2021 para entrenamiento, 2022 para validación y 2023 como prueba independiente.
SVR y KNN: acierto en días, no en semanas
En el año de prueba (2023), la Support Vector Regression (SVR) lidera el rendimiento con MAE ≈ 4.63 días, R² ≈ 0.97 y SD ≈ 4.08 días, lo que sitúa el error típico en el rango de pocos días. K-Nearest Neighbors (KNN) ofrece un desempeño muy similar, mientras que la regresión lineal queda claramente por detrás, coherente con la no linealidad de la relación entre acumulación térmica y avance en estadios fenológicos.
La utilidad del enfoque se entiende mejor cuando se considera la variabilidad espacial: aunque las temperaturas medias diarias entre estaciones covarían estrechamente, existen offsets sistemáticos. Por ejemplo, Linares presenta una temperatura mínima media mayor que Comalle (≈9.4 °C vs ≈7.2 °C), y el estudio reporta diferencias significativas en comparaciones pareadas para ciertos pares de estaciones. Estas diferencias ayudan a explicar por qué modelos capaces de aprender relaciones no lineales y desplazamientos locales sostienen mejor la precisión.
Qué implicaría para el huerto y qué falta por robustecer
El estudio sugiere una ventaja operativa: con entradas mínimas (temperatura + cultivar) se puede apoyar la planificación asociada a la fenología, reduciendo dependencia de calibraciones laboriosas por sitio. No obstante, también reconoce límites: la fenología evaluada en campo incorpora incertidumbre observacional y depende de la frecuencia de muestreo. Por ello, los autores plantean como siguiente paso la monitorización más continua (personal entrenado y/o cámaras) y sensores térmicos más localizados para capturar variabilidad intra-huerto. En conjunto, el mensaje es prudente: la IA no sustituye la fisiología; la convierte en predicción operativa cuando el dato de entrada es consistente.
Cierre: si estos resultados se confirman con validaciones externas, el trabajo apunta a un escenario en el que el calendario del cerezo pueda anticiparse con precisión de pocos días, incluso bajo condiciones climáticas cambiantes.
