“Modelos de machine learning para el pronóstico del peso de bayas de arándano Vaccinium corymbosum L.”

Abstract

Considerando la relevancia económica del calibre como indicador de calidad y precio, en este estudio se tuvo como objetivo desarrollar modelos de machine learning capaces de estimar con precisión el peso de las bayas de arándano a partir de su calibre. Se construyó un preprocesamiento reproducible mediante el paquete recipes de tidymodels para garantizar la calidad e integridad de los registros de calibre y peso de bayas de arándano obtenidos durante la campaña 2023-2024 en Lambayeque, Perú. El análisis exploratorio evidenció una correlación casi perfecta entre calibre y peso (r = 0,98) y una tendencia decreciente del peso a lo largo del periodo (r = –0,70). Tras aplicar transformaciones logarítmicas y selección de variables mediante regresión Lasso, se evaluaron cuatro enfoques de predicción: regresión lineal simple, regresión polinómica de segundo grado, árbol de decisión y bosque aleatorio. La calibración de hiperparámetros de los modelos de árbol se realizó mediante optimización bayesiana basada en RMSE y su desempeño se comparó usando RMSE, MAE, MAPE y R2 en validación cruzada repetida (5 folds × 20 repeticiones) y en prueba externa. El modelo polinómico mostró el mejor equilibrio entre precisión y robustez, con un MAE de 0,05 g, un MAPE cercano al 2,5 % y R2 = 0,97 en ambos escenarios. A pesar de que el bosque aleatorio alcanzó resultados competitivos, la simplicidad y transparencia del modelo polinómico facilitaron su implementación en entornos productivos para optimizar la planificación de cosecha y la clasificación de frutos. Estos hallazgos confirmaron que, ante relaciones casi lineales, los métodos paramétricos bien calibrados pueden igualar o superar el rendimiento de algoritmos más complejos.

Considering the economic relevance of size as an indicator of quality and price, this study aimed to develop machine learning models capable of accurately estimating blueberry berry weight from its size. A reproducible preprocessing was constructed using the recipes package of tidymodels to ensure the quality and integrity of the size and weight records of blueberry berries obtained during the 2023–2024 season in Lambayeque, Peru. Exploratory analysis revealed an almost perfect correlation between size and weight (r = 0.98) and a decreasing trend in weight over the period (r = –0.70). After applying logarithmic transformations and variable selection via Lasso regression, four prediction approaches were evaluated: simple linear regression, second-degree polynomial regression, decision tree, and random forest. Hyperparameter calibration of the tree models was performed by Bayesian optimization based on RMSE, and their performance was compared using RMSE, MAE, MAPE, and R2 in repeated cross-validation (5 folds × 20 repetitions) and external testing. The polynomial model demonstrated the best balance between accuracy and robustness, achieving an MAE of 0.05 g, a MAPE close to 2.5 %, and R2 = 0.97 in both scenarios. Although the random forest produced competitive results, the simplicity and transparency of the polynomial model facilitated its implementation in production environments to optimize harvest planning and fruit classification. These findings confirmed that, given nearly linear relationships, well-calibrated parametric methods can match or outperform more complex algorithms.