De 138 parcelas del altiplano conocemos el rendimiento al final de la cosecha. Esta herramienta estima las otras 59, ejecuta el modelo frente a ti y explica de dónde sale cada número.
Reto AgroCebada FIRA 2026. Hidalgo, Puebla y Tlaxcala, campaña de abril a octubre de 2025. Las líneas del fondo son el relieve real de la zona.
Rellenas: rendimiento conocido. Con surcos: las 59 que estima el modelo. Acerca el mapa con el botón +, con Ctrl y la rueda o con dos dedos para ver la forma de cada parcela.
Elige una parcela para ver su ficha. La barra con surcos es el rango donde esperamos el valor real 8 de cada 10 veces; la línea gris, la referencia MIX.
Las bases piden una herramienta para consultar y visualizar los resultados de manera interactiva (criterio de aplicación, 30 %).
| Notas |
|---|
Mira el contenido antes de descargarlo. Los archivos se sirven desde Amazon S3; el CSV es el mismo de la entrega y su huella SHA-256 se comprueba en este navegador.
Cuatro hojas: estimaciones, rangos, componentes del modelo y metadatos.
Una hoja con el mapa, las 59 estimaciones y sus rangos, lista para imprimir.
Elige «Vista previa» en cualquiera de los tres formatos.
Dos maneras: paso a paso en este navegador, para ver de dónde sale el número de una parcela, o reentrenando el modelo completo en AWS con las 138 parcelas conocidas. Las dos terminan comparando con el archivo de entrega.
Las bases piden que la aplicación permita ejecutar el modelo predictivo y consultar los resultados.
Calcula la referencia territorial, el verdor relativo, la lluvia de octubre y el promedio final de una parcela.
Una función de AWS Lambda vuelve a ajustar el modelo con las 138 parcelas y estima las 59. No guarda resultados: cada llamada reentrena.
Buscando la función en AWS…
Elige una parcela y pulsa Ejecutar, o reentrena en AWS.
Seguimos las seis etapas de CRISP-DM. Baja para recorrerlas: la figura cambia en cada paso y la esquina inferior indica la etapa. Si regresas, todo se deshace en orden.
Etapa 1. Entender el problema
FIRA entregó el rendimiento de 138 parcelas y guardó el de 59 para calificar. Las ocultas están mezcladas con las demás: la parcela conocida más cercana está, en mediana, a 350 m.
Por eso validamos así: ocultar parcelas al azar, estimarlas con las demás y medir el error, muchas veces.
Etapa 2. Entender los datos
Elevación cada 120 m, lluvia mensual en celdas de unos 5 km por lado, el polígono de cada parcela y su verdor, visto en cientos de imágenes de satélite.
Las escalas no se parecen: una celda de lluvia cubre unas 2,900 ha y esta parcela mide 1.75 ha. Mientras bajas, las capas se juntan y cada una deja un número en la fila de la parcela. Si subes, se separan otra vez.
Etapa 2. Entender los datos
Con solo saber el municipio, el error baja de 0.85 a 0.49 t/ha: el municipio explica cerca del 69 % de la variación.
De las 619 variables que construimos, ninguna muestra por sí sola una señal dentro del municipio que se distinga del azar.
Etapa 3. Preparar los datos
La referencia MIX promedia la media del municipio con el rendimiento de las 20 parcelas conocidas más cercanas; pesa más la que está más cerca.
Etapa 3. Preparar los datos
Con las imágenes de Planet de 2025 armamos la curva de verdor hasta el 31 de octubre y medimos el área entre la curva y su nivel de abril–mayo, durante la temporada. A esa área le restamos la mediana de las parcelas a menos de 1 km.
Etapa 3. Preparar los datos
Ponderamos cada celda de lluvia por la parte de la parcela que cubre y comparamos octubre de 2025 con el promedio de 2022 a 2024.
Etapa 4. Modelar
K corrige la referencia territorial con el verdor relativo. J usa el grupo regional y la lluvia de octubre. Sus errores no coinciden del todo: su promedio, E_JK, nunca puede quedar peor que el promedio de los dos, y en validación cruzada fue mejor que cada uno.
Etapa 5. Evaluar
Cada punto es el mejor resultado de un experimento comparado con MIX. A la izquierda de la línea, mejor que la referencia. Agregar muchas variables casi siempre empeoró.
Etapa 5. Evaluar
Una validación independiente apartó 35 parcelas por sorteo antes de leer rendimientos y las abrió una sola vez. E_JK quedó por delante de MIX en las cinco evaluaciones, pero por poco: en la caja, por 0.003 t/ha.
Como E_JK se eligió después de ver resultados, esperamos un error real de 0.47 a 0.49 t/ha. En las 59 concretas puede quedar entre 0.35 y 0.63, según cuáles se ocultaron.
Etapa 5. Evaluar
Dos parcelas a menos de 250 m todavía difieren, típicamente, 0.42 t/ha. Y con más parcelas del mismo tipo el error bajaría menos de 0.01 t/ha.
Lo que movería el techo es información que cambie dentro del municipio: rendimiento medido en campo, manejo, suelo por parcela y varias campañas. Ninguna es pública en la zona.
Etapa 6. Desplegar
Esta página vive en Amazon S3 y la sirve CloudFront, junto con los datos. Antes de usar cada archivo, el navegador comprueba su huella SHA-256 contra el manifiesto.
«Reentrenar en AWS» llama a una función de AWS Lambda que ajusta el modelo con las 138 parcelas y devuelve las 59 estimaciones con la huella del CSV. Todo se crea con Terraform, sin pasos manuales en la consola.
Una estimación de producción por parcela, con su rango, es información verificable para decidir sobre financiamiento en el campo.
Las bases recuerdan que FIRA busca «una mayor inclusión financiera de los productores, buscando facilitar su acceso al financiamiento formal», y en la segunda etapa evalúan la relación de la herramienta con ese problema.
Si una solicitud declara una producción muy por encima del rango estimado para su parcela, conviene revisarla en campo antes de decidir.
El límite inferior del rango da una producción conservadora para estimar capacidad de pago o un monto de avío.
Las parcelas sin vecinas cercanas, como AGC_120, y las de Chignahuapan, donde el rango es más ancho, son las primeras que conviene verificar en campo.
No es una calificación crediticia. Es una sola campaña y tiene un error típico de casi media tonelada por hectárea.
Las bases las cuentan como bonus. Respondemos con lo que la evidencia sostiene, después de controlar el territorio.
¿Qué índice es más importante en la predicción?
Su nivel absoluto no mejoró a la referencia territorial. Su diferencia con las parcelas a menos de 1 km sí, aunque poco y sin evidencia estadística suficiente. El signo es negativo: más verde que las vecinas, algo menos de grano.
¿Qué variable climática tiene mayor peso?
El modelo J la eligió en 97 de 100 pliegues de validación, entre 148 variables. Pero la celda de lluvia explica el 99 % o más de su variación: funciona como una ubicación más fina y no prueba un efecto del clima.
¿Qué combinación de variables funciona mejor?
El salto grande es pasar de la media general a la del municipio. Después, cada paso aporta unos 0.005 t/ha y juntos casi 0.02.