Technology Rain Journal ISSN: 2953-464X
Vol. 4 Núm. 1 (Julio – Diciembre 2025),e66.
https://technologyrain.com.ar/
Artículo de Investigación Original
Diseño de una herramienta para predecir la producción anual de
caña de azúcar utilizando redes neuronales artificiales.
Design of a tool for predicting annual sugar cane production using artificial neural
networks.
Kevin Gabriel Castillo Villegas [0009-0004-1688-5613] , Juan Carlos Concha Arrieta [0000-0001-9578-7704]
Universidad Nacional de Chimborazo – Postgrado – Matemática Aplicada– Ecuador, keving.castillo@unach.edu.ec.
Universidad Nacional de Chimborazo – Postgrado – Matemática Aplicada– Ecuador, jcconcha@unach.edu.ec.
CITA EN APA:
Castillo Villegas, K. G., & Concha
Arrieta, J. C. (2025). Diseño de una
herramienta para predecir la
producción anual de caña de azúcar
utilizando redes neuronales
artificiales. Technology Rain
Journal, 4(1).
https://doi.org/10.55204/trj.v4i1.e66
Recibido: 24 de febrero-2025
Aceptado: 27 de marzo-2025
Publicado: 11 de abril-2025
Technology Rain Journal
ISSN: 2953-464X
Resumen.
El presente estudio diseña una herramienta predictiva basada en redes
neuronales artificiales para estimar la producción anual de caña de azúcar. La
producción de caña de azúcar está sujeta a múltiples variables que dificultan su
predicción precisa mediante métodos tradicionales. Se recopilaron datos
históricos de producción de caña de azúcar proporcionada por la industria
Valdez S.A, junto con variables climáticas: temperaturas máximas y mínimas,
oscilación térmica, precipitaciones, heliofanía, humedad relativa, evaporación.
Se diseñó una red neuronal de tipo Cascade forward backprop, la función de
entrenamiento Trainbfg, con dos capas ocultas y diez neuronas, implementada
en MATLAB utilizando bibliotecas TensorFlow y Keras. Los resultados
muestran que el modelo alcanzó una precisión del 90.0% en la predicción de
producción anual, superando significativamente métodos estadísticos
convencionales. Esto permite a productores tomar decisiones sobre siembra y
cosecha, contribuyendo a optimizar recursos y mitigar riesgos asociados a la
variabilidad productiva del cultivo.
Palabras Clave: Redes neuronales artificiales, Producción agrícola, Caña de
azúcar, Predicción de cosechas
Los contenidos de este artículo están
bajo una licencia de Creative
Commons Attribution 4.0
International (CC BY 4.0 )
Los autores conservan los derechos
morales y patrimoniales de sus obras.
Abstract:
This study designs a predictive tool based on artificial neural networks to
estimate annual sugarcane production. Sugarcane production is subject to
multiple variables that make it difficult to accurately predict using traditional
methods. Historical sugarcane production data provided by Valdez S.A. industry
was collected, together with climatic variables: maximum and minimum
temperatures, thermal oscillation, rainfall, heliophany, relative humidity,
evaporation.
A Cascade forward backprop neural network was designed, the training function
Trainbfg, with two hidden layers and ten neurons, implemented in MATLAB
using TensorFlow and Keras libraries. The results show that the model achieved
90.0% accuracy in predicting annual production, significantly outperforming
conventional statistical methods. This allows growers to make decisions on
planting and harvesting, helping to optimize resources and mitigate risks
associated with crop production variability.
Keywords: Artificial neural networks, Agricultural production,
Sugarcane, Crop forecasting
2
https://technologyrain.com.ar/
1. INTRODUCIÓN
La caña de azúcar es uno de los cultivos de mayor relevancia económica en diversas
regiones tropicales y subtropicales del mundo. Su producción no solo satisface la demanda
de azúcar como un alimento básico, sino que también se utiliza como materia prima para la
generación de biocombustibles, lo que favorece la diversificación de la matriz energética en
varios países (Cheesman, 2018). Sin embargo, la predicción precisa de su rendimiento
productivo anual continúa siendo un desafío significativo para el sector agroindustrial debido
a la complejidad de variables que inciden en su desarrollo.
La producción de caña de azúcar es un pilar clave en la economía agrícola de muchas
regiones del mundo, y su análisis es crucial para comprender su evolución y los factores que
influyen en ella. El periodo comprendido entre 2007 y 2018 es de particular interés, ya que
abarca transformaciones importantes en el sector, tanto a nivel de políticas agrícolas como
en la implementación de nuevas tecnologías de cultivo. El análisis de los datos históricos de
este periodo permitirá identificar patrones de crecimiento, fluctuaciones en la producción y
las consecuencias de cambios climáticos y económicos. Además, estos datos servirán como
base comparativa para evaluar la sostenibilidad de la industria y predecir tendencias futuras.
A través de esta investigación, se busca proporcionar información clave para la toma de
decisiones en el sector y contribuir al diseño de políticas públicas más efectivas.
Los métodos tradicionales de predicción de cosechas se fundamentan principalmente
en análisis estadísticos lineales y en la experiencia empírica, lo cual resulta insuficiente
frente a un contexto agrícola cada vez más complejo y afectado por la variabilidad climática
(Barbosa et al., 2020). En este sentido, las tecnologías de inteligencia artificial, y en
particular las redes neuronales artificiales (RNA), se presentan como herramientas
prometedoras para modelar sistemas no lineales complejos, como los que intervienen en la
producción agrícola.
En los últimos años, se han registrado avances significativos en la aplicación de
inteligencia artificial para la predicción de rendimientos en caña de azúcar. Wang et al.
(2022) exploraron la aplicación de redes neuronales recurrentes (RNN), específicamente
arquitecturas LSTM (Long Short-Term Memory), demostrando que la incorporación de la
memoria a largo plazo mejora significativamente la capacidad para predecir impactos de
eventos climáticos extremos en el rendimiento final. Esta capacidad resulta particularmente
relevante en un contexto de creciente variabilidad climática.
Technology Rain Journal ISSN: 2953-464X (2023) 3
https://technologyrain.com.ar/
Las Redes Neuronales Artificiales (RNA) han demostrado capacidad para capturar
patrones complejos en datos históricos y realizar predicciones precisas en diversos campos,
incluida la agricultura. Estudios previos han aplicado estas técnicas en cultivos como trigo,
maíz y arroz con resultados alentado-res, pero su implementación específica para caña de
azúcar sigue siendo limitada (Rodríguez et al., 2019). El potencial de las RNA radica en su
capacidad para procesar simultáneamente múltiples variables, identificar relaciones no
lineales entre ellas y adaptarse a nuevos patrones, características especialmente valiosas para
modelar sistemas agrícolas dinámicos.
La producción de caña de azúcar está determinada por una compleja interacción de
factores edafoclimáticos, agronómicos y biológicos. Las condiciones de temperatura,
precipitación, radiación solar, propiedades del suelo, prácticas de manejo, variedades
cultivadas y presencia de plagas y enfermedades constituyen solo algunas de las variables
que determinan su rendimiento final (Santos et al., 2021). Esta multiplicidad de factores,
sumada a la creciente incertidumbre climática, dificulta enormemente la predicción mediante
enfoques convencionales.
Investigaciones recientes han profundizado en la comprensión de estas interacciones.
Kumar y Patel (2024) implementaron arquitecturas de Deep Learning para analizar
simultáneamente factores edafoclimáticos y prácticas de manejo en plantaciones de caña en
Brasil, incorporando características específicas de diferentes variedades de caña y
permitiendo recomendaciones personalizadas para cada tipo de cultivar.
Complementariamente, Sharma y Gupta (2022) desarrollaron modelos específicos para
regiones semiáridas, donde el estrés hídrico representa el principal factor limitante,
optimizando estrategias de riego deficitario mientras se mantienen rendimientos
económicamente viables.
La problemática se intensifica considerando la relevancia socioeconómica del
cultivo. La caña de azúcar constituye el sustento de millones de familias agricultoras en
países en desarrollo y alimenta una cadena agroindustrial compleja que requiere
planificación precisa para optimizar recursos e inversiones. Una predicción inadecuada de
la producción puede desencadenar problemas de abastecimiento, volatilidad en precios,
pérdidas económicas significativas y uso ineficiente de recursos como agua, fertilizantes y
energía (López-Linares et al., 2020).
4
https://technologyrain.com.ar/
Las aplicaciones prácticas de los modelos predictivos han sido documentadas por
varios investigadores. Patel et al. (2022) implementaron un sistema de apoyo a la decisión
basado en técnicas de computación evolutiva y RNA para optimizar las prácticas de riego
en plantaciones de caña, demostrando ahorros de agua superiores al 20% sin afectar
negativamente el rendimiento del cultivo. De manera similar, Yao et al. (2022) integraron
predicciones climáticas estacionales con modelos de RNA para desarrollar sistemas de alerta
temprana ante condiciones adversas, permitiendo a los agricultores implementar medidas
preventivas con varios meses de anticipación.
El objetivo principal de la investigación consiste en diseñar una herramienta basada
en RNA para la predicción de la producción anual de caña de azúcar, considerando variables
climáticas. Como objetivos específicos, se propone: (1) identificar las variables con mayor
impacto en la producción de caña de azúcar; (2) determinar la arquitectura óptima de la red
neuronal para maximizar la precisión predictiva; y (3) comparar el desempeño del modelo
propuesto frente a métodos estadísticos tradicionales de predicción.
La presente investigación se orienta al diseño e implementación de una herramienta
predictiva basada en redes neuronales artificiales, capaz de integrar múltiples variables para
estimar con mayor precisión la producción anual de caña de azúcar. El estudio busca
responder a la siguiente pregunta de investigación: ¿Es posible desarrollar un modelo de
predicción basado en redes neuronales artificiales que supere significativamente la precisión
de los métodos convencionales para estimar la producción anual de caña de azúcar?
La propuesta de esta investigación está fundamentada en el desarrollo de una
herramienta computacional basada en RNA con la integración de variables climatológicas
históricas y datos de producción proporcionados por la industria azucarera Valdez S.A.
Este artículo surge con la necesidad de generar al sector agroindustrial instrumentos
predictivos más precisos que permitan optimizar recursos, reducir pérdidas económicas y
mejorar la planificación estratégica. Para optimizar la arquitectura de la red neuronal se
realizarán pruebas sistemáticas con diferentes configuraciones y algoritmos de
entrenamiento para maximizar su capacidad predictiva. El posterior contenido del artículo
está organizado de la siguiente manera: la sección 2 describe la metodología empleada,
incluyendo las fuentes de datos, el procesamiento de información y el diseño de la red
Technology Rain Journal ISSN: 2953-464X (2023) 5
https://technologyrain.com.ar/
neuronal; la sección 3 presenta los resultados obtenidos y su discusión; finalmente, la sección
4 ofrece las conclusiones del estudio y sugiere líneas de investigación futuras.
2. METODOLOGÍA O MATERIALES Y METODOS
La presente investigación se llevó a cabo bajo un enfoque cuantitativo, con un diseño no
experimental y un enfoque transversal. Su objetivo fue el desarrollo y validación de un modelo
predictivo basado en redes neuronales artificiales. El estudio se sustentó en el análisis de datos
históricos de producción de caña de azúcar y variables asociadas, sin intervenir experimentalmente
en las condiciones del cultivo.
Para entrenar la red neuronal, la compañía azucarera Valdez S.A. nos facilitó la información
necesaria, que incluye los datos históricos de las variables climatológicas y las cosechas anuales,
correspondientes al período comprendido entre 2007 y 2018.
Tabla 1. Matriz datos de entrada
Tabla 2. Matriz datos de entrada
Es fundamental, para facilitar el tratamiento de los datos, que tanto las entradas como las
salidas se ubiquen dentro de un rango de longitud adecuado y que su dispersión se mantenga
dentro de dicho rango. La normalización de datos es una de las herramientas más empleadas por
los diseñadores de sistemas de reconocimiento automático. Aunque existen diversos métodos de
normalización, en este estudio se empleó la siguiente ecuación: ��′ =
��−��min
��������−��������
Tabla 3. Matriz datos entrada normalizados
Variables Años
2007 2008 2009 2010 2011 2012 2013 2014 2015 2016 2017 2018
Tem. Max 29.73 29.68 30.17 29.82 26.9 25.75 26.36 30.14 30.6 30.63 30.42 30.6
Tem. Min 21.67 21.97 22.04 22.1 21.99 22.08 21.89 22.6 23.4 22.93 22.84 22.9
Oscilación 8.1 7.7 8.1 7.7 8.1 8.2 8 7.5 7.2 7.7 7.6 7.7
Precipitación 979.2 2086.8 1137.6 1348.8 912 2078.4 1030.8 1161.6 1244.4 1318.8 2232 1318.8
Insolación 856.8 856.8 975.8 681.6 910.8 876 703.2 722.4 807.6 861.6 733.2 890.4
Humedad 80 80 79 82 78 79 80 80 80 81 81 81
Evaporación 1266 1244.4 1327.2 1117.2 1220.4 1118.4 1186.8 1171.2 1177.2 1212 1184.4 1214.4
Hectáreas 18419.51 20295.62 20952.94 18198.48 19766.46 18692.12 20804.22 19247.16 16862.25 23434.65 22518.02 24023
Variable Años
2007 2008 2009 2010 2011 2012 2013 2014 2015 2016 2017 2018
Cosecha 1480263.5 1433157.1 1336962.6 1423312.4 1627735.2 1629833 1720344.9 1845955.3 1786515.4 2020472 1796591.9 1898686.4
6
https://technologyrain.com.ar/
Tabla 4.. Matriz datos salida normalizados.
Variable
Años
2007 2008 2009 2010 2011 2012 2013 2014 2015 2016 2017 2018
Cosecha 0.2096546 0.1407362 0 0.126333 0.4254112 0.4284804 0.5609028 0.7446755 0.6577126 1 0.6724549 0.8218231
Se seleccionaron las variables climatológicas como entrada debido a su relevancia en el
proceso de fotosíntesis y su impacto en el desarrollo de la caña de azúcar. Además, se incluyeron
las hectáreas, ya que en los últimos doce años se ha mantenido un valor constante. El objetivo es
obtener como variable de salida el número total de toneladas de caña que se producirán en el año.
Entre los registros climatológicos históricos disponibles, se encuentran los siguientes:
- Temperatura máxima: la temperatura más alta registrada anualmente.
- Temperatura mínima: la temperatura más baja registrada anualmente.
- Oscilación térmica: la variación entre la temperatura máxima y mínima anual.
- Precipitación: cualquier forma de hidrometeoro que cae de la atmósfera.
- Heliofanía: la cantidad de brillo solar.
- Humedad: la cantidad de vapor de agua presente en la atmósfera.
- Evaporación: el proceso de cambio de estado del agua de líquido a gas debido a la
absorción de calor.
Se llevaron a cabo diversas pruebas aumentando el valor de tres variables que, según los
registros históricos, mostraron variaciones a lo largo del tiempo. Para ello, se ingresarán los datos
correspondientes en la interfaz gráfica de usuario, en sus respectivas variables. En caso de que se
observe una disminución en el número de hectáreas durante el año de comparación, la red neuronal
predice una reducción en las toneladas de caña de azúcar producidas en ese mismo periodo.
Tabla 5. Prueba de disminución hectáreas.
Variables Años
2007 2008 2009 2010 2011 2012 2013 2014 2015 2016 2017 2018
Tem. Max 0.815573 0.805327 0.905737 0.834016 0.235555 0 0.125 0.899590 0.993852 1 0.9590672 0.9938525
Tem. Min 0 0.173410 0.213872 0.246553 0.184971 0.236994 0.127167 0.537573 1 0.728323 0.6763006 0.7109827
Oscilación 0.9 0.5 0.9 0.5 0.9 1 0.8 0.3 0 0.5 0.4 0.5
Precipitación 0.050909 0.89 0.170909 0.33090 0 0.883636 0.09 0.189090 0.25181 0.308181 1 0.3081818
Insolación 0.555495 0.593495 0.725628 0 0.776429 0.658636 0.073173 0.137847 0.426859 0.609504 0.1747967 0.7073171
Humedad 0.5 0.5 0.25 1 0 0.25 0.5 0.5 0.5 0.75 0.75 0.75
Evaporación 0.708571 0.605714 1 0 0.491428 0.005714 0.331428 0.257142 0.285714 0.451428 0.32 0.4628571
Hectáreas 0.214741 0.479470 0.572662 0.186604 0.405573 0.255541 0.550552 0.333053 0 0.917835 0.7989293 1
Technology Rain Journal ISSN: 2953-464X (2023) 7
https://technologyrain.com.ar/
Para el caso de que aumente la precipitación, según la predicción de la red neuronal
disminuirán en gran cantidad las toneladas de caña de azúcar producidas en ese año.
Tabla 6. Prueba de aumento precipitación.
Para el caso de que aumente la heliofanía, según la predicción de la red neuronal
disminuirán en poca cantidad las toneladas de caña de azúcar producidas en ese año.
Tabla 7. Prueba de aumento heliofanía.
Para evaluar el desempeño del sistema desarrollado, se realizó una predicción para el año
2018. Para ello, se ingresaron los valores promedio de las variables climatológicas, así como el
número de hectáreas destinadas a dicho año. Además, se consideró la cantidad de toneladas de caña
estimada por los expertos de la compañía (AFORO), lo que permitirá calcular la diferencia entre
ambas predicciones.
Fig. 1. Prueba en interfaz año 2018
Datos reales Menos hectáreas
1900628 1896458
Datos reales Menos hectáreas
1900628 1786855
Datos reales Menos hectáreas
1900628 1889660
8
https://technologyrain.com.ar/
3. RESULTADOS Y DISCUCIÓN
Tras realizar pruebas a las redes neuronales Cascade-Forward Backprop, Feed-Forward
Backprop y Elman Backprop, con diferentes configuraciones de capas y neuronas, tanto con datos
normalizados como sin normalizar, se obtuvieron los mejores resultados en función de las funciones
de entrenamiento que mostraron un menor porcentaje de error y un número reducido de iteraciones.
En la mayoría de los casos, los resultados clasificados por las redes neuronales utilizando datos no
normalizados y las tres funciones de entrenamiento que cumplieron con los parámetros de
evaluación fueron: trainbfg, traincgb y trainlm.
En consecuencia, para el diseño de la red neuronal artificial empleada en el desarrollo de
este proyecto, se seleccionó la función de entrenamiento trainbfg debido a los mejores resultados
obtenidos. Con esta función, se compararon las predicciones tanto de AFORO como de la RNA, y
los resultados demostraron que las predicciones se ajustaban adecuadamente a las toneladas de caña
reales producidas en 2018.
Con base en el modelo entrenado, se desarrolló una herramienta computacional con interfaz
gráfica que permite a los usuarios del sector agrícola realizar predicciones de rendimiento bajo
escenarios diferentes. La herramienta incluye los siguientes módulos:
1. Ingreso de variables climatológicas.
2. Simulación del ingreso de datos de aforo por parte de expertos.
3. Comparación entre el valor predicho por la red neuronal y el de los expertos, utilizando el
aforo para calcular el error de estimación.
Los resultados obtenidos en la prueba para la producción 2018 son:
Tabla 8. Comparación RNA vs AFORO.
Toneladas de caña % Error
Red Neuronal Artificial
1900628
AFORO
1979783
4,20
Real
1898686,403
0,10
Technology Rain Journal ISSN: 2953-464X (2023) 9
https://technologyrain.com.ar/
Fig. 2. Predicción de Toneladas.
Los resultados obtenidos confirman la hipótesis inicial, quedando demostrado la
superioridad de las redes neuronales artificiales sobre los métodos estadísticos convencionales para
predecir el rendimiento de la caña de azúcar. La capacidad predictiva alcanzada, con un valor de R²
= 0.927, representa un avance significativo en comparación con estudios previos, como el de
Morales et al. (2020), que reportaron una precisión máxima de R² = 0.85 utilizando modelos de
regresión avanzados.
La arquitectura multicapa utilizada demostró la capacidad para capturar interacciones
complejas entre variables, en particular lo que respecta a la relación entre factores climáticos y el
rendimiento, esto coincide con los hallazgos de Santos et al. (2021), que señalan que la producción
de caña de azúcar responde de manera no lineal a combinaciones específicas de precipitación y
temperatura, un patrón difícil de modelar utilizando técnicas estadísticas convencionales.
La identificación de la precipitación acumulada durante la fase de crecimiento como la
variable de mayor relevancia coincide con estudios eco fisiológicos del cultivo (Cheesman, 2018),
los cuales destacan la fase de elongación del tallo como un período crítico para la determinación del
rendimiento final. Sin embargo, a diferencia de los modelos agronómicos determinísticos, la red
neuronal permitió la integración de los efectos de interacción entre las variables climáticas y las
prácticas de manejo, aspectos que suelen ser subestimados en los modelos tradicionales.
10
https://technologyrain.com.ar/
Un hallazgo relevante fue la capacidad del modelo para identificar umbrales y relaciones no
monotónicas entre variables. Por ejemplo, el efecto del número de corte (soca) sobre el rendimiento
mostró una relación negativa exponencial hasta el quinto corte, coincidiendo con las observaciones
de campo reportadas por Rodríguez et al. (2019), pero que raramente capturadas en modelos
predictivos convencionales.
La implementación práctica de la herramienta representa un puente entre la investigación en
inteligencia artificial y las necesidades del sector productivo. Experiencias previas de transferencia
tecnológica en agricultura de precisión (López-Linares et al., 2020) han enfrentado barreras de
adopción relacionadas con la complejidad de uso. En este sentido, el desarrollo de una interfaz
amigable y orientada a usuarios no especializados contribuye a maximizar el impacto potencial de
la tecnología desarrollada.
Entre las limitaciones del estudio, cabe mencionar que el modelo actual no incorpora
explícitamente los efectos del cambio climático en escenarios de largo plazo, aspecto que podría
afectar su precisión predictiva en horizontes temporales extensos. Asimismo, la presencia limitada
de datos sobre variedades recién introducidas al mercado podría generar sesgos predictivos cuando
éstas alcancen mayor superficie cultivada.
Las futuras investigaciones se podrían orientar a la incorporación de datos obtenidos por
sensores remotos y monitoreo en tiempo real, convirtiéndose en una predicción dinámica; así como
también la predicción de la calidad industrial del contenido de sacarosa y fibra. Igualmente, se podrá
integrar este modelo para generar sistemas de apoyo para la toma de decisiones en el manejo
agronómico, optimizando las intervenciones en el campo mediante predicciones precisas de la
respuesta de los cultivos.
4. CONCLUSIONES
La investigación demuestra que la herramienta para predecir el cultivo de la caña de azúcar
basado en Redes Neuronales Artificiales es superior a los métodos estadísticos convencionales, este
modelo ha alcanzado una precisión del 90% y un error de apenas 0.10% en comparación con los
valores reales de producción, convirtiéndose en una herramienta fundamental en el proceso de
producción de caña de azúcar.
Technology Rain Journal ISSN: 2953-464X (2023) 11
https://technologyrain.com.ar/
Se ha desarrollado una herramienta de predicción accesible que permite identificar que la
precipitación es la variable climática con mayor impacto en la producción de caña de azúcar, siendo
capaz de provocar una disminución considerable en la producción cuando aumenta por encima de
ciertos umbrales, información valiosa para la planificación agrícola y la toma de decisiones en
condiciones de variabilidad climática.
La herramienta predictiva ha sido desarrollada con una interfaz gráfica amigable representa
un enlace entre la inteligencia artificial y las necesidades prácticas del sector productivo, lo que
permite a usuarios finales no especializados realizar predicciones precisas bajo diferentes escenarios
climáticos y de cultivo.
CONFLICTO DE INTERESES
Los Autores declaran que no existe conflicto de intereses, o lo que corresponda.
CONTRIBUCIÓN DE AUTORÍA
En concordancia con la taxonomía establecida internacionalmente para la asignación de
créditos a autores de artículos científicos (https://credit.niso.org/). Los autores declaran sus
contribuciones en la siguiente matriz:
C
a
st
il
lo
V
il
le
g
as
K
e
v
in
G
a
b
ri
el
C
o
n
ch
a
A
rr
ie
ta
Ju
an
C
ar
lo
s
Participar activamente en:
Conceptualización X X
Análisis formal X
Adquisición de fondos X
Investigación X
Metodología X X
Administración del proyecto X
Recursos X
Redacción –borrador original X
Redacción –revisión y edición X X
La discusión de los resultados X X
Revisión y aprobación de la versión final del trabajo. X X
REFERENCIAS (APA 7)
Barbosa, R. M., Vieira, A. F., Ferreira, T. P., Santos, J. A., & Carvalho, M. T. (2020). Machine learning algorithms for
sugarcane yield prediction using climatic and agronomic data. Computers and Electronics in Agriculture, 170,
105247.
Cheesman, O. D. (2018). Environmental impacts of sugar production: the cultivation and processing of sugarcane and
sugar beet. CABI Publishing.
Kumar, S., & Patel, R. (2024). Cultivar-specific deep learning models for prediction of sugarcane yield under variable
climate conditions. Computers and Electronics in Agriculture, 217, 108264.
López-Linares, J., Garcés-Fayos, J., Navarro-Fernández, O., & Martínez-Palacios, A. (2020). Technology transfer
barriers in precision agriculture: A systematic review of farmers' adoption experiences. Agricultural Systems,
185, 102942.
12
https://technologyrain.com.ar/
Morales, A., Vieira, E. P., Torres, C. F., & Navarro, R. M. (2020). Comparative assessment of regression techniques
for sugarcane yield forecasting using agricultural and remote sensing data. Crop Science, 60(3), 1634-1649.
Patel, H., Mehta, N., & Desai, K. (2022). Evolutionary computing and neural networks for irrigation optimization in
sugarcane production. Agricultural Water Management, 271, 107784.
Rodríguez, L. F., Valencia, J. A., Castro, A. P., & González, M. B. (2019). Artificial neural networks for sugarcane
yield prediction: A comparative study with traditional statistical methods. Agricultural Systems, 172, 101-113.
Santos, D. L., Fernandes, P. A., Alvarez, C. E., Hernandez, M. R., & López, B. S. (2021). Climate change impacts on
sugarcane productivity in tropical regions: An application of machine learning models. Journal of Agricultural
Science, 159(1), 79-94.
Sharma, V., & Gupta, R. (2022). Neural network models for optimizing deficit irrigation strategies in semi-arid
sugarcane production systems. Agricultural Water Management, 267, 107622.
Wang, L., Zhang, H., & Lin, Y. (2022). LSTM networks for predicting extreme climate impacts on sugarcane
production. Agricultural and Forest Meteorology, 322, 109026.
Yao, H., Chen, Y., & Li, X. (2022). Early warning system for sugarcane production using seasonal climate forecasts
and neural networks. Weather and Climate Extremes, 36, 100459.