Identificación de patrones de desempeño agronómico en el cultivo de arroz mediante un enfoque multivariante de aprendizaje automático no supervisado

Resumen

El arroz (Oryza sativa L.) constituye un cultivo esencial para la seguridad alimentaria mundial, al aportar alrededor del 21 % de la ingesta calórica diaria y sostener la dieta de más de dos tercios de la población global. No obstante, su productividad se ve amenazada por factores bióticos como enfermedades fúngicas (Rhizoctonia solani), plagas, y abióticos asociados al cambio climático, tales como sequías, inundaciones y salinidad de los suelos. Estas limitaciones, sumadas a la dependencia de agroquímicos, evidencian la necesidad de innovar en la evaluación del desempeño agronómico. Los métodos tradicionales, basados en análisis univariantes, muestran restricciones para capturar la complejidad de las interacciones genéticas, ambientales y de manejo. Frente a ello, las técnicas multivariantes y el aprendizaje automático no supervisado representan herramientas robustas para identificar patrones ocultos y clasificar genotipos en función de rendimiento, resistencia y eficiencia. En este estudio, se aplicaron análisis de componentes principales (PCA), biplots y clusterización en datos de germinación y desarrollo inicial de arroz en la provincia del Guayas, Ecuador. Los resultados mostraron correlaciones significativas entre variables fisiológicas y tres clústeres diferenciados de desempeño. Se confirma así que el uso de enfoques no supervisados constituye una estrategia eficaz para la selección y mejoramiento del arroz en escenarios de sostenibilidad y seguridad alimentaria.