Un estudio de viabilidad y un marco metodológico que aplica modelos de aprendizaje automático en el nexo Agua – Energía – Alimentos en Galápagos: Oportunidades y desafíos ante la escasez de datos

Resumen

En una época marcada por la creciente interconexión global y por los impactos evidentes del cambio climático, el enfoque del nexo WEF (agua-energía-alimentos) se posiciona como un instrumento fundamental para evaluar y anticipar escenarios orientados a la sostenibilidad. Este enfoque se articula directamente con la Agenda 2030 y sus Objetivos de Desarrollo Sostenible. El estudio analiza cómo el uso de técnicas de aprendizaje automático y modelos de machine learning puede contribuir a mejorar y gestionar de forma eficiente las relaciones entre estos sistemas y anticipar escenarios futuros a partir del análisis del nexo. La aplicación de KDD como metodología de implementación permitió la recopilación y limpieza de los datos, fases en las que se evidenciaron vacíos en las series. Para completar las series de datos de la producción y energía, se aplican interpolaciones y extrapolaciones lineales. Se validan 7 modelos de regresión supervisada (Regresión Lineal, Random Forest, SVR, Red Neuronal Artificial, Gradient Boosting, XGBoost, KNN). De los modelos evaluados, XGBoost presenta el mejor desempeño y bajo error  = 0.92. No obstante, las estimaciones a diez años muestran que la producción agrícola tiende a mantenerse prácticamente sin variaciones, esto se atribuye a la escasez de datos y a su poca variabilidad, lo que evidenció 5 limitantes, las mismas que al ser tratadas de manera técnica le dotan al modelo una alta estabilidad (R² = 0.965 ± 0.025), y una baja incertidumbre de ± 20.000 kg, reforzando su confiabilidad como herramienta de alerta temprana en el sistema agrícola de Galápagos.