Metodología de caracterización del crecimiento de plantas de cannabis sativa en etapa vegetativa por distribución espectral de fotones mediante modelos predictivos de inteligencia artificial

Abstract

La convergencia de la Industria 4.0, especialmente la Inteligencia Artificial (IA) y el Internet de las Cosas (IoT), con la Agricultura en Ambiente Controlado (CEA) está transformando la producción de cultivos de alto valor. Esta sinergia es fundamental en el cultivo de Cannabis sativa medicinal, donde el control preciso de las variables ambientales es indispensable para garantizar la estandarización del producto y cumplir con las rigurosas demandas de calidad y consistencia del mercado farmacéutico. A pesar de que la literatura científica ha demostrado que la modulación de la luz optimiza el rendimiento, las investigaciones actuales se han limitado a aplicar regímenes de iluminación y estudiar el crecimiento de la planta. Por lo tanto, existe una brecha crítica en el conocimiento sobre cómo las modulaciones de alta frecuencia y a escala diurna del espectro (SPD) y la intensidad (PPFD) pueden utilizarse para dirigir la el crecimiento de la planta de manera específica. Además, carecemos de modelos predictivos que puedan vincular estos complejos patrones lumínicos con trayectorias de crecimiento, considerando la variabilidad genotípica entre cultivares. El objetivo de esta investigación fue desarrollar y evaluar modelos de aprendizaje automático capaces de predecir el crecimiento de plantas de Cannabis sativa en su etapa vegetativa, en función de la modulación lumínica y las variables microclimáticas. Para ello, se diseñó e implementó un sistema de monitoreo basado en IoT que registró de forma continua datos fotométricos (PPFD, DLI), ambientales y fisiológicos de plantas sometidas a diferentes tratamientos de iluminación artificial. Posteriormente, se entrenaron y compararon cuatro modelos predictivos —ElasticNet, Huber Regressor, Random Forest y XGBoost— para determinar su precisión, robustez e interpretabilidad en la estimación de la altura de la planta en un horizonte de 20 días. Los resultados demostraron una clara superioridad de los modelos lineales regularizados frente a los ensambles de árboles. Específicamente, el modelo ElasticNet alcanzó el desempeño más alto, logrando un error absoluto medio (MAE) de 3.27\,mm y un coeficiente de determinación ($R^2$) de 0.9412, explicando más del 94\,\% de la variabilidad en el crecimiento. El análisis de interpretabilidad (SHAP y Permutación) reveló de manera consistente que las variables fotométricas, PPFD y DLI, fueron los predictores más influyentes, alineando los hallazgos del modelo con los principios fisiológicos de la fotosíntesis. Este estudio propone una metodología robusta que integra el monitoreo IoT con la inteligencia artificial para modelar y predecir el crecimiento vegetativo de Cannabis sativa. El trabajo no solo identifica los factores lumínicos como motores clave del crecimiento, sino que también proporciona un modelo predictivo validado que constituye una herramienta de gran potencial para optimizar los protocolos de iluminación y mejorar la toma de decisiones en la agricultura de precisión