04 — Publicaciones / Explicación

Cincuenta años de registros de arroz
revelan las claves de cada estación

Analizamos con IA explicable un ensayo de arroz de larga duración en Filipinas

Tres paneles del mismo arrozal, con sol en la estación seca, sol y nubes en la lluviosa temprana y lluvia en la lluviosa tardía, unidos por flechas que vuelven al inicio

En el Instituto Internacional de Investigación del Arroz (IRRI), en Filipinas, se cultiva arroz tres veces al año en el mismo campo desde 1968. Analizamos unos cincuenta años de sus registros de rendimiento y clima con aprendizaje automático e IA explicable. El fertilizante nitrogenado y la radiación solar sostuvieron el rendimiento en todas las estaciones, mientras que el efecto de la temperatura, las enfermedades y la antigüedad de la variedad cambió con la estación. Cada estación necesita su propio plan, y conviene renovar las variedades más a menudo.

Puntos clave

  1. Analizamos con aprendizaje automático los registros del ensayo más largo del mundo con tres cultivos de arroz al año en un mismo campo, de 1968 a 2017.
  2. El nitrógeno, la radiación solar y la renovación periódica de variedades sostuvieron el rendimiento en todas las estaciones. La temperatura actuó de forma distinta. En la estación seca ayudó el fresco, y en la lluviosa temprana, un inicio del cultivo más cálido.
  3. En la estación lluviosa tardía, cuanto más tiempo se usaba la misma variedad, menos efecto tenía el nitrógeno. Renovar las variedades ayuda a mantener el rendimiento.
Dr. Hoo, ¿de verdad hay un ensayo que cultiva arroz en el mismo campo desde hace cincuenta años?
Sí. Tiene tres cultivos al año y es el ensayo más largo de su tipo en el mundo. Aun así, mantener cosechas altas durante décadas no es fácil.
01

Por qué cuesta mantener cosechas altas durante décadas

Más del 75 % del arroz de Asia se produce en arrozales de regadío, que no dependen solo de la lluvia. En Asia, unos 22 millones de hectáreas de estos campos dan dos o tres cosechas de arroz al año.

El arroz es el único gran cereal que puede cultivarse en el mismo lugar durante periodos muy largos. Inundar el suelo aporta nutrientes, conserva la materia orgánica y frena las malas hierbas y las plagas.

Aun así, mantener rendimientos altos durante décadas no es fácil, porque el clima cambia y también la presión de las plagas y las enfermedades. Incluso en el Experimento de Cultivo Continuo a Largo Plazo del IRRI, el ensayo más largo del mundo con tres cultivos de arroz al año, el rendimiento bajó hasta alrededor de 1990.

Entre las causas posibles se señalaron un aporte de nitrógeno que no se ajustaba a las necesidades del cultivo, las plagas y enfermedades y la falta de luz en algunas estaciones. A comienzos de los años noventa, los cambios en la fertilización, los barbechos más largos y un mejor control de enfermedades permitieron recuperar el rendimiento durante un tiempo.

Sin embargo, ningún estudio había examinado de forma sistemática cómo el clima, las variedades y el manejo del fertilizante actuaron juntos durante décadas. Los factores son muchos y se influyen entre sí, y los análisis habituales no logran separarlos. Por eso recurrimos al aprendizaje automático, que aprende las relaciones directamente de los datos.

En este campo se hacen tres cultivos al año (figura 1). La estación seca recibe la mayor radiación solar y la lluviosa tardía, la menor.

Franjas de la estación seca, de enero a abril, la lluviosa temprana, de mayo a agosto, y la lluviosa tardía, de septiembre a diciembre, sobre un gráfico de barras de la radiación solar diaria en tres etapas del cultivo. Va de 15,6 a 21,7 MJ/m² en la estación seca, de 18,6 a 16,4 en la lluviosa temprana y de 15,2 a 13,0 en la lluviosa tardía
Figura 1 En el campo se cultiva arroz en la estación seca, la lluviosa temprana y la lluviosa tardía. Las barras muestran la radiación solar diaria en tres etapas de cada cultivo, como media de 1971 a 2017. La radiación es máxima durante el llenado del grano en la estación seca y mínima durante el llenado del grano en la lluviosa tardía.Elaborado con los valores publicados en Yamaguchi et al. (2025)
02

Cincuenta años de rendimiento y clima, analizados con aprendizaje automático

¿Cómo se buscó lo que decide el rendimiento?
El aprendizaje automático predijo el rendimiento a partir del clima, el fertilizante, las variedades, el riesgo de enfermedad y otros factores. Después, un método llamado SHAP mostró las razones de cada predicción.

Cómo funciona el ensayo

El campo está en la estación experimental del IRRI en Los Baños, Filipinas. Se divide en cuatro parcelas que reciben distintas dosis de fertilizante nitrogenado, y en cada una se cultivan de tres a seis variedades (figura 2). F1 no recibe nitrógeno, y de F2 a F4 la dosis va en aumento.

Con el tiempo, las variedades se fueron sustituyendo por las de mayor rendimiento y más resistentes a plagas y enfermedades de cada época. El rendimiento se mide cosechando 10 m² de cada parcela cuando el cultivo madura. Como los primeros registros mostraban variaciones anómalas, usamos los datos desde 1971.

Esquema de un campo dividido en cuatro parcelas de nitrógeno, de F1 a F4, cada una con tres a seis variedades, y una línea de tiempo con el inicio en 1968, los cambios de manejo de 1991 y el periodo analizado, de 1971 a 2017
Figura 2 Cómo se divide el campo y medio siglo de ensayo. Cada una de las cuatro parcelas de nitrógeno tiene de tres a seis variedades, y todo el esquema se repite en cuatro bloques. En cincuenta años se han hecho unos 150 cultivos, con 72 variedades que se han ido sucediendo. Desde 1991 se aumentó el nitrógeno, se repartió en más aplicaciones y se reforzó la protección del cultivo.

Reunir los factores que podrían influir

Para el clima usamos JRA-55, un reanálisis de la Agencia Meteorológica de Japón que reconstruye el clima del pasado sin huecos, ajustado a las observaciones del IRRI.

Dividimos cada cultivo en tres etapas de crecimiento. Primero crecen las hojas y los macollos (los brotes laterales), luego se forma la panícula, que es la espiga del arroz, y al final se llena el grano. En cada etapa calculamos las temperaturas máxima y mínima diarias y la radiación solar.

También incluimos cinco enfermedades, que son la piricularia, la mancha parda, el tizón bacteriano, el tizón de la vaina y el tungro. Para cada una calculamos, con los datos del clima, lo favorables que eran las condiciones para la enfermedad. Estos indicadores de riesgo no son recuentos de infecciones reales.

Además, añadimos la dosis de nitrógeno, la variedad y sus años de uso, y el historial de cultivo del campo, entre otros.

Predecir el rendimiento con aprendizaje automático

Con estos factores construimos modelos que predicen el rendimiento con un método de aprendizaje automático llamado bosque aleatorio (figura 3). Este método crea muchos árboles de decisión, que llegan a una respuesta mediante una serie de preguntas de sí o no, y promedia sus predicciones.

Hicimos un modelo para las tres estaciones juntas y otro para cada estación. Para comprobarlos, ocultamos los datos de un cultivo cada vez, entrenamos con el resto, predijimos el cultivo oculto y comparamos la predicción con el rendimiento real.

Flujo desde cinco tipos de factores, que son el clima, el riesgo de enfermedad, la dosis de nitrógeno, la variedad y sus años de uso y el historial del campo, hacia un bosque aleatorio que predice el rendimiento, con una fila de cultivos debajo en la que uno se oculta para comprobar el modelo
Figura 3 Cómo se construye el modelo de rendimiento. Un bosque aleatorio predice el rendimiento a partir de cinco tipos de factores. La fila inferior muestra cómo lo comprobamos, ocultando un cultivo cada vez y comparando la predicción con el rendimiento real.

Entender las predicciones con IA explicable

Si las predicciones aciertan, ¿no basta con eso?
Acertar no explica por qué el rendimiento fue el que fue. SHAP muestra cuánto empujó cada factor el rendimiento hacia arriba o hacia abajo.

Una buena predicción no dice por sí sola por qué el rendimiento fue alto o bajo, así que usamos SHAP, uno de los métodos de IA explicable (XAI). Para cada predicción, SHAP indica cuánto empujó cada factor el rendimiento hacia arriba o hacia abajo (figura 4). Los empujes se miden en toneladas por hectárea, igual que el rendimiento, y por eso es fácil compararlos.

Al reunir estos valores de todos los cultivos se ve qué factores pesaron más y cómo un factor cambia el efecto de otro.

Ejemplo ilustrativo en el que mucho nitrógeno y una variedad nueva empujan la predicción por encima de la media, y las noches cálidas y un alto riesgo de enfermedad la empujan hacia abajo, hasta llegar a la predicción de un cultivo
Figura 4 La idea de SHAP, con un ejemplo ilustrativo. A partir de la predicción media, factores como mucho nitrógeno o una variedad nueva empujan el rendimiento hacia arriba (verde), y las noches cálidas o un alto riesgo de enfermedad lo empujan hacia abajo (rojo). Juntos dan la predicción para este cultivo.
03

Las claves del rendimiento cambiaron con la estación

¿Qué estación dio las mejores cosechas?
La estación seca. Con la dosis más alta de nitrógeno, dio 6,86 t/ha de media. La lluviosa tardía, con menos sol, no pasó de 3,40 t/ha con ninguna dosis.

Más cosecha en la estación seca, menos en la lluviosa tardía

El rendimiento medio fue mayor en la estación seca y llegó a 6,86 toneladas por hectárea en F4, la parcela con más nitrógeno (figura 5). En las dos estaciones lluviosas, F3 rindió más que F4, y en la lluviosa tardía la media no pasó de 3,40 toneladas por hectárea en ninguna parcela.

Las variaciones de un año a otro también fueron distintas. Más nitrógeno dio rendimientos más estables en la estación seca, pero tendió a hacerlos algo menos estables en las lluviosas. El índice de rendimiento sostenible, que combina lo alto y lo estable que es el rendimiento, fue mayor en la estación seca (de 0,23 a 0,55) y menor en la lluviosa tardía (de 0,19 a 0,26).

Gráfico de barras del rendimiento medio por estación y dosis de nitrógeno. La estación seca va de 3,21 a 6,86 t/ha, la lluviosa temprana de 3,41 a 4,50 t/ha y la lluviosa tardía de 2,40 a 3,40 t/ha
Figura 5 Rendimiento medio por estación y dosis de nitrógeno, de 1971 a 2017. En la estación seca, el rendimiento subió con cada aumento de nitrógeno. En las dos lluviosas, F3 dio el rendimiento más alto y F4 algo menos.Elaborado con los valores publicados en Yamaguchi et al. (2025)

En las parcelas con nitrógeno, el rendimiento dio un salto en 1990 o en 1992. Esas fechas coinciden con la introducción de los periodos de barbecho y con los cambios en la dosis de fertilizante. Después no hubo una tendencia clara al alza ni a la baja, salvo un descenso en F4 en la estación lluviosa tardía.

Estas líneas de tendencia no dicen si la diferencia la marcaron el clima, las variedades o el fertilizante. El aprendizaje automático ayuda a aclararlo.

El nitrógeno, el sol y las variedades nuevas ayudaron en todas las estaciones

En el modelo de las tres estaciones, los factores principales fueron la dosis de nitrógeno y la renovación de variedades. Entre los del clima pesaron la radiación solar durante la formación de la panícula y el llenado del grano, la temperatura máxima durante el llenado y la mínima al inicio del cultivo.

La radiación solar y las temperaturas máximas más altas empujaron el rendimiento hacia arriba, y una mínima más alta al inicio del cultivo lo empujó hacia abajo. Sin embargo, los modelos de cada estación mostraron que la temperatura actuaba de forma distinta en cada una.

La temperatura actuó en sentidos opuestos

¿La temperatura actuó al revés según la estación?
En la estación seca, las noches frescas dieron más cosecha, porque con noches cálidas el arroz gasta más energía al respirar. En la lluviosa temprana fue al revés. Parece que el calor al inicio del cultivo libera más nitrógeno del suelo.

En la estación seca, el rendimiento tendió a ser mayor cuando la temperatura mínima era más baja durante la formación de la panícula y el llenado del grano. También ayudó una temperatura máxima más baja durante la formación de la panícula.

La temperatura mínima es, más o menos, la de la noche. En las noches cálidas, la planta gasta más energía en la respiración y queda menos para el grano. Es la explicación más probable (figura 6, arriba).

Las temperaturas mínimas subieron hasta finales de los años ochenta, mientras bajaba el rendimiento de la estación seca, así que esa subida pudo ser una de las causas del descenso. La recuperación coincidió también con cambios de manejo, por lo que es probable que un mejor manejo y un clima más favorable actuaran juntos.

En la estación lluviosa temprana ocurrió lo contrario. El rendimiento tendió a ser mayor cuando el inicio del cultivo era más cálido de día. En el suelo inundado, los microbios liberan nitrógeno de la materia orgánica mucho más rápido a medida que la temperatura sube entre 20 y 35 °C, de modo que un inicio más cálido probablemente dio al cultivo más nitrógeno del suelo (figura 6, abajo).

Arriba, la estación seca. Las hojas fabrican azúcar de día, la planta gasta más en las noches cálidas y llega menos al grano. Abajo, la estación lluviosa temprana. Los días cálidos ayudan a los microbios del suelo a descomponer la materia orgánica y a liberar más nitrógeno para el arroz
Figura 6 La temperatura actuó en sentidos opuestos en dos estaciones. En la estación seca (arriba), las noches cálidas probablemente hacen que la planta gaste más del azúcar que fabricó de día y quede menos para el grano. En la lluviosa temprana (abajo), el calor del inicio probablemente ayuda a los microbios del suelo a liberar más nitrógeno para el cultivo.

En la estación seca, el riesgo de enfermedad cambió el efecto del nitrógeno

En la estación seca, un riesgo bajo de tungro, una enfermedad del arroz causada por virus, también se asoció con rendimientos más altos y estables. El vínculo más fuerte que halló el modelo fue el del fertilizante nitrogenado con el riesgo de tungro durante la formación de la panícula.

Según el modelo, con solo 0 a 25 kg de nitrógeno por hectárea, el rendimiento queda por debajo de 4,26 toneladas por hectárea, sea cual sea el riesgo. Con riesgo bajo de tungro, 100 kg de nitrógeno por hectárea bastan para llegar a 6,5 toneladas por hectárea, pero con riesgo alto la misma cosecha exige 175 kg (figura 7). Cuando la enfermedad es probable, el fertilizante rinde menos.

Gráfico de barras horizontales. Para llegar a 6,5 t/ha en la estación seca, los años con riesgo bajo de tungro necesitan 100 kg/ha de nitrógeno y los de riesgo alto, 175 kg/ha. Con 0 a 25 kg/ha, el rendimiento queda por debajo de 4,26 t/ha
Figura 7 Nitrógeno necesario para llegar a 6,5 t/ha en la estación seca, según la predicción del modelo. El riesgo de tungro es un indicador calculado a partir del clima durante la formación de la panícula. Los años con un valor de 2,0 o menos necesitaron 100 kg/ha, y los de más de 2,0, 175 kg/ha.Elaborado con los valores publicados en Yamaguchi et al. (2025)

En la lluviosa temprana, décadas de cultivo ayudaron al nitrógeno

En la estación lluviosa temprana, el rendimiento tendió a aumentar con el número de cultivos hechos en el campo hasta ese momento. El vínculo más fuerte fue el de este recuento con el fertilizante nitrogenado. En el modelo, el nitrógeno funcionó mejor cuando el campo superaba los 80 cultivos, unos 27 años.

Estudios anteriores han observado que el nitrógeno del suelo aumenta a medida que el campo se cultiva una y otra vez. Nuestros resultados también sugieren que podría bastar con menos fertilizante nitrogenado en las estaciones lluviosas en que el inicio del cultivo es cálido y el suelo aporta mucho nitrógeno.

En la lluviosa tardía, importó la antigüedad de la variedad

¿De verdad influye la antigüedad de la variedad en el rendimiento?
En la estación lluviosa tardía, cuanto más tiempo se usaba una variedad, menos efecto tenía el nitrógeno. Pasados 10 a 15 años, su respuesta al nitrógeno caía mucho.

La estación lluviosa tardía es la que recibe menos sol y la que menos rinde. En ella, el rendimiento tendió a ser mayor cuando el riesgo de tizón bacteriano y de tizón de la vaina era bajo.

Cuanto más tiempo se usaba la misma variedad, menos respondía al nitrógeno y más variaba su rendimiento de un año a otro. Tras 10 a 15 años de uso, la respuesta al nitrógeno cayó con fuerza (figura 8).

Las causas probables son la acumulación de enfermedades y la pérdida de vigor de la variedad. Un estudio anterior halló que la variedad IR8 rendía más de un 15 % menos que al principio. En Filipinas, las variedades de los agricultores tienen unos 10 años de media, y puede que eso ya no baste para adaptarse a un entorno cambiante y aprovechar los avances de la mejora genética.

Plantas de arroz colocadas a lo largo de un eje de años desde que se introdujo la variedad. La respuesta al nitrógeno es buena hasta unos 10 años de uso y cae con fuerza a partir de los 10 a 15 años. Un punto dorado marca la antigüedad media de las variedades en las fincas de Filipinas, unos 10 años
Figura 8 Esquema de lo que mostró el modelo de la estación lluviosa tardía sobre la antigüedad de la variedad y el nitrógeno. Tras 10 a 15 años de uso, la respuesta al nitrógeno cae con fuerza. El punto dorado marca la antigüedad media de las variedades de los agricultores de Filipinas, unos 10 años.Elaborado con los valores publicados en Yamaguchi et al. (2025)

La figura 9 resume estos resultados en una sola imagen.

Resumen gráfico en el que una IA que aprendió de 50 años de ensayos de arroz señala el fertilizante nitrogenado y la radiación solar como factores de todas las estaciones, la temperatura nocturna para la estación seca, la temperatura al inicio del cultivo para la lluviosa temprana, y el uso prolongado de la variedad y el riesgo de enfermedad para la lluviosa tardía
Figura 9 Resumen del estudio. En el centro están los factores que actuaron en todas las estaciones, el fertilizante nitrogenado y la radiación solar. Alrededor aparecen las claves de cada estación. Son la temperatura nocturna desde la formación de la panícula hasta la maduración en la estación seca, la temperatura al inicio del cultivo en la lluviosa temprana, y el uso prolongado de la variedad y el riesgo de enfermedad en la lluviosa tardía.Resumen gráfico de Yamaguchi et al. (2025)
04

Adaptar variedades y manejo a cada estación

Entonces, ¿qué conviene hacer?
Planificar el fertilizante, el control de plagas y la elección de variedades según la estación. También ayuda renovar las variedades a menudo y usar unas distintas en la estación seca y en la lluviosa.

Incluso en el mismo campo, las claves del rendimiento cambiaron con la estación. La fertilización, el control de plagas y enfermedades y la elección de la variedad deben planificarse para cada estación.

Lo que se puede probar ya

Destacan dos formas de aumentar la producción del año. Una es renovar las variedades con más frecuencia, y la otra, usar variedades distintas en la estación seca y en las lluviosas. Ambas son cambios que el ensayo puede adoptar enseguida.

Pistas para la mejora genética

Para la mejora genética, los resultados apuntan en dos direcciones. La estación seca pide variedades que pierdan menos energía en la respiración. Las lluviosas piden variedades que toleren mejor la humedad alta y la poca luz. Ambas requerirán objetivos de mejora claros y un estudio cuidadoso de la diversidad genética de estos rasgos.

Sacar más partido de los ensayos de larga duración

Cincuenta años de registros de un mismo campo no se pueden volver a reunir. El aprendizaje automático permite desenredar factores que las líneas de tendencia no captan, y esperamos que el mismo enfoque sirva a otros ensayos de larga duración en todo el mundo.

Lo que aún no sabemos

Estos resultados proceden de un solo campo de regadío en el trópico. Sirven de referencia para el cultivo intensivo de arroz de regadío en el trópico, pero puede que no se apliquen tal cual a otras regiones o cultivos.

Los riesgos de enfermedad se calcularon a partir del clima, así que no recogen las infecciones reales ni el efecto de la protección del cultivo. Tampoco usamos directamente las propiedades del suelo. En su lugar empleamos el número de cultivos hechos hasta entonces.

El aprendizaje automático encuentra vínculos en los datos, así que las relaciones halladas aquí son también hipótesis que habrá que comprobar en el campo. Los siguientes pasos son revisar las enfermedades en el campo de forma periódica, analizar las muestras de suelo guardadas y extender el método a otros ensayos de larga duración y a otros cultivos.

Así que, incluso en el mismo campo, lo que decide el rendimiento cambia con la estación.
Así es. Pero el aprendizaje automático encuentra relaciones en los datos. También son hipótesis que aún hay que comprobar en el campo.

Glosario

Ensayo de cultivo continuo a largo plazo
Ensayo en el que se cultiva lo mismo en el mismo campo durante décadas y se registran los rendimientos. Aquí es el ensayo del IRRI con tres cultivos de arroz al año desde 1968.
Aprendizaje automático
Métodos que aprenden patrones de los datos y los usan, por ejemplo, para predecir. Pueden aprender relaciones complejas sin una fórmula fijada de antemano.
Bosque aleatorio
Método de aprendizaje automático que crea muchos árboles de decisión y promedia sus predicciones. Se usa mucho con datos organizados en tablas.
IA explicable (XAI)
Técnicas que muestran, de forma comprensible para las personas, en qué información se basó una predicción de la IA.
SHAP
Método que muestra cuánto empujó cada factor una predicción hacia arriba o hacia abajo, en la misma unidad que la predicción.
Etapas de crecimiento
El crecimiento de hojas y macollos (los macollos son los brotes laterales) va del trasplante al inicio de la panícula. La formación de la panícula llega hasta la floración, y el llenado del grano va de la floración a la madurez.
Índice de rendimiento sostenible
El rendimiento medio menos su variación entre años (la desviación típica), dividido por el rendimiento máximo. Cuanto más se acerca a 1, mejor se mantuvo un rendimiento alto y estable.
Tungro
Enfermedad del arroz causada por virus. En este estudio, su riesgo es un indicador de lo favorable que era el clima para la enfermedad.

Sobre el artículo

Tomoaki Yamaguchi, Olivyn Angeles, Toshichika Iizumi, Achim Dobermann, Keisuke Katsura & Kazuki Saito (2025). Machine learning reveals drivers of yield sustainability in five decades of continuous rice cropping. Field Crops Research, 333, 110114. https://doi.org/10.1016/j.fcr.2025.110114

Este artículo no es de acceso abierto. Cualquier persona puede leer el resumen en la web de la editorial, pero el texto completo puede requerir una suscripción. Las figuras de esta página son dibujos nuevos basados en las cifras del artículo, además del resumen gráfico de los autores.