Modelos de regresión basados en variables biométricas para la predicción de la cosecha en banano (Musa AAA, cv. Gran Enano) en Guácimo, Limón, Costa Rica

Resumen

Introducción. La investigación orientada al desarrollo de modelos para predecir la curva de floración y parámetros clave de producción en banano ha mostrado avances notables. Sin embargo, aún se requieren modelos específicos que permitan estimar con precisión la cosecha del cultivo. Objetivo. Desarrollar un modelo basado en variables biométricas para la predicción de la cosecha en banano (Musa AAA), cultivar Gran Enano, bajo condiciones de trópico húmedo en Guácimo, Limón, Costa Rica. Materiales y métodos. Se realizó un estudio correlacional en una finca comercial de la Universidad EARTH entre marzo y julio de 2023. Se evaluaron 347 unidades productivas distribuidas en 10,3 hectáreas. Se midieron variables biométricas como altura de planta, circunferencia del pseudotallo y número de hojas, tanto en la planta madre como en el hijo de sucesión. Las variables de cosecha incluyeron peso del racimo, número de manos, longitud y calibre del dedo central de la segunda y penúltima mano. Se aplicó un modelo de regresión lineal múltiple sin intercepto para todas las variables dependientes, con validación de supuestos. Resultados. La altura y la circunferencia del pseudotallo de la planta madre presentaron las correlaciones más fuertes y significativas con las variables de cosecha. El modelo más eficaz fue el segundo diseñado para predecir el peso del racimo (mod2_peso), que generó la ecuación: Peso=0,13CircunferenciaM + 6,06AlturaM + 0,46CircunferenciaH - 9,38HojasH - 0,63AlturaH con un R² de 0,96 donde M indica la planta madre y H el hijo de sucesión. Conclusiones. El análisis reveló correlaciones significativas entre variables de la planta madre y parámetros de cosecha. Se resalta la importancia de considerar también las características biométricas del hijo de sucesión, y que el coeficiente de determinación (R²) no debe emplearse como único criterio de validación en modelos de regresión múltiple.