Cómo predecir la cosecha en cítricos: guía práctica

La predicción de cosecha en cítricos consiste en estimar con antelación cuánta fruta llegará, cómo se repartirá entre parcelas y calibres, y con qué nivel de confianza se puede planificar recolección, almacén, compras y comercialización. En España no es un tema menor: el Aforo nacional de cítricos 2025/26 del MAPA sitúa la campaña en 5,44 millones de toneladas, mientras que Eurostat estima que la UE produjo 10,6 millones de toneladas de cítricos en 2024 y que España aporta casi la mitad de las naranjas comunitarias.

Cuando la previsión falla, no solo falla una cifra. Fallan los turnos de recolección, la ocupación del almacén, la contratación de cuadrillas, la negociación comercial, la logística de entrada y hasta las decisiones de riego, abonado o aclareo táctico que todavía están a tiempo de corregir parte de la campaña. Por eso la predicción de cosecha ya no debería verse como un aforo de final de campaña, sino como un sistema de seguimiento revisable que mejora conforme avanza el cultivo. Esa es también la lógica que se ve en la estadística citrícola de la Comisión Europea y en iniciativas sectoriales como CitriAforo en AKIS.

Por qué la previsión de cosecha ya es una decisión de negocio

En cítricos, predecir bien no es adivinar cuántos kilos habrá en septiembre o octubre. Es llegar antes que la incertidumbre. Una cooperativa o una empresa citrícola necesita saber si va a recibir fruta más concentrada o más escalonada, si una zona viene corta respecto al histórico, si una variedad cambia el patrón de calibres o si conviene reforzar compras, personal o capacidad de confección. El propio MAPA destaca que la 2025/26 sería la campaña más corta de los últimos 16 años y que todos los principales cítricos retroceden salvo el pomelo.

Eso explica por qué la pregunta útil no es solo cuánto se va a cosechar, sino también cuándo, dónde, con qué distribución y con cuánto error probable. Una previsión de 100.000 kilos con un margen de error del 20% vale mucho menos que una previsión revisable por bloques, variedades y fechas de corte. En predicción de cosecha, contexto y trazabilidad importan tanto como el algoritmo.

Qué debe responder una predicción útil

Una predicción útil en cítricos debería responder al menos cinco cosas:

• Volumen esperado por parcela, variedad, finca o zona.
• Calendario probable de entrada en recolección y picos de campaña.
• Distribución de calibres y carga cuando el sistema y el muestreo lo permitan.
• Desviación frente al histórico de la propia explotación, no solo frente a una media regional.
• Nivel de confianza de la estimación y variables que más la explican.

Este punto es clave. El sector ya está avanzando hacia modelos que integran conteo de frutos, imágenes, datos climáticos, histórico de producción y variables de manejo. Según Red PAC, el grupo operativo CitriAforo ha desarrollado una aplicación móvil para estimar aforo desde imágenes tomadas con el móvil y modelos apoyados en datos de parcela, drones y sensores. AKIS añade que su plataforma demostrativa integra datos satelitales, terrestres y aéreos para estimación a distintos niveles.

Qué datos mejoran de verdad la previsión

Lo que conviene capturar en campo

La base sigue estando en el dato agronómico real. Sin un buen dato de campo, la predicción se convierte en una capa bonita sobre una base débil. Lo mínimo razonable es registrar carga de fruto por árbol o por unidad de muestreo, variedad, patrón, edad, marco, fenología, incidencias, riego aplicado, tratamientos, problemas sanitarios y observaciones sobre calibre o caída. Los proyectos más serios de predicción citrícola, como CitriAforo, incluyen precisamente cultivo y variedad, ubicación, época del año, curvas de crecimiento, datos históricos, recuento de frutos, superficie y número de árboles como parte del protocolo de captura.

También conviene registrar aquello que suele olvidarse: la calidad del agua, los periodos de estrés, los eventos de calor en cuajado, los daños de viento y cualquier anomalía de uniformidad dentro de la misma parcela. La FAO recuerda que los cítricos son sensibles a la salinidad y recoge reducciones de rendimiento a partir de niveles relativamente moderados de ECe. Eso significa que un modelo que ignore agua y salinidad puede estar viendo una parte del problema y dejando fuera otra que sí afecta a la producción final.

Lo que conviene cruzar fuera de la parcela

La predicción mejora mucho cuando el dato de campo se combina con series temporales de clima, evapotranspiración, precipitación, radiación, temperatura, imágenes satelitales e histórico productivo. Un buen ejemplo es el artículo científico Citrus yield prediction using deep learning techniques: A combination of field and satellite data, que combina NDVI y NDWI de Sentinel-2 con datos de fertilización, fitosanitarios, riego, clima, superficie y patrón. En ese contexto concreto, los autores reportan un error porcentual del 10%. No es una promesa universal, pero sí una señal clara de hacia dónde va la predicción útil: integración de capas, no conteos aislados.

Qué tecnologías están marcando la diferencia

Hoy se están consolidando tres familias de métodos. La primera es el aforo clásico mejorado, donde sigue habiendo muestreo manual, pero con protocolos mejores y más revisiones. La segunda es la visión artificial, con móvil, cámara terrestre o dron. La tercera es la fusión de datos, que combina imágenes, variables agroclimáticas, histórico y aprendizaje automático.

En investigación ya hay resultados interesantes. El trabajo Deriving Early Citrus Fruit Yield Estimation by Combining Multiple Growing Period Data and Improved YOLOv8 Modeling reporta una tasa media de reconocimiento del 95,6% en fases de floración, fruto verde y maduración dentro de su conjunto de datos. Y el artículo Tree-level citrus yield prediction utilizing ground and aerial machine vision and machine learning muestra que, a escala árbol, combinar imágenes UAV con conteo terrestre mejora claramente frente a usar solo información aérea, aunque el mejor modelo seleccionado todavía se movía en un MAPE del 23,45%. La lección es importante: cuanto más fina es la escala, más difícil suele ser mantener precisión alta sin una captura muy cuidada.

A escala suprahuerto, el ejemplo de CitriAforo en AKIS es especialmente útil para entender el cambio de nivel. Su plataforma demostrativa utiliza más de 3.000 huertos anonimizados, variables agroclimáticas y los índices Sentinel-2 NDRE, NDMI y PSRI; según AKIS, el 90% de las simulaciones mostró errores de rendimiento total inferiores al 10%. Eso no significa que cualquier explotación vaya a obtener automáticamente ese resultado, pero sí que la combinación correcta de escala, histórico y fuentes de datos puede acercar mucho la previsión a una herramienta operativa real.

Dónde suelen fallar los modelos en cítricos

Caída fisiológica y cambios de carga

Uno de los errores más comunes es dar por buena una estimación demasiado pronto. La guía de UC IPM sobre caída de fruto en cítricos recuerda que una caída extensa de pequeños frutos es normal y que suele concentrarse entre junio y principios de julio, además de agravarse con estrés, calor o problemas de manejo. Traducido a operativa: un conteo temprano sin revisión posterior puede inflar la previsión de forma sistemática.

Agua, calor y salinidad

Otro punto débil es tratar el riego como una nota secundaria. En cítricos no lo es. Agua insuficiente, calor en momentos delicados o salinidad acumulada alteran cuajado, caída, calibre y rendimiento comercial. Por eso las previsiones que cruzan humedad, imágenes, clima y manejo suelen ser más robustas que las que solo cuentan fruto visible. La sensibilidad del cultivo a salinidad y estrés hídrico está bien documentada en la FAO y en trabajos recientes de teledetección aplicada a cítricos.

Heterogeneidad dentro de la misma parcela

El tercer gran error es asumir homogeneidad donde no la hay. Suelo, vigor, edad del árbol, marco, variedad, poda, historial de riego o sanidad generan diferencias fuertes dentro de una misma finca. CitriAforo trabaja precisamente con puntos óptimos de muestreo, mapas georreferenciados y análisis de zonas homogéneas para corregir ese problema. Si la parcela es heterogénea, el muestreo también debe serlo.

Cómo montar un sistema que sirva en una explotación o cooperativa

La forma más realista de empezar no es buscar la IA perfecta, sino montar un sistema revisable y disciplinado:

• Definir unidades de predicción por variedad, finca, parcela o bloque comercial.
• Estandarizar el dato de campo para que todos cuenten y describan igual.
• Cruzar histórico, clima e imagen en lugar de depender de una sola fuente.
• Recalibrar en momentos clave como cuajado, caída fisiológica, engorde y precolección.
• Medir el error real al cierre de campaña para mejorar el modelo siguiente.

Lo decisivo no es tener un dashboard, sino aprender campaña tras campaña qué variables explican mejor las desviaciones. Ahí es donde la predicción deja de ser un experimento y se convierte en una rutina de gestión.

Cómo encaja Agro4Data en este trabajo

Agro4Data encaja bien en este tipo de operativa porque el cuello de botella suele estar antes del modelo: en cómo entra el dato. Su enfoque, según el llms.txt de Agro4Data, la página de Agente de Campo y la solución de software para cítricos, consiste en capturar información de campo por voz, WhatsApp, texto y fotos para convertirla en registros estructurados, trazables y reutilizables. Eso es especialmente útil en cítricos, donde la calidad de la predicción depende de que las observaciones lleguen a tiempo y con contexto de parcela.

Además, una previsión de cosecha útil no vive sola. Necesita conectarse con alertas, seguimiento y decisiones posteriores. Por eso tiene sentido relacionarla con funcionalidades como las alertas automáticas agrícolas, el caso de uso de anticipar riego y estrés hídrico y recursos del propio blog como Coeficiente de cultivo en cítricos: la variable que decide si riegas bien o a ciegas. La clave no está en predecir por predecir, sino en que la previsión cambie el orden de las visitas, las prioridades y las decisiones de campaña.

Conclusión

La predicción de cosecha en cítricos ya no debería plantearse como una cifra aislada al inicio de campaña. Lo que aporta valor real es un sistema capaz de combinar observación de campo, histórico, clima, imágenes y revisiones sucesivas para anticipar volumen, calendario y variabilidad con un error cada vez más controlado.

Quien mejor trabaja esta parte no es quien más tecnología compra, sino quien mejor captura, ordena y revisa el dato. En cítricos, esa disciplina vale oro porque cada semana de adelanto útil mejora decisiones técnicas, logísticas y comerciales.