Machine Learning-Based Assessment and Forecasting of Temperature–Humidity Index for Dairy Heat Stress Using Multivariate and Panel Data Approaches in Bihar, India

En los campos húmedos y bañados por el sol de la región lechera de la India, el ritmo diario de la granja está dictado por el clima. Para las vacas que proveen la leche, el aire no es solo un telón de fondo; es una fuerza física que puede tanto favorecer su salud como agotar lentamente su energía. Cuando el aire se vuelve cálido y pesado, las vacas luchan por refrescarse, una condición conocida como estrés térmico. Esto no es meramente una cuestión de comodidad; es una amenaza directa para su capacidad de producir leche, mantenerse sanas y reproducirse. Para medir esta carga invisible, los científicos utilizan un número único llamado Índice de Temperatura y Humedad. Piense en este índice como una lectura combinada del termómetro y la humedad en el aire, que ofrece una imagen clara de qué tan opresivo es el entorno para un animal. En regiones como Bihar, donde los veranos son largos y la humedad es alta, comprender este número es esencial para los agricultores que intentan mantener la productividad de sus rebaños.

Un equipo de investigadores se propuso mapear esta carga invisible a través de cinco importantes distritos lecheros de Bihar durante un periodo de veinte años, de 2006 a 2025. Recopilaron una enorme colección de datos meteorológicos, rastreando las temperaturas máximas y mínimas diarias, la cantidad de humedad en el aire y la velocidad del viento. Su objetivo era ver cómo cambiaron estas condiciones a lo largo del tiempo y construir un sistema que pudiera predecir cuándo el calor se volvería peligroso para el ganado. En lugar de depender de promedios simples, recurrieron a programas informáticos avanzados capaces de encontrar patrones complejos en los datos. Estos programas, conocidos como modelos de aprendizaje automático (machine learning), fueron entrenados para reconocer las combinaciones específicas de clima que señalan el peligro, de forma muy similar a como un agricultor experimentado podría aprender a leer el cielo, pero con la precisión de una computadora analizando miles de puntos de datos a la vez.

El análisis reveló que las vacas en estos distritos se ven frecuentemente expuestas a condiciones que las empujan a un estado de estrés térmico leve a moderado. En promedio, el índice de calor oscilaba alrededor de un nivel que indica que los animales están trabajando duro solo para mantenerse frescos. Los investigadores descubrieron que el factor más crítico no era el calor abrasador de la tarde, sino el calor que perdura durante la noche. Cuando la temperatura no desciende significamente después del atardecer, las vacas no pueden recuperarse del calor del día, lo que conduce a una carga acumulativa que se suma con el tiempo. Este hallazgo desafía la idea de que solo las temperaturas máximas diurnas importan; sugiere que la falta de enfriamiento nocturno es el verdadero motor del estrés en esta región.

Para dar sentido a los diversos patrones climáticos en los cinco distritos, los investigadores agruparon los datos en tres tipos distintos de clima. Un grupo se caracterizaba por un aire cálido y pegajoso donde la humedad era alta. Otro era cálido y seco, con un calor intenso pero menos humedad. El tercero era un periodo más fresco donde los animales podían descansar con mayor facilidad. Esta distinción es vital porque demuestra que una sola regla para todo el estado no funcionaría; lo que ayuda a una vaca en un distrito cálido y seco podría no ser la solución adecuada para una en un área cálida y húmeda. El estudio confirmó que el estrés térmico experimentado por el ganado lechero no es un evento uniforme, sino una mezcla compleja de condiciones locales que varían de un lugar a otro y de una estación a otra.

Utilizando poderosos algoritmos informáticos, el equipo probó diferentes métodos para predecir estos niveles de estrés. Un método, conocido como Bosque Aleatorio (Random Forest), resultó ser el más preciso, identificando correctamente la categoría de estrés térmico en más del 99 por ciento de los casos. Este nivel de precisión significa que el modelo puede decir de manera confiable a los agricultores cuándo las condiciones están pasando de seguras a peligrosas. La computadora también identificó que la temperatura mínima —el punto más bajo alcanzado durante la noche— era la pista más importante para predecir el estrés. Si bien la velocidad del viento y la humedad jugaban un papel, el hecho de que la noche no se enfriara era la señal dominante.

Mirando hacia el futuro, los investigadores utilizaron estos patrones para pronosticar cómo podrían ser los próximos años. Sus predicciones muestran un ciclo claro y repetitivo: el calor aumentará constantemente a través de la primavera, alcanzando su punto máximo en los meses de verano de mayo, junio y julio, antes de enfriarse nuevamente en el invierno. El pronóstico sugiere que los niveles más altos de estrés ocurrirán consistentemente en junio. Aunque los datos no mostraron un aumento drástico y a largo plazo del calor en las últimas dos décadas, el patrón estacional sigue siendo implacable. Las vacas enfrentarán el mismo calor intenso cada año, con el periodo más crítico llegando a principios del verano.

El valor de este trabajo reside en su capacidad para convertir las preocupaciones vagas sobre el clima en información concreta y accionable. Al saber exactamente cuándo y dónde será más severo el calor, los agricultores y los responsables de las políticas pueden prepararse con antelación. Pueden planificar una mejor ventilación, proporcionar sombra o ajustar los horarios de alimentación para ayudar a los animales a lidenerar. El estudio demuestra que, al combinar registros meteorológicos tradicionales con inteligencia informática moderna, es posible construir un sistema de alerta temprana confiable. Este enfoque ofrece una forma de proteger la salud de las manadas lecheras y asegurar el sustento de quienes dependen de ellas, asegurando que, incluso ante los cambios climáticos, las vacas puedan seguir prosperando frente al calor.