Resumen Técnico: Marco de Trabajo XAI-PRFHO

1. Planteamiento del Problema

La variabilidad de las precipitaciones constituye una fuente crítica de incertidumbre para los sistemas agrícolas, particularmente en regiones climáticamente vulnerables como el sur de Asia. Los modelos de predicción de lluvias existentes generan predominantemente estimaciones puntuales deterministas, fallando en cuantificar la incertidumbre inherente de los procesos meteorológicos. Esta limitación obstaculiza la toma de decisiones agronómicas de alto nivel, ya que los agricultores no pueden evaluar el riesgo de eventos extremos. Además, los modelos de aprendizaje profundo suelen carecer de interpretabilidad, lo que crea una brecha de confianza entre los proveedores de tecnología y los profesionales del sector. Finalmente, existe una falta de integración sistemática entre los pronósticos probabilísticos de lluvia y la toma de decisiones operativa de la cosecha; los enfoques actuales suelen depender de heurísticas basadas en umbrales que no explotan plenamente la información de incertidumbre para optimizar el tiempo de cosecha.

El marco propuesto XAI-PRFHO (Pronóstico de Lluvia Probabilístico y Optimización de la Cosecha impulsado por IA Explicable) aborda tres brechas específicas:

1. La ausencia de una cuantificación de la incertidumbre significativa en los pronósticos de lluvia.
2. La falta de interpretabilidad accionable para modelos complejos de aprendizaje profundo.
3. El puente faltante entre los pronósticos probabilísticos y la optimización de la cosecha multiobjetivo.

2. Metodología

El marco opera como un flujo de trabajo unificado que integra cinco módulos interconectados:

A. Arquitectura de Pronóstico Híbrida (TCN–BiLSTM)

El modelo de pronóstico central combina una Red de Convolución Temporal (TCN) y una red de Memoria a Largo Corto Pl plazo Bidireccional (BiLSTM).

• Capa TCN: Utiliza convoluciones causales dilatadas para extraer patrones temporales de corto plazo y multiescala. Emplea tres bloques residuales con conteos de filtros crecientes (64, 128, 256) y tasas de dilatación (1, 2, 4, 8) para expandir el campo receptivo preservando el orden causal.
• Capa BiLSTM: Procesa la salida de la TCN a través de dos capas (128 y 64 unidades) para capturar dependencias de largo alcance en la ventana de entrada de 30 días.
• Entrada: Secuencias agro-meteorológicas multivariantes que incluyen lluvia, temperatura, humedad, presión, velocidad del viento, humedad del suelo e información de la etapa del cultivo.
• Salida: Pronósticos de lluvia con 7 días de antelación.

B. Calibración de Incertidumbre Conforme

Para ir más allá de las estimaciones puntuales, el marco aplica Predicción Conforme Dividida (Split Conformal Prediction) a las salidas de la TCN–BiLSTM.

• Mecanismo: Los puntajes de no conformidad se calculan como la diferencia absoluta entre la lluvia observada y la predicha en un conjunto de calibración.
• Resultado: El modelo genera intervalos de predicción calibrados $[L_{t+h}, U_{t+h}]$ con garantías de cobertura marginal de muestra finita bajo el supuesto de intercambiabilidad. Esto asegura que la incertidumbre comunicada sea estadísticamente válida (por ejemplo, 95% de cobertura nominal).

C. Explicabilidad de Doble Capa

Para mejorar la transparencia, el marco emplea un mecanismo de interpretabilidad de dos niveles:

1. Interpretabilidad Global (SHAP): Utiliza explicaciones de Shapley Aditivas (SHAP) para identificar la importancia global de los impulsores meteorológicos (por ejemplo, lluvia antecedente, humedad) a través del conjunto de datos.
2. Interpretabilidad Temporal (Gradientes Integrados): Aplica Gradientes Integrados a nivel de instancia para revelar cuándo características específicas influyeron en un pronóstico dentro de la secuencia histórica de entrada.

• Nota: Estos son mecanismos de atribución post-hoc y no alteran los objetivos de pronóstico u optimización.

D. Modelado de Respuesta del Cultivo (XGBoost-Pheno)

Los pronósticos probabilísticos y los intervalos conformes se introducen en un modelo de fenología de cultivos basado en XGBoost.

• Entradas: Lluvia pronosticada, límites del intervalo de predicción, variables meteorológicas, condiciones del suelo y etapas de madurez del cultivo.
• Salidas: Estimaciones del rendimiento esperado, pérdida de cultivos inducida por el clima y niveles de madurez del cultivo para fechas de cosecha candidatas.

E. Optimización de la Cosecha Multiobjetivo (NSGA-III)

La etapa final utiliza el Algoritmo Genético de Clasificación No Dominada III (NSGA-III) para derivar calendarios de cosecha Pareto-óptimos.

• Objetivos: El algoritmo minimiza un vector de objetivos conflictivos:
  1. Riesgo inducido por la lluvia (probabilidad de exceder los umbrales de daño específicos del cultivo).
  2. Pérdida estimada de cultivos inducida por el clima.
  3. Rendimiento esperado negativo (convertido a un problema de minimización).
• Restricción: Las fechas de cosecha deben satisfacer un umbral mínimo de madurez del cultivo.
• Salida: Un conjunto de soluciones no dominadas que representan los compromisos (trade-offs) entre riesgo, pérdida y rendimiento.

3. Contribuciones Clave

El artículo reclama cuatro contribuciones primarias:

1. Pronóstico Probabilístico con Garantías: Desarrollo de una arquitectura TCN–BiLSTM integrada con predicción conforme dividida, proporcionando una estimación de incertidumbre calibrada con garantías de cobertura marginal de muestra finita, yendo más allá de los pronósticos puntuales deterministas.
2. Explicabilidad de Doble Capa: Introducción de un flujo de trabajo que combina el análisis SHAP global y los Gradientes Integrados a nivel de instancia para proporcionar conocimientos tanto globales como temporales sobre los impulsores del pronóstico.
3. Optimización Integrada: Un modelo de respuesta de cultivos basado en XGBoost acoplado con NSGA-III para convertir los escenarios de lluvia probabilísticos en estrategias de cosecha Pareto-óptimas que equilibran el riesgo y el rendimiento.
4. Flujo de Trabajo de Soporte a la Decisión Unificado: Un marco completo que vincula el pronóstico, la calibración, la explicabilidad y la optimización, demostrando cómo estos componentes funcionan juntos para apoyar la planificación de la cosecha consciente del riesgo.

4. Resultados Experimentales

El marco fue evaluado utilizando datos de 34 estaciones meteorológicas en Bangladesh (2005–2023), cubriendo zonas de llanura aluvial, costeras y propensas a la sequía.

• Precisión del Pronóstico: A un horizonte de 7 días, XAI-PRFHO logró un Error Absoluto Medio (MAE) de 3.41 mm/día y un RMSE de 4.87 mm/día. Esto superó a los modelos de referencia (ARIMA, Random Forest, LSTM, GRU, TCN, Informer) con una reducción del MAE de entre el 9.3% y el 33.4%.
• Calibración de la Incertidumbre: El modelo alcanzó una Probabilidad de Cobertura del Intervalo de Predicción (PICP) empírica del 94.7% para el nivel nominal del 95%, con un error de calibración de solo 0.3 puntos porcentuales. Esto superó significativamente al Dropout de Monte Carlo (88.2% de cobertura) y al Bosque de Regresión de Cuantiles (91.5% de cobertura).
• Explicabilidad: El análisis SHAP identificó la lluvia antecedente (28.4%), la humedad relativa (21.7%) y la humedad del suelo (17.9%) como los impulsores dominantes. Los Gradientes Integrados confirmaron que estas variables ejercieron la mayor influencia en los rezagos históricos recientes.
• Optimización de la Cosecha: En comparación con las heurísticas convencionales basadas en la madurez, el marco completo XAI-PRFHO redujo las pérdidas de cultivos estimadas por el modelo inducidas por el clima en un 31.7% e incrementó el rendimiento estacional proyectado en un 11.0%. Los estudios de ablación confirmaron que estas ganancias resultaron de la contribución coordinada de todos los componentes del marco (pronóstico, calibración, modelado de respuesta y optimización).

5. Significación y Reivindicaciones

El artículo posiciona a XAI-PRFHO como un avance significativo en la agricultura de precisión al abordar la naturaleza de "caja negra" del aprendizaje profundo y la desconexión entre la predicción y la acción.

• Valor Científico: Demuestra que la integración de la precisión predictiva, la incertidumbre calibrada, la interpretación transparente y la optimización multiobjetivo crea un sistema de soporte a la decisión robusto.
• Impacto Práctico: El marco ofrece un método para reducir los riesgos inducidos por el clima para los pequeños agricultores, mejorando potencialmente la estabilidad de los ingresos y la seguridad alimentaria.
• Modestia y Limitaciones: El autor establece explícitamente que las reducciones de pérdida de cultivos y las ganancias de rendimiento reportadas son beneficios estimados por el modelo derivados de datos históricos y optimización, no impactos reales en el campo de pruebas prospectivos. Reconocen limitaciones respecto al enfoque del estudio en Bangladesh, la brecha temporal en los datos de humedad del suelo (SMAP disponible solo 2015–2023) y la exclusión de restricciones socioeconómicas (mano de obra, maquinaria, precios de mercado) en el modelo de optimización. El marco se presenta como una herramienta analítica de soporte a la decisión para agencias y planificadores, más que como una aplicación de cara al agricultor desplegada en campo.