Multi-LLM-Agent para la agricultura inteligente

Abstract

La agricultura enfrenta una creciente exposición a eventos térmicos extremos, tales como heladas y olas de calor, cuya prevención requiere transformar información meteorológica dispersa en alertas comprensibles y oportunas. Esta memoria presenta el diseño, implementación y evaluación de un sistema de alertas agroclimáticas basado en inteligencia artificial y una arquitectura \textit{Multi-LLM-Agent}, orientado a apoyar la toma de decisiones agrícolas en las 52 comunas de la Región Metropolitana de Chile. La solución integra datos del Atlas Agroclimático de Chile, la red INIA/AGROMET, Open-Meteo y MeteoChile mediante una política de fusión jerárquica que prioriza observaciones directas de estación. La serie consolidada resultante contiene 368.082 pares únicos comuna--fecha. Sobre esta base se implementó un ensamble heterogéneo de siete clasificadores para la detección de heladas y olas de calor, complementado por modelos de regresión para estimar temperaturas mínimas y máximas. El sistema utiliza partición temporal, ponderación de clases, calibración de umbrales mediante el índice de éxito crítico (CSI), votación mayoritaria y una estrategia híbrida para los horizontes de predicción D+1 a D+5. La arquitectura Multi-LLM-Agent separa el proceso de generación de alertas en tres agentes especializados: Monitor, que activa alertas mediante reglas deterministas; Razonador, que interpreta el riesgo a partir de predicciones, umbrales agrícolas e información histórica; y Comunicador, que genera mensajes orientados a WhatsApp. Se evaluaron los proveedores Claude, Gemini y Llama 3 mediante métricas de latencia, robustez de formato y una evaluación cualitativa retrospectiva de consistencia interpretativa, pertinencia agronómica, claridad y accionabilidad. En el corte operativo analizado, el sistema evaluó 3.206 predicciones D+1 y alcanzó, para heladas, un CSI de 0,395, una probabilidad de detección de 0,773 y un F1-score de 0,566. La comparación descriptiva con MeteoChile, sobre 3.034 pares comuna--fecha comunes, mostró(...).

Agriculture is increasingly exposed to extreme thermal events, such as frost and heat waves, whose prevention requires transforming fragmented meteorological information into timely and understandable alerts. This thesis presents the design, implementation, and evaluation of an agroclimatic alert system based on artificial intelligence and a Multi-LLM-Agent architecture, aimed at supporting agricultural decision-making across the 52 municipalities of the Metropolitan Region of Chile. The solution integrates data from the Chilean Agroclimatic Atlas, the INIA/AGROMET network, Open-Meteo, and MeteoChile through a hierarchical datafusion policy that prioritizes direct weather-station observations. The resulting consolidated series contains 368,082 unique municipality–date pairs. On this basis, a heterogeneous ensemble of seven classifiers was implemented to detect frost and heat-wave events, complemented by regression models for minimum and maximum temperature estimation. The system uses temporal data splitting, class weighting, Critical Success Index (CSI)-based threshold calibration, majority voting, and a hybrid strategy for D+1 to D+5 prediction horizons. The Multi-LLM-Agent architecture separates alert generation into three specialized agents: a Monitor agent, which activates alerts through deterministic rules; a Reasoner agent, which interprets risk using predictions, agricultural thresholds, and historical information; and a Communicator agent, which produces WhatsApp-oriented messages. Claude, Gemini, and Llama 3 were evaluated using latency, output-format robustness, and a retrospective qualitative assessment of interpretive consistency, agronomic relevance, clarity, and actionability. Within the analyzed operational period, the system evaluated 3,206 D+1 predictions and achieved, for frost detection, a CSI of 0.395, a probability of detection of 0.773, and an F1-score of 0.566. A descriptive comparison with MeteoChile, conducted on 3,034 common municipality–date pairs, showed(...).