Lagos Garcés , Sebastián2026-08-052026-08-052026https://repositorio.usm.cl/handle/123456789/78937La industria agrícola en Chile enfrenta incertidumbre operativa significativa debido a la variabilidad climática y la dependencia de métodos de estimación tradicionales poco precisos, lo que deriva en ineficiencias logísticas y en el uso de recursos. Este trabajo propone el desarrollo de un modelo predictivo de productividad para predios frutícolas basado en Redes Neuronales Artificiales. La solución técnica se centra en el diseño, implementación y validación de una arquitectura de Machine Learning capaz de integrar y modelar las complejas interacciones no lineales entre datos climáticos históricos, registros catastrales y series temporales geoespaciales (Google Earth Engine). El modelo resultante se integrará como componente principal en el prototipo del servicio “AgroPredict”. Esta plataforma, diseñada para agrupar múltiples herramientas y componentes, demostrará una prueba de concepto escalable que busca reducir la incertidumbre en la toma de decisiones gerenciales y mejorar la eficiencia productiva en el sector.32 páginasesAttribution 4.0 Internationalhttp://creativecommons.org/licenses/by/4.0/Redes NeuronalesAgricultura de PrecisiónPredicción de RendimientoAprendizaje automáticoPredios frutícolas35609002924802 Hambre cero8 Trabajo decente y crecimiento económico9 Industria, innovación e infraestructura12 Producción y consumo responsables