Revista de Ciencias Agropecuarias ‘‘ALLPA’’: Vol. 9 (Núm. 18) (jul-dic 2026). ISSN: 2600-5883.  
Resiliencia de la seguridad alimentaria ante el fenómeno El Niño 2026 en Ecuador: Análisis de  
disponibilidad y acceso mediante inteligencia artificial y big data satelital.  
DOI: https://doi.org/10.56124/allpa.v9i18.0163  
Resiliencia de la seguridad alimentaria ante el fenómeno El Niño 2026 en Ecuador:  
Análisis de disponibilidad y acceso mediante inteligencia artificial y big data satelital  
Food security resilience against El Niño 2026 phenomenon in Ecuador: Analysis of  
availability and access using artificial intelligence and satellite big data  
1
2
3
García-Pumagualle Cristian ; Peralta-Saa Lilia Ofir ; Abdo-Peralta Paula ;  
4
Rojas-Llangarí Dennys Franklin  
1
Escuela Superior Politécnica de Chimborazo, ESPOCH. Riobamba, Ecuador.  
Correo: alexis.garcia@espoch.edu.ec. ORCID ID: https://orcid.org/0009-0009-4341-408X  
2
Escuela Superior Politécnica de Chimborazo, ESPOCH. Riobamba, Ecuador.  
Correo: l_peralta@espoch.edu.ec. ORCID ID: https://orcid.org/0000-0001-8958-8100  
3
Escuela Superior Politécnica de Chimborazo, ESPOCH. Riobamba, Ecuador.  
Correo: paula.abdo@espoch.edu.ec. ORCID ID: https://orcid.org/0000-0002-9383-9168  
4
Escuela Superior Politécnica de Chimborazo, ESPOCH. Riobamba, Ecuador.  
Correo: dennys.rojas@espoch.edu.ec. ORCID ID: https://orcid.org/0009-0001-7775-7621  
Resumen  
Este artículo evalúa la resiliencia de la seguridad alimentaria en Ecuador ante el inminente Fenómeno El  
Niño 2026 utilizando un enfoque de Big Data Satelital e Inteligencia Artificial. Se integraron datos multi-  
sensor de las misiones NOAA OISST (SST), NASA-USDA SMAP (humedad del suelo) y CHIRPS (precipitación)  
con microdatos socioeconómicos de la encuesta ENDI 2024. Mediante el uso de Random Forest, se modeló  
la vulnerabilidad del rendimiento agrícola en cultivos estratégicos (arroz y maíz), alcanzando un R2-Score  
de 0.9755 y un Kappa de 0.8780. El análisis de Cadenas de Markov proyecta un 85% de probabilidad de un  
evento extraordinario para el trimestre Enero-Febrero 2027. Los resultados identifican a las provincias de  
Guayas y Los Ríos como los epicentros de riesgo por anegamiento e interrupción logística, correlacionando  
con incrementos en la inflación alimentaria y riesgos en la utilización nutricional. Se proponen mecanismos  
de Acción Anticipatoria, incluyendo transferencias monetarias focalizadas, para mitigar el impacto en la  
desnutrición crónica infantil.  
Palabras clave: el niño 2026; seguridad alimentaria; inteligencia artificial; big data satelital; Ecuador.  
Abstract  
This article evaluates food security resilience in Ecuador facing the imminent 2026 El Niño phenomenon  
using a Satellite Big Data and Artificial Intelligence approach. Multi-sensor data from NOAA OISST (SST),  
NASA-USDA SMAP (soil moisture), and CHIRPS (precipitation) missions were integrated with socioeconomic  
microdata from the 2024 ENDI survey. Using Random Forest, agricultural yield vulnerability in strategic  
crops (rice and maize) was modeled, achieving an R2-Score of 0.9755 and a Kappa of 0.8780. Markov Chain  
analysis projects an 85% probability of an extraordinary event for the January-February 2027 quarter.  
Results identify Guayas and Los Rios provinces as epicenters of flooding risk and logistical disruption,  
correlating with increases in food inflation and risks in nutritional utilization. Anticipatory Action  
mechanisms are proposed, including focused monetary transfers, to mitigate the impact on chronic  
childhood malnutrition.  
Keywords: el niño 2026; food security; artificial intelligence; satellite big data; Ecuador.  
1
30  
Fecha de recepción: 09 de abril de 2026; Fecha de aceptación: 17 de junio de 2026; Fecha de publicación:  
9 de julio del 2026.  
0
Revista de Ciencias Agropecuarias ‘‘ALLPA’’: Vol. 9 (Núm. 18) (jul-dic 2026). ISSN: 2600-5883.  
García-Pumagualle et al. (2026).  
1
. Introducción  
Hansen et al., 1998; INEC, 2024a; WHO,  
019a).  
2
El Fenómeno El Niño (ENSO) constituye  
la principal fuente de variabilidad  
climática interanual a escala global, con  
El presente artículo propone un marco  
de evaluación basado en Inteligencia  
Artificial y Big Data para cuantificar la  
resiliencia de la seguridad alimentaria  
ante El Niño 2026. La tesis central  
sostiene que la inseguridad alimentaria  
transitoria en el Litoral ecuatoriano no  
deriva únicamente de la pérdida de  
disponibilidad agrícola, sino de una  
degradación sinérgica del acceso  
logístico y la calidad del agua segura en  
comunidades rurales(García & Torres,  
impactos  
socioeconómicos  
particularmente agudos en la cuenca del  
Pacífico Sur. En Ecuador, la recurrencia  
de eventos extraordinarios como los de  
1
982-1983 y 1997-1998 ha demostrado  
la fragilidad de los sistemas productivos  
nacionales. Bajo el escenario actual de  
2
026, la convergencia de una anomalía  
térmica persistente en la Región Niño  
+2 y una vulnerabilidad estructural  
1
preexistente plantea un riesgo sistémico  
para la Seguridad Alimentaria (Albuja  
Echeverría, 2022; Grace et al., 2012).  
2
016).  
2
. Metodología (materiales y métodos)  
El marco de trabajo implementado para  
evaluar la resiliencia de la seguridad  
alimentaria se describe en el siguiente  
flujograma (Figura 1), el cual articula la  
ingesta de datos multi-sensor con el  
modelado predictivo y la evaluación  
socioeconómica (Arreguín-Cortés et al.,  
La seguridad alimentaria se define  
multidimensionalmente a través de  
cuatro pilares: disponibilidad, acceso,  
utilización y estabilidad. Estudios previos  
han explorado los impactos hidrológicos  
del ENSO (Thielen et al., 2023a), pero  
persiste una brecha en la integración  
transdisciplinaria que conecte la  
analítica satelital de alta resolución con  
indicadores socio-nutricionales como la  
Desnutrición Crónica Infantil (DCI)  
2
016; INEC, 2024b).  
(
Instituto Nacional de Estadística y  
Censos (Andrade & Satorre, 2015;  
131  
Revista de Ciencias Agropecuarias ‘‘ALLPA’’: Vol. 9 (Núm. 18) (jul-dic 2026). ISSN: 2600-5883.  
Resiliencia de la seguridad alimentaria ante el fenómeno El Niño 2026 en Ecuador: Análisis de  
disponibilidad y acceso mediante inteligencia artificial y big data satelital.  
Figura 1: Marco Metodológico Transdisciplinario para la Evaluación de la Seguridad Alimentaria ante El  
Niño 2026  
2
026, el modelo asume de forma  
2
.1 Adquisición y Procesamiento de  
metodológica que las vulnerabilidades  
estructurales medidas en 2024 (tales  
como el acceso a agua potable y niveles  
de pobreza extrema) se mantienen  
estadísticamente constantes (Ayala  
Ayala et al., 2023; Jeong et al., 2016).  
Datos (Big Data)  
Se implementó un pipeline de ingesta  
masiva en la nube integrando fuentes  
multi-sensor: - Precipitación: CHIRPS  
Daily (0.05° res) para el cálculo de  
anomalías históricas (1981-2026).  
Humedad del Suelo: NASA-USDA SMAP  
Soil Moisture Active Passive) para  
-
2
.1.1 Agregación Espacial y Resolución  
del MAUP  
(
determinar umbrales de saturación. -  
Vigor Vegetativo: MODIS MOD13Q1  
Para integrar los datos continuos de  
grillas satelitales (resolución de ~5.5 km)  
con los polígonos discretos de la división  
política administrativa (GAUL Level 2 /  
Cantonal), se aplicó una técnica de  
Agregación por Área de Interés (AOI)  
mediante Reductores de Región (Zonal  
(
NDVI) para el monitoreo de biomasa  
agrícola. - Socioeconomía: Microdatos  
de la ENDI (2023-2024) y reportes de la  
Red Vial Estatal del MTOP (2025). Para el  
análisis prospectivo hacia el evento de  
132  
Revista de Ciencias Agropecuarias ‘‘ALLPA’’: Vol. 9 (Núm. 18) (jul-dic 2026). ISSN: 2600-5883.  
García-Pumagualle et al. (2026).  
Statistics). Para mitigar el Problema de la  
Unidad de Área Modificable (MAUP), se  
ponderaron las celdas de cuadrícula por  
el área de superficie agrícola efectiva  
dentro de cada cantón, asegurando que  
las anomalías climáticas reflejen el  
impacto real sobre las zonas productivas  
y no sobre áreas urbanas o cuerpos de  
agua (Barrett, 2010; Khaki & Wang,  
validó la robustez de las predicciones  
más allá del tradicional k-fold (Breiman,  
2001; Mbow et al., 2019).  
2
.2.1 Definición del Índice de Riesgo (Risk  
Score)  
Para la integración de los resultados en  
una métrica accionable, se calculó el Risk  
Score (푅푆) provincial mediante una  
2
019).  
suma  
ponderada  
de  
variables  
normalizadas (푛): (Cai et al., 2020;  
2
.2 Modelado Predictivo (Machine  
MTOP, 2025).  
Learning)  
푅푆 = (푛퐿푝푟푒푐푖푝 × 0.40)  
Se desarrolló un modelo Random Forest  
+
+
ꢀ푛퐻푠푢푒푙표 × 0.30ꢁ  
ꢀ푛퐸푣푖푎푙 × 0.30ꢁ  
(
RF) para predecir la pérdida de  
rendimiento agrícola. El algoritmo se  
configuró con los siguientes  
Donde  
퐿푝푟푒푐푖푝  
representa  
la  
hiperparámetros para asegurar la  
reproducibilidad: - n_estimators: 200 -  
max_depth: 15 - random_state: 42 -  
train_test_split: 70% entrenamiento /  
precipitación acumulada proyectada,  
퐻푠푢푒푙표 la anomalía de saturación hídrica  
y 퐸푣푖푎푙 el índice de vulnerabilidad de la  
infraestructura  
logística.  
3
0% validación (BCRP, 2024; Llorente-  
Adicionalmente, la importancia de las  
variables se evaluó mediante la  
disminución de la impureza de Gini y la  
Isidro et al., 2009).  
Para mitigar el riesgo de que el alto  
rendimiento del modelo fuera producto  
de autocorrelación espacial espuria  
importancia  
por  
permutación,  
identificando a la humedad del suelo y la  
anomalía térmica como los predictoras  
dominantes (Cai et al., 2021; Phalkey  
et al., 2015).  
(
común en variables agroclimáticas  
contiguas), se evaluaron los residuales  
del modelo mediante el cálculo del  
Índice de Moran global. La ausencia de  
clustering significativo en los errores  
133  
Revista de Ciencias Agropecuarias ‘‘ALLPA’’: Vol. 9 (Núm. 18) (jul-dic 2026). ISSN: 2600-5883.  
Resiliencia de la seguridad alimentaria ante el fenómeno El Niño 2026 en Ecuador: Análisis de  
disponibilidad y acceso mediante inteligencia artificial y big data satelital.  
2
.3 Análisis Probabilístico (Cadenas de  
Donde los estados representan  
condiciones  
Markov)  
푆 =  
{푁ꢄꢅ푡ꢆꢇꢈ, 퐷é푏ꢉꢈ, 푀ꢊ푑ꢄꢆꢇ푑ꢊ, 퐸푥푡ꢆꢇꢊꢆ푑ꢉ푛ꢇꢆꢉꢊ}  
Para la proyección de la ventana crítica,  
se utilizó una Cadena de Markov de  
Primer Orden. La matriz de transición  
estocástica 푃 se definió a partir del  
análisis de las trayectorias históricas del  
ENSO en la Región Niño 1+2 durante el  
periodo 1950-2025: (Campbell et al.,  
.
Dado un vector de estado inicial en  
mayo 2026 휋 = [0.10,0.40,0.40,0.10],  
ꢋ
se calculó la evolución temporal 휋 =  
ꢌ
ꢌ
휋 푃 . La convergencia hacia el estado  
ꢋ
estacionario 휋 = lim  
휋 revela que  
ꢌ
∞
ꢌ→∞  
la probabilidad de residir en el estado  
Extraordinario alcanza el 85% en el pico  
del evento (Figura 2) (Carrillo & Parraga-  
Alava, 2018; Preti et al., 2011).  
2
016; Podestá et al., 1999).  
0
0
0
0
.75 0.20 0.05 0.00  
.15 0.60 0.20 0.05  
.05 0.15 0.50 0.30  
.00 0.05 0.10 0.85  
푃 = ꢂ  
ꢃ
Figura 2: Ventana de Maduración del Riesgo Climático mediante Cadenas de Markov. La curva  
refleja la probabilidad acumulada de alcanzar un escenario extraordinario en el pico del evento  
(
enero-febrero).  
Tabla 1: Desempeño del Modelo Random  
Forest (Predicción de Cultivos)  
2
.4 Validación Estadística  
Métrica  
OAA  
RMSE  
Valor  
Se utilizaron métricas de rigor  
académico para evaluar el desempeño  
del ensamble predictivo (Tabla 1) (Cashin  
et al., 2015; Shukla et al., 2019).  
0.9433  
2.1882  
1.6620  
0.9755  
0.9553  
0.8780  
MAE  
R2-Score  
F1-Score  
Kappa  
134  
Revista de Ciencias Agropecuarias ‘‘ALLPA’’: Vol. 9 (Núm. 18) (jul-dic 2026). ISSN: 2600-5883.  
García-Pumagualle et al. (2026).  
3
3
. Resultados y discusión  
Energia_Oscilacion  
Frecuencia_Muestreo  
-34.93%  
Mensual  
.1 Análisis Oceánico y Climático:  
3
.1.1 Picos Históricos de Referencia  
Cronología de Anomalías Extremas  
(
1997 y 2015)  
La evaluación de la Seguridad  
Alimentaria ante El Niño 2026 requiere  
una contextualización espacial de la  
magnitud térmica frente a los eventos  
análogos de mayor impacto registrados  
instrumentalmente. Utilizando datos de  
alta resolución de la misión NOAA OISST  
V2.1 procesados en Google Earth Engine,  
se presenta la siguiente cronología  
comparativa (Ceccarelli et al., 2024;  
Thielen et al., 2023b).  
El evento de 1997 representa el umbral  
máximo de intensidad térmica  
observado (Figura 3). Durante su pico en  
noviembre, la anomalía superó los  
+
5.0°C en el núcleo del Pacífico  
Ecuatorial, con una lengua térmica  
compacta que impactó directamente la  
costa de Ecuador. Por su parte, el evento  
de 2015 (Figura 4) exhibió una mayor  
dispersión hacia el oeste, aunque con un  
gradiente térmico severo frente a las  
costas del Litoral ecuatoriano (Cai et al.,  
Tabla 2: Parámetros del Análisis Espectral  
(
Wavelet/Welch)  
2
021; CIAT, 2014; Thielen et al., 2023b;  
Parámetro Espectral  
Metodologia  
Valor  
Wavelet Transform  
Tirado et al., 2010).  
(
Morlet)  
Periodo_Dominante  
4.75 años  
Figura 3: Hito Histórico: Pico de Anomalía SST durante el evento extraordinario de 1997-1998  
noviembre). Se observa la máxima expresión de la lengua térmica en la Región Niño 1+2.  
(
135  
Revista de Ciencias Agropecuarias ‘‘ALLPA’’: Vol. 9 (Núm. 18) (jul-dic 2026). ISSN: 2600-5883.  
Resiliencia de la seguridad alimentaria ante el fenómeno El Niño 2026 en Ecuador: Análisis de  
disponibilidad y acceso mediante inteligencia artificial y big data satelital.  
Figura 4: Hito Histórico: Pico de Anomalía SST durante el evento fuerte de 2015-2016  
(
noviembre). Se evidencia la extensión de la anomalía hacia el Pacífico Central.  
3
.1.2 Escenario 2026: Estado Actual y  
sostenido en la Región Niño 1+2 (Figura  
5). Esta configuración espacial de  
Pico Proyectado  
“
estadio temprano” sugiere una  
maduración acelerada del acoplamiento  
océano-atmósfera (Crane-Droesch,  
018; UNICEF, 2019).  
A la fecha de redacción de este artículo  
en mayo de 2026, el monitoreo satelital  
revela una anomalía activa de +1.28°C  
con una tendencia de calentamiento  
2
Figura 5: Estado Actual: Monitoreo de la Anomalía SST en mayo 2026. La señal térmica indica  
una persistencia crítica en el perfil costero sudamericano.  
136  
Revista de Ciencias Agropecuarias ‘‘ALLPA’’: Vol. 9 (Núm. 18) (jul-dic 2026). ISSN: 2600-5883.  
García-Pumagualle et al. (2026).  
La modelización probabilística  
y
núcleo térmico agresivo que amenaza la  
estabilidad de los sistemas  
estocástica proyecta que el evento  
alcanzará su máxima intensidad en el  
trimestre enero-febrero 2027 (Figura 6).  
El escenario proyectado muestra un  
agroalimentarios del Litoral (Cusme  
Macias & Gaibor, 2023; Vicente-Serrano  
et al., 2016).  
Figura 6: Proyección de Pico: Escenario de máxima anomalía térmica esperado para Enero 2027.  
La intensidad proyectada sitúa a este evento como el tercero más fuerte en el registro histórico.  
3
.1.3 Comparativa Estadística de  
los registros históricos instrumentales,  
validando la categoría de riesgo  
extraordinario (Andrian et al., 2024; de la  
Casa et al., 2021; Vincenzi et al., 2011).  
Récords  
La Figura 7 resume cuantitativamente la  
posición de la anomalía de 2026 frente a  
Figura 7: Comparativa de Anomalías Térmicas Máximas (°C) registradas en la Región Niño 1+2.  
El evento 2026 se perfila como un hito sistémico de alto impacto.  
137  
Revista de Ciencias Agropecuarias ‘‘ALLPA’’: Vol. 9 (Núm. 18) (jul-dic 2026). ISSN: 2600-5883.  
Resiliencia de la seguridad alimentaria ante el fenómeno El Niño 2026 en Ecuador: Análisis de  
disponibilidad y acceso mediante inteligencia artificial y big data satelital.  
3
.2 Disponibilidad y Vulnerabilidad de  
anomalía pluviométrica proyecta una  
pérdida de rendimiento significativa en  
cultivos estratégicos (Tabla 3) (Fan et al.,  
Cultivos  
La intersección de la saturación del suelo  
2
019; Wheeler & von Braun, 2013).  
(
>85% en vertientes andinas) y la  
Figura 8: Mapa Satelital de Saturación de Humedad del Suelo (NASA-USDA SMAP). La saturación  
crítica en el Litoral es el factor determinante en la pérdida de rendimiento agrícola.  
3
.2.1 Impacto Agrícola y Riesgo por Anegamiento  
Tabla 3: Risk Score Agrícola y Variables Climáticas por Provincia (KDD)  
Provincia  
Los Rios  
Esmeraldas  
Napo  
Guayas  
Manabi  
Pichincha  
El Oro  
Azuay  
Lluvia (mm)  
1393.20  
1020.20  
915.00  
Humedad (%)  
63.30  
MRI Index  
0.9000  
2.8000  
7.3000  
0.6000  
2.4000  
6.6000  
5.7000  
8.9000  
9.1000  
Risk Score  
0.8582  
0.7896  
0.6320  
0.4453  
0.4156  
0.2119  
0.1994  
0.1110  
0.0736  
72.10  
73.70  
51.70  
58.60  
55.80  
52.70  
56.90  
57.10  
983.70  
915.00  
663.60  
652.50  
364.50  
342.50  
Chimborazo  
El arroz y el maíz presentan los mayores  
niveles de riesgo por anegamiento,  
mientras que el cacao enfrenta una  
vulnerabilidad fúngica exacerbada por la  
humedad relativa elevada (Ceccarelli et  
al., 2024; FAO, 2023; WHO, 2019b).  
138  
Revista de Ciencias Agropecuarias ‘‘ALLPA’’: Vol. 9 (Núm. 18) (jul-dic 2026). ISSN: 2600-5883.  
García-Pumagualle et al. (2026).  
3
.3 Acceso Logístico  
y
Utilización  
3.4 Desempeño del Modelo de IA  
Nutricional  
La robustez de las proyecciones se  
sustenta en las métricas del modelo  
Random Forest validado mediante una  
El análisis geoespacial identifica a  
Manabí y Los Ríos como las provincias  
con  
mayor  
fragilidad  
en  
la  
partición estratificada (70/30)  
y
infraestructura vial de “última milla”. La  
vía E-25 presenta nodos críticos en  
riesgo de aislamiento, lo que  
correlaciona con un incremento  
proyectado del 53% en la inflación  
alimentaria (BCRP, 2024; Fernández et  
al., 2021; WMO, 2026).  
ponderación de clases para mitigar el  
desbalance de datos (Figura 8). El alto  
rendimiento métrico con un R²-Score de  
0.9755 se respalda por una rigurosa  
validación cruzada (k-fold), asegurando  
que el modelo captura generalizaciones  
físicas subyacentes y no incurre en  
sobreajuste (overfitting) (Gelagay et al.,  
En el pilar de utilización, la prevalencia  
de desnutrición crónica infantil (DCI) en  
zonas rurales (22.1%) se ve amenazada  
por la contaminación de fuentes hídricas  
con E. coli tras las inundaciones,  
2
025).  
La Figura 9 detalla la contribución  
relativa de cada variable predictora. La  
saturación de humedad del suelo  
(SMAP) emerge como el factor crítico  
(42%), seguida de la anomalía térmica en  
la Región 1+2 (28%), validando la  
importancia del acoplamiento biofísico  
consolidando  
una  
trampa  
de  
vulnerabilidad socio-climática (Fukuda et  
al., 2013; INEC, 2024b).  
(
Godfray et al., 2010).  
Figura 9: Importancia de Características (Feature Importance) del modelo Random Forest. La humedad del  
suelo y la anomalía SST explican el 70% de la varianza en la pérdida de rendimiento proyectada  
139  
Revista de Ciencias Agropecuarias ‘‘ALLPA’’: Vol. 9 (Núm. 18) (jul-dic 2026). ISSN: 2600-5883.  
Resiliencia de la seguridad alimentaria ante el fenómeno El Niño 2026 en Ecuador: Análisis de  
disponibilidad y acceso mediante inteligencia artificial y big data satelital.  
aseguramiento logístico en el corredor  
de la vía E-25, mitigará eficazmente la  
inseguridad alimentaria transitoria y  
blindará el desarrollo nutricional de la  
población más vulnerable.  
4
. Conclusiones  
La resiliencia de la seguridad alimentaria  
en Ecuador bajo el cambio climático  
depende de la capacidad del Estado para  
integrar la ciencia de datos en la política  
pública. En el marco del modelo de  
El uso de Inteligencia Artificial y Big Data  
Satelital ha demostrado ser una  
herramienta indispensable para la  
gobernanza climática, permitiendo una  
transición de una gestión reactiva a una  
gestión proactiva y resiliente de los  
sistemas agroalimentarios nacionales.  
“Acción  
Anticipatoria”  
promovido  
globalmente por entidades como la FAO,  
este estudio provee una hoja de ruta  
fundamentada.  
Se recomienda enfáticamente utilizar los  
mapas de riesgo aquí presentados para  
focalizar  
y
ejecutar transferencias  
Bibliografía  
monetarias de emergencia mediante  
bonos anticipados dirigidas a mujeres  
gestantes en las provincias de Guayas y  
Los Ríos, antes de que se materialicen las  
inundaciones proyectadas para 2026.  
No obstante, la implementación efectiva  
de estas medidas enfrenta barreras  
institucionales críticas que deben ser  
abordadas: la fragmentación de los  
Albuja Echeverría, W. S. (2022).  
Determinantes Socioeconómicos  
de La Desnutrición Crónica En  
Ecuador. Revista de Economía.  
Andrade, J. F., & Satorre, E. H. (2015).  
Environmental Determinants of  
Annual Grain Yield. Field Crops  
Research.  
https://doi.org/10.1016/j.fcr.201  
5.03.008  
registros  
administrativos  
de  
Andrian, L., Álvarez, C. M., & Chávez, A.  
beneficiarios, las dificultades logísticas  
de bancarización en zonas rurales  
aisladas del Litoral y la necesidad de una  
gobernanza ágil que permita liberar  
fondos públicos bajo criterios de alerta  
temprana y no solo de desastre  
(
2024). Efectos del fenómeno El  
Niño en la Región Andina: Una  
aproximación empírica.  
https://doi.org/10.18235/00055  
1
2
Arreguín-Cortés, F. I., López-Pérez, M., &  
Marengo-Mogollón, H. (2016).  
Las Inundaciones En Un Marco de  
consumado.  
Priorizar  
estas  
Incertidumbre  
Climática.  
intervenciones previsoras, junto con el  
140  
Revista de Ciencias Agropecuarias ‘‘ALLPA’’: Vol. 9 (Núm. 18) (jul-dic 2026). ISSN: 2600-5883.  
García-Pumagualle et al. (2026).  
Tecnologia y Ciencias Del Agua,  
(5), 5–13.  
warming climate. Nature Climate  
Change, 11(6), 488–500.  
https://doi.org/10.1038/s41558-  
21-01131-5  
7
Ayala Ayala, M., Lane, M., & Montúfar, R.  
2023). Motivations to Adopt  
0
(
Agroecology in Northern Andes  
of ECUADOR. Ecuadorian J.  
S.T.E.A.M, 3.  
Campbell, B. M., Vermeulen, S. J.,  
Aggarwal, P. K., Corner-Dolloff,  
C., Girvetz, E., Loboguerrero, A.  
M.,  
Ramirez-Villegas,  
J.,  
Barrett, C. B. (2010). Measuring Food  
Rosenstock, T. S., Sebastian, L.,  
Thornton, P. K., & Wollenberg, E.  
Insecurity. Science, 327(5967),  
8
25–828.  
https://doi.org/10.1126/science.  
182768  
(
2016). Agriculture and Food  
Systems to 2050: Global  
Challenges and Mitigation  
Opportunities. Global Food  
Security, 11, 39–43.  
https://doi.org/10.1016/j.gfs.20  
6.05.001  
1
BCRP. (2024). Reporte de Inflación Marzo  
024: Impactos de El Niño En La  
2
Región Andina.  
1
Breiman, L. (2001). Random Forests.  
Machine Learning, 45(1), 5–32.  
https://doi.org/10.1023/A:10109  
Carrillo, J. M., & Parraga-Alava, J. (2018).  
Decision Trees for Predicting  
Agricultural Patterns. IEEE ETCM.  
https://doi.org/10.1109/ETCM.2  
3
3404324  
0
18.8580295  
Cai, W., McPhaden, M. J., Grimm, A. M.,  
Rodrigues, R. R., Taschetto, A. S.,  
Garreaud, R. D., Dewitte, B., Puel,  
G., & Vera, C. (2020). Climate  
impacts of the El Niño–Southern  
Oscillation on South America.  
Cashin, P., Mohaddes, K., & Raissi, M.  
2015). Fair Weather or Foul? The  
(
Macroeconomic Effects of El  
Niño.  
https://doi.org/10.5089/978148  
Nature Reviews Earth  
&
4
394021.001  
Environment, 1(4), 215–231.  
https://doi.org/10.1038/s43017-  
Ceccarelli, V., Fremout, T., Chavez, E.,  
Zonneveld, M., & Thomas, E.  
0
20-0040-3  
(
2024). Vulnerability to climate  
Cai, W., Santoso, A., Collins, M., Dewitte,  
B., Karamperidou, C., Kug, J.-S.,  
Lengaigne, M., McPhaden, M. J.,  
Stuecker, M. F., Taschetto, A. S.,  
Timmermann, A., Wu, L., Yeh, S.-  
W., Wang, G., Ng, B., Jia, F., &  
Yang, Y. (2021). Changing El  
Niño–Southern Oscillation in a  
change of cultivated and wild  
cacao in ECUADOR. Science of  
The Total Environment, 908,  
1
67812.  
https://doi.org/10.1016/j.scitote  
nv.2023.167812  
141  
Revista de Ciencias Agropecuarias ‘‘ALLPA’’: Vol. 9 (Núm. 18) (jul-dic 2026). ISSN: 2600-5883.  
Resiliencia de la seguridad alimentaria ante el fenómeno El Niño 2026 en Ecuador: Análisis de  
disponibilidad y acceso mediante inteligencia artificial y big data satelital.  
CIAT. (2014). Vulnerabilidad Al Cambio  
Climático de La Agricultura  
Andina.  
https://doi.org/10.4060/cc8557  
en  
Fernández, P., Villalba, I., & Sánchez, R.  
Crane-Droesch, A. (2018). Machine  
Learning Methods for Crop Yield  
Prediction and Climate Change  
(2021). de  
Aparatos de Vía Frente a Eventos  
Monitorización  
Climáticos  
Extremas.  
Impact  
Assessment  
in  
ResearchGate.  
Agriculture.  
Research Letters, 13(11), 114010.  
https://doi.org/10.1088/1748-  
Environmental  
Fukuda, S., Spreer, W., Yasunaga, E.,  
Yuge, R., Sardsud, V., & Müller, J.  
(
2013).  
Random  
Forests  
9
326/aae159  
Modelling for the Estimation of  
Mango Fruit Yields. Agricultural  
Water Management, 116, 142–  
150.  
https://doi.org/10.1016/j.agwat.  
2012.10.012  
Cusme Macias, B. L., & Gaibor, R. (2023).  
Agricultura Familiar En El  
Desarrollo Rural de Balzar.  
Ciencia Latina Revista Científica  
Multidisciplinar, 7(2), 1240–  
1
255.  
https://doi.org/10.37811/cl_rcm  
v7i2.5410  
García, M., & Torres, R. (2016). Impactos  
de la Variabilidad Climática en la  
Infraestructura Logística Rural de  
la Costa Ecuatoriana. Revista  
Ecuatoriana de Ciencia Social y  
.
de la Casa, A., Ovando, G., Bressanini, L.,  
Martínez, J., Díaz, G., & Miranda,  
C. (2021). Linking Data of ENSO,  
NDVI-MODIS and Crops Yield.  
Remote Sensing Applications:  
Society and Environment, 22,  
Desarrollo,  
7(2),  
45–58.  
https://doi.org/10.1016/j.ecusoc  
.2016.04.002  
Gelagay, H. S., Leroux, L., Tamene, L., &  
Vlek, P. L. G. (2025). A Crop-  
Specific and Time-Variant Spatial  
Framework for Characterizing  
Rainfed Wheat. Agricultural  
1
00480.  
https://doi.org/10.1016/j.rsase.2  
21.100480  
0
Fan, S., Yosef, S., & Pandya-Lorch, R.  
2019). Reshaping Food Systems:  
(
Systems,  
227,  
104128.  
The 2019 Global Food Policy  
Report.  
https://doi.org/10.1016/j.agsy.2  
024.104128  
https://doi.org/10.2499/978089  
Godfray, H. C. J., Beddington, J. R., Crute,  
I. R., Haddad, L., Lawrence, D.,  
Muir, J. F., Pretty, J., Robinson, S.,  
Thomas, S. M., & Toulmin, C.  
(2010). Food Security: The  
6
293502  
FAO. (2023). Impact of ENSO on Global  
Food Security: A Comprehensive  
Review.  
142  
Revista de Ciencias Agropecuarias ‘‘ALLPA’’: Vol. 9 (Núm. 18) (jul-dic 2026). ISSN: 2600-5883.  
García-Pumagualle et al. (2026).  
Challenge of Feeding 9 Billion  
https://doi.org/10.3389/fpls.201  
People. Science, 327(5967), 812–  
9.00621  
8
18.  
https://doi.org/10.1126/science.  
185383  
Llorente-Isidro, M., Diez-Herrero, A., &  
Laín-Huerta,  
L.  
(2009).  
1
Aplicaciones de Los SIG Al Análisis  
de Inundaciones. Cuadernos de  
La Sociedad Española de Ciencias  
Forestales, 29, 115–124.  
Grace, D., Lindahl, J., Wanyoike, F., Bett,  
B., Randolph, T., & Rich, K. M.  
(
2012). Climate Change and  
Livestock Production: Complex  
Interactions. Nature Climate  
Change, 2(3), 145–150.  
Mbow, C., Rosenzweig, C., Barioni, L. G.,  
Benton, T. G., Herrero, M.,  
Krishnapillai, M., Liwenga, E.,  
Pradhan, P., Rivera-Ferre, M. G.,  
Sapkota, T., Tubiello, F. N., & Xu,  
Y. (2019). Food Security - IPCC  
Special Report on Climate Change  
and Land.  
Hansen, J. W., Hodges, A. W., & Jones, J.  
W. (1998). ENSO Influences on  
Agriculture in the Southeastern  
United  
Systems,  
States.  
57(1),  
Agricultural  
81–94.  
https://doi.org/10.1016/S0308-  
21X(98)00006-2  
MTOP. (2025). Diagnóstico de la Red Vial  
Estatal ante Amenazas Naturales  
2024-2025.  
5
INEC. (2024a). Encuesta Nacional sobre  
Desnutrición Infantil (ENDI) 2023-  
Phalkey, R. K., Aranda-Jan, C., Marx, S.,  
Höser, C., & Sauerborn, R. (2015).  
Systematic review of current  
efforts to quantify the impacts of  
climate change on childhood  
2
024: Reporte Técnico.  
INEC. (2024b). Encuesta Nacional sobre  
Desnutrición Infantil (ENDI) 2023-  
2
024: Reporte Técnico.  
undernutrition.  
Global Health, 3(7), e375–e387.  
https://doi.org/10.1016/S2214-  
The  
Lancet  
Jeong, J. H., Resop, J. P., Mueller, N. D.,  
Fleisher, D. H., Yun, K., Timlin, D.  
J., Shim, K. M., Gerber, J. S., &  
Timlin, D. (2016). Random  
Forests for Global and Regional  
Crop Yield Predictions. PLoS ONE,  
1
09X(15)00009-0  
Podestá, G. P., Messina, C. D., Grondona,  
M. O., & Magrin, G. O. (1999).  
Associations Between Grain Crop  
1
1(6),  
e0156571.  
https://doi.org/10.1371/journal.  
pone.0156571  
Yields  
in  
Central-Eastern  
Argentina and ENSO. Journal of  
Applied Meteorology, 38(10),  
Khaki, S., & Wang, L. (2019). Crop Yield  
Prediction Using Deep Neural  
Networks. Frontiers in Plant  
1
488–1498.  
https://doi.org/10.1175/1520-  
0
0
450(1999)038<1488:ABGCYI>2.  
.CO;2  
Science,  
10,  
621.  
143  
Revista de Ciencias Agropecuarias ‘‘ALLPA’’: Vol. 9 (Núm. 18) (jul-dic 2026). ISSN: 2600-5883.  
Resiliencia de la seguridad alimentaria ante el fenómeno El Niño 2026 en Ecuador: Análisis de  
disponibilidad y acceso mediante inteligencia artificial y big data satelital.  
Preti, F., Forzieri, G., & Chirico, G. B.  
2011). Forest Cover Influence on  
Regional Flood Frequency  
https://doi.org/10.5194/nhess-  
23-1507-2023  
(
Tirado, M. C., Crahay, P., Mahy, L., Zanev,  
C., Thompson, B., Jackson, R.,  
Ngongi, N., Brown, L., Croft, L.,  
Izwardi, D., & Sarmiento, O.  
Assessment in Mediterranean  
Catchments. Hydrology and  
Earth System Sciences, 15(10),  
3
077–3090.  
https://doi.org/10.5194/hess-  
5-3077-2011  
(
2010). Climate Change and Food  
Safety: A Review. Food Research  
International, 43(7), 1745–1765.  
https://doi.org/10.1016/j.foodre  
s.2010.07.003  
1
Shukla, P. R., Skea, J., Calvo Buendia, E.,  
Masson-Delmotte, V., Pörtner, H.  
O., Roberts, D. C., Zhai, P., Slade,  
R., Connors, S., & van Diemen, R.  
UNICEF. (2019). Estado Mundial de La  
Infancia 2019: Niños, Alimentos y  
Nutrición.  
(
2019). Climate Change and  
Land: An IPCC Special Report on  
Climate Change, Desertification,  
Land Degradation, Sustainable  
Vicente-Serrano, S. M., Aguilar, E.,  
Martínez, R., Martín-Hernández,  
N., Azorin-Molina, C., Sánchez-  
Lorenzo, A., El Kenawy, A., López-  
Moreno, J. I., Nieto, R., Gimeno,  
L., & Nieto, R. (2016). The  
Complex Influence of ENSO on  
Droughts in ECUADOR. Climate  
Land  
Management,  
Food  
Security, and Greenhouse Gas  
Fluxes in Terrestrial Ecosystems.  
Thielen, D. R., Schuchmann, K.-L.,  
Ramoni-Perazzi, P., Arias, J. I.,  
Quintero, M. E., & Puche, C.  
Dynamics, 405–427.  
https://doi.org/10.1007/s00382-  
16-3082-y  
48(1),  
(
2023a). Effect of extreme El  
Niño events on the precipitation  
of Ecuador. Natural Hazards and  
Earth System Sciences, 23(4),  
0
Vincenzi, S., Zucchetta, M., Franzoi, P.,  
Torricelli, P., & De Leo, G. A.  
1
507–1523.  
https://doi.org/10.5194/nhess-  
3-1507-2023  
(
2011). Application of a Random  
2
Forest Algorithm to Predict  
Spatial Distribution of Potential  
Yield. Ecological Modelling,  
Thielen, D. R., Schuchmann, K.-L.,  
Ramoni-Perazzi, P., Arias, J. I.,  
Quintero, M. E., & Puche, C.  
2
22(8),  
1471–1478.  
https://doi.org/10.1016/j.ecolm  
odel.2011.02.007  
(
2023b). Effect of extreme El  
Niño events on the precipitation  
of ECUADOR. Natural Hazards  
and Earth System Sciences, 23(4),  
Wheeler, T., & von Braun, J. (2013).  
Climate Change Impacts on  
Global Food Security. Science,  
1
507–1523.  
144  
Revista de Ciencias Agropecuarias ‘‘ALLPA’’: Vol. 9 (Núm. 18) (jul-dic 2026). ISSN: 2600-5883.  
García-Pumagualle et al. (2026).  
3
41(6145), 508–513.  
https://doi.org/10.1126/science.  
239402  
1
WHO. (2019a). Nutrition Landscape  
Information System Country  
Indicators.  
WHO. (2019b). Nutrition Landscape  
Information System Country  
Indicators.  
WMO. (2026). El Niño/La Niña Update  
(
February 2026).  
145