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.v9i18.0163Palabras clave:
el niño 2026; seguridad alimentaria; inteligencia artificial; big data satelital; EcuadorResumen
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.
Fecha de recepción: 09 de abril de 2026; Fecha de aceptación: 17 de junio de 2026; Fecha de publicación: 09 de julio del 2026.
Descargas
Citas
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.2015.03.008
Andrian, L., Álvarez, C. M., & Chávez, A. (2024). Efectos del fenómeno El Niño en la Región Andina: Una aproximación empírica. https://doi.org/10.18235/0005512
Arreguín-Cortés, F. I., López-Pérez, M., & Marengo-Mogollón, H. (2016). Las Inundaciones En Un Marco de Incertidumbre Climática. Tecnologia y Ciencias Del Agua, 7(5), 5–13.
Ayala Ayala, M., Lane, M., & Montúfar, R. (2023). Motivations to Adopt Agroecology in Northern Andes of ECUADOR. Ecuadorian J. S.T.E.A.M, 3.
Barrett, C. B. (2010). Measuring Food Insecurity. Science, 327(5967), 825–828. https://doi.org/10.1126/science.1182768
BCRP. (2024). Reporte de Inflación Marzo 2024: Impactos de El Niño En La Región Andina.
Breiman, L. (2001). Random Forests. Machine Learning, 45(1), 5–32. https://doi.org/10.1023/A:1010933404324
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. Nature Reviews Earth & Environment, 1(4), 215–231. https://doi.org/10.1038/s43017-020-0040-3
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 warming climate. Nature Climate Change, 11(6), 488–500. https://doi.org/10.1038/s41558-021-01131-5
Campbell, B. M., Vermeulen, S. J., Aggarwal, P. K., Corner-Dolloff, C., Girvetz, E., Loboguerrero, A. M., Ramirez-Villegas, J., Rosenstock, T. S., Sebastian, L., Thornton, P. K., & Wollenberg, E. (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.2016.05.001
Carrillo, J. M., & Parraga-Alava, J. (2018). Decision Trees for Predicting Agricultural Patterns. IEEE ETCM. https://doi.org/10.1109/ETCM.2018.8580295
Cashin, P., Mohaddes, K., & Raissi, M. (2015). Fair Weather or Foul? The Macroeconomic Effects of El Niño. https://doi.org/10.5089/9781484394021.001
Ceccarelli, V., Fremout, T., Chavez, E., Zonneveld, M., & Thomas, E. (2024). Vulnerability to climate change of cultivated and wild cacao in ECUADOR. Science of The Total Environment, 908, 167812. https://doi.org/10.1016/j.scitotenv.2023.167812
CIAT. (2014). Vulnerabilidad Al Cambio Climático de La Agricultura Andina.
Crane-Droesch, A. (2018). Machine Learning Methods for Crop Yield Prediction and Climate Change Impact Assessment in Agriculture. Environmental Research Letters, 13(11), 114010. https://doi.org/10.1088/1748-9326/aae159
Cusme Macias, B. L., & Gaibor, R. (2023). Agricultura Familiar En El Desarrollo Rural de Balzar. Ciencia Latina Revista Científica Multidisciplinar, 7(2), 1240–1255. https://doi.org/10.37811/cl_rcm.v7i2.5410
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, 100480. https://doi.org/10.1016/j.rsase.2021.100480
Fan, S., Yosef, S., & Pandya-Lorch, R. (2019). Reshaping Food Systems: The 2019 Global Food Policy Report. https://doi.org/10.2499/9780896293502
FAO. (2023). Impact of ENSO on Global Food Security: A Comprehensive Review. https://doi.org/10.4060/cc8557en
Fernández, P., Villalba, I., & Sánchez, R. (2021). Monitorización de Aparatos de Vía Frente a Eventos Climáticos Extremas. ResearchGate.
Fukuda, S., Spreer, W., Yasunaga, E., Yuge, R., Sardsud, V., & Müller, J. (2013). Random Forests Modelling for the Estimation of Mango Fruit Yields. Agricultural Water Management, 116, 142–150. https://doi.org/10.1016/j.agwat.2012.10.012
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 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 Systems, 227, 104128. https://doi.org/10.1016/j.agsy.2024.104128
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 Challenge of Feeding 9 Billion People. Science, 327(5967), 812–818. https://doi.org/10.1126/science.1185383
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.
Hansen, J. W., Hodges, A. W., & Jones, J. W. (1998). ENSO Influences on Agriculture in the Southeastern United States. Agricultural Systems, 57(1), 81–94. https://doi.org/10.1016/S0308-521X(98)00006-2
INEC. (2024a). Encuesta Nacional sobre Desnutrición Infantil (ENDI) 2023-2024: Reporte Técnico.
INEC. (2024b). Encuesta Nacional sobre Desnutrición Infantil (ENDI) 2023-2024: Reporte Técnico.
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, 11(6), e0156571. https://doi.org/10.1371/journal.pone.0156571
Khaki, S., & Wang, L. (2019). Crop Yield Prediction Using Deep Neural Networks. Frontiers in Plant Science, 10, 621. https://doi.org/10.3389/fpls.2019.00621
Llorente-Isidro, M., Diez-Herrero, A., & Laín-Huerta, L. (2009). Aplicaciones de Los SIG Al Análisis de Inundaciones. Cuadernos de La Sociedad Española de Ciencias Forestales, 29, 115–124.
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.
MTOP. (2025). Diagnóstico de la Red Vial Estatal ante Amenazas Naturales 2024-2025.
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 undernutrition. The Lancet Global Health, 3(7), e375–e387. https://doi.org/10.1016/S2214-109X(15)00009-0
Podestá, G. P., Messina, C. D., Grondona, M. O., & Magrin, G. O. (1999). Associations Between Grain Crop Yields in Central-Eastern Argentina and ENSO. Journal of Applied Meteorology, 38(10), 1488–1498. https://doi.org/10.1175/1520-0450(1999)038<1488:ABGCYI>2.0.CO;2
Preti, F., Forzieri, G., & Chirico, G. B. (2011). Forest Cover Influence on Regional Flood Frequency Assessment in Mediterranean Catchments. Hydrology and Earth System Sciences, 15(10), 3077–3090. https://doi.org/10.5194/hess-15-3077-2011
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. (2019). Climate Change and Land: An IPCC Special Report on Climate Change, Desertification, Land Degradation, Sustainable 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. (2023a). Effect of extreme El Niño events on the precipitation of Ecuador. Natural Hazards and Earth System Sciences, 23(4), 1507–1523. https://doi.org/10.5194/nhess-23-1507-2023
Thielen, D. R., Schuchmann, K.-L., Ramoni-Perazzi, P., Arias, J. I., Quintero, M. E., & Puche, C. (2023b). Effect of extreme El Niño events on the precipitation of ECUADOR. Natural Hazards and Earth System Sciences, 23(4), 1507–1523. 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. (2010). Climate Change and Food Safety: A Review. Food Research International, 43(7), 1745–1765. https://doi.org/10.1016/j.foodres.2010.07.003
UNICEF. (2019). Estado Mundial de La Infancia 2019: Niños, Alimentos y Nutrición.
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 Dynamics, 48(1), 405–427. https://doi.org/10.1007/s00382-016-3082-y
Vincenzi, S., Zucchetta, M., Franzoi, P., Torricelli, P., & De Leo, G. A. (2011). Application of a Random Forest Algorithm to Predict Spatial Distribution of Potential Yield. Ecological Modelling, 222(8), 1471–1478. https://doi.org/10.1016/j.ecolmodel.2011.02.007
Wheeler, T., & von Braun, J. (2013). Climate Change Impacts on Global Food Security. Science, 341(6145), 508–513. https://doi.org/10.1126/science.1239402
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).
Publicado
Cómo citar
Número
Sección
Licencia
Derechos de autor 2026 Revista de Ciencias Agropecuarias ALLPA. ISSN: 2600-5883.
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-CompartirIgual 4.0.
.jpg)
