La alternancia del aguacate Hass, por qué pronosticar la cosecha empieza por saber si este año carga

Según Analdex, Colombia exportó 201.479 toneladas de aguacate Hass en 2025, 45,6 % más que el año anterior. Detrás de cada contenedor hay un compromiso de volumen con un comprador, una cuadrilla contratada y una planta de empaque programada. Un error de decenas de toneladas en el pronóstico se paga en camiones vacíos o en pedidos incumplidos.

Por eso nuestro equipo de investigación de TECDE construyó y probó en una finca comercial un modelo de Machine Learning para pronosticar la cosecha de Hass, y lo presenta en Territorio Aguacate, el encuentro de la industria del aguacate en el país.El estudio se llevó a cabo en una finca comercial con cerca de 42 hectáreas, 11.000 árboles en producción repartidos en tres lotes sembrados en 2020 y a 1.600 msnm. Los mismos tres lotes de aguacate Hass, con los mismos árboles y el mismo manejo, entregaron en mayo de 2025 892 toneladas y en mayo de 2026 una cosecha de 117 toneladas, una cosecha más de cinco veces menor que la de mayo de 2025. No hubo una plaga, ni una helada, ni un error de la cuadrilla. Fue la alternancia, el vaivén natural del Hass entre un año de mucha carga y uno de poca, y es la razón por la que el promedio de los años anteriores casi nunca acierta la cosecha que viene.

Esa caída tiene dos ingredientes que conviene separar. El primero es el calendario: en Colombia el Hass suele dar una cosecha principal y una traviesa, y la traviesa es más pequeña. El segundo es la alternancia: el vaivén natural entre años de mucha y de poca carga. Los dos se suman, y ninguno lo recoge el promedio de los años anteriores.

Un árbol que no carga igual dos años seguidos

A continuación haremos una introducción un poco más teórica que nos permitirá entender mucho mejor: qué es la alternancia y por qué rompe los promedios, que han mostrado otros estudios y en qué se diferencia el nuestro, cómo armamos el modelo y qué pasó cuando el pronóstico se enfrentó a la báscula en una cosecha real.

La alternancia, que en el campo también se conoce como vecería, es la tendencia de un árbol a alternar un año de carga alta con uno de carga baja. La diferencia puede ser enorme: en un ensayo con Hass en California (Garner y colaboradores, 2011), los mismos árboles dieron 391 frutos en el año de carga alta y apenas 32 en el siguiente, doce veces menos.

La causa está en el propio árbol. Cuando un año cuaja mucha fruta, esa carga frena el crecimiento de los brotes de verano, y esos brotes son los que aportan la mayor parte de la floración del año siguiente Kour et al., 2018. El árbol cargado se queda sin dónde florecer en la próxima temporada, y el año flojo que sigue le sirve para recuperar brotes y volver a cargar. Es una especie de cuenta de ahorro que el árbol administra solo.

En Colombia, además, el vaivén se cruza con el calendario. En un estudio en tres fincas colombianas, la cosecha principal aportó el 71,4 % de la producción anual y la traviesa el 28,6 % (Cano-Gallego et al., 2024). En fincas a más de 2.000 metros, la principal promedió 48 kilos por árbol y la traviesa poco más de 7 (Cano-Gallego et al., 2024). Y la alternancia no es pareja: en un lote de cuatro hectáreas la producción cayó 37 % de un año al otro, con diferencias grandes incluso entre árboles vecinos (Zuluaga Mejía et al., 2024). Por eso una misma finca puede tener lotes en fases distintas del ciclo al mismo tiempo.Todo esto explica por qué el promedio histórico falla. El promedio supone que cada año se parece al anterior, y la alternancia dice justamente lo contrario: si el año pasado fue de carga, el promedio sobreestima este año; si fue flojo, lo subestima. Y la diferencia no es de unos pocos kilos, sino de veces.

Lo que ya se sabía y lo que aporta este trabajo

Antes de entrar al modelo conviene ubicarlo frente a otros trabajos, porque no partimos de cero y porque cada uno responde una pregunta distinta:

• Medir cuánto oscila un árbol (Garner y colaboradores, California, 2011). Documentó la magnitud de la alternancia en Hass. Describe el fenómeno, pero no pronostica una cosecha.
• Ver el rendimiento desde el satélite, árbol por árbol (Robson y colaboradores, Australia, 2017). Con imágenes satelitales de muy alta resolución, los índices de vegetación se relacionaron con el peso de fruta por árbol (coeficientes de determinación superiores a 0,68), y la banda de borde rojo resultó especialmente útil. Ese trabajo explica la variabilidad dentro de un lote en un momento dado; no anticipa la cosecha que viene.
• Clasificar el año como de carga alta o baja (Rahman y colaboradores, Sudáfrica, 2025). Con 46 bloques comerciales de Hass, combinaron imágenes Sentinel-2 y clima de la época de floración, y acertaron el tipo de año con una exactitud de 0,88. Dice si el año será alto o bajo, pero no cuántos kilos.
• Sistemas comerciales de pronóstico (por ejemplo growAG, Australia). Combinan satélite con muestreo dirigido en campo y reportan exactitudes cercanas al 93 %. No es una comparación directa con la nuestra, porque la definición de exactitud y el cultivo no son los mismos.

Lo que aporta nuestro trabajo es otra pieza: estimar los kilos de cada mes y de cada lote, en aguacate Hass de trópico alto a 1.600 metros, con imágenes gratuitas de resolución media (Sentinel-2) y una prueba contra una cosecha real ya cerrada, no solo contra datos históricos.

Primero si hay cosecha, después cuánta

Un lote de Hass no produce todos los meses. Tiene ventanas de cosecha concentradas y largos periodos en cero. Un modelo que intenta adivinar los kilos de cada mes mezcla los meses en que no hay nada que recoger con los meses de cosecha, y termina repartiendo un poco de fruta en meses vacíos y quedándose corto en los meses llenos.La solución que mejor funcionó fue partir el problema en dos preguntas. La primera es si en ese mes y en ese lote va a haber cosecha: un sí o un no. La segunda, que solo se responde cuando la primera dice que sí, es cuántos kilos. Es lo mismo que haría un buen administrador: antes de calcular cuántas canastillas comprar, confirma si ese lote entra este mes. En estadística este esquema se conoce como modelo hurdle.

Trabajamos con los registros mensuales de cada lote entre abril de 2022 y abril de 2026, desde que los árboles ya producían: 147 observaciones mes-lote. Es una muestra pequeña, y eso condiciona todo lo que sigue.Para responder la primera pregunta, la señal que más pesó fue la posición del lote dentro del ciclo de alternancia, con cerca del 40 % de la importancia. Le siguieron la ventana habitual de cosecha del lote (cerca de 15 %), el número de cosechas que ya ha dado (13 %) y la temperatura media (12 %). Dicho de otra forma, que haya o no cosecha depende sobre todo de en qué punto del vaivén está el lote, más que del clima de ese mes. Esto coincide con la conclusión del estudio sudafricano: la alternancia es un patrón que se puede anticipar, no azar.

El clasificador acertó todos los meses de cosecha en validación y en prueba, pero eran solo tres meses con cosecha en cada una. Además, el calendario del Hass es bastante predecible, así que no lo tomamos como prueba de que sea infalible.

Cuántos kilos: una base sencilla y una corrección

Para la segunda pregunta, el modelo parte de una base agronómica: cuántos árboles productivos tiene cada lote, qué edad tienen y cuánto suele producir un árbol de esa edad en esta finca. Esa base, por sí sola, no sirve: tuvo el error más alto de todas las versiones probadas, porque no ve la alternancia ni las condiciones de cada temporada. Lo que la vuelve útil es una segunda capa que aprende a corregirla con lo que ha pasado en el lote. Esta idea, partir de una base agronómica y dejar que el modelo estadístico aprenda solo el error restante, viene de la literatura de modelos híbridos, que en otros cultivos ha mostrado mejorar la precisión cuando hay pocos datos (por ejemplo, Shahhosseini y colaboradores, 2021, en maíz).Las señales que más pesaron en esa corrección fueron tres:

• La edad del lote (cerca del 36 %). Los árboles se sembraron en 2020 y todavía están subiendo hacia su producción plena, así que cada mes de edad cuenta. Con árboles tan jóvenes, la edad también hace de reloj de la curva de producción, y por eso no podemos separar del todo el efecto de la edad del de la alternancia.
• La lluvia acumulada de dos meses antes de la cosecha (cerca del 19 %). En estadística esto se llama un rezago: usar el dato de hace unos meses para explicar lo que vemos hoy. Para una cosecha de mayo, es la lluvia de marzo. Esa fecha cae en pleno llenado del fruto, cuando gana tamaño y peso, y no en la floración, que ocurre muchos meses antes. Por eso la leemos como una señal de cómo llega el fruto a la recta final, no como el momento en que se define cuántos frutos habrá.
• El vigor de la copa del mes anterior (cerca del 19 %). Viene del satélite Sentinel-2, gratuito, que pasa sobre el mismo punto cada cinco días y distingue detalles de diez metros. Usamos el EVI2, un índice de qué tan verde y activo está el follaje. El índice de verdor más conocido (NDVI) casi no aportó, porque en un aguacatal adulto la copa es tan densa que ese índice se queda pegado arriba y ya no distingue un árbol de otro. En Australia, la banda de borde rojo fue la que mejor se relacionó con los kilos por árbol; en nuestra finca el índice de borde rojo no estuvo entre las señales más pesadas, y con tres lotes y pocas cosechas no podemos asegurar en esta instancia por qué.

Esto nos lleva a una limitación que preferimos decir de frente: el modelo no ve la floración ni el cuajado. Nuestro pronóstico se emitió con datos hasta abril para la cosecha de mayo, es decir, con un mes de antelación, cuando la carga de fruta ya está definida. Sirve para planificar cosecha, empaque y logística; pronosticar con medio año de anticipación exigiría medir la floración, y esa es una de las líneas que queremos seguir.

Para medir cuánto aporta cada pieza probamos cuatro versiones y las comparamos en seis meses de prueba que el modelo nunca había visto. La base sola tuvo el error más alto; el promedio histórico estacional de cada lote, que es lo que muchos productores usan, fue mejor; pedirle al modelo los kilos directamente, sin la pregunta previa de si hay cosecha, quedó en medio; y el sistema completo tuvo el menor error. Frente al promedio histórico, el error bajó cerca de 30 %, y frente a la versión sin la pregunta previa quedó en cerca de un tercio. Son 18 observaciones, así que lo leemos como una tendencia, no como una cifra definitiva.

Lo que el satélite no ve: la fruta que ya está colgada

Queda una pieza que el satélite no ve: la fruta que ya está colgada en el árbol. Para eso el sistema usa un conteo en campo, con un video alrededor de una muestra de árboles. Como ya lo abordamos en nuestro blog Estimar tu cosecha con un algoritmo, y saber cuánto creerle, que puedes leer aquí, una cámara solo cuenta lo que ve y las hojas esconden parte de la fruta.Por eso el conteo no se usa crudo: se corrige con árboles contados a mano (60 plantas en cuatro lotes) y entra al final como un ajuste del pronóstico, no como su base. Con esa corrección, el error del conteo por planta bajó 63 %, y en los totales por lote quedó en 8,8 % en promedio, con un rango de 4,2 % a 18,6 % según el lote.

Saber cuánta fruta va a salir de tu finca antes de comprometerla

¿Cuántos kilos de Hass vas a tener en la próxima cosecha, lote por lote, y con qué margen de error lo puedes prometer? En la mayoría de las fincas ese número sale del promedio de los años pasados o de una vuelta por el lote, y la alternancia se encarga de que la promesa no cuadre con lo que llega a la empacadora. Harvis te ayuda a reunir en un solo lugar las cosechas de cada lote, el clima, las imágenes de satélite y los conteos de campo, y te entrega un pronóstico por lote y para la finca entera, con su rango y con la lectura de dónde puede estar el error. Escríbenos y lo montamos sobre los lotes que ya tienes.

Mayo de 2026, el pronóstico contra la báscula

Un modelo de pronóstico se puede ver muy bien en el papel por que se prueba con datos que ya conocía y fallar en la finca. Por eso esta prueba se hizo al revés: el modelo se cerró con la información disponible hasta abril de 2026, emitió su pronóstico para la cosecha traviesa de mayo y después se comparó con lo que de verdad se pesó. En la finca entera, el pronóstico fue de 184.000 kg y se cosecharon 177.232 kg: una desviación de 3,7 %, es decir, una precisión del 96,3 % sobre el total de esa cosecha. Para quien negocia con un exportador o programa la planta de empaque, ese es el número que importa.

Lote por lote la historia es distinta. Los dos lotes grandes, que juntos dieron cerca del 95% de la producción, quedaron a menos de cinco puntos: uno salió 4,5% por encima del pronóstico y el otro 2,2% por encima. El lote pequeño, con apenas el 4,8% del volumen, dio menos de la mitad de lo que se había pronosticado.

¿Por qué el total salió tan bien si un lote falló tanto? Porque los errores tenían signo contrario y el lote que más falló pesaba poco en el volumen. Al sumar los tres, unos errores compensaron a otros. Esa compensación no es un truco del modelo, pero tampoco está garantizada: si todos los lotes se equivocan hacia el mismo lado, la suma no corrige nada.

Sobre el lote A tenemos dos hipótesis: . La primera es que es un lote que históricamente recibe menos luz, y que allí cada etapa del fruto se alarga más que en los demás; nuestro modelo solo usa horas de sol, una medida indirecta que pesó poco, así que no logra capturar bien ese efecto. La segunda es que fue el lote con menos cobertura de muestreo en el conteo de campo.Medir la radiación real por lote y aumentar los árboles contados son los siguientes pasos para probarlo.

El conteo en campo también dejó su lección. Sin el ajuste de los árboles contados, el modelo proyectaba cerca de 16% más fruta de la que salió; con el ajuste, quedó en 3,7%. Y el conteo con video, corregido con los árboles contados a mano, redujo en 63% el error de contar solo lo que la cámara veía, y dejó un error de 8,8% en los totales por lote. Para comparar, una herramienta australiana que también combina satélite y conteo dirigido en campo reporta exactitudes por encima del 90% a nivel de bloque.Lo que sí tenemos claro es que: con un solo cierre de cosecha no podemos asegurar si esa mejora vino de la información del conteo o de que la lectura recomendada resultó más conservadora en una temporada moderada.

Lo que un pronóstico de finca no dice de cada lote

Primero, la prueba real es una sola cosecha. El 96,3% salió de la cosecha traviesa de mayo de 2026 y es un resultado de esa temporada, no un promedio garantizado para las que vienen. En temporadas anteriores, sobre todo ante picos de producción muy altos, el modelo se desvió bastante más, y por eso la prueba tiene que repetirse cosecha tras cosecha.

Segundo, el modelo se diseñó para acertar en la finca, no en cada lote. A escala de mes y de lote explica una parte moderada de lo que pasa (un coeficiente de determinación cercano a 0,37), algo común en cultivos perennes, donde cada árbol responde a su manera.

Tercero, algunas piezas del sistema todavía tienen muestras pequeñas. El conteo con video se calibró con 60 árboles en cuatro lotes, y en meses de mucha nubosidad el satélite no consigue imágenes limpias de la finca. Además, como los lotes aún están entrando en producción, la edad y la alternancia se mezclan en los datos; probar el método en lotes adultos es parte de lo que sigue.

Cuarto, estas cifras son de una finca: tres lotes sembrados en 2020, a unos 1.600 metros, con un material y un manejo propios. En otra finca, con otra altura, otra edad de los árboles u otro patrón de cosechas, la base del modelo y la corrección tienen que volver a ajustarse con los datos de esa finca. Lo que sí se lleva a cualquier finca es el método: separar si hay cosecha de cuánta, y medir el error en el total.

El pronóstico se juzga en la finca entera, no en el árbol

La alternancia hace que el Hass sea un cultivo difícil de pronosticar con promedios, pero no imposible de pronosticar. Lo que cambia es la forma de hacer la pregunta: primero si cada lote va a cosechar, según en qué punto del vaivén esté, y después cuánto, con la edad del lote, la lluvia de la floración y el vigor de la copa como señales principales. Y el resultado se mide donde se toman las decisiones comerciales, en la finca entera, sabiendo que un lote puede fallar aunque el total acierte.

El productor que haga este ejercicio va a llegar a la próxima negociación sabiendo cuánto puede prometer y con qué margen; el que siga con el promedio de los años pasados va a descubrir en la empacadora que la alternancia ya había decidido otra cosa.

¿Quieres saber cuánta fruta va a salir de cada lote y de tu finca entera, con su rango, antes de comprometerla con el comprador? Con Harvis reunimos en un solo lugar tus cosechas, el clima, las imágenes de satélite y los conteos de campo, y te entregamos un pronóstico por lote y para la finca, con su margen de error. Escríbenos y lo montamos sobre los lotes que ya tienes.

Referencias consultadas

1. Ochoa Cortés, J. S., Ceballos Múnera, F. y Ceferino Marín, D. (2026). Alternancia bianual y pronóstico de cosecha en aguacate Hass, un modelo híbrido satelital-agronómico validado en campo con una precisión agregada del 96%. TECDE Colombia S.A.S. Artículo en proceso de publicación.
2. Analdex (2026). Exportaciones de aguacate crecieron un 21,3% durante 2025. Asociación Nacional de Comercio Exterior. https://analdex.org/wp-content/uploads/2026/02/Nota-de-prensa-exportaciones-aguacate.pdf
3. Garner, L. C., Klein, G., Zheng, Y., Khuong, T. y Lovatt, C. J. (2011). Response of evergreen perennial tree crops to gibberellic acid is crop load-dependent, II. GA3 increases yield and fruit size of Hass avocado only in the on-crop year of an alternate bearing orchard. Scientia Horticulturae, 130(4), 753–761. https://doi.org/10.1016/j.scienta.2011.08.033
4. Córdoba-Gaona, O. J., Hernández-Arredondo, J. D., Loaiza-Ruiz, R. A., Barrera-Sánchez, C. F. y Cano-Gallego, L. E. (2024). Rootstock/scion compatibility effects on yield components in avocado cv. Hass in three locations in Colombia. Revista Colombiana de Ciencias Hortícolas, 18(1), e17074. https://doi.org/10.17584/rcch.2024v18i1.17074
5. Lovatt, C. J. (s. f.). Developing field strategies to correct alternate bearing (II). University of California Riverside y California Avocado Commission. https://www.californiaavocadogrowers.com/sites/default/files/Developing-Field-Strategies-to-Correct-Alternate-Bearing.pdf
6. Ramírez-Gil, J. G. (2017). Calidad del fruto de aguacate con aplicaciones de ANA, boro, nitrógeno, sacarosa y anillado. Agronomía Mesoamericana, 28(3), 591–603. https://doi.org/10.15517/ma.v28i3.23688
7. Rahman, M. M., Robson, A. y Bekker, T. (2025). Machine learning approaches for assessing avocado alternate bearing using Sentinel-2 and climate variables, a case study in Limpopo, South Africa. Remote Sensing, 17(24), 3935. https://doi.org/10.3390/rs17243935
8. Agencia Espacial Europea (s. f.). Sentinel-2, facts and figures. ESA. https://www.esa.int/Our%5FActivities/Observing%5Fthe%5FEarth/Copernicus/Sentinel-2/Facts%5Fand%5Ffigures
9. Robson, A., Rahman, M. M. y Muir, J. (2017). Using WorldView satellite imagery to map yield in avocado (Persea americana), a case study in Bundaberg, Australia. Remote Sensing, 9(12), 1223. https://doi.org/10.3390/rs9121223
10. Shahhosseini, M., Hu, G., Huber, I. y Archontoulis, S. V. (2021). Coupling machine learning and crop modeling improves crop yield prediction in the US Corn Belt. Scientific Reports, 11, 1606. https://www.nature.com/articles/s41598-020-80820-1
11. Dunn, C. (2021). World-first yield forecasting technology offers avocado growers 93% accuracy. growAG, AgriFutures Australia. https://www.growag.com/article/world-first-yield-forecasting-technology-offers-avocado-growers-93-accuracy
12. Cano-Gallego, L. E., Bernal-Estrada, J. P., Hernández-Arredondo, J. D., Correa-Londoño, G. A., & Córdoba-Gaona, O. J. (2024). Rootstock/scion compatibility effects on yield components in avocado cv. Hass in three locations in Colombia. Revista Colombiana de Ciencias Hortícolas, 18(1), e17074. doi.orghttps://www.researchgate.net/publication/381137302RootstockscioncompatibilityeffectsonyieldcomponentsinavocadocvHassinthreelocationsin_Colombia
13. Zuluaga Mejía, C., Bernal Estrada, J. A., Loaiza Ruiz, R. A., Monsalve García, D. A., Barrera Sánchez, C. F., Córdoba Gaona, O. J., Tamayo Vélez, Á. de J., Castaño Marín, Á. M., Cano Gallego, L. E., & Londoño Bonilla, M. de J. (2024). Modelo productivo para el cultivo de aguacate Hass en el departamento de Antioquia. Editorial AGROSAVIA. doi.org.https://repository.agrosavia.co/items/cf05a657-e936-4bb5-a400-202d76f75c39