Conoce lo que está pasando
Consulta temperatura, humedad, conductividad y riego del lote, con el periodo y la fuente de cada lectura.
Conecta un huerto de demostración, analiza sus condiciones y explora una estimación para preparar cajas y personal.
Probar la demo
De las lecturas de tu huerto
a la preparación de tu cosecha.
Clima, riego, nutrición y desarrollo.
Conectados para entender mejor tu campo.
Adelita reúne las lecturas de un lote, las compara con referencias y permite explorar una estimación de cosecha. El plan conserva el origen de esa estimación.
Consulta temperatura, humedad, conductividad y riego del lote, con el periodo y la fuente de cada lectura.
Identifica lecturas fuera de tus referencias y revisa la evidencia antes de decidir un ajuste con tu asesor.
Explora una proyección de volumen comercial y tradúcela en cajas y personal según la capacidad de tu operación.
Un mismo lote durante todo el recorrido. Puedes volver a cada etapa sin perder los datos ni los ajustes.
Vincula la estación simulada. El lote, la superficie y las referencias de ejemplo están listos para continuar.
Revisa las condiciones y ejecuta el modelo con los parámetros prellenados. También puedes editarlos y volver a estimar.
Envía la estimación al plan, ajusta tus recursos y descarga el resultado con su contexto.
La conexión es simulada, las referencias iniciales son ilustrativas y el modelo fue entrenado con datos sintéticos. La demostración muestra el recorrido; aún no valida predicciones en campo.
Para productores, técnicos, asociaciones y empacadoras que necesitan coordinar el campo, anticipar volúmenes y preparar la operación.
Productores, técnicos con cartera de huertos, asociaciones y empacadoras pueden contratar el servicio para sus operaciones.
Qué ofrece Adelita y qué necesitas para empezar a conocer mejor tu cultivo.
La frambuesa es una fruta perecedera: retrasos en corte, empaque o enfriamiento pueden reducir su calidad y valor. Anticipar cuánto habrá que cosechar ayuda a evitar falta de personal o cajas y a coordinar recursos. El análisis completo une condiciones del campo, muestreos y cosecha para apoyar esas decisiones.
La propuesta reúne estructura de la planta, clima, floración, cuajado, madurez e historial de cosechas para estimar volumen y proporción comercial. Luego convierte esa previsión en necesidades de cajas y personal. El demo combina monitoreo mediante reglas, un modelo Random Forest entrenado en Python con datos sintéticos y un plan de cosecha que recibe sus resultados.
Primero se documentan el lote, el sistema de cultivo y las referencias de comparación. Los muestreos de frutos y las cosechas reales servirían para calibrar y validar la estimación. La demostración permite explorar ese recorrido con datos sintéticos; no sustituye dicha validación.
La arquitectura propuesta usa modelos de Machine Learning en Python, una base de datos de series temporales y servicios en FastAPI para recibir datos y entregar predicciones. Los modelos se entrenarían con muestreos, clima e historial de cosecha y se validarían en campo. En esta demostración, dos modelos Random Forest se entrenaron en Python con datos sintéticos y sus árboles exportados se consultan en el navegador. La validación con cosechas reales y la integración física de sensores son etapas posteriores.
En «Tu huerto» puedes vincular la estación simulada o cargar un CSV. En «Analizar» comparas condiciones y estimas la cosecha; «Preparar cosecha» recibe ese resultado. El ejemplo viene prellenado y los datos cargados por ti se identifican por separado.
El objetivo es coordinar mejor corte, empaque y personal, aprovechar los recursos y reducir pérdidas por desajustes de operación. El estudio inicial del huerto y el seguimiento de cosecha, calidad y costos permitirán calibrar las estimaciones y medir la mejora. El demo permite explorar decisiones; no promete un porcentaje de ahorro o rendimiento.
El modelo propuesto es Software as a Service (SaaS), mediante suscripción mensual escalonada. Pueden contratar productores, técnicos agrícolas, asociaciones y empresas empacadoras. El plan depende del número de huertos, alcance del análisis e integraciones; el estudio inicial y la instalación se cotizarían según el caso. Las tarifas se validarían en pilotos.
Las guías de University of Minnesota sobre riego y nutrición de frambuesa respaldan la importancia del monitoreo. La guía de UC Davis sobre poscosecha de berries explica su perecibilidad. FastAPI documenta la implementación de APIs en Python. Son referencias del enfoque; el estudio específico del huerto permitirá calibrar y validar el servicio.