Yasmany Fernández Fernández

Hurricane evacuation planning under uncertainty requires integrating decisions across multiple spatial and temporal scales, yet the literature addresses demand stochasticity, temporal robustness, and computational tractability largely in isolation. This paper develops a unified optimization framework organized around six progressive layers: meteorological scenario generation, deterministic and stochastic network flow planning, vehicle scheduling with origin-based decomposition, classical robust temporal protection, neutrosophic adaptive robust optimization with scenario-anchored uncertainty sets, and computational complexity characterization. An integrated critical review of 337 Scopus-indexed publications (2022–2026) identifies persistent methodological gaps that motivate each architectural layer. The framework couples two-stage stochastic programming with budget-constrained robust optimization, affine decision rules, and neutrosophic indeterminacy calibration within a single operational pipeline. Validation on a georeferenced Caribbean network demonstrates a 94% reduction in binary variables through origin-based decomposition and end-to-end execution in under four minutes, with a sensitivity analysis showing that neutrosophic budget calibration reduces the price of robustness from 24.8% to 2.8%.

Esta obra es el resultado de una recopilación y un análisis de datos secundarios orientados a describir la situación de competitividad sostenible de las provincias de Imbabura, Carchi, Esmeraldas y Sucumbíos en la zona de planificación 1 del Ecuador y de los departamentos de Nariño y Putumayo en la zona sur de Colombia. Estas regiones conforman la Zona de Integración Fronteriza (ZIF) entre los dos países. Por esta razón se constituye en un esfuerzo por dar a conocer cómo se concibe la sostenibilidad a cada lado de la frontera ecuatoriano-colombiana, a la par que se expone la necesidad de contar con datos actualizados y relevantes que faciliten el acceso a información para la toma de decisiones en términos de política pública y de esfuerzos para la academia.

La problemática abordada en esta investigación fue la necesidad de optimizar los procesos de cuidado del cultivo de cacao CCN-51 en el cantón Balao, provincia del Guayas, frente a la alta variabilidad de los fenómenos meteorológicos. Por ello, se planteó desarrollar un enfoque predictivo para las producciones agrícolas del cacao CCN-51 mediante la implementación de redes neuronales LSTM, con el objetivo de predecir los rendimientos agrícolas a partir de datos multifuentes. El estudio optó un enfoque cuantitativo, con un diseño no experimental-longitudinal. La selección de muestra se basó en el método no probabilístico por conveniencia y se trabajó con un total de 384 huertas de cacao. El proceso de trabajo comenzó con la recopilación de información de diversas fuentes, análisis de suelo, índices de vegetación, datos históricos y registros de producción. Obtenido el dataset se realizó el proceso EDA para normalizar las variables, se aplicó el método VIF para determinar las variables predictoras a utilizar y se desarrolló un modelo utilizando varias configuraciones de LookBack y Horizon acompañadas de métodos de evaluación. Los resultados obtenidos permitieron determinar que las redes LSTM procesan mucho mejor variables multifuentes que los métodos tradicionales, obteniendo un error RMSE aceptable, pero el modelo no captaba de buena forma los patrones de las variables presentando un coeficiente de determinación bajo, esto debido a la heterogeneidad de los datos. La investigación recalca el potencial de las redes LSTM pero también expone lo fundamental que es un dataset de calidad y con datos homogéneos.

En una época marcada por la creciente interconexión global y por los impactos evidentes del cambio climático, el enfoque del nexo WEF (agua-energía-alimentos) se posiciona como un instrumento fundamental para evaluar y anticipar escenarios orientados a la sostenibilidad. Este enfoque se articula directamente con la Agenda 2030 y sus Objetivos de Desarrollo Sostenible. El estudio analiza cómo el uso de técnicas de aprendizaje automático y modelos de machine learning puede contribuir a mejorar y gestionar de forma eficiente las relaciones entre estos sistemas y anticipar escenarios futuros a partir del análisis del nexo. La aplicación de KDD como metodología de implementación permitió la recopilación y limpieza de los datos, fases en las que se evidenciaron vacíos en las series. Para completar las series de datos de la producción y energía, se aplican interpolaciones y extrapolaciones lineales. Se validan 7 modelos de regresión supervisada (Regresión Lineal, Random Forest, SVR, Red Neuronal Artificial, Gradient Boosting, XGBoost, KNN). De los modelos evaluados, XGBoost presenta el mejor desempeño y bajo error = 0.92. No obstante, las estimaciones a diez años muestran que la producción agrícola tiende a mantenerse prácticamente sin variaciones, esto se atribuye a la escasez de datos y a su poca variabilidad, lo que evidenció 5 limitantes, las mismas que al ser tratadas de manera técnica le dotan al modelo una alta estabilidad (R² = 0.965 ± 0.025), y una baja incertidumbre de ± 20.000 kg, reforzando su confiabilidad como herramienta de alerta temprana en el sistema agrícola de Galápagos.

El presente estudio evalúa el potencial analítico de los datos abiertos publicados por el Servicio Nacional de Contratación Pública (SERCOP) de Ecuador en el periodo comprendido entre 2015 y 2025. El estudio planteado integró los dataset proporcionados por la plataforma oficial, aplicando procesos de análisis exploratorio de datos se depuraron los datos para realizar el proceso investigativo. En base a la información obtenida se aplican técnicas de Big Data, con las cuales se obtuvo patrones mediante técnicas de agrupación no supervisada; por lo que se obtienen diversas correlaciones entre variables como: presupuestos, tiempo y valoración descriptiva. Al realizar el análisis de las correlaciones obtenidas, se determina que la calidad de los datos abiertos de compras públicas en Ecuador es deficiente, por lo que se dificulta el cálculo de factores de riesgo asociados a cada proceso.

This study investigates stress detection in dairy cattle by integrating circadian rhythm analysis and deep learning. Behavioral biomarkers, including feeding, resting, and rumination, were continuously monitored using Nedap CowControl sensors over a 12-month period to capture seasonal variability. Circadian features were extracted using the Fast Fourier Transform (FFT), and deviations from expected 24 h patterns were quantified using Euclidean distance. These features were used to train a Long Short-Term Memory (LSTM) neural network to classify stress into three levels: normal, mild, and high. Expert veterinary observations of anomalous behaviors and environmental records were used to validate stress labeling. We continuously monitored 10 lactating Holstein cows for 365 days, yielding 87,600 raw hours and 3650 cow-days (one day per cow as the analytical unit). The Short-Time Fourier Transform (STFT, 36 h window, 1 h step) was used solely to derive daily circadian characteristics (amplitude, phase, coherence); STFT windows are not statistical samples. A 60 min window prior to stress onset was incorporated to anticipate stress conditions triggered by management practices and environmental stressors, such as vaccination, animal handling, and cold stress. The proposed LSTM model achieved an accuracy of 82.3% and an AUC of 0.847, outperforming a benchmark logistic regression model (65% accuracy). This predictive capability, with a one-hour lead time, provides a critical window for preventive interventions and represents a practical tool for precision livestock farming and animal welfare monitoring.

This study presents a novel approach for early stress detection in dairy cattle by combining circadian rhythm analysis with LSTM , neural networks. Behavioral data (feeding, resting, rumination) from Nedap Cow Control sensors were processed via Fast Fourier Transform (FFT) to extract circadian features. These inputs trained an LSTM classifier for stress prediction (baseline/mild/acute states). Key results: 82.3% accuracy (AUC: 0.847) in stress classification; 60-minute prediction window before stress onset; Identified circadian biomarkers for each stress level. Validated with 12-month longitudinal data (*n*=10 cows), the method outperforms traditional approaches by enabling proactive welfare interventions, operating with low computational cost, and maintaining robustness across seasons. This work establishes a precision livestock monitoring framework with direct applications in commercial herds.

Este estudio parte de la importancia de analizar la competitividad sostenible en las organizaciones, como fundamento de su supervivencia y crecimiento, considerando que existen variables que se relacionan con ésta y pueden aportar al mejoramiento del desempeño competitivo de las empresas. El propósito de la investigación fue analizar la relación entre el rendimiento competitivo sostenible y el capital intelectual en las micro, pequeñas y medianas empresas (MiPYMES) de la zona 1 de Ecuador, basados en la teoría del escalón superior. Para esto se aplicó un enfoque cuantitativo de tipo descriptivo y de corte transversal, a una muestra aleatoria de empresarios, por medio de un cuestionario de escala de Likert. Los principales hallazgos determinaron que no existe evidencia de diferencias significativas entre el género del empresario vs. el capital intelectual y vs. el rendimiento competitivo sostenible. También se encontró que las empresas del sector servicios cuentan con mayor capital intelectual, y los sectores de servicios y comercio parecen tener un mayor rendimiento competitivo. Al final, el capital intelectual y el rendimiento competitivo sostenible tienen una relación positiva moderada. Esto expone el valor de los activos intangibles en la competitividad empresarial y destaca la necesidad de considerar las particularidades sectoriales.

El pronóstico del tipo de cambio USD/ COP representa un desafío considerable debido a la complejidad y volatilidad de los mercados financieros. Tradicionalmente, se han utilizado modelos econométricos como ARIMA para predecir estas fluctuaciones, sin embargo, dichos enfoques podrían fallar al no captar la incertidumbre e imprecisión inherentes en los datos financieros. El objetivo principal de este estudio es evaluar la efectividad de la regresión difusa de Tanaka en la predicción del tipo de cambio USD/COP. Para ello, se empleó un enfoque cuantitativo, aplicando dicho modelo sobre datos macroeconómicos trimestrales del período 2008–2024, incluyendo variables como tasa de interés, inflación, PIB, balanza comercial e inversión extranjera entre otras. Los resultados muestran que la regresión difusa de Tanaka generó un valor central de pronóstico de 3986.82 para el primer trimestre de 2024, con un intervalo de incertidumbre entre 653.97 y 7318.67, que contiene el valor real observado de 3857 con un grado de pertenencia 0.961. Al comparar con un modelo SARIMA, cuyo valor fue 4096.69, se concluye que la regresión difusa de Tanaka representa de manera más completa la incertidumbre, ofreciendo un espectro de resultados útil para la toma de decisiones financieras, este enfoque proporciona pronósticos más robustos para entornos financieros volátiles, siendo útil en aplicaciones como la gestión del riesgo y decisiones de inversión y planificación estratégica..