🌾 crop-mcp

Servidor MCP de Inteligencia de Cultivos de la UE — Previsiones de rendimiento, valores de mercado y análisis de riesgos para 25 países de la UE.

Permite que los agentes de IA respondan: "¿Cómo será el rendimiento del trigo en Baden-Württemberg este año? ¿Cuál es su valor a los precios actuales del mercado?"

pip install git+https://github.com/DasClown/CropProphEU.git
# or try it on Smithery: https://smithery.ai/servers/crop-mcp/CropProphEU

Funcionalidades (10 herramientas MCP)

Related MCP server: agriculture-mcp-server

Inicio rápido

1. Instalación

pip install git+https://github.com/DasClown/CropProphEU.git

2. Uso como servidor MCP

vía CLI (stdio):

crop-mcp

o vía Python:

from crop_mcp import predict_europe_yield

result = predict_europe_yield("DE11", "DE", crop="wheat", gdd=3050, precip_mm=650)
print(f"Yield: {result['predicted_yield_t_ha']} t/ha")
print(f"Revenue: ~{result['predicted_yield_t_ha'] * 235:.0f} €/ha")

3. Claude Desktop / Cursor / Cualquier cliente MCP

Añadir a su configuración de MCP:

{
  "mcpServers": {
    "crop": {
      "command": "python3",
      "args": ["-m", "crop_mcp.server"]
    }
  }
}

4. Servidor HTTP (para acceso remoto / Smithery)

pip install crop-mcp[http]
crop-mcp --http --port 8080

Conexión vía SSE: http://your-server:8080/sse

5. Docker

docker build -t crop-mcp .
docker run -p 8080:8080 crop-mcp crop-mcp --http --port 8080

Cultivos verificados

Colza y Girasol: No soportados — no hay datos de rendimiento de Eurostat disponibles. Las herramientas rechazan estos casos con un error claro (sin alucinaciones silenciosas).

Ejemplo de salida

Alemán (predeterminado):

Weizen – Region DE11 (DE)
Ertrag: 7.68 t/ha (Spanne 6.67–8.63)
...

Inglés (con language="en"):

Wheat – Region DE11 (DE)
Yield: 7.68 t/ha (range 6.67–8.63)
Temperature: warm (3050°C GDD)
...

Toda la salida está disponible en alemán (predeterminado) o inglés. Establezca language="en" al llamar a yield_and_value para obtener la salida en inglés. Los datos JSON siempre se devuelven con nombres de campo en inglés; el campo summary se adapta al idioma solicitado.

Fuentes de datos

Precisión del modelo

Qué significa esto: La métrica LOYO es optimista porque entrena con datos de todos los años, incluidos los futuros. La Validación directa (entrenar con 2000-2022, predecir 2023-2024) es el punto de referencia del mundo real: ±15%.

El modelo es más preciso para los países centrales de la UE (DE, FR, BE, NL, AT, CZ) donde los datos de entrenamiento son densos, y menos preciso para casos atípicos como NL/BE 2024, donde un clima inusual causó una sobreestimación sistemática.

Arquitectura

crop-mcp/
├── crop_mcp/
│   ├── server.py              # 10 MCP tools
│   ├── europe_model_api.py    # Random Forest (200 trees) + Yield-at-Risk
│   ├── market_prices.py       # Live prices via Yahoo Finance + reference
│   ├── core/regions.py        # 120 NUTS2 regions
│   └── sources/               # Weather, soil, NDVI data fetchers
├── models/                    # .pkl files (download from Releases)
├── data/                      # Training data (generated by build)
├── pyproject.toml
└── README.md

Principios clave de diseño:

• Sin alucinaciones — cada predicción de rendimiento se remonta a datos verificados de Eurostat

• Precios en vivo — Trigo/maíz CBOT vía Yahoo Finance, actualizados cada hora

• Auto-actualización — un trabajo cron mensual reconstruye los modelos con los últimos datos de Eurostat

• Cero claves de API externas — todas las fuentes de datos son gratuitas y públicas

Comercialización

La herramienta está lista para producción hoy para:

• Mesas de comercio agrícola — "¿Cuál es el valor del trigo en Picardía a los precios actuales de MATIF?"

• Asesoramiento agrícola — "¿Cómo se compara esta temporada con los últimos 5 años?"

• Seguros / Riesgo — Rendimiento en riesgo (P10/P50/P90) por región

• Análisis de políticas de la UE — Impacto de escenarios climáticos en los rendimientos nacionales

Próximas funciones comerciales: Precios de mercado por país, correlación histórica de precios, informes PDF automatizados, planificación de rotación de cultivos plurianual.

Construcción y entrenamiento

# Build training data for a specific crop (25 min)
python3 build_europe.py --crop corn

# Train the model (2 min)
python3 train_europe_fast.py --crop corn

# Automatic monthly update (cron)
# Runs every 1st of the month at 06:00

Licencia

MIT — libre de usar, modificar y distribuir.

Creado con ❤️ para agentes de IA que necesitan inteligencia de cultivos real y verificable.