I
nnova
Science Journal
| Vol.02 | Núm.03 | Jul
–
Sep | 2024 |
www.innovasciencejournal.omeditorial.com
26
Artículo Científco
Tendencias en la aplicación de la inteligencia artificial en la
agricultura de precisión mediante una revisión sistemática
Trends in the application of artificial intelligence in precision agriculture
through a systematic review
Cabrera
-
Verdesoto, Cesar Alberto
1
;
Salvatierra
-
Pilozo, Darwin Marcos
2
;
Navarro
-
Saltos, Gema
Elizabeth
3
1
Universidad Estatal del Sur de Manabí
;
Ecuador, Quevedo
;
https://orcid.org/0000
-
0002
-
8726
-
103X
;
cesar.cabrera@unesum.edu.ec
2
Universidad Estatal del Sur de Manabí
;
Ecuador, Quevedo
;
https://orcid.org/0000
-
0002
-
2659
-
4471
;
darwin.salvatierra@unesum.edu.ec
3
Universidad
Estatal del Sur de Manabí
;
Ecuador, Santa Ana
;
https://orcid.org/0009
-
0001
-
5603
-
7481
;
gema.navarro@unesum.edu.ec
1
Autor
Correspondencia
https://doi.org/10.63618/omd/isj/v2/n3/41
Resumen:
La inteligencia artificial (IA) ha transformado la agricultura de
precisión al mejorar la eficiencia en la producción agrícola mediante la
automatización y el análisis avanzado de datos. Este estudio realiza una
revisión sistemática de la literatura científica reciente para identificar las
principales aplicaciones, tendencias y desafíos en la adopción de IA en el
sector agrícola. Se analizaro
n investigaciones publicadas en bases de datos
indexadas, priorizando estudios sobre aprendizaje automático, visión por
computadora y automatización de procesos agrícolas. Los hallazgos indican
que la IA ha sido ampliamente utilizada en el monitoreo de cul
tivos, detección
temprana de enfermedades, optimización del uso de insumos y
automatización de maquinaria agrícola. Sin embargo, su implementación
enfrenta barreras significativas, como el alto costo de adquisición, la falta de
infraestructura digital en z
onas rurales y la escasez de profesionales
capacitados en el sector. Además, la gestión de datos plantea desafíos en
términos de privacidad y regulación. A pesar de estos obstáculos, la IA
representa una herramienta clave para la sostenibilidad agrícola, y
su
desarrollo futuro dependerá de políticas de apoyo, estándares de
interoperabilidad y accesibilidad tecnológica.
Palabras clave:
inteligencia artificial; agricultura de precisión;
automatización agrícola; aprendizaje automático; sostenibilidad.
Abstract:
Artificial intelligence (AI) has transformed precision agriculture by improving
efficiency in agricultural production through automation and advanced data analysis.
This study conducts a systematic review of recent scientific literature to identify the
mai
n applications, trends, and challenges in the adoption of AI in the agricultural
sector. Research published in indexed databases was analyzed, prioritizing studies
on machine learning, computer vision, and agricultural process automation. The
fin
dings indicate that AI has been widely used in crop monitoring, early disease
detection, input use optimization, and farm machinery automation. However, its
implementation faces significant barriers, such as high acquisition cost, lack of digital
infrastru
cture in rural areas, and shortage of trained professionals in the sector. In
addition, data management poses challenges in terms of privacy and regulation.
Despite these obstacles, AI represents a key tool for agricultural sustainability, and its
future d
evelopment will depend on supportive policies, interoperability standards, and
technological accessibility.
Keywords:
artificial intelligence; precision agriculture; agricultural automation;
machine learning; sustainability.
Cita:
Cabrera
-
Verdesoto, C. A.,
Salvatierra
-
Pilozo, D. M., &
Navarro
-
Saltos, G. E. (2024).
Tendencias en la aplicación de la
inteligencia artificial en la
agricultura de precisión mediante
una revisión sistemática.
Innova
Science Journal
, 2(3), 26
-
38.
https://doi.org/10.63618/omd/isj/v
2/n3/41
.
Recibido:
07
/
05
/20
24
Aceptado:
01
/
06
/20
24
Publicado:
31
/
07
/20
24
Copyright:
©
202
4
por los
autores
.
Este artíc
ulo es un
artículo de acceso abierto
distribuido bajo los términos y
condiciones de la
Licencia
Creative Commons, Atribución
-
NoComercial 4.0 Internacional.
(
CC
BY
-
NC
)
.
(
https://creativecommons.org/lice
nses/by
-
nc/4.0/
)
Innova Science Journal
I
nnova
Science Journal
| Vol.02 | Núm.03 | Jul
–
Sep | 2024 |
www.innovasciencejournal.omeditorial.com
27
Artículo Científco
1. Introducción
La agricultura de precisión ha emergido como una
estrategia clave para optimizar los
recursos agrícolas mediante la integración de tecnologías avanzadas, entre ellas, la
inteligencia artificial (IA). La creciente demanda de alimentos, impulsada por el
crecimiento demográfico y el cambio climático, ha pue
sto en evidencia la necesidad de
mejorar la eficiencia de los sistemas agrícolas sin comprometer la sostenibilidad
ambiental. En este contexto, la IA ha demostrado ser una herramienta con gran potencial
para mejorar la toma de decisiones, reducir costos y
minimizar el impacto ambiental en
la producción agrícola (Liakos et al., 2018). Sin embargo, el nivel de adopción de estas
tecnologías varía significativamente entre regiones y tipos de producción, lo que plantea
desafíos en su implementación y escalabilid
ad (Shamshiri et al., 2018).
Uno de los principales problemas que enfrenta la integración de la IA en la agricultura
de precisión es la brecha tecnológica existente entre países desarrollados y en vías de
desarrollo. Mientras que en regiones con altos niveles de mecanización y digital
ización
se han logrado avances significativos en el uso de algoritmos de aprendizaje automático
para la optimización de cultivos y el monitoreo en tiempo real, en otras áreas el acceso
a estas herramientas sigue siendo limitado debido a la falta de infraes
tructura
tecnológica y capacitación de los agricultores (Wolfert et al., 2017). Además, la
recopilación y análisis de grandes volúmenes de datos agrícolas plantea retos en
términos de interoperabilidad de sistemas, privacidad de la información y costos de
implementación (Kamilaris & Prenafeta
-
Boldú, 2018).
Los factores que afectan la adopción de la IA en la agricultura de precisión incluyen, en
primer lugar, las condiciones económicas y la inversión necesaria para la
implementación de estas tecnologías. La adquisición de sensores, drones y software
especiali
zado representa un desafío financiero para pequeños y medianos productores,
quienes a menudo no cuentan con los recursos para incorporar estas herramientas en
sus sistemas productivos. En segundo lugar, las limitaciones en la capacitación y el
conocimiento
técnico dificultan el aprovechamiento pleno de la IA en la toma de
decisiones agrícolas. Muchos agricultores no poseen formación en análisis de datos ni
en el manejo de plataformas digitales, lo que limita la efectividad de estas herramientas
en el campo.
Por último, la falta de regulación y estándares internacionales en la
aplicación de IA en la agricultura genera incertidumbre sobre la propiedad de los datos,
la ética en el uso de la información y las implicaciones en términos de seguridad
alimentaria
.
La importancia de analizar las tendencias en el uso de IA en la agricultura de precisión
radica en su potencial para transformar la forma en que se gestionan los cultivos y los
recursos naturales. A través de modelos predictivos, análisis de imágenes satel
itales y
automatización de procesos, la IA permite optimizar el rendimiento de los cultivos,
reducir el uso de insumos químicos y mejorar la resiliencia ante condiciones climáticas
adversas. Una revisión sistemática de la literatura sobre este tema permiti
rá identificar
las aplicaciones más relevantes, las tecnologías emergentes y los desafíos que deben
abordarse para una implementación más efectiva de estas herramientas en el sector
agrícola.
Innova Science Journal
I
nnova
Science Journal
| Vol.02 | Núm.03 | Jul
–
Sep | 2024 |
www.innovasciencejournal.omeditorial.com
28
Artículo Científco
La viabilidad de este estudio se sustenta en la creciente cantidad de investigaciones
científicas y reportes técnicos que abordan el impacto de la IA en la agricultura. En los
últimos años, se han desarrollado múltiples enfoques metodológicos para la aplic
ación
de algoritmos de aprendizaje automático en el monitoreo de cultivos, la detección
temprana de enfermedades y la optimización del uso de agua y fertilizantes. Asimismo,
la disponibilidad de datos abiertos y plataformas de código abierto ha facilitado
el acceso
a herramientas de IA para un mayor número de investigadores y productores
(Chlingaryan et al., 2018).
El objetivo de este artículo es realizar una revisión sistemática de las tendencias
actuales en la aplicación de IA en la agricultura de precisión, analizando las principales
áreas de investigación, las tecnologías más utilizadas y los desafíos asociados c
on su
implementación. A través de una revisión exhaustiva de la literatura científica reciente,
se busca proporcionar una visión integral del estado del arte en este campo,
identificando oportunidades para futuras investigaciones y propuestas de mejora en
la
adopción de estas herramientas. Con ello, se pretende contribuir al desarrollo de
estrategias que permitan maximizar los beneficios de la IA en la producción agrícola,
promoviendo un uso más eficiente y sostenible de los recursos naturales.
2. Materiales y Métodos
Este estudio se llevó a cabo mediante una revisión sistemática de la literatura con el
objetivo de analizar las tendencias actuales en la aplicación de inteligencia artificial (IA)
en la agricultura de precisión. Se adoptó un enfoque exploratorio, basado e
n la
recopilación, análisis y síntesis de investigaciones científicas publicadas en revistas
indexadas en bases de datos reconocidas, como Scopus y Web of Science. La selección
de fuentes se realizó siguiendo criterios de relevancia, actualidad y rigor aca
démico, con
el fin de garantizar la calidad y validez de la información utilizada en el análisis.
El proceso de búsqueda de información se estructuró en varias etapas. En primer lugar,
se definieron palabras clave y términos de búsqueda relacionados con la inteligencia
artificial y su aplicación en la agricultura de precisión, incluyendo conceptos como
"aprendizaje automático", "redes neuronales", "visión por computadora", "agricultura
digital" y "tecnologías emergentes". Estos términos fueron combinados mediante
operadores booleanos para optimizar la precisión de los resultados obtenidos en las
bases d
e datos seleccionadas.
Posteriormente, se establecieron criterios de inclusión y exclusión. Se priorizaron
artículos publicados en los últimos cinco años para garantizar la actualidad de la
información, aunque se incluyeron estudios previos de relevancia fundamental para
context
ualizar la evolución del tema. Se consideraron únicamente publicaciones
revisadas por pares y disponibles en inglés o español. Se excluyeron trabajos de baja
rigurosidad metodológica, artículos de opinión sin respaldo empírico y documentos no
accesibles en
texto completo.
La selección final de estudios se realizó mediante un proceso de lectura crítica en dos
fases. Primero, se llevó a cabo una revisión de los títulos y resúmenes para descartar
aquellos que no se ajustaban al objetivo del
estudio. Luego, los artículos
preseleccionados fueron analizados en su totalidad para extraer información clave
Innova Science Journal
I
nnova
Science Journal
| Vol.02 | Núm.03 | Jul
–
Sep | 2024 |
www.innovasciencejournal.omeditorial.com
29
Artículo Científco
relacionada con las aplicaciones de la IA en la agricultura de precisión, los desafíos en
su implementación y las tendencias emergentes en la investigación del área.
El análisis de la información recopilada se realizó mediante una categorización temática,
agrupando los hallazgos en función de las principales áreas de aplicación de la IA en la
agricultura de precisión, las tecnologías más utilizadas y los obstáculos ide
ntificados en
la literatura. Se empleó una estrategia de síntesis cualitativa para interpretar los
resultados y establecer conexiones entre los estudios analizados, permitiendo una
visión integral sobre el estado del arte en este campo.
Dado que este estudio se basa en fuentes secundarias y no implica la recopilación de
datos primarios, no se requirió la aplicación de instrumentos de medición ni la
intervención directa en escenarios agrícolas. No obstante, se garantizó la objetividad y
tr
ansparencia en el proceso de revisión, siguiendo directrices establecidas en la
metodología PRISMA (Preferred Reporting Items for Systematic Reviews and Meta
-
Analyses) para mejorar la trazabilidad y reproducibilidad del estudio.
Finalmente, la presentación de los resultados se estructuró en función de las categorías
temáticas identificadas, proporcionando un análisis detallado de las aplicaciones
actuales de la IA en la agricultura de precisión, así como de los retos y oportunidad
es
que enfrenta su adopción en distintos contextos productivos. Con ello, este estudio
pretende contribuir al conocimiento sobre la digitalización del sector agrícola y aportar
información relevante para la toma de decisiones en la implementación de tecnol
ogías
basadas en inteligencia artificial.
3.
Resultados
3
.1.
Aplicaciones actuales de la inteligencia artificial en la agricultura de precisión
3.1.1.
Monitoreo y análisis de cultivos
El monitoreo y análisis de cultivos ha sido uno de los campos más beneficiados por la
aplicación de inteligencia artificial (IA) en la agricultura de precisión. La capacidad de los
algoritmos de aprendizaje automático y visión por computadora para analizar grandes
volúmenes de datos en tiempo real ha permitido desarrollar sistemas avanzados
de
detección de enfermedades, predicción de rendimientos y optimización de la gestión de
insumos agrícolas. En este contexto, las imágenes satelitales, los drones equipados con
sensores multiespectrales y la integración de datos climáticos han revoluciona
do la
forma en que los agricultores monitorean la salud de sus cultivos y toman decisiones
estratégicas (Zhang et al., 202
0)
.
Uno de los principales avances en esta área es la implementación de algoritmos de
aprendizaje profundo en el análisis de imágenes agrícolas. Modelos como las redes
neuronales convolucionales (CNN, por sus siglas en inglés) han sido entrenados para
detectar
patrones en las hojas de los cultivos y diagnosticar enfermedades con una
precisión superior a la de los métodos tradicionales (Mohanty et al., 2016). Este tipo de
tecnología ha sido utilizada con éxito en cultivos como el trigo, el maíz y la soja,
permit
iendo la identificación temprana de infecciones fúngicas y bacterianas. La
capacidad de la IA para diferenciar entre síntomas de enfermedades y daños causados
Innova Science Journal
I
nnova
Science Journal
| Vol.02 | Núm.03 | Jul
–
Sep | 2024 |
www.innovasciencejournal.omeditorial.com
30
Artículo Científco
por factores ambientales ha mejorado significativamente la eficiencia de los programas
de manejo integrado de plagas (Ghosal et al., 2018).
Además de la detección de enfermedades, la IA se ha aplicado para estimar la
disponibilidad de nutrientes en el suelo mediante análisis espectroscópicos y modelos
predictivos basados en datos históricos. Sensores de reflectancia combinados con
algoritmos d
e aprendizaje automático pueden determinar deficiencias de nitrógeno,
fósforo y potasio en el suelo, lo que permite ajustar las dosis de fertilización de manera
más eficiente y reducir el impacto ambiental del uso excesivo de agroquímicos (Liakos
et al., 2
018).
Otro enfoque clave en el monitoreo de cultivos es la integración de modelos de
predicción de rendimientos. A través del uso de datos meteorológicos, información del
suelo y variables fenotípicas, los algoritmos de aprendizaje supervisado han demostrado
ser
herramientas eficaces para prever la productividad de los cultivos con alta precisión
(Kamilaris & Prenafeta
-
Boldú, 2018). Modelos de bosques aleatorios y redes neuronales
profundas han sido implementados para generar predicciones que permiten a los
agric
ultores optimizar el calendario de cosecha y la asignación de recursos (Shamshiri
et al., 2018).
En el ámbito de la gestión del agua, la inteligencia artificial ha sido aplicada en la
optimización del riego mediante sistemas de irrigación inteligente. Algoritmos de
aprendizaje reforzado han sido utilizados para analizar la humedad del suelo en tiempo
real y ajustar los niveles de riego según las necesidades específicas de cada parcela
agrícola (Ozdogan et al., 2021). Estos sistemas permiten reducir el desperdicio de agua
y mejorar la eficiencia en el uso del recurso hídrico, un factor crítico en la agr
icultura
sostenible.
3.1.2.
Automatización y robótica agrícola
El uso de inteligencia artificial en la automatización y robótica agrícola ha revolucionado
la mecanización del sector, permitiendo la optimización de tareas tradicionalmente
realizadas de manera manual. Los avances en robótica, combinados con la IA, han
i
mpulsado el desarrollo de sistemas autónomos para la siembra, la poda, la polinización
y la cosecha, mejorando la eficiencia operativa y reduciendo la dependencia de la mano
de obra humana (Shamshiri et al., 2018).
Uno de los avances más significativos en este campo es el desarrollo de vehículos
autónomos agrícolas, como tractores y cosechadoras equipadas con sistemas de
navegación basada en IA. Estos vehículos utilizan sensores LiDAR, GPS de alta
precisión y cámaras
multiespectrales para desplazarse de manera autónoma por los
campos, ajustando su velocidad y trayectoria en función de la topografía del terreno y
las condiciones de los cultivos (Bechar & Vigneault, 2017). Empresas como John Deere
y Case IH han desarrol
lado tractores autónomos que pueden operar sin intervención
humana, reduciendo costos operativos y mejorando la precisión en la aplicación de
fertilizantes y pesticidas (Ozdogan et al., 2021).
Los robots de cosecha también han experimentado un avance significativo gracias a la
combinación de visión por computadora y algoritmos de aprendizaje profundo. Estos
robots están diseñados para identificar frutos y hortalizas en su punto óptimo de
madurac
ión, diferenciando entre productos aptos para la recolección y aquellos que aún
Innova Science Journal
I
nnova
Science Journal
| Vol.02 | Núm.03 | Jul
–
Sep | 2024 |
www.innovasciencejournal.omeditorial.com
31
Artículo Científco
necesitan tiempo para alcanzar su desarrollo ideal (Le Louedec et al., 2020). En el caso
de cultivos como fresas y tomates, los robots agrícolas han logrado reducir la necesidad
de mano de obra especializada, aumentando la eficiencia y minimizando el despe
rdicio
de productos dañados durante la recolección.
Otro ejemplo innovador en la automatización agrícola es el uso de drones autónomos
para la siembra de semillas y la aplicación de fertilizantes. Equipados con sistemas de
inteligencia artificial, estos drones pueden mapear el terreno, identificar zonas con
baja
densidad de siembra y distribuir semillas de manera precisa en áreas estratégicas.
Además, han sido empleados para la dispersión selectiva de fertilizantes y pesticidas,
reduciendo la exposición de los trabajadores a químicos peligrosos y mejorando l
a
eficiencia en el uso de insumos agrícolas (Kamilaris & Prenafeta
-
Boldú, 2018).
Además de la mecanización de procesos, se han desarrollado sistemas de robótica
colaborativa que combinan IA con sensores de presión y control háptico para permitir la
interacción segura entre humanos y robots en el campo (Bechar & Vigneault, 2017).
Estos
sistemas han sido utilizados en cultivos que requieren una manipulación
cuidadosa, como uvas y flores, donde la automatización completa aún no es viable
debido a la complejidad de las tareas involucradas
(
Bueno
., et al
2017).
En conclusión, la inteligencia artificial ha transformado la agricultura de precisión al
optimizar el monitoreo de cultivos y permitir la automatización de procesos agrícolas
mediante el uso de robótica avanzada. Sin embargo, la adopción de estas tecnologí
as
aún enfrenta desafíos, como la accesibilidad económica, la capacitación de los
agricultores y la integración de sistemas en entornos agrícolas diversos. A pesar de
estas barreras, el desarrollo continuo de la IA y la robótica agrícola promete seguir
rev
olucionando el sector, mejorando la eficiencia y sostenibilidad de la producción
agrícola.
3.2.
Desafíos y limitaciones en la adopción de inteligencia artificial en la
agricultura de precisión
3.2.1.
Barreras económicas y tecnológicas
La implementación de la inteligencia artificial (IA) en la agricultura de precisión se ha
visto limitada por múltiples barreras económicas y tecnológicas que obstaculizan su
adopción a gran escala, especialmente en países en desarrollo y en explotaciones
a
grícolas de pequeña y mediana escala. Estas barreras no solo afectan la capacidad de
los agricultores para acceder a tecnologías avanzadas, sino que también dificultan la
integración de la IA en sistemas agrícolas tradicionales, lo que genera una brecha
te
cnológica entre regiones con diferente nivel de desarrollo digital (Wolfert et al., 2017).
Uno de los principales desafíos económicos radica en el alto costo inicial de adopción
de las tecnologías basadas en IA. La inversión en hardware especializado, como
sensores avanzados, drones, estaciones meteorológicas y maquinaria autónoma,
puede resulta
r prohibitiva para muchos agricultores (Shamshiri et al., 2018). Además,
los costos asociados con el software, el almacenamiento de datos en la nube y el
mantenimiento de estos sistemas añaden una carga financiera considerable que
muchos productores no pue
den asumir sin apoyo gubernamental o incentivos
financieros adecuados
.
Innova Science Journal
I
nnova
Science Journal
| Vol.02 | Núm.03 | Jul
–
Sep | 2024 |
www.innovasciencejournal.omeditorial.com
32
Artículo Científco
En particular, la inteligencia artificial en la agricultura requiere acceso a tecnologías
como el Internet de las Cosas (IoT
), la computación en la nube y la conectividad de
banda ancha, infraestructuras que en muchas zonas rurales son deficientes o
inexistentes (Kamilaris & Prenafeta
-
Boldú, 2018). La falta de conectividad limita la
recopilación y transmisión de datos en tiempo
real, afectando la capacidad de los
algoritmos de IA para generar análisis precisos y tomar decisiones óptimas para el
manejo de cultivos. En regiones con escasa infraestructura digital, la implementación de
IA en la agricultura es prácticamente inviable,
lo que perpetúa la brecha entre los
agricultores con acceso a tecnología avanzada y aquellos que dependen de métodos
tradicionales (Wolfert et al., 2017).
Otro factor limitante es la complejidad técnica de los sistemas de IA y la falta de
profesionales capacitados en el sector agrícola. El uso de algoritmos de aprendizaje
automático, modelos predictivos y visión por computadora requiere conocimientos
avanzad
os en ciencia de datos, programación y agronomía digital, habilidades que no
son comunes entre los agricultores y técnicos agrícolas (Gebbers & Adamchuk, 2010).
La falta de formación adecuada genera una resistencia al cambio, ya que muchos
productores pued
en percibir estas tecnologías como difíciles de manejar o entender sin
un acompañamiento técnico especializado (Shamshiri et al., 2018).
A esto se suma la interoperabilidad limitada entre los distintos sistemas y dispositivos
utilizados en la agricultura de precisión. Actualmente, no existen estándares universales
que faciliten la integración de datos provenientes de diferentes plataformas,
como
sensores de humedad, estaciones meteorológicas, imágenes satelitales y maquinaria
inteligente (Balafoutis et al., 2017). La incompatibilidad entre estos sistemas reduce la
eficiencia de la IA en la gestión de cultivos, ya que la falta de integración
impide un
análisis holístico de los datos agrícolas (Kamilaris & Prenafeta
-
Boldú, 2018). La
dependencia de soluciones propietarias y el uso de formatos de datos incompatibles
generan costos adicionales para los agricultores, quienes deben invertir en softw
are
específico para poder procesar la información de sus cultivos.
A nivel financiero, los incentivos y subsidios gubernamentales para la adopción de IA en
la agricultura son insuficientes en muchas regiones. Mientras que en países
desarrollados existen programas de apoyo para la digitalización del sector agrícola, en
otr
as zonas los agricultores no cuentan con mecanismos de financiamiento que les
permitan acceder a estas tecnologías. La falta de políticas públicas enfocadas en la
democratización de la inteligencia artificial en la agricultura refuerza la desigualdad en
el
acceso a herramientas digitales, favoreciendo a grandes empresas agroindustriales
en detrimento de los pequeños y medianos productores
(Amiri., et al 2020).
3.2.2.
Gestión de datos y privacidad
El uso de inteligencia artificial en la agricultura de precisión depende en gran medida de
la recopilación y procesamiento de grandes volúmenes de datos sobre las condiciones
del suelo, el clima, la producción agrícola y la logística de distribución. Sin e
mbargo, la
gestión de estos datos plantea múltiples desafíos en términos de privacidad, seguridad
y regulación, generando preocupaciones sobre la propiedad y el control de la
información agrícola.
Innova Science Journal
I
nnova
Science Journal
| Vol.02 | Núm.03 | Jul
–
Sep | 2024 |
www.innovasciencejournal.omeditorial.com
33
Artículo Científco
Uno de los problemas más relevantes en la gestión de datos agrícolas es la falta de
regulaciones claras sobre la propiedad y el acceso a la información generada por los
sistemas de IA. Muchas de las plataformas de agricultura digital son operadas por
grand
es corporaciones tecnológicas que almacenan los datos en la nube, lo que genera
incertidumbre sobre quién tiene derecho a utilizarlos y con qué fines (Carbonell, 2016).
Los agricultores, al compartir datos detallados sobre sus cultivos con estas empresas,
pueden quedar en una posición de dependencia tecnológica, perdiendo autonomía
sobre la toma de decisiones en sus propias explotaciones agrícolas
(Babaie Sarijaloo.,
et al 2021).
Además, la seguridad de los datos es una preocupación creciente, ya que la
interconexión de dispositivos inteligentes en el ámbito agrícola aumenta la
vulnerabilidad ante ataques cibernéticos y brechas de seguridad (Wolfert et al., 2017).
La información so
bre productividad, condiciones del suelo y estrategias de manejo
agrícola puede ser objeto de explotación comercial o manipulación indebida si no se
implementan protocolos de protección adecuados (Kamilaris et al., 2019). La falta de
estándares de ciberseg
uridad en la agricultura digital expone a los productores a riesgos
de robo de datos y accesos no autorizados a sistemas críticos.
Otro desafío clave es la interoperabilidad y estandarización de los datos. Actualmente,
los datos agrícolas recopilados por sensores, drones y maquinaria inteligente suelen
almacenarse en formatos incompatibles entre distintas plataformas, lo que dificulta
su
integración y análisis conjunto (Shamshiri et al., 2018). La ausencia de un marco
regulatorio internacional que establezca protocolos uniformes para el intercambio de
información agrícola impide el desarrollo de ecosistemas digitales verdaderamente
int
erconectados y accesibles para los productores de diferentes regiones del mundo
(Balafoutis et al., 2017).
Desde una perspectiva ética, el uso de IA en la toma de decisiones agrícolas plantea
interrogantes sobre la transparencia y la equidad en el acceso a la tecnología. Si bien
la IA puede optimizar la producción y reducir desperdicios, su implementación sin u
na
regulación adecuada podría favorecer la concentración del conocimiento y los beneficios
económicos en manos de grandes corporaciones, marginando a los pequeños
productores que no cuentan con los recursos para adoptar estas herramientas
(Carbonell, 2016)
. Esta desigualdad en la distribución de beneficios tecnológicos
refuerza la brecha digital en el sector agrícola y dificulta la democratización del acceso
a la IA como una herramienta de desarrollo sostenible.
4.
Discusión
La inteligencia artificial (IA) ha emergido como una herramienta fundamental para la
optimización de la agricultura de precisión, con aplicaciones que abarcan desde el
monitoreo avanzado de cultivos hasta la automatización de procesos agrícolas mediante
ro
bótica. Sin embargo, su implementación a gran escala enfrenta desafíos económicos,
tecnológicos y regulatorios que limitan su adopción, especialmente en regiones con
infraestructura digital deficiente y en explotaciones agrícolas de pequeña y mediana
escal
a (Wolfert et al., 2017).
Innova Science Journal
I
nnova
Science Journal
| Vol.02 | Núm.03 | Jul
–
Sep | 2024 |
www.innovasciencejournal.omeditorial.com
34
Artículo Científco
El monitoreo y análisis de cultivos mediante IA ha demostrado ser una estrategia
altamente efectiva para mejorar la productividad agrícola y reducir el uso de insumos
mediante la detección temprana de enfermedades y estrés abiótico. Algoritmos de
aprendiza
je profundo, como las redes neuronales convolucionales (CNN), han logrado
identificar patrones en imágenes satelitales y capturas de drones con un alto grado de
precisión, permitiendo la intervención temprana ante problemas fitosanitarios (Mohanty
et al.,
2016). Estos avances han optimizado la toma de decisiones en la gestión de
cultivos, facilitando la reducción del uso de agroquímicos y minimizando pérdidas
económicas derivadas de enfermedades y plagas (Ghosal et al., 2018). Sin embargo, la
eficiencia de
estos sistemas está condicionada por la disponibilidad de datos de alta
calidad y la infraestructura necesaria para procesarlos en tiempo real, lo que representa
una limitación para su aplicación en explotaciones agrícolas con recursos limitados
(Kamilaris
& Prenafeta
-
Boldú, 2018).
En el ámbito de la automatización y la robótica agrícola, la inteligencia artificial ha
permitido el desarrollo de maquinaria autónoma capaz de realizar labores de siembra,
cosecha y manejo de insumos con una precisión sin precedentes. Tractores y drones
e
quipados con sensores avanzados y algoritmos de navegación han demostrado
mejorar la eficiencia operativa en el campo, reduciendo costos y optimizando la
aplicación de fertilizantes y pesticidas (Ozdogan et al., 2021). Asimismo, los robots de
cosecha han l
ogrado avances significativos en cultivos de alto valor, como fresas y
tomates, mediante la identificación precisa del estado de maduración de los frutos y su
recolección selectiva (Le Louedec et al., 2020). No obstante, la inversión requerida para
la adqu
isición y mantenimiento de estas tecnologías sigue siendo una barrera
considerable para los pequeños productores, quienes no cuentan con acceso a
financiamiento adecuado para su implementación (Shamshiri et al., 2018).
Las limitaciones económicas y tecnológicas representan uno de los principales
obstáculos para la adopción de IA en la agricultura. La infraestructura digital insuficiente,
la falta de acceso a redes de comunicación estables y la escasez de profesionales
ca
pacitados en el manejo de tecnologías agrícolas avanzadas dificultan la integración
de sistemas basados en IA en entornos rurales. Además, la ausencia de estándares
universales para la interoperabilidad de plataformas digitales y la fragmentación del
merca
do tecnológico agravan estos problemas, obligando a los agricultores a depender
de soluciones propietarias que pueden no ser compatibles entre sí (Balafoutis et al.,
2017).
La gestión de datos en la agricultura digital plantea otro desafío crucial, ya que el uso
de IA en la optimización de cultivos depende de la recopilación y procesamiento de
grandes volúmenes de información agroclimática y productiva. La falta de regulacion
es
claras sobre la propiedad de los datos agrícolas genera incertidumbre sobre quién tiene
derecho a acceder y utilizar esta información, lo que puede derivar en una dependencia
tecnológica de los agricultores respecto a empresas desarrolladoras de softwar
e y
plataformas de análisis. Asimismo, los riesgos asociados con la ciberseguridad en la
agricultura digital han aumentado en los últimos años, con amenazas que incluyen la
manipulación de datos, el acceso no autorizado a sistemas de control agrícola y el
uso
indebido de información sensible sobre producción y logística (Kamilaris et al., 2019).
La implementación de políticas de ciberseguridad y la adopción de protocolos de
Innova Science Journal
I
nnova
Science Journal
| Vol.02 | Núm.03 | Jul
–
Sep | 2024 |
www.innovasciencejournal.omeditorial.com
35
Artículo Científco
encriptación de datos resultan esenciales para garantizar la privacidad y seguridad en
el manejo de información agrícola (Wolfert et al., 2017).
Desde una perspectiva ética y social, la brecha digital entre grandes corporaciones
agroindustriales y pequeños productores agrícolas se ha ampliado con la adopción de
IA en la agricultura de precisión. Si bien estas tecnologías tienen el potencial de mejo
rar
la eficiencia y sostenibilidad del sector, su implementación sin una regulación adecuada
podría profundizar la desigualdad en el acceso a herramientas digitales, beneficiando
exclusivamente a empresas con mayor capacidad de inversión (Carbonell, 2016).
Para
mitigar este problema, es fundamental que las políticas públicas promuevan la
accesibilidad a tecnologías de IA mediante programas de financiamiento, capacitación
y desarrollo de infraestructuras digitales en zonas rurales (Gebbers & Adamchuk, 2010).
En conclusión, aunque la inteligencia artificial ha demostrado ser una herramienta
poderosa para la modernización del sector agrícola, su adopción a gran escala aún
enfrenta múltiples desafíos económicos, tecnológicos y regulatorios que deben ser
abordados
para garantizar su implementación equitativa y sostenible. La inversión en
infraestructura digital, el desarrollo de estándares de interoperabilidad, la creación de
marcos regulatorios claros sobre la gestión de datos y la promoción de políticas de
financ
iamiento inclusivas serán factores determinantes para el futuro de la IA en la
agricultura de precisión. La superación de estas barreras permitirá maximizar el impacto
positivo de estas tecnologías en la productividad y sostenibilidad agrícola, promoviendo
una transformación digital accesible para todos los actores del sector
.
5.
Conclusiones
La inteligencia artificial se ha consolidado como una herramienta clave para la
optimización de la agricultura de precisión, permitiendo mejoras significativas en la
eficiencia de los sistemas productivos a través del monitoreo avanzado de cultivos y la
au
tomatización de procesos agrícolas. Su capacidad para analizar grandes volúmenes
de datos en tiempo real ha facilitado la detección temprana de enfermedades, la
predicción de rendimientos y la optimización en el uso de insumos, contribuyendo a una
producci
ón más sostenible y rentable. Sin embargo, la adopción generalizada de estas
tecnologías enfrenta desafíos importantes que deben ser abordados para garantizar su
implementación equitativa y eficiente en distintos contextos agrícolas.
Las barreras económicas y tecnológicas representan uno de los principales obstáculos
para la incorporación de inteligencia artificial en la agricultura. El alto costo de
adquisición de hardware y software especializado, la necesidad de infraestructura digi
tal
avanzada y la falta de acceso a redes de comunicación estables limitan la capacidad de
muchos productores para integrar estas herramientas en sus explotaciones. Además, la
escasez de personal capacitado en el manejo de sistemas de IA dificulta su
imple
mentación y mantenimiento, lo que genera una dependencia de soluciones
tecnológicas desarrolladas por grandes corporaciones. Esta situación amplía la brecha
digital en el sector agrícola, favoreciendo a los productores con mayores recursos
económicos y lim
itando el acceso de pequeños y medianos agricultores a las
innovaciones tecnológicas.
Innova Science Journal
I
nnova
Science Journal
| Vol.02 | Núm.03 | Jul
–
Sep | 2024 |
www.innovasciencejournal.omeditorial.com
36
Artículo Científco
Otro desafío fundamental radica en la gestión de datos agrícolas, un aspecto crítico para
el funcionamiento de la inteligencia artificial en la agricultura de precisión. La
recopilación masiva de información sobre suelos, cultivos y condiciones climáticas
plantea interrogantes sobre la propiedad, privacidad y seguridad de los datos. La falta
de regulaciones claras respecto al uso y control de esta información genera
incertidumbre entre los productores, quienes pueden verse obligados a ceder datos
estratégic
os a empresas tecnológicas sin garantías de beneficios directos. Además, la
vulnerabilidad ante ataques cibernéticos y la ausencia de estándares de
interoperabilidad entre distintos sistemas dificultan la consolidación de un ecosistema
digital plenamente f
uncional en el sector agrícola.
A pesar de estos desafíos, la inteligencia artificial ofrece un enorme potencial para
transformar la agricultura en una actividad más eficiente, resiliente y sostenible. Para
maximizar sus beneficios, es
necesario implementar políticas públicas que promuevan
la democratización de estas tecnologías a través de incentivos financieros, programas
de capacitación y el desarrollo de infraestructuras digitales en zonas rurales. Asimismo,
la creación de marcos reg
ulatorios que garanticen la privacidad y seguridad de los datos
agrícolas resulta fundamental para fomentar la confianza en estas herramientas y
asegurar su adopción en todos los niveles del sector.
El futuro de la inteligencia artificial en la
agricultura dependerá de la capacidad de los
distintos actores del sector
—
gobiernos, empresas, instituciones de investigación y
productores
—
para superar las barreras existentes y promover un modelo de innovación
tecnológica inclusivo y accesible. La inve
rsión en investigación y desarrollo, la
cooperación internacional y la estandarización de sistemas serán elementos clave para
lograr una implementación efectiva de la IA en la agricultura de precisión. Con una
adecuada planificación y regulación, estas tec
nologías tienen el potencial de mejorar la
productividad agrícola, reducir el impacto ambiental y garantizar la seguridad alimentaria
a nivel global, consolidándose como un pilar fundamental en la transformación digital
del sector agroalimentario.
Referencias Bibliográficas
Amiri, Z., Asgharipour, M. R., Campbell, D. E., & Armin, M. (2020). Extended exergy
analysis (EAA) of two canola farming systems in Khorramabad, Iran.
Agricultural
Systems
, 180, 102789.
https://doi.org/10.1016/j.agsy.2020.102789
Babaie Sarijaloo, F., Porta, M., Taslimi, B., & Pardalos, P. M. (2021). Yield performance
estimation of corn hybrids using machine learning algorithms.
Artificial
Intelligence in Agriculture
, 5, 82
–
89.
https://doi.org/10.1016/j.aiia.2021.05.001
Balafoutis, A., Beck, B., Fountas, S., Tsiropoulos, Z., Vangeyte, J., Van der Wal, T., ... &
Sorensen, C. G. (2017). Precision agriculture technologies positively contributing
to GHG emissions mitigation, farm productivity and economics.
Sustainability,
9
(8), 1339.
https://doi.org/10.3390/su9081339
Bechar, A., & Vigneault, C. (2017). Agricultural robots for field operations: Concepts and
components.
Biosystems Engineering, 149
, 94
-
111.
https://doi.org/10.1016/j.biosystemseng.2016.06.014
Innova Science Journal
I
nnova
Science Journal
| Vol.02 | Núm.03 | Jul
–
Sep | 2024 |
www.innovasciencejournal.omeditorial.com
37
Artículo Científco
Bedi, P., & Gole, P. (2021). Plant disease detection using hybrid model based on
convolutional autoencoder and convolutional neural network.
Artificial
Intelligence in Agriculture
, 5, 90
–
101.
https://doi.org/10.1016/j.aiia.2021.05.002
Bronson, K. (2019). AI in agriculture: Shaping the future of food.
AI & Society, 34
(4), 595
-
603.
https://doi.org/10.1007/s00146
-
018
-
0845
-
2
Bueno, M. R., Cunha, J. P. A. R., & Santana, D. G. (2017).
Assessment of spray drift
from pesticide applications in soybean crops.
Biosystems Engineering
, 154, 35
–
45.
https://doi.org/10.1016/j.biosystemseng.2016.10.017
Carbonell, I. M. (2016). The ethics of big data in agriculture.
Internet Policy Review, 5
(1).
https://doi.org/10.14763/2016.1.405
Chlingaryan, A., Sukkarieh, S., & Whelan, B. (2018). Machine learning approaches for
crop yield prediction and nitrogen status estimation in precision agriculture: A
review.
Computers and Electronics in Agriculture, 151
, 61
-
69.
https://doi.org/10.1016/j.compag.2018.05.012
Gebbers, R., & Adamchuk, V. I. (2010). Precision agriculture and food security.
Science,
327
(5967), 828
-
831.
https://doi.org/10.1126/science.1183899
Ghosal, S., Blystone, D., Wells, C., Tucker, M., Goswami, S., & Sarkar, S. (2018). An
explainable deep machine vision framework for plant stress phenotyping.
Proceedings of the National Academy of Sciences, 115
(18), 4613
-
4618.
https://doi.org/10.1073/pnas.1717903115
Kamilaris, A., & Prenafeta
-
Boldú, F. X. (2018).
Deep learning in agriculture: A survey.
Computers and Electronics in Agriculture, 147
, 70
-
90.
https://doi.org/10.1016/j.compag.2018.02.016
Le Louedec, C., Scaradozzi, D., & Zitti, G. (2020).
Deep learning
-
based visual perception
for fruit harvesting robots.
Robotics and Autonomous Systems, 132
, 103613.
https://doi.org/10.1016/j.robot.2020.103613
Liakos, K. G., Busato, P., Moshou, D., Pearson, S., & Bochtis, D. (2018). Machine
learning in agriculture: A review.
Sensors, 18
(8), 2674.
https://doi.org/10.3390/s18082674
Shamshiri, R. R., et al. (2018). Research and development in agricultural robotics.
International Journal of Agricultural and Biological Engineering, 11
(4), 1
-
11.
https://doi.org/10.25165/j.ijabe.20181104.4278
Shamshiri, R. R., Weltzien, C., Hameed, I. A., Yule, I. J., Grift, T. E., Balasundram, S.
K., ... & Ehsani, R. (2018). Research and development in agricultural robotics: A
perspective of digital farming.
International Journal of Agricultural and Biological
Engineering, 11
(4), 1
-
11.
https://doi.org/10.25165/j.ijabe.20181104.4278
Wolfert, S., Ge, L., Verdouw, C., & Bogaardt, M. J. (2017). Big data in smart farming
–
A
review.
Agricultural Systems, 153
, 69
-
80.
https://doi.org/10.1016/j.agsy.2017.01.023
Wolfert, S., Ge, L., Verdouw, C., & Bogaardt, M. J. (2017). Big data in smart farming.
Agricultural Systems, 153
, 69
-
80.
https://doi.org/10.1016/j.agsy.2017.01.023
Innova Science Journal
I
nnova
Science Journal
| Vol.02 | Núm.03 | Jul
–
Sep | 2024 |
www.innovasciencejournal.omeditorial.com
38
Artículo Científco
Zhang, Y., Wang, L., & Xu, W. (2020). Applications of artificial intelligence in agricultural
automation.
Robotics and Autonomous Systems, 125
, 103394.
CONFLICTO DE INTERESES
“Los autores declaran no tener ningún
conflicto de intereses”.