Tendencias en la aplicación de la inteligencia artificial en la agricultura de precisión mediante una revisión sistemática
DOI:
https://doi.org/10.63618/omd/isj/v2/n3/41Palabras clave:
inteligencia artificial, agricultura de precisión, automatización agrícola, aprendizaje automático, sostenibilidadResumen
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 analizaron 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 cultivos, 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 zonas 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.
Descargas
Referencias
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 DOI: 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 DOI: 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 DOI: 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 DOI: https://doi.org/10.1016/j.biosystemseng.2016.06.014
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 DOI: 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 DOI: 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 DOI: 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 DOI: 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 DOI: 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 DOI: https://doi.org/10.1073/pnas.1716999115
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 DOI: 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 DOI: 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 DOI: https://doi.org/10.17485/ijst/2018/v11i18/104418
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 DOI: 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 DOI: https://doi.org/10.1016/j.agsy.2017.01.023
Zhang, Y., Wang, L., & Xu, W. (2020). Applications of artificial intelligence in agricultural automation. Robotics and Autonomous Systems, 125, 103394. DOI: https://doi.org/10.1016/j.robot.2019.103394
Publicado
Número
Sección
Licencia
Derechos de autor 2024 Cabrera-Verdesoto, Cesar Alberto, Salvatierra-Pilozo, Darwin Marcos, Navarro-Saltos, Gema Elizabeth (Autor/a)
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial 4.0.
: