Palabras clave
Cómo citar
Resumen
La aplicación de herramientas 4.0 en el sector agropecuario se muestra como una estrategia prometedora para mejorar los procesos productivos. En este estudio, se llevó a cabo un mapeo sistemático de literatura con el propósito de explorar la viabilidad de la Inteligencia Artificial (IA) y el Aprendizaje Automático (ML) en el ámbito agropecuario. Para ello, se seleccionaron cuatro palabras clave: "Inteligencia artificial", "Aprendizaje Automático", "Sector agropecuario" y "Sostenibilidad", realizando búsqueda en cuatro bases de datos, obteniendo un total de 99 documentos. Después de aplicar criterios de inclusión (I) y exclusión (E), se identificó que solo 66 de ellos cumplían con los parámetros establecidos. Posteriormente, los estudios se clasificaron en cuatro categorías según sus objetivos de investigación: General, Producción animal, Producción Vegetal y Sostenibilidad. Los resultados muestran que la aplicación de estas herramientas conlleva beneficios económicos, ambientales y sociales, lo que permite optimizar recursos y reducir el impacto de la producción agropecuaria. En conclusión, la incorporación de la Inteligencia Artificial y el Aprendizaje Automático en el sector agropecuario tiene un gran potencial para impulsar la sostenibilidad y eficiencia en el campo.
Referencias
Arencibia Pardo, F. R., Peña Rodríguez, B., & Pardo García, A. . (2020). El falso conteo de las revoluciones industriales: de la 1 a la 5. Productividad y mano de obra. Fin del paradigma, comienzo de la ética. Aglala, 11(1), 95–106. Recuperado a partir de https://revistas.curn.edu.co/index.php/aglala/article/view/1562
Alianza. (2019, August 12). La inteligencia artificial ayuda a los productores de banano a proteger la fruta favorita del planeta | Alliance Bioversity International - CIAT. https://alliancebioversityciat.org/es/node/18015
Arda, A. (2016). Automated Monitoring Systems to Assess Gait Score and Feed Intake of Broilers - KU Leuven.
Asencio Beltran, L. S. (2022). DISEÑO DE UN MODELO PREDICTIVO DE APRENDIZAJE AUTOMÁTICO SUPERVISADO PARA DETERMINAR PRECIOS DINÁMICOS DE INSUMOS AGRÍCOLAS DE LA REGIÓN COSTA DEL ECUADOR . Universidad de Guayaquil .
Barrientos Monsalve, E. J., Velásquez Carrasca, B. L., & Hoyos Patiño, J. F. (2021). Contemporaneidad de las corrientes del pensamiento en los paradigmas de investigación | Aglala. Aglala, 12(s1), 163–181.
Barrientos-Avendaño, E., Coronel-Rojas, L. A., Cuesta-Quintero, F., & Rico-Bautista, D. (2020). Store-to-store sales management system: Applying artificial intelligence techniques [Sistema de administración de ventas tienda a tienda: Aplicando técnicas de inteligencia artificial]. RISTI - Revista Iberica de Sistemas e Tecnologias de Informacao, 2020(E27), 677–689. https://www.scopus.com/inward/record.uri?eid=2-s2.0-85080989924&partnerID=40&md5=af078c48936a0a6b415d8af335c9a80b
Barrientos-Avendaño, E., Rico-Bautista, D., Coronel-Rojas, L. A., & Cuesta-Quintero, F. R. (2019). Smart farm: Defining of infrastructure based on internet of things, IpV6 and software defined networks [Granja inteligente: Definición de infraestructura basada en internet de las cosas, IpV6 y redes definidas por software]. RISTI - Revista Iberica de Sistemas e Tecnologias de Informacao, E17, 183–197. https://www.scopus.com/inward/record.uri?eid=2-s2.0-85061174873&partnerID=40&md5=ac38dc2b5b0d67edae2c307fe67f26e3
Berrio, V., & Alzate, D. A. (2018). Sistema de optimización de las técnicas de planificación en agricultura de precisión por medio de drones. 39.
Bielza, C., Barreiro, P., Rodríguez-Galiano, M. I., & Martín, J. (2003). Logistic regression for simulating damage occurrence on a fruit grading line. Computers and Electronics in Agriculture, 39(2), 95–113. https://doi.org/10.1016/S0168-1699(03)00021-8
Blanco, M., & Villarroya, I. (2002). NIR spectroscopy: a rapid-response analytical tool. TrAC Trends in Analytical Chemistry, 21(4), 240–250. https://doi.org/10.1016/S0165-9936(02)00404-1
Bonilla Segovia, J. S., Dávila Rojas, F. A., & Villa Quishpe, M. W. (2021). Estudio del uso de técnicas de inteligencia artificial aplicadas para análisis de suelos para el sector agrícola. RECIMUNDO, 5(1), 4–19. https://doi.org/10.26820/RECIMUNDO/5.(1).ENERO.2021.4-19
Brenes, J. A., Martínez, A., Quesada-López, C., & Jenkins, M. (2020). Sistemas de apoyo a la toma de decisiones que usan inteligencia artificial en la agricultura de precisión: un mapeo sistemático de literatura. RISTI , E28, 217–229.
Brereton, R. G. (2015). Pattern recognition in chemometrics. Chemometrics and Intelligent Laboratory Systems, 149, 90–96. https://doi.org/10.1016/J.CHEMOLAB.2015.06.012
Calvo, A. (2022, March 14). Mejoras de la inteligencia artificial en la agricultura. https://www.agroptima.com/es/blog/mejoras-de-la-inteligencia-artificial-en-la-agricultura/
CÁRDENAS VALDOVINOS, E., GARCÍA DÍAZ, N., GARCÍA VIRGEN, J., & FLORES GALLEGOS, E. (2017). Modelo difuso para predecir la proliferación de plaga “Sigatoka Negra” en el cultivo de plátano . Revista de Ingeniería Eléctrica, 1, 16–21.
Carrero Carrero, J. L. (2018). SISTEMA DE VISIÓN ARTIFICIAL PARA EL MONITOREO DE POLLOS DE ENGORDE EN LA GRANJA AVICOLA MASCRIOLLO.SAS DE LA CIUDAD DE CUCUTA. Universidad de Pamplona .
Chakraborty, S., Elangovan, D., Govindarajan, P. L., ELnaggar, M. F., Alrashed, M. M., & Kamel, S. (2022). A Comprehensive Review of Path Planning for Agricultural Ground Robots. Sustainability, 14(15), 9156. https://doi.org/10.3390/SU14159156
Cirión, L. E. C., Iglesias, A. M. C., & Viñoles, J. (2022). La avicultura de precisión: una herramienta clave para potenciar la eficiencia del sector avícola. LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades, 3(2), 67–83. https://doi.org/10.56712/latam.v3i2.64
Corzo-Arévalo, D., & Cuadra, R. (2019). Crowdsourcing como herramienta de participación colectiva en la creación de modelos educativos. Estudio de caso del Centro Latinoamericano del Propósito. I+ D REVISTA DE INVESTIGACIONES, 13(1), 129-136.
De Vries, A., & Reneau, J. K. (2010). Application of statistical process control charts to monitor changes in animal production systems. Journal of Animal Science, 88(suppl_13), E11–E24. https://doi.org/10.2527/JAS.2009-2622
Díez, J., Bahamonde, A., Alonso, J., López, S., Del Coz, J. J., Quevedo, J. R., Ranilla, J., Luaces, O., Alvarez, I., Royo, L. J., & Goyache, F. (2003). Artificial intelligence techniques point out differences in classification performance between light and standard bovine carcasses. Meat Science, 64(3), 249–258. https://doi.org/10.1016/S0309-1740(02)00185-7
Doganis, P., Alexandridis, A., Patrinos, P., & Sarimveis, H. (2006). Time series sales forecasting for short shelf-life food products based on artificial neural networks and evolutionary computing. Journal of Food Engineering, 75(2), 196–204. https://doi.org/10.1016/J.JFOODENG.2005.03.056
Farkas, I., Reményi, P., & Biró, A. (2000). A neural network topology for modelling grain drying. Computers and Electronics in Agriculture, 26(2), 147–158. https://doi.org/10.1016/S0168-1699(00)00068-5
Grajales-Fonseca, Y. A. ., Gutiérrez-Salazar, C. A. ., & Gamboa-Suárez, A. A. . (2021). Importancia de la actividad experimental en la formación del docente de ciencias naturales. Mundo FESC, 11(S6), 187–196. Recuperado a partir de https://www.fesc.edu.co/Revistas/OJS/index.php/mundofesc/article/view/1115
Felipe, V. P. S., Silva, M. A., Valente, B. D., & Rosa, G. J. M. (2015). Using multiple regression, Bayesian networks and artificial neural networks for prediction of total egg production in European quails based on earlier expressed phenotypes. Poultry Science, 94(4), 772–780. https://doi.org/10.3382/PS/PEV031
Hempstalk, K., McParland, S., & Berry, D. P. (2015). Machine learning algorithms for the prediction of conception success to a given insemination in lactating dairy cows. Journal of Dairy Science, 98(8), 5262–5273. https://doi.org/10.3168/JDS.2014-8984
Hepworth, P. J., Nefedov, A. V., Muchnik, I. B., & Morgan, K. L. (2012). Broiler chickens can benefit from machine learning: support vector machine analysis of observational epidemiological data. Journal of The Royal Society Interface, 9(73), 1934–1942. https://doi.org/10.1098/RSIF.2011.0852
Herrera Carvajal, L. C., Hernandez Villamizar, D. A., Hoyos Patiño, J. F., & Balmelli, F. (2022). Efecto del dispositivo Kyminasi Crop Booster en cultivo maíz (Zea mays) granja experimental Universidad Francisco de Paula Santander Ocaña. Mundo Fesc , 12(s1), 100–112.
Johanna, L., Gonzalez, R., Ingeniería, P., Santiago, A., & Cali, D. (2020). Agricultura de precisión en el mundo y en Colombia : revisión bibliográfica.
Juárez, R., & Pinzón, C. (2023). Ganadería de precisión, una revisión a los avances dentro de la avicultura enfocados a la crianza de pollos de engorde. Prisma Tecnológico, 14(1), 38–48. https://doi.org/10.33412/PRI.V14.1.3652
Júlio Cesar, C. R., Miguel Angel, F. R., Angie Lilian, G. C., Ingrid Maritza, L. A., Dayli María, Q. S., & Esmeralda, T. F. (2022). Categorización de patas de pollo mediante visión artificial. INGnosis, 8, 23–31.
Juan David Ardila Suárez: Rueda Galvis, J. F., & Portilla Castellanos, S. A. (2020). Formación en competencias laborales generales, desafío para la educación superior. I+ D revista de investigaciones, 15(1), 37-44
Kumaravelu, C., & Gopal, A. (2015). A review on the applications of Near-Infrared spectrometer and Chemometrics for the agro-food processing industries. Proceedings - 2015 IEEE International Conference on Technological Innovations in ICT for Agriculture and Rural Development, TIAR 2015, 8–12. https://doi.org/10.1109/TIAR.2015.7358523
Lopez, J. (2020, August 4). Realidad Aumentada en Agricultura de Precisión | by Jmlopezcorrea | Medium. https://medium.com/@jmlopezcorrea08/realidad-aumentada-en-agricultura-de-precisión-37fdf6be4f17
Mariano, F. C. M. Q., Lima, R. R., Alvarenga, R. R., Rodrigues, P. B., & Lacerda, W. S. (2014). Neural network committee to predict the AMEn of poultry feedstuffs. Neural Computing and Applications, 25(7), 1903–1911. https://doi.org/10.1007/S00521-014-1680-3/METRICS
Mohd Shafri, H. Z., Al-Habshi, M. M., & Nisa Shaharum, N. S. (2019). Métodos de inteligencia artificial (IA) para aplicaciones de teledetección de palma de aceite. Palmas , 40, 185–193.
Morales, I. R., Cebrián, D. R., Fernandez-Blanco, E., & Sierra, A. P. (2016). Early warning in egg production curves from commercial hens: A SVM approach. Computers and Electronics in Agriculture, 121, 169–179. https://doi.org/10.1016/J.COMPAG.2015.12.009
Mucherino, A., Papajorgji, P., & Pardalos, P. (2009). Data Mining in Agriculture. springer.
Pelegri, J. (2022, May 16). Robots para agricultura: Hacia un mayor aprovechamiento de los recursos. https://www.universal-robots.com/es/blog/robots-para-agricultura/
Pardo-Padilla, J. R. . (2022). El aula invertida una estrategia para potencializar el aprendizaje a distancia. Formación Estratégica, 4(01), 47–61. Recuperado a partir de https://www.formacionestrategica.com/index.php/foes/article/view/51
Petersen, K., Feldt, R., Mujtaba, S., & Mattsson, M. (2008). Systematic Mapping Studies in Software Engineering. 12th International Conference on Evaluation and Assessment in Software Engineering, EASE 2008. https://doi.org/10.14236/EWIC/EASE2008.8
Polanco, L. S., Kochergin, V., & Carline, G. (2014). [PDF] Improvements of raw sugar quality using double purge of C-magma | Semantic Scholar. https://www.semanticscholar.org/paper/Improvements-of-raw-sugar-quality-using-double-of-Polanco-Kochergin/101c625d1f510781e5fedeb839af320d81bfd0a0
Páez, J (2019). Herramientas Pedagógicas para intervención de dificultades relacionadas con los dispositivos básicos de aprendizaje. Conocimiento Global 4(1), 12-25. Recuperado a partir de https://conocimientoglobal.org/revista/index.php/cglobal/article/view/31
Plata-Gómez, K. R., & Caballero-Márquez, J. A. (2020). Influencia de los programas de educación financiera sobre el comportamiento de los jóvenes: una revisión de literatura. I+ D Revista De Investigaciones, 15(2), 18-27.
Quiroz, M. Á., & Msg, M. (2021). Estudio comparativo de las técnicas de inteligencia artificial para el diagnóstico de enfermedades en la agricultura.
Ramírez Morales, I. (2018a). Estudio de aplicabilidad de técnicas de inteligencia artificial en el sector agropecuario.
Ramírez Morales, I. (2018b). Estudio de aplicabilidad de técnicas de inteligencia artificial en el sector agropecuario. Dialnet .
Ramírez-Morales, I., Rivero, D., Fernández-Blanco, E., & Pazos, A. (2016). Optimization of NIR calibration models for multiple processes in the sugar industry. Chemometrics and Intelligent Laboratory Systems, 159, 45–57. https://doi.org/10.1016/J.CHEMOLAB.2016.10.003
Rasmussen, M. A., Taira, E., Bro, R., & Tange, R. (2015). Application of Support Vector Regression for Simultaneous Modelling of near Infrared Spectra from Multiple Process Steps. Journal of Near Infrared Spectroscopy, Vol. 23, Issue 2, Pp. 75-84, 23(2), 75–84. https://doi.org/10.1364/JNIRS.23.000075
Revelo Sánchez, O., Collazos Ordoñez, C. A., Alejandro, J., & Toledo, J. (2018). La Gamificación como estrategia didáctica para la enseñanza/aprendizaje de la programación: un mapeo sistemático de literatura. Lámpsakos (Revista Descontinuada), 19(19), 31–46. https://doi.org/10.21501/21454086.2347
Roussel, S., Bellon-Maurel, V. E., Roger, J. M., & Grenier, P. (2003). Authenticating white grape must variety with classification models based on aroma sensors, FT-IR and UV spectrometry. Journal of Food Engineering, 60(4), 407–419. https://doi.org/10.1016/S0260-8774(03)00064-5
Segovia, J. S. B., Rojas, F. A. D., & Quishpe, M. W. V. (2021). Estudio del uso de técnicas de inteligencia artificial aplicadas para análisis de suelos para el sector agrícola. RECIMUNDO, 5(1), 4–19. https://doi.org/10.26820/RECIMUNDO/5.(1).ENERO.2021.4-19
Shahin, M. A., Tollner, E. W., & McClendon, R. W. (2001). AE—Automation and Emerging Technologies: Artificial Intelligence Classifiers for sorting Apples based on Watercore. Journal of Agricultural Engineering Research, 79(3), 265–274. https://doi.org/10.1006/JAER.2001.0705
Tajammal Munir, M., Yu, W., Young, B. R., & Wilson, D. I. (2015). The current status of process analytical technologies in the dairy industry. Trends in Food Science & Technology, 43(2), 205–218. https://doi.org/10.1016/J.TIFS.2015.02.010
Teixeira Dos Santos, C. A., Lopo, M., Páscoa, R. N. M. J., & Lopes, J. A. (2013). A Review on the Applications of Portable Near-Infrared Spectrometers in the Agro-Food Industry. Sage Journals, 67(11), 1215–1233. https://doi.org/10.1366/13-07228
Valderrama, P., Braga, J. W. B., & Poppi, R. J. (2007). Validation of multivariate calibration models in the determination of sugar cane quality parameters by near infrared spectroscopy. Journal of the Brazilian Chemical Society, 18(2), 259–266. https://doi.org/10.1590/S0103-50532007000200003
Velásquez Carrascal, B. L., Hoyos Patiño, J. F., Hernández Villamizar, D. A., Sayado Velasquez, L. N., Sayago Velásquez, J. E., & Vargas Yuncosa, J. A. (2020). (DIE) - MODELO PARA EL DISEÑO DE IDEAS DE EMPRENDIMIENTO. Revista Facultad de Ciencias Agropecuarias -FAGROPEC, 12(1), 52–64. https://doi.org/10.47847/fagropec.v12n1a5
Walker, D. H. (2002). Decision support, learning and rural resource management. Agricultural Systems, 73(1), 113–127. https://doi.org/10.1016/S0308-521X(01)00103-2
Wang, L., Sun, D. W., Pu, H., & Cheng, J. H. (2017). Quality analysis, classification, and authentication of liquid foods by near-infrared spectroscopy: A review of recent research developments. Https://Doi.Org/10.1080/10408398.2015.1115954, 57(7), 1524–1538. https://doi.org/10.1080/10408398.2015.1115954
Wieringa, R., Maiden, N., Mead, N., & Rolland, C. (2006). Requirements engineering paper classification and evaluation criteria: A proposal and a discussion. Requirements Engineering, 11(1), 102–107. https://doi.org/10.1007/S00766-005-0021-6/METRICS
Woudenberg, S. P. D., Van Der Gaag, L. C., Feelders, A., & Elbers, A. R. W. (2014). Real-time Adaptive Problem Detection in Poultry. Frontiers in Artificial Intelligence and Applications, 263, 1217–1218. https://doi.org/10.3233/978-1-61499-419-0-1217
Zayas Ruiz, E., Lorenzo Izquierdo, M., & Fragoso Concepción, F. (2015). La quimiometría y la industria del azúcar y sus derivados. ICIDCA, 49(3).
Esta obra está bajo una licencia internacional Creative Commons Atribución 4.0.