OPTIMIZACIÓN DEL SECTOR AGRÍCOLA
MEDIANTE EL ANÁLISIS DE DATOS PARA
UNA GESTIÓN EFICIENTE DE LOS RECURSOS
NATURALES: UNA PERSPECTIVA PARA
MÉXICO
OPTIMIZING THE AGRICULTURAL SECTOR THROUGH DATA
ANALYSIS FOR EFFICIENT NATURAL RESOURCE
MANAGEMENT: A MEXICAN PERSPECTIVE
Sindya Yadira Castillo Ortiz
Tecnológico Nacional de México/Instituto Tecnológico de Iguala, Guerrero, México
Julio Cesar Flores Cabrera
Tecnológico Nacional de México/Instituto Tecnológico de Iguala, Guerrero, México
Miguel Ángel Ayala Castillo
Investigador independiente, Guerrero, México
Christian David Carachure Pichardo
Investigador independiente, Guerrero, México
Amanda Ángel Ayala Castillo
Investigador independiente, Guerrero, México
pág. 241
DOI: https://doi.org/10.37811/cl_rcm.v9i2.16816
Optimización del sector agrícola mediante el análisis de datos para una
gestión eficiente de los recursos naturales: Una perspectiva para México
Sindya Yadira Castillo Ortiz1
sindya.castillo@iguala.tecnm.mx
https://orcid.org/0009-0007-6065-6764
Tecnológico Nacional de México/Instituto
Tecnológico de Iguala, Guerrero, México
Julio Cesar Flores Cabrera
jcesar.flores@iguala.tecnm.mx
https://orcid.org/0000-0002-4344-9866
Tecnológico Nacional de México/Instituto
Tecnológico de Iguala, Guerrero, México
Miguel Ángel Ayala Castillo
23670119@iguala.tecnm.mx
https://orcid.org/0009-0007-1688-3302
Investigador independiente, Guerrero, México
Christian David Carachure Pichardo*
23670310@iguala.tecnm.mx
https://orcid.org/0009-0008-6535-6303
Investigador independiente, Guerrero, México
Amanda Ángel Ayala Castillo
ami.211201.a35@gmail.com
https://orcid.org/0000-0002-9680-6249
Investigador independiente, Guerrero, México
RESUMEN
El cambio climático y el crecimiento poblacional han aumentado exponencialmente los desafíos para
la agricultura, requiriendo soluciones innovadoras basadas en diversas tecnologías de hardware y
software e inclusive algoritmos para análisis de datos y predecir las necesidades de nutrientes y
climatológicas, rumbo a una optimización de los recursos. Este estudio explora la optimización del
sector agrícola mediante técnicas de Agricultura de Precisión (AP), redes de sensores inalámbricos y
sistemas de inteligencia artificial. Mediante un análisis exhaustivo de fuentes documentales, se
identifican estrategias para mejorar la eficiencia en el uso de recursos naturales, reduciendo el impacto
ambiental y aumentando la productividad. Los resultados indican que el uso de control difuso,
sensores IoT, y aprendizaje automático pueden reducir el uso de herbicidas casi un 89%, disminuir la
dosificación del fertilizante, y el error en la predicción del cultivo no supera el 12%. Los
investigadores también presentan la necesidad de utilizar estas tecnologías, no solo como una
oportunidad para la agricultura moderna, sino como la única forma de garantizar seguridad alimentaria
para el mundo.
Palabras clave: agricultura de precisión, análisis de datos, sensores inalámbricos, inteligencia
artificial, meteorología
1 Autor principal
Correspondencia: sindya.castillo@iguala.tecnm.mx
DOI: https://doi.org/10.37811/cl_rcm.v9i2.16816
Optimización del sector agrícola mediante el análisis de datos para una
gestión eficiente de los recursos naturales: Una perspectiva para México
Sindya Yadira Castillo Ortiz1
sindya.castillo@iguala.tecnm.mx
https://orcid.org/0009-0007-6065-6764
Tecnológico Nacional de México/Instituto
Tecnológico de Iguala, Guerrero, México
Julio Cesar Flores Cabrera
jcesar.flores@iguala.tecnm.mx
https://orcid.org/0000-0002-4344-9866
Tecnológico Nacional de México/Instituto
Tecnológico de Iguala, Guerrero, México
Miguel Ángel Ayala Castillo
23670119@iguala.tecnm.mx
https://orcid.org/0009-0007-1688-3302
Investigador independiente, Guerrero, México
Christian David Carachure Pichardo*
23670310@iguala.tecnm.mx
https://orcid.org/0009-0008-6535-6303
Investigador independiente, Guerrero, México
Amanda Ángel Ayala Castillo
ami.211201.a35@gmail.com
https://orcid.org/0000-0002-9680-6249
Investigador independiente, Guerrero, México
RESUMEN
El cambio climático y el crecimiento poblacional han aumentado exponencialmente los desafíos para
la agricultura, requiriendo soluciones innovadoras basadas en diversas tecnologías de hardware y
software e inclusive algoritmos para análisis de datos y predecir las necesidades de nutrientes y
climatológicas, rumbo a una optimización de los recursos. Este estudio explora la optimización del
sector agrícola mediante técnicas de Agricultura de Precisión (AP), redes de sensores inalámbricos y
sistemas de inteligencia artificial. Mediante un análisis exhaustivo de fuentes documentales, se
identifican estrategias para mejorar la eficiencia en el uso de recursos naturales, reduciendo el impacto
ambiental y aumentando la productividad. Los resultados indican que el uso de control difuso,
sensores IoT, y aprendizaje automático pueden reducir el uso de herbicidas casi un 89%, disminuir la
dosificación del fertilizante, y el error en la predicción del cultivo no supera el 12%. Los
investigadores también presentan la necesidad de utilizar estas tecnologías, no solo como una
oportunidad para la agricultura moderna, sino como la única forma de garantizar seguridad alimentaria
para el mundo.
Palabras clave: agricultura de precisión, análisis de datos, sensores inalámbricos, inteligencia
artificial, meteorología
1 Autor principal
Correspondencia: sindya.castillo@iguala.tecnm.mx
pág. 242
Optimizing the agricultural sector through data analysis for efficient
natural resource management: A Mexican perspective
ABSTRACT
Climate change and population growth have exponentially increased the challenges for agriculture,
requiring innovative solutions based on diverse hardware and software technologies and even
algorithms for data analysis and prediction of nutrient and weather needs for resource optimization.
This study explores the optimization of the agricultural sector through Precision Agriculture (PA)
techniques, wireless sensor networks, and artificial intelligence systems. Through a comprehensive
analysis of documentary sources, strategies are identified to improve efficiency in the use of natural
resources, reducing environmental impact and increasing productivity. The results indicate that fuzzy
control, IoT sensors, and machine learning can reduce herbicide use by almost 89%, reduce fertilizer
dosing, and the error in crop prediction does not exceed 12%. The researchers also present the need to
use these technologies, not only as an opportunity for modern agriculture, but as the only way to
ensure food security for the world.
Keywords: precision agriculture, data analytics, wireless sensors, artificial intelligence, meteorology
Artículo recibido 13 febrero 2025
Aceptado para publicación: 19 marzo 2025
Optimizing the agricultural sector through data analysis for efficient
natural resource management: A Mexican perspective
ABSTRACT
Climate change and population growth have exponentially increased the challenges for agriculture,
requiring innovative solutions based on diverse hardware and software technologies and even
algorithms for data analysis and prediction of nutrient and weather needs for resource optimization.
This study explores the optimization of the agricultural sector through Precision Agriculture (PA)
techniques, wireless sensor networks, and artificial intelligence systems. Through a comprehensive
analysis of documentary sources, strategies are identified to improve efficiency in the use of natural
resources, reducing environmental impact and increasing productivity. The results indicate that fuzzy
control, IoT sensors, and machine learning can reduce herbicide use by almost 89%, reduce fertilizer
dosing, and the error in crop prediction does not exceed 12%. The researchers also present the need to
use these technologies, not only as an opportunity for modern agriculture, but as the only way to
ensure food security for the world.
Keywords: precision agriculture, data analytics, wireless sensors, artificial intelligence, meteorology
Artículo recibido 13 febrero 2025
Aceptado para publicación: 19 marzo 2025
pág. 243
INTRODUCCIÓN
Históricamente el sector agrícola, ha sido asociado a métodos tradicionalistas asociado con prácticas
manuales y conocimientos más empíricos transmitidos de generación en generación, ahora
experimenta una transformación radical. Esta revolución es impulsada por avances en procesamiento
sistematizado de datos que redundan en las tecnologías de análisis de datos, que permiten a los
agricultores tomar decisiones más informadas y eficientes (Smith et al., 2021).
Existe un efecto globalizado relacionado con el crecimiento poblacional y los efectos del cambio
climático han impuesto una presión sin precedentes sobre el sector agrícola. Se ha vuelto imperativo
optimizar el uso de recursos naturales como el agua y los fertilizantes, al tiempo que se minimizan los
impactos ambientales (Jones & Turner, 2020).
En este contexto, la Agricultura 4.0 representa la evolución del sector agrícola hacia un modelo
altamente tecnificado en algunos casos basado en experimentos previos asociado en la IoT, basado en
la integración de tecnologías digitales avanzadas y sistemas inteligentes (Kong et al., 2019). Este
concepto abarca múltiples dimensiones, desde la automatización con robots agrícolas, el uso de
agricultura digital y smart farming, hasta la optimización de la gestión agroalimentaria mediante
sistemas inteligentes de toma de decisiones y procesos sostenibles (Zhang et al., 2019).
En el ámbito científico, la Agricultura 4.0 incorpora metodologías de agricultura de precisión que
surgen como una solución prometedora ante la alta demanda de productos agrícolas, combinando
sensores, sistemas de información geográfica y herramientas avanzadas de análisis para gestionar la
variabilidad espacial y temporal en los cultivos (Earl et al., 1996) (Wang et al., 2021). A nivel
tecnológico, se sustenta en innovaciones como el Internet de las Cosas (IoT), sensores remotos,
inteligencia artificial (IA), aprendizaje automático (ML) y aprendizaje profundo (DL), entre otras
(Chen et al., 2020). Estas herramientas permiten el análisis de grandes volúmenes de datos en tiempo
real, optimizando recursos, aumentando la productividad y mejorando la sostenibilidad del sector (Li
et al., 2021), todo lo anterior coadyuva a la generación propuestas que subsanan el déficit de algunos
recursos.
INTRODUCCIÓN
Históricamente el sector agrícola, ha sido asociado a métodos tradicionalistas asociado con prácticas
manuales y conocimientos más empíricos transmitidos de generación en generación, ahora
experimenta una transformación radical. Esta revolución es impulsada por avances en procesamiento
sistematizado de datos que redundan en las tecnologías de análisis de datos, que permiten a los
agricultores tomar decisiones más informadas y eficientes (Smith et al., 2021).
Existe un efecto globalizado relacionado con el crecimiento poblacional y los efectos del cambio
climático han impuesto una presión sin precedentes sobre el sector agrícola. Se ha vuelto imperativo
optimizar el uso de recursos naturales como el agua y los fertilizantes, al tiempo que se minimizan los
impactos ambientales (Jones & Turner, 2020).
En este contexto, la Agricultura 4.0 representa la evolución del sector agrícola hacia un modelo
altamente tecnificado en algunos casos basado en experimentos previos asociado en la IoT, basado en
la integración de tecnologías digitales avanzadas y sistemas inteligentes (Kong et al., 2019). Este
concepto abarca múltiples dimensiones, desde la automatización con robots agrícolas, el uso de
agricultura digital y smart farming, hasta la optimización de la gestión agroalimentaria mediante
sistemas inteligentes de toma de decisiones y procesos sostenibles (Zhang et al., 2019).
En el ámbito científico, la Agricultura 4.0 incorpora metodologías de agricultura de precisión que
surgen como una solución prometedora ante la alta demanda de productos agrícolas, combinando
sensores, sistemas de información geográfica y herramientas avanzadas de análisis para gestionar la
variabilidad espacial y temporal en los cultivos (Earl et al., 1996) (Wang et al., 2021). A nivel
tecnológico, se sustenta en innovaciones como el Internet de las Cosas (IoT), sensores remotos,
inteligencia artificial (IA), aprendizaje automático (ML) y aprendizaje profundo (DL), entre otras
(Chen et al., 2020). Estas herramientas permiten el análisis de grandes volúmenes de datos en tiempo
real, optimizando recursos, aumentando la productividad y mejorando la sostenibilidad del sector (Li
et al., 2021), todo lo anterior coadyuva a la generación propuestas que subsanan el déficit de algunos
recursos.
pág. 244
METODOLOGÍA
Se consultaron fuentes documentales, incluidos artículos académicos, reportes de organizaciones
internacionales y estudios de caso de empresas tecnológicas aplicadas al sector agrícola. Los datos
recopilados se categorizaron en cuatro áreas principales: agricultura de precisión, inteligencia
artificial, sensores, drones, meteorología aplicada, sostenibilidad y retos en la adopción tecnológica.
Estado Actual de las Tecnologías
La transformación digital del sector agrícola se caracteriza por una marcada heterogeneidad geográfica
y tecnológica. Las tecnologías de big data no representan simplemente herramientas de recolección,
sino verdaderas plataformas de inteligencia estratégica que reconfiguran los paradigmas tradicionales
de producción (Wang & Zhang, 2020). La cadena de datos consta necesariamente de una capa técnica
que captura datos en bruto y los convierte en información, y de una capa empresarial que toma
decisiones y deriva valor de los servicios de datos y la inteligencia empresarial proporcionados.
Ambas capas pueden entrelazarse en cada etapa y, en conjunto, conforman la base de lo que se conoce
como la «cadena de valor de los datos» (Mayer et al., 2020).
En el contexto global, se observan patrones diferenciados de adopción tecnológica. Ello sin duda
representa una brecha en los procesos productivos. Los países desarrollados han implementado
ecosistemas tecnológicos complejos que integran sistemas de georreferenciación satelital, redes de
sensores de alta precisión, plataformas de inteligencia artificial para predicción de rendimientos y
sistemas de automatización agrícola con aprendizaje continuo (Hernández et al., 2019). En contraste,
los países en desarrollo enfrentan barreras estructurales que limitan su transformación tecnológica
(Zhao et al., 2020). Estas restricciones no son únicamente económicas, sino que involucran
dimensiones como infraestructura de conectividad deficiente, limitada alfabetización digital en
comunidades rurales, marcos regulatorios poco adaptados a la innovación tecnológica y brechas
significativas en inversión en investigación y desarrollo agrícola (Bose & Kwon, 2020). Lo cual esta
relacionada con un bajo rendimiento de los cultivos, y en algunos casos llega a producir la erosión de
la tierra, al no contar con los recursos o conocimientos necesarios para implementación de técnicas
como la rotación de cultivos.
METODOLOGÍA
Se consultaron fuentes documentales, incluidos artículos académicos, reportes de organizaciones
internacionales y estudios de caso de empresas tecnológicas aplicadas al sector agrícola. Los datos
recopilados se categorizaron en cuatro áreas principales: agricultura de precisión, inteligencia
artificial, sensores, drones, meteorología aplicada, sostenibilidad y retos en la adopción tecnológica.
Estado Actual de las Tecnologías
La transformación digital del sector agrícola se caracteriza por una marcada heterogeneidad geográfica
y tecnológica. Las tecnologías de big data no representan simplemente herramientas de recolección,
sino verdaderas plataformas de inteligencia estratégica que reconfiguran los paradigmas tradicionales
de producción (Wang & Zhang, 2020). La cadena de datos consta necesariamente de una capa técnica
que captura datos en bruto y los convierte en información, y de una capa empresarial que toma
decisiones y deriva valor de los servicios de datos y la inteligencia empresarial proporcionados.
Ambas capas pueden entrelazarse en cada etapa y, en conjunto, conforman la base de lo que se conoce
como la «cadena de valor de los datos» (Mayer et al., 2020).
En el contexto global, se observan patrones diferenciados de adopción tecnológica. Ello sin duda
representa una brecha en los procesos productivos. Los países desarrollados han implementado
ecosistemas tecnológicos complejos que integran sistemas de georreferenciación satelital, redes de
sensores de alta precisión, plataformas de inteligencia artificial para predicción de rendimientos y
sistemas de automatización agrícola con aprendizaje continuo (Hernández et al., 2019). En contraste,
los países en desarrollo enfrentan barreras estructurales que limitan su transformación tecnológica
(Zhao et al., 2020). Estas restricciones no son únicamente económicas, sino que involucran
dimensiones como infraestructura de conectividad deficiente, limitada alfabetización digital en
comunidades rurales, marcos regulatorios poco adaptados a la innovación tecnológica y brechas
significativas en inversión en investigación y desarrollo agrícola (Bose & Kwon, 2020). Lo cual esta
relacionada con un bajo rendimiento de los cultivos, y en algunos casos llega a producir la erosión de
la tierra, al no contar con los recursos o conocimientos necesarios para implementación de técnicas
como la rotación de cultivos.
pág. 245
El futuro del campo agrícola en México está estrechamente ligado a la adopción de tecnologías
digitales que optimicen la producción y el uso eficiente de recursos. Innovaciones como drones y
sensores remotos facilitan la detección temprana de plagas y enfermedades, mientras que los sistemas
de riego inteligente contribuyen a la disminución del gasto desmedido de agua. La agricultura de
precisión, apoyada en GPS y sistemas de información geográfica, facilita la optimización de insumos,
aunque requiere capacitación especializada (Farmonaut. n.d.). Por otro lado, el uso de robots
cosechadores incrementa la eficiencia en las cosechas, aunque su alto costo inicial representa un
desafío (Farmonaut. n.d.). Finalmente, el análisis de datos mediante big data y machine learning
permite realizar predicciones precisas de rendimiento, aunque su implementación enfrenta
limitaciones en infraestructura. Proyectos en estados como Sinaloa, Guanajuato, Jalisco, Baja
California y Querétaro reflejan los avances en estas áreas, evidenciando el potencial de la tecnología
para transformar la agricultura mexicana, actualmente se están realizando estudios para permitir la
implementación de estas tecnologías a costos asequibles.
Beneficios del Análisis de Datos en la Agricultura
El análisis de datos en la agricultura permite un uso más eficiente y responsable de los recursos
naturales, optimizando la producción y reduciendo el impacto ambiental (Rao et al., 2021). A través de
la recopilación y procesamiento de información clave, como la calidad del suelo, condiciones
climáticas, patrones de plagas y rendimiento de cultivos, se logra maximizar los rendimientos y
reducir costos operativos (Elkassabgi et al., 2019).
Además, la implementación de tecnologías basadas en datos facilita el mantenimiento de parámetros
climáticos óptimos y el control de enfermedades y plagas, permitiendo la producción de vegetales de
mayor calidad y en mayor cantidad (Adams et al., 2020). Asimismo, el análisis de datos contribuye a
la autosuficiencia agrícola y fomenta la comercialización a gran escala de los productos cosechados,
beneficiando a las familias agricultoras (Blanc & Pisoni, 2021).
Otro aspecto relevante es la reducción de horas de trabajo, lo que permite a los agricultores dedicar
más tiempo a otras actividades productivas, sociales o familiares. De igual manera, se promueve un
mejor desarrollo personal en los niños del campo, al reducir la carga laboral y mejorar sus
oportunidades de educación y crecimiento social (Cepeda et al. 2010).
El futuro del campo agrícola en México está estrechamente ligado a la adopción de tecnologías
digitales que optimicen la producción y el uso eficiente de recursos. Innovaciones como drones y
sensores remotos facilitan la detección temprana de plagas y enfermedades, mientras que los sistemas
de riego inteligente contribuyen a la disminución del gasto desmedido de agua. La agricultura de
precisión, apoyada en GPS y sistemas de información geográfica, facilita la optimización de insumos,
aunque requiere capacitación especializada (Farmonaut. n.d.). Por otro lado, el uso de robots
cosechadores incrementa la eficiencia en las cosechas, aunque su alto costo inicial representa un
desafío (Farmonaut. n.d.). Finalmente, el análisis de datos mediante big data y machine learning
permite realizar predicciones precisas de rendimiento, aunque su implementación enfrenta
limitaciones en infraestructura. Proyectos en estados como Sinaloa, Guanajuato, Jalisco, Baja
California y Querétaro reflejan los avances en estas áreas, evidenciando el potencial de la tecnología
para transformar la agricultura mexicana, actualmente se están realizando estudios para permitir la
implementación de estas tecnologías a costos asequibles.
Beneficios del Análisis de Datos en la Agricultura
El análisis de datos en la agricultura permite un uso más eficiente y responsable de los recursos
naturales, optimizando la producción y reduciendo el impacto ambiental (Rao et al., 2021). A través de
la recopilación y procesamiento de información clave, como la calidad del suelo, condiciones
climáticas, patrones de plagas y rendimiento de cultivos, se logra maximizar los rendimientos y
reducir costos operativos (Elkassabgi et al., 2019).
Además, la implementación de tecnologías basadas en datos facilita el mantenimiento de parámetros
climáticos óptimos y el control de enfermedades y plagas, permitiendo la producción de vegetales de
mayor calidad y en mayor cantidad (Adams et al., 2020). Asimismo, el análisis de datos contribuye a
la autosuficiencia agrícola y fomenta la comercialización a gran escala de los productos cosechados,
beneficiando a las familias agricultoras (Blanc & Pisoni, 2021).
Otro aspecto relevante es la reducción de horas de trabajo, lo que permite a los agricultores dedicar
más tiempo a otras actividades productivas, sociales o familiares. De igual manera, se promueve un
mejor desarrollo personal en los niños del campo, al reducir la carga laboral y mejorar sus
oportunidades de educación y crecimiento social (Cepeda et al. 2010).
pág. 246
Desde una perspectiva económica, la agricultura juega un papel clave en el desarrollo de un país, ya
que contribuye a la seguridad alimentaria, la generación de ingresos y el fortalecimiento de los
mercados locales e internacionales (Hernández Pérez, Juan Luis. 2021). Su impacto va más allá de la
producción de alimentos, pues también influye en la sostenibilidad ambiental y en la calidad de vida
de las comunidades rurales (Hernández Pérez, Juan Luis. 2021).
Finalmente, el análisis de datos en la agricultura incentiva mayores inversiones en proyectos de alta
tecnología, fortaleciendo la competitividad del sector y promoviendo un desarrollo agrícola más
sostenible y eficiente (Cepeda et al. 2010).
Sensores IoT combinados con drones
La combinación de sensores IoT (Internet de las Cosas) con drones y satélites ha revolucionado la
agricultura al generar grandes volúmenes de datos en tiempo real, lo que permite a los agricultores
optimizar el uso de recursos, minimizar desperdicios y mejorar la sostenibilidad de la producción
agrícola (Chen et al., 2019). El IoT en la agricultura se basa en la conectividad entre dispositivos
físicos y digitales mediante protocolos de comunicación estandarizados, permitiendo la monitorización
continua de variables clave como humedad del suelo, condiciones climáticas y trazabilidad de la
cadena agroalimentaria (Zhang et al., 2019).
Un estudio realizado en la Facultad de Agronomía y Veterinaria de la UASLP, San Luis Potosí,
México, demostró que es posible monitorear la temperatura en un cultivo de invernadero mediante
dispositivos electrónicos de bajo costo. En un invernadero de 1000 m², se implementó una red de
sensores capaces de recopilar datos en distintos puntos, permitiendo identificar variaciones térmicas a
lo largo del día. Los resultados mostraron que, mientras la temperatura se mantiene uniforme en las
primeras horas de la mañana, hacia el mediodía se registran diferencias de 4 a 5 °C en una de las
paredes del invernadero (Aguilar et al. 2023). Gracias a esta información, se lograron realizar riegos
localizados, optimizando el uso del agua y mejorando la eficiencia del cultivo. Este proyecto
representa un avance significativo para pequeños productores, ya que permite acceder a tecnologías
agrícolas a un costo accesible. A futuro, se planea ampliar el estudio incorporando mediciones
adicionales de variables climáticas como humedad relativa y luminosidad, así como el cálculo del
índice de evapotranspiración para perfeccionar la gestión del recurso hídrico (Aguilar et al. 2023).
Desde una perspectiva económica, la agricultura juega un papel clave en el desarrollo de un país, ya
que contribuye a la seguridad alimentaria, la generación de ingresos y el fortalecimiento de los
mercados locales e internacionales (Hernández Pérez, Juan Luis. 2021). Su impacto va más allá de la
producción de alimentos, pues también influye en la sostenibilidad ambiental y en la calidad de vida
de las comunidades rurales (Hernández Pérez, Juan Luis. 2021).
Finalmente, el análisis de datos en la agricultura incentiva mayores inversiones en proyectos de alta
tecnología, fortaleciendo la competitividad del sector y promoviendo un desarrollo agrícola más
sostenible y eficiente (Cepeda et al. 2010).
Sensores IoT combinados con drones
La combinación de sensores IoT (Internet de las Cosas) con drones y satélites ha revolucionado la
agricultura al generar grandes volúmenes de datos en tiempo real, lo que permite a los agricultores
optimizar el uso de recursos, minimizar desperdicios y mejorar la sostenibilidad de la producción
agrícola (Chen et al., 2019). El IoT en la agricultura se basa en la conectividad entre dispositivos
físicos y digitales mediante protocolos de comunicación estandarizados, permitiendo la monitorización
continua de variables clave como humedad del suelo, condiciones climáticas y trazabilidad de la
cadena agroalimentaria (Zhang et al., 2019).
Un estudio realizado en la Facultad de Agronomía y Veterinaria de la UASLP, San Luis Potosí,
México, demostró que es posible monitorear la temperatura en un cultivo de invernadero mediante
dispositivos electrónicos de bajo costo. En un invernadero de 1000 m², se implementó una red de
sensores capaces de recopilar datos en distintos puntos, permitiendo identificar variaciones térmicas a
lo largo del día. Los resultados mostraron que, mientras la temperatura se mantiene uniforme en las
primeras horas de la mañana, hacia el mediodía se registran diferencias de 4 a 5 °C en una de las
paredes del invernadero (Aguilar et al. 2023). Gracias a esta información, se lograron realizar riegos
localizados, optimizando el uso del agua y mejorando la eficiencia del cultivo. Este proyecto
representa un avance significativo para pequeños productores, ya que permite acceder a tecnologías
agrícolas a un costo accesible. A futuro, se planea ampliar el estudio incorporando mediciones
adicionales de variables climáticas como humedad relativa y luminosidad, así como el cálculo del
índice de evapotranspiración para perfeccionar la gestión del recurso hídrico (Aguilar et al. 2023).
pág. 247
El uso de drones en la agricultura también ayuda a mitigar los efectos negativos de la actividad
agrícola en el medio ambiente. La aplicación indiscriminada de fertilizantes y pesticidas puede causar
contaminación del agua y degradación del suelo; sin embargo, mediante la agricultura de precisión
basada en drones, es posible administrar estos insumos de manera localizada, reduciendo su impacto
ambiental y los riesgos para la salud humana (Daponte, P., et al. 2019).
Además, los drones pueden emplearse en la inspección de grandes extensiones de tierra, optimizando
la irrigación y detectando plagas o enfermedades a tiempo. Gracias a sensores avanzados, es posible
medir la absorción de clorofila, identificar zonas afectadas por enfermedades y cuantificar la necesidad
de insumos agrícolas (Daponte, P., et al. 2019).
A pesar de sus múltiples beneficios, los sistemas basados en drones presentan desafíos, como la falta
de interoperabilidad entre plataformas y la necesidad de calibración específica para cada tarea. Para
superar estos obstáculos, se están desarrollando interfaces y módulos de software que permitan
integrar diferentes herramientas en un solo sistema, reduciendo la necesidad de intervención manual y
mejorando la eficiencia operativa (Daponte, P., et al. 2019).
Redes de Sensores Inalámbricos en la Agricultura
Las Redes de Sensores Inalámbricos (WSN, por sus siglas en inglés) representan una tecnología
emergente con gran potencial para la agricultura moderna (Zhang & Zhang, 2021). Estas redes
permiten la recolección continua de datos ambientales cruciales como temperatura, humedad y
luminosidad, optimizando el uso del agua y los insumos agrícolas (Li et al., 2020).
Existen dos variantes principales de WSN utilizadas en aplicaciones agrícolas: las Redes de Sensores
Inalámbricos Terrestres (TWSN) y las Redes de Sensores Inalámbricos Subterráneos (WUSN). En el
caso de las TWSN, los nodos sensores están ubicados sobre la superficie del suelo, recolectando datos
del entorno mediante sensores inteligentes y de bajo costo. Estos sensores pueden monitorear la
humedad del suelo y, con base en los datos obtenidos, coordinar sistemas de riego automatizados para
optimizar el uso del agua (Ojha et al. 2015).
Por otro lado, las WUSN tienen sensores enterrados en el suelo para monitorear condiciones edáficas.
Dado que las señales de radiofrecuencia se atenúan considerablemente en el suelo, estas redes
requieren más nodos para una cobertura efectiva. Sin embargo, ofrecen ventajas al proporcionar
El uso de drones en la agricultura también ayuda a mitigar los efectos negativos de la actividad
agrícola en el medio ambiente. La aplicación indiscriminada de fertilizantes y pesticidas puede causar
contaminación del agua y degradación del suelo; sin embargo, mediante la agricultura de precisión
basada en drones, es posible administrar estos insumos de manera localizada, reduciendo su impacto
ambiental y los riesgos para la salud humana (Daponte, P., et al. 2019).
Además, los drones pueden emplearse en la inspección de grandes extensiones de tierra, optimizando
la irrigación y detectando plagas o enfermedades a tiempo. Gracias a sensores avanzados, es posible
medir la absorción de clorofila, identificar zonas afectadas por enfermedades y cuantificar la necesidad
de insumos agrícolas (Daponte, P., et al. 2019).
A pesar de sus múltiples beneficios, los sistemas basados en drones presentan desafíos, como la falta
de interoperabilidad entre plataformas y la necesidad de calibración específica para cada tarea. Para
superar estos obstáculos, se están desarrollando interfaces y módulos de software que permitan
integrar diferentes herramientas en un solo sistema, reduciendo la necesidad de intervención manual y
mejorando la eficiencia operativa (Daponte, P., et al. 2019).
Redes de Sensores Inalámbricos en la Agricultura
Las Redes de Sensores Inalámbricos (WSN, por sus siglas en inglés) representan una tecnología
emergente con gran potencial para la agricultura moderna (Zhang & Zhang, 2021). Estas redes
permiten la recolección continua de datos ambientales cruciales como temperatura, humedad y
luminosidad, optimizando el uso del agua y los insumos agrícolas (Li et al., 2020).
Existen dos variantes principales de WSN utilizadas en aplicaciones agrícolas: las Redes de Sensores
Inalámbricos Terrestres (TWSN) y las Redes de Sensores Inalámbricos Subterráneos (WUSN). En el
caso de las TWSN, los nodos sensores están ubicados sobre la superficie del suelo, recolectando datos
del entorno mediante sensores inteligentes y de bajo costo. Estos sensores pueden monitorear la
humedad del suelo y, con base en los datos obtenidos, coordinar sistemas de riego automatizados para
optimizar el uso del agua (Ojha et al. 2015).
Por otro lado, las WUSN tienen sensores enterrados en el suelo para monitorear condiciones edáficas.
Dado que las señales de radiofrecuencia se atenúan considerablemente en el suelo, estas redes
requieren más nodos para una cobertura efectiva. Sin embargo, ofrecen ventajas al proporcionar
pág. 248
información precisa sobre la humedad y los nutrientes disponibles en la tierra, mejorando así la
eficiencia del riego y la aplicación de fertilizantes (Ojha et al. 2015).
Además, las WSN poseen características clave como la toma de decisiones inteligente mediante redes
multi-hop, la configuración dinámica de la topología para optimizar la duración de la batería, la
tolerancia a fallos y la capacidad de operar de manera autónoma. Estas cualidades las convierten en
una herramienta clave para la automatización agrícola y la gestión eficiente de los recursos (Ojha et al.
2015).
Esto es la implementación de la tecnología puede ser un factor clave, rumbo a la agricultura sostenible.
Agricultura de Precisión
Plataformas de agricultura de precisión permiten identificar áreas específicas de un terreno que
requieren atención particular, en lugar de aplicar insumos de manera uniforme (Burgos-Artizzu et al.,
2007). Un avance significativo en este campo es la incorporación de técnicas de control y
automatización en la Agricultura de Precisión (AP), que buscan optimizar el uso de agroquímicos
considerando la diversidad del medio físico y biológico (Jones & Turner, 2020). Sobre todo considerar
que la optimización de recursos incide a su vez en la optimización de resultados en la cosecha.
En particular, los sistemas de control basados en visión artificial permiten una dosificación selectiva
de herbicidas mediante la generación de mapas de infestación y mapas de cultivo. Estos sistemas
utilizan técnicas de interpolación para estimar la distribución de malezas y ajustar la cantidad de
herbicida aplicada, minimizando el desperdicio y maximizando la eficiencia del tratamiento (Burgos-
Artizzu et al., 2007).
Mediante técnicas como el control MIMO (Multiple Input, Multiple Output), es posible ajustar el
caudal y la velocidad del tractor con base en condiciones específicas del campo. Investigaciones han
demostrado que estos sistemas pueden reducir hasta un 89% el uso de herbicidas en comparación con
métodos tradicionales, sin comprometer la efectividad del tratamiento (Burgos-Artizzu et al., 2007).
En otro estudio se presenta un sistema de análisis de imágenes basado en computadora que permite
procesar fotografías de campos de cultivo para estimar los porcentajes de maleza, cultivo y suelo.
Utiliza un sistema de razonamiento basado en casos (CBR) que selecciona automáticamente el mejor
método de procesamiento para cada imagen en tiempo real (Burgos et al., 2009).
información precisa sobre la humedad y los nutrientes disponibles en la tierra, mejorando así la
eficiencia del riego y la aplicación de fertilizantes (Ojha et al. 2015).
Además, las WSN poseen características clave como la toma de decisiones inteligente mediante redes
multi-hop, la configuración dinámica de la topología para optimizar la duración de la batería, la
tolerancia a fallos y la capacidad de operar de manera autónoma. Estas cualidades las convierten en
una herramienta clave para la automatización agrícola y la gestión eficiente de los recursos (Ojha et al.
2015).
Esto es la implementación de la tecnología puede ser un factor clave, rumbo a la agricultura sostenible.
Agricultura de Precisión
Plataformas de agricultura de precisión permiten identificar áreas específicas de un terreno que
requieren atención particular, en lugar de aplicar insumos de manera uniforme (Burgos-Artizzu et al.,
2007). Un avance significativo en este campo es la incorporación de técnicas de control y
automatización en la Agricultura de Precisión (AP), que buscan optimizar el uso de agroquímicos
considerando la diversidad del medio físico y biológico (Jones & Turner, 2020). Sobre todo considerar
que la optimización de recursos incide a su vez en la optimización de resultados en la cosecha.
En particular, los sistemas de control basados en visión artificial permiten una dosificación selectiva
de herbicidas mediante la generación de mapas de infestación y mapas de cultivo. Estos sistemas
utilizan técnicas de interpolación para estimar la distribución de malezas y ajustar la cantidad de
herbicida aplicada, minimizando el desperdicio y maximizando la eficiencia del tratamiento (Burgos-
Artizzu et al., 2007).
Mediante técnicas como el control MIMO (Multiple Input, Multiple Output), es posible ajustar el
caudal y la velocidad del tractor con base en condiciones específicas del campo. Investigaciones han
demostrado que estos sistemas pueden reducir hasta un 89% el uso de herbicidas en comparación con
métodos tradicionales, sin comprometer la efectividad del tratamiento (Burgos-Artizzu et al., 2007).
En otro estudio se presenta un sistema de análisis de imágenes basado en computadora que permite
procesar fotografías de campos de cultivo para estimar los porcentajes de maleza, cultivo y suelo.
Utiliza un sistema de razonamiento basado en casos (CBR) que selecciona automáticamente el mejor
método de procesamiento para cada imagen en tiempo real (Burgos et al., 2009).
pág. 249
El principal desafío en el análisis de imágenes es lograr una discriminación precisa entre maleza,
cultivo y suelo bajo condiciones variables de luz, textura del suelo y estado del cultivo. El sistema
desarrollado ha sido probado con imágenes de diferentes campos y condiciones ambientales, logrando
una correlación del 80% con datos reales (Burgos et al., 2009).
Integración de Inteligencia Artificial y Aprendizaje Automático
La convergencia de inteligencia artificial y agricultura representa una revolución metodológica que
trasciende la mera implementación tecnológica (Guan et al., 2020). Los algoritmos de aprendizaje
automático actúan como sistemas cognitivos avanzados capaces de interpretar patrones complejos en
datos agrícolas multidimensionales, optimizando estrategias de irrigación y fertilización en tiempo real
(Bose & Kwon, 2020). Sobre todo, considerar la posibilidad de optimizar el recurso hídrico en algunos
poblados donde es limitado el acceso al vital líquido
Los modelos predictivos incorporan variables heterogéneas como:
• Registros históricos de rendimiento
• Datos satelitales de cobertura vegetal
• Información meteorológica de alta resolución
• Características edafológicas locales
Además, el uso de redes neuronales convolucionales (CNN), redes neuronales recurrentes (RNN) y
otras arquitecturas computacionales permiten detectar enfermedades en cultivos o la presencia de
maleza no deseada, aumentando la eficiencia del manejo agrícola (Kirtan Jha et al. 2019). A su vez, la
integración de robótica en el sector agrícola permite la automatización de procesos clave como la
siembra, fertilización, riego, control de maleza, cosecha e incluso el pastoreo, reduciendo
significativamente la necesidad de mano de obra y aumentando la eficiencia operativa (Jha et al.
2019).
El futuro de la agricultura se dirige hacia un modelo de farming de precisión donde la gestión se
realiza a nivel de cada planta individual [16]. Tecnologías como el deep learning facilitan la
identificación del tipo de planta, flor o fruto, lo que permite a los agricultores ajustar las condiciones
de crecimiento para fomentar una producción más diversificada y personalizada. Asimismo, la
aplicación de IoT y protocolos de comunicación avanzados posibilitan el monitoreo y control
El principal desafío en el análisis de imágenes es lograr una discriminación precisa entre maleza,
cultivo y suelo bajo condiciones variables de luz, textura del suelo y estado del cultivo. El sistema
desarrollado ha sido probado con imágenes de diferentes campos y condiciones ambientales, logrando
una correlación del 80% con datos reales (Burgos et al., 2009).
Integración de Inteligencia Artificial y Aprendizaje Automático
La convergencia de inteligencia artificial y agricultura representa una revolución metodológica que
trasciende la mera implementación tecnológica (Guan et al., 2020). Los algoritmos de aprendizaje
automático actúan como sistemas cognitivos avanzados capaces de interpretar patrones complejos en
datos agrícolas multidimensionales, optimizando estrategias de irrigación y fertilización en tiempo real
(Bose & Kwon, 2020). Sobre todo, considerar la posibilidad de optimizar el recurso hídrico en algunos
poblados donde es limitado el acceso al vital líquido
Los modelos predictivos incorporan variables heterogéneas como:
• Registros históricos de rendimiento
• Datos satelitales de cobertura vegetal
• Información meteorológica de alta resolución
• Características edafológicas locales
Además, el uso de redes neuronales convolucionales (CNN), redes neuronales recurrentes (RNN) y
otras arquitecturas computacionales permiten detectar enfermedades en cultivos o la presencia de
maleza no deseada, aumentando la eficiencia del manejo agrícola (Kirtan Jha et al. 2019). A su vez, la
integración de robótica en el sector agrícola permite la automatización de procesos clave como la
siembra, fertilización, riego, control de maleza, cosecha e incluso el pastoreo, reduciendo
significativamente la necesidad de mano de obra y aumentando la eficiencia operativa (Jha et al.
2019).
El futuro de la agricultura se dirige hacia un modelo de farming de precisión donde la gestión se
realiza a nivel de cada planta individual [16]. Tecnologías como el deep learning facilitan la
identificación del tipo de planta, flor o fruto, lo que permite a los agricultores ajustar las condiciones
de crecimiento para fomentar una producción más diversificada y personalizada. Asimismo, la
aplicación de IoT y protocolos de comunicación avanzados posibilitan el monitoreo y control
pág. 250
automatizado en entornos como los invernaderos, reduciendo la dependencia de la intervención
humana (Kirtan Jha et al. 2019).
La inteligencia artificial (IA) ha revolucionado el análisis predictivo en la agricultura, permitiendo a
los productores anticipar patrones de costos y demanda en el mercado con una precisión sin
precedentes. A través de algoritmos de aprendizaje automático (ML), es posible calcular la producción
y el rendimiento de cultivos como el tomate, predecir precios futuros, obtener recomendaciones
estratégicas sobre qué variedades plantar para maximizar sus ganancias y los niveles esperados de
demanda. La automatización de la cosecha mediante IA no solo optimiza tiempos, sino que también
permite clasificar los productos según su grado de maduración antes de su distribución al mercado
(Galaz en al., 2021). De esta manera, la IA transforma la gestión agrícola en un modelo más eficiente y
rentable.
Esta integración tecnológica transforma la agricultura reactiva en un modelo proactivo y anticipatorio,
donde cada decisión se basa en el análisis de datos en tiempo real y la optimización de recursos,
garantizando una producción más eficiente y sostenible.
Modelo Predictivo en Agricultura
La implementación de modelos predictivos utilizando técnicas de minería de datos representa una
frontera prometedora. Rodríguez et al. (Rodríguez et al., 2021). exploraron diferentes algoritmos para
predecir condiciones ambientales en invernaderos, incluyendo regresión lineal, redes neuronales y
máquinas de vectores de soporte (SVM).
Los resultados mostraron que el algoritmo SVM presentó un error absoluto relativo de solo 11.33 %,
correspondiente a un error absoluto medio de 0.698°C (Rodríguez et al., 2021)., posicionándose como
el modelo de predicción más preciso. Actualmente, se continúa investigando diferentes
parametrizaciones del algoritmo para mejorar aún más su rendimiento.
Esta tecnología representa una herramienta fundamental para el sector agrícola, facilitando la toma de
decisiones en la gestión de parámetros agroecológicos como temperatura, luminosidad y humedad
relativa. Su implementación en invernaderos permite un monitoreo constante y posibilita acciones
preventivas o correctivas cuando sea necesario, sin necesidad de presencia física en el invernadero
para la supervisión en tiempo real.
automatizado en entornos como los invernaderos, reduciendo la dependencia de la intervención
humana (Kirtan Jha et al. 2019).
La inteligencia artificial (IA) ha revolucionado el análisis predictivo en la agricultura, permitiendo a
los productores anticipar patrones de costos y demanda en el mercado con una precisión sin
precedentes. A través de algoritmos de aprendizaje automático (ML), es posible calcular la producción
y el rendimiento de cultivos como el tomate, predecir precios futuros, obtener recomendaciones
estratégicas sobre qué variedades plantar para maximizar sus ganancias y los niveles esperados de
demanda. La automatización de la cosecha mediante IA no solo optimiza tiempos, sino que también
permite clasificar los productos según su grado de maduración antes de su distribución al mercado
(Galaz en al., 2021). De esta manera, la IA transforma la gestión agrícola en un modelo más eficiente y
rentable.
Esta integración tecnológica transforma la agricultura reactiva en un modelo proactivo y anticipatorio,
donde cada decisión se basa en el análisis de datos en tiempo real y la optimización de recursos,
garantizando una producción más eficiente y sostenible.
Modelo Predictivo en Agricultura
La implementación de modelos predictivos utilizando técnicas de minería de datos representa una
frontera prometedora. Rodríguez et al. (Rodríguez et al., 2021). exploraron diferentes algoritmos para
predecir condiciones ambientales en invernaderos, incluyendo regresión lineal, redes neuronales y
máquinas de vectores de soporte (SVM).
Los resultados mostraron que el algoritmo SVM presentó un error absoluto relativo de solo 11.33 %,
correspondiente a un error absoluto medio de 0.698°C (Rodríguez et al., 2021)., posicionándose como
el modelo de predicción más preciso. Actualmente, se continúa investigando diferentes
parametrizaciones del algoritmo para mejorar aún más su rendimiento.
Esta tecnología representa una herramienta fundamental para el sector agrícola, facilitando la toma de
decisiones en la gestión de parámetros agroecológicos como temperatura, luminosidad y humedad
relativa. Su implementación en invernaderos permite un monitoreo constante y posibilita acciones
preventivas o correctivas cuando sea necesario, sin necesidad de presencia física en el invernadero
para la supervisión en tiempo real.
pág. 251
El estudio realizado en año 2025 en la Universidad de Craiova ejemplifica la evolución del uso de
modelos predictivos en la agricultura mediante la integración de tecnologías digitales avanzadas,
promoviendo un enfoque basado en datos para optimizar la productividad y sostenibilidad del sector.
En este contexto, se han aplicado modelos como ARIMA y redes neuronales artificiales (ANNs) para
analizar la relación entre la digitalización, medida a través del índice de economía y sociedad digital
(DESI), y el desempeño agrícola (Vărzaru, A. A. 2025). El modelo ARIMA ha sido seleccionado por
su capacidad de capturar relaciones temporales directas y dinámicas entre la digitalización y variables
clave como la productividad laboral real por persona y la producción agrícola (Vărzaru, A. A. 2025).
Por otro lado, las ANNs permiten identificar interdependencias no lineales que los modelos
tradicionales podrían pasar por alto, proporcionando un análisis detallado sobre cómo el crecimiento
económico, representado por el PIB per cápita real, influye en la producción agrícola (Vărzaru, A. A.
2025).
Asimismo, el suavizado exponencial de Brown complementa estos enfoques al capturar tendencias de
largo plazo y variaciones estacionales en series temporales extensas (Velasco et al. 2015). La
combinación de estos métodos predictivos respalda la toma de decisiones informadas en el sector,
optimizando el uso de recursos y mejorando la resiliencia ante cambios climáticos y económicos.
Además, los hallazgos destacan el impacto positivo y significativo de la digitalización en la
productividad agrícola, alineándose con estudios previos sobre Agricultura 4.0, que resaltan el papel
de tecnologías como IoT, IA y robótica en la optimización de procesos, reducción de desperdicios,
beneficios económicos y mejora de la resiliencia climática.
Observaciones meteorológicas cuantificadas
El monitoreo meteorológico es esencial para la agricultura, ya que influye en la productividad. En
México, la mayoría de las estaciones meteorológicas automatizadas (EMA) son importadas y difíciles
de reparar debido a costos y falta de conocimiento técnico. Además, las estaciones comerciales no
siempre cumplen con los requisitos específicos de la investigación agronómica (Velasco et al. 2015).
Este estudio presenta el desarrollo de un prototipo de EMA diseñado por estudiantes del Instituto
Tecnológico de la Laguna, el cual permite ajustes en sensores y tiempos de muestreo. El prototipo fue
instalado en el campo experimental de la Universidad Autónoma Agraria Antonio Narro y validado
El estudio realizado en año 2025 en la Universidad de Craiova ejemplifica la evolución del uso de
modelos predictivos en la agricultura mediante la integración de tecnologías digitales avanzadas,
promoviendo un enfoque basado en datos para optimizar la productividad y sostenibilidad del sector.
En este contexto, se han aplicado modelos como ARIMA y redes neuronales artificiales (ANNs) para
analizar la relación entre la digitalización, medida a través del índice de economía y sociedad digital
(DESI), y el desempeño agrícola (Vărzaru, A. A. 2025). El modelo ARIMA ha sido seleccionado por
su capacidad de capturar relaciones temporales directas y dinámicas entre la digitalización y variables
clave como la productividad laboral real por persona y la producción agrícola (Vărzaru, A. A. 2025).
Por otro lado, las ANNs permiten identificar interdependencias no lineales que los modelos
tradicionales podrían pasar por alto, proporcionando un análisis detallado sobre cómo el crecimiento
económico, representado por el PIB per cápita real, influye en la producción agrícola (Vărzaru, A. A.
2025).
Asimismo, el suavizado exponencial de Brown complementa estos enfoques al capturar tendencias de
largo plazo y variaciones estacionales en series temporales extensas (Velasco et al. 2015). La
combinación de estos métodos predictivos respalda la toma de decisiones informadas en el sector,
optimizando el uso de recursos y mejorando la resiliencia ante cambios climáticos y económicos.
Además, los hallazgos destacan el impacto positivo y significativo de la digitalización en la
productividad agrícola, alineándose con estudios previos sobre Agricultura 4.0, que resaltan el papel
de tecnologías como IoT, IA y robótica en la optimización de procesos, reducción de desperdicios,
beneficios económicos y mejora de la resiliencia climática.
Observaciones meteorológicas cuantificadas
El monitoreo meteorológico es esencial para la agricultura, ya que influye en la productividad. En
México, la mayoría de las estaciones meteorológicas automatizadas (EMA) son importadas y difíciles
de reparar debido a costos y falta de conocimiento técnico. Además, las estaciones comerciales no
siempre cumplen con los requisitos específicos de la investigación agronómica (Velasco et al. 2015).
Este estudio presenta el desarrollo de un prototipo de EMA diseñado por estudiantes del Instituto
Tecnológico de la Laguna, el cual permite ajustes en sensores y tiempos de muestreo. El prototipo fue
instalado en el campo experimental de la Universidad Autónoma Agraria Antonio Narro y validado
pág. 252
comparando sus mediciones con las de dos estaciones comerciales cercanas, obteniendo correlaciones
de 0.95 en radiación global y 0.91 en temperatura (Velasco et al. 2015).
Los resultados muestran que el prototipo es funcional y más económico que las estaciones
comerciales. Sin embargo, se identificaron áreas de mejora, como la altura de los sensores y la
validación de ciertas variables. La capacidad de modificar su programación y agregar nuevos sensores
permite su adaptación a necesidades específicas de la meteorología agrícola, como el cálculo de la
evapotranspiración potencial (ET0) utilizando modelos como FAO-PM y Hargreaves-Samani (Velasco
et al. 2015)
Impacto en el cambio climático
La agricultura de precisión (PA) juega un papel clave en la mitigación del cambio climático, ya que
reduce las emisiones de gases de efecto invernadero (GEI) mediante una optimización eficiente de
insumos agrícolas. Tecnologías como la aplicación variable de nutrientes (VRNA) minimizan el uso
excesivo de fertilizantes, reduciendo la liberación de óxido nitroso (N₂O), uno de los GEI más
potentes. Asimismo, los sistemas de riego de tasa variable (VRI) optimizan el uso del agua,
disminuyendo el consumo energético y limitando las emisiones derivadas del uso de fertilizantes en el
suelo (Balafoutis, et al. 2017). Estas innovaciones no solo reducen el impacto ambiental, sino que
también mejoran la productividad agrícola, garantizando rendimientos óptimos con un menor costo
operativo.
Además, prácticas como el tráfico controlado (CTF) y el guiado automático de maquinaria (MG)
disminuyen el uso de tractores, reduciendo el consumo de combustibles fósiles y, por ende, las
emisiones directas de GEI. La aplicación variable de pesticidas (VRPA) contribuye a la reducción
del impacto ambiental al disminuir la cantidad de agroquímicos utilizados, evitando la contaminación
del agua, suelo y aire (Balafoutis, et al. 2017). Sin embargo, para maximizar la adopción de la PA, es
esencial proporcionar a los agricultores datos cuantificables sobre sus beneficios económicos y
ambientales, así como facilitar el acceso a tecnologías más precisas y asequibles. Fomentar la
investigación sobre la interacción entre nutrientes y emisiones de GEI permitirá desarrollar estrategias
más eficientes para una agricultura sostenible y resiliente al cambio climático.
comparando sus mediciones con las de dos estaciones comerciales cercanas, obteniendo correlaciones
de 0.95 en radiación global y 0.91 en temperatura (Velasco et al. 2015).
Los resultados muestran que el prototipo es funcional y más económico que las estaciones
comerciales. Sin embargo, se identificaron áreas de mejora, como la altura de los sensores y la
validación de ciertas variables. La capacidad de modificar su programación y agregar nuevos sensores
permite su adaptación a necesidades específicas de la meteorología agrícola, como el cálculo de la
evapotranspiración potencial (ET0) utilizando modelos como FAO-PM y Hargreaves-Samani (Velasco
et al. 2015)
Impacto en el cambio climático
La agricultura de precisión (PA) juega un papel clave en la mitigación del cambio climático, ya que
reduce las emisiones de gases de efecto invernadero (GEI) mediante una optimización eficiente de
insumos agrícolas. Tecnologías como la aplicación variable de nutrientes (VRNA) minimizan el uso
excesivo de fertilizantes, reduciendo la liberación de óxido nitroso (N₂O), uno de los GEI más
potentes. Asimismo, los sistemas de riego de tasa variable (VRI) optimizan el uso del agua,
disminuyendo el consumo energético y limitando las emisiones derivadas del uso de fertilizantes en el
suelo (Balafoutis, et al. 2017). Estas innovaciones no solo reducen el impacto ambiental, sino que
también mejoran la productividad agrícola, garantizando rendimientos óptimos con un menor costo
operativo.
Además, prácticas como el tráfico controlado (CTF) y el guiado automático de maquinaria (MG)
disminuyen el uso de tractores, reduciendo el consumo de combustibles fósiles y, por ende, las
emisiones directas de GEI. La aplicación variable de pesticidas (VRPA) contribuye a la reducción
del impacto ambiental al disminuir la cantidad de agroquímicos utilizados, evitando la contaminación
del agua, suelo y aire (Balafoutis, et al. 2017). Sin embargo, para maximizar la adopción de la PA, es
esencial proporcionar a los agricultores datos cuantificables sobre sus beneficios económicos y
ambientales, así como facilitar el acceso a tecnologías más precisas y asequibles. Fomentar la
investigación sobre la interacción entre nutrientes y emisiones de GEI permitirá desarrollar estrategias
más eficientes para una agricultura sostenible y resiliente al cambio climático.
pág. 253
Factores determinantes en la adopción de agricultura de precisión
Las tecnologías de agricultura de precisión (PATs) son herramientas diseñadas para gestionar la
variabilidad espacial y temporal en la producción agrícola, optimizando rendimiento, calidad y
rentabilidad mientras reducen insumos e impacto ambiental. A pesar de su potencial, la adopción de
estas tecnologías enfrenta barreras como altos costos iniciales, incertidumbre en el retorno de
inversión y desconfianza en su eficacia. En Europa, la adopción de PATs es menor en comparación
con EE.UU. y Australia, lo que sugiere la necesidad de incentivos financieros y no financieros para
fomentar su implementación (Barnes et al. 2019).
El apoyo técnico y la capacitación pueden impulsar la adopción en agricultores que aún no usan PATs,
mientras que quienes ya las emplean responden mejor a regulaciones ambientales más estrictas,
reconociendo su papel en el cumplimiento normativo (Barnes et al. 2019). Además, superar desafíos
como la conectividad en zonas rurales y fortalecer los servicios de análisis de datos son factores
clave para integrar estas tecnologías de manera efectiva en la agricultura comercial y garantizar su
impacto en la sostenibilidad y productividad del sector.
Un estudio realizado en Zambia ha demostrado el potencial de las aplicaciones móviles para mejorar
la recolección de datos en sistemas agrícolas de pequeña escala. Mediante la aplicación "Time-
Tracker", los investigadores analizaron cómo la mecanización agrícola afecta la distribución del
tiempo y la nutrición dentro de los hogares, proporcionando datos en tiempo real y con menor
costo en comparación con métodos tradicionales (Daum, et al. 2018). Este enfoque no solo valida el
uso de aplicaciones móviles para la investigación agrícola, sino que también abre nuevas posibilidades
para recopilar información detallada en regiones con altos niveles de analfabetismo y baja penetración
tecnológica.
A futuro, el desarrollo de versiones portátiles y accesibles de estas herramientas basadas en Big Data
permitirá la integración de sensores de movimiento, ambientales y de posición, optimizando la
precisión y escalabilidad del análisis agrícola. Con el aumento en la propiedad de smartphones en
comunidades rurales, estas aplicaciones podrían evolucionar hacia sistemas de ciencia ciudadana y
crowdsourcing, involucrando directamente a los agricultores en la generación de datos y facilitando
una gestión más eficiente y sostenible de los recursos agrícolas.
Factores determinantes en la adopción de agricultura de precisión
Las tecnologías de agricultura de precisión (PATs) son herramientas diseñadas para gestionar la
variabilidad espacial y temporal en la producción agrícola, optimizando rendimiento, calidad y
rentabilidad mientras reducen insumos e impacto ambiental. A pesar de su potencial, la adopción de
estas tecnologías enfrenta barreras como altos costos iniciales, incertidumbre en el retorno de
inversión y desconfianza en su eficacia. En Europa, la adopción de PATs es menor en comparación
con EE.UU. y Australia, lo que sugiere la necesidad de incentivos financieros y no financieros para
fomentar su implementación (Barnes et al. 2019).
El apoyo técnico y la capacitación pueden impulsar la adopción en agricultores que aún no usan PATs,
mientras que quienes ya las emplean responden mejor a regulaciones ambientales más estrictas,
reconociendo su papel en el cumplimiento normativo (Barnes et al. 2019). Además, superar desafíos
como la conectividad en zonas rurales y fortalecer los servicios de análisis de datos son factores
clave para integrar estas tecnologías de manera efectiva en la agricultura comercial y garantizar su
impacto en la sostenibilidad y productividad del sector.
Un estudio realizado en Zambia ha demostrado el potencial de las aplicaciones móviles para mejorar
la recolección de datos en sistemas agrícolas de pequeña escala. Mediante la aplicación "Time-
Tracker", los investigadores analizaron cómo la mecanización agrícola afecta la distribución del
tiempo y la nutrición dentro de los hogares, proporcionando datos en tiempo real y con menor
costo en comparación con métodos tradicionales (Daum, et al. 2018). Este enfoque no solo valida el
uso de aplicaciones móviles para la investigación agrícola, sino que también abre nuevas posibilidades
para recopilar información detallada en regiones con altos niveles de analfabetismo y baja penetración
tecnológica.
A futuro, el desarrollo de versiones portátiles y accesibles de estas herramientas basadas en Big Data
permitirá la integración de sensores de movimiento, ambientales y de posición, optimizando la
precisión y escalabilidad del análisis agrícola. Con el aumento en la propiedad de smartphones en
comunidades rurales, estas aplicaciones podrían evolucionar hacia sistemas de ciencia ciudadana y
crowdsourcing, involucrando directamente a los agricultores en la generación de datos y facilitando
una gestión más eficiente y sostenible de los recursos agrícolas.
pág. 254
CONCLUSIONES
La integración de tecnologías avanzadas como la Agricultura de Precisión, sensores IoT y sistemas de
inteligencia artificial representa no solo una oportunidad para modernizar el sector agrícola, sino
también una necesidad crítica para enfrentar los desafíos globales actuales (Jones & Turner, 2020). Sin
embargo, la adopción de estas tecnologías enfrenta obstáculos importantes, como la brecha digital en
zonas rurales, los altos costos iniciales de implementación y la necesidad de capacitar a los
agricultores en el uso de herramientas tecnológicas. De ahí la trascendencia de lograr un mayor apoyo
al campo mediante estudios experimentales con diversos cultivos, con diversos ambientes controlados,
que simulen la realidad del medio ambiente.
REFERENCIAS BIBLIOGRÁFICAS
Adams, R., Pisoni, E., & Hernández, S. (2020). Impact of data analysis in agricultural productivity.
International Journal of Agricultural Science, 25(3), 152-160.
Aguilar-González, Rafael, Cárdenas-Juárez, Marco, Rodríguez-Ortiz, Juan Carlos, & Romero-
Méndez, Mauricio Jesús. (2023). Monitoreo de Temperatura Mediante Red de Sensores para
Mejorar el Uso del Agua en la Agricultura. Terra Latinoamericana, 41, e1626. Epub 16 de
febrero de 2024.
https://doi.org/10.28940/terra.v41i0.1626, https://www.scielo.org.mx/scielo.php?pid=S0187-
57792023000100503&script=sci_arttext
Balafoutis, et al. (2017). Precision agriculture technologies positively contributing to GHG emissions
mitigation, farm productivity and economics. Sustainability, 9(8), 1339.
https://doi.org/10.3390/su9081339
Barnes et al. (2019). Influencing incentives for precision agricultural technologies within European
arable farming systems. Environmental Science & Policy, 93, 66–74.
https://doi.org/10.1016/j.envsci.2018.12.014
Blanc, A., & Pisoni, M. (2021). Data-driven approaches to improving agricultural marketing
strategies. Journal of Agri-business Research, 16(2), 45-53.
Bose, S., & Kwon, Y. (2020). Challenges in the adoption of digital agriculture technologies. Journal
of Technology in Agriculture, 5(1), 12-20.
CONCLUSIONES
La integración de tecnologías avanzadas como la Agricultura de Precisión, sensores IoT y sistemas de
inteligencia artificial representa no solo una oportunidad para modernizar el sector agrícola, sino
también una necesidad crítica para enfrentar los desafíos globales actuales (Jones & Turner, 2020). Sin
embargo, la adopción de estas tecnologías enfrenta obstáculos importantes, como la brecha digital en
zonas rurales, los altos costos iniciales de implementación y la necesidad de capacitar a los
agricultores en el uso de herramientas tecnológicas. De ahí la trascendencia de lograr un mayor apoyo
al campo mediante estudios experimentales con diversos cultivos, con diversos ambientes controlados,
que simulen la realidad del medio ambiente.
REFERENCIAS BIBLIOGRÁFICAS
Adams, R., Pisoni, E., & Hernández, S. (2020). Impact of data analysis in agricultural productivity.
International Journal of Agricultural Science, 25(3), 152-160.
Aguilar-González, Rafael, Cárdenas-Juárez, Marco, Rodríguez-Ortiz, Juan Carlos, & Romero-
Méndez, Mauricio Jesús. (2023). Monitoreo de Temperatura Mediante Red de Sensores para
Mejorar el Uso del Agua en la Agricultura. Terra Latinoamericana, 41, e1626. Epub 16 de
febrero de 2024.
https://doi.org/10.28940/terra.v41i0.1626, https://www.scielo.org.mx/scielo.php?pid=S0187-
57792023000100503&script=sci_arttext
Balafoutis, et al. (2017). Precision agriculture technologies positively contributing to GHG emissions
mitigation, farm productivity and economics. Sustainability, 9(8), 1339.
https://doi.org/10.3390/su9081339
Barnes et al. (2019). Influencing incentives for precision agricultural technologies within European
arable farming systems. Environmental Science & Policy, 93, 66–74.
https://doi.org/10.1016/j.envsci.2018.12.014
Blanc, A., & Pisoni, M. (2021). Data-driven approaches to improving agricultural marketing
strategies. Journal of Agri-business Research, 16(2), 45-53.
Bose, S., & Kwon, Y. (2020). Challenges in the adoption of digital agriculture technologies. Journal
of Technology in Agriculture, 5(1), 12-20.
pág. 255
Burgos-Artizzu, X., et al. (2007). Use of multivariable controllers for precision agriculture.
Computers and Electronics in Agriculture, 61(2), 128-135.
Burgos-Artizzu, X.P., Ribeiro, A., Tellaeche, A., Pajares, G. & Fernández-Quintanilla, C. (2009).
Improving weed pressure assessment using digital images from an experience-based reasoning
approach. Computers and Electronics in Agriculture, 65(2), 176-185.
https://www.sciencedirect.com/science/article/abs/pii/S0168169908002032
Cepeda Rode, R. J. Rocha Gamarra, H. E. Ponce Espinosa, A. I. García-Ravizé Guizar, D. C. Romero
Díaz, P. Ponce Cruz, *A. Molina Gutiérrez (2010), Invernadero Inteligente basado en un
Enfoque Sustentable, VIII Congreso Internacional sobre Innovación y Desarrollo Tecnológico,
24 al 26 de noviembre de 2010, Cuernavaca Morelos, México.
https://www.researchgate.net/profile/Arturo-
Molina/publication/264045356_Invernadero_Inteligente_basado_en_un_Enfoque_Sustentable
_para_la_Agricultura_Mexicana/links/555bcac108ae8f66f3ad7e85/Invernadero-Inteligente-
basado-en-un-Enfoque-Sustentable-para-la-Agricultura-Mexicana.pdf
Chen, L., et al. (2020). IoT-based systems in precision agriculture. Journal of Agricultural
Engineering, 42(4), 65-72.
Chen, Q., et al. (2019). Drone and IoT-based monitoring for agricultural applications. Journal of
Environmental Management, 20(5), 112-120.
Daum, et al. (2018). Smartphone apps as a new method to collect data on smallholder farming systems
in the digital age: A case study from Zambia. Computers and Electronics in Agriculture, 153,
144–150. https://doi.org/10.1016/j.compag.2018.08.017
Elkassabgi, S., et al. (2019). Improving crop yields with data analytics in precision farming.
Agricultural Systems, 42(3), 213-225.
Farmonaut. (n.d.). Innovación agrícola en México: Cómo la tecnología digital está transformando el
futuro de la agricultura. Farmonaut. https://farmonaut.com/south-america/innovacion-
agricola-en-mexico-como-la-tecnologia-digital-esta-transformando-el-futuro-de-la-agricultura/
Galaz, V., Centeno, M. A., Callahan, P. W., Causevic, A., Patterson, T., Brass, I., Baum, S., Farber, D.,
Fischer, J., Garcia, D., McPhearson, T., Jimenez, D., King, B., Larcey, P., & Levy, K. (2021).
Burgos-Artizzu, X., et al. (2007). Use of multivariable controllers for precision agriculture.
Computers and Electronics in Agriculture, 61(2), 128-135.
Burgos-Artizzu, X.P., Ribeiro, A., Tellaeche, A., Pajares, G. & Fernández-Quintanilla, C. (2009).
Improving weed pressure assessment using digital images from an experience-based reasoning
approach. Computers and Electronics in Agriculture, 65(2), 176-185.
https://www.sciencedirect.com/science/article/abs/pii/S0168169908002032
Cepeda Rode, R. J. Rocha Gamarra, H. E. Ponce Espinosa, A. I. García-Ravizé Guizar, D. C. Romero
Díaz, P. Ponce Cruz, *A. Molina Gutiérrez (2010), Invernadero Inteligente basado en un
Enfoque Sustentable, VIII Congreso Internacional sobre Innovación y Desarrollo Tecnológico,
24 al 26 de noviembre de 2010, Cuernavaca Morelos, México.
https://www.researchgate.net/profile/Arturo-
Molina/publication/264045356_Invernadero_Inteligente_basado_en_un_Enfoque_Sustentable
_para_la_Agricultura_Mexicana/links/555bcac108ae8f66f3ad7e85/Invernadero-Inteligente-
basado-en-un-Enfoque-Sustentable-para-la-Agricultura-Mexicana.pdf
Chen, L., et al. (2020). IoT-based systems in precision agriculture. Journal of Agricultural
Engineering, 42(4), 65-72.
Chen, Q., et al. (2019). Drone and IoT-based monitoring for agricultural applications. Journal of
Environmental Management, 20(5), 112-120.
Daum, et al. (2018). Smartphone apps as a new method to collect data on smallholder farming systems
in the digital age: A case study from Zambia. Computers and Electronics in Agriculture, 153,
144–150. https://doi.org/10.1016/j.compag.2018.08.017
Elkassabgi, S., et al. (2019). Improving crop yields with data analytics in precision farming.
Agricultural Systems, 42(3), 213-225.
Farmonaut. (n.d.). Innovación agrícola en México: Cómo la tecnología digital está transformando el
futuro de la agricultura. Farmonaut. https://farmonaut.com/south-america/innovacion-
agricola-en-mexico-como-la-tecnologia-digital-esta-transformando-el-futuro-de-la-agricultura/
Galaz, V., Centeno, M. A., Callahan, P. W., Causevic, A., Patterson, T., Brass, I., Baum, S., Farber, D.,
Fischer, J., Garcia, D., McPhearson, T., Jimenez, D., King, B., Larcey, P., & Levy, K. (2021).
pág. 256
Artificial intelligence, systemic risks, and sustainability. Technology in Society, 67, 101741.
https://doi.org/10.1016/j.techsoc.2021.101741
Guan, X., et al. (2020). AI applications in precision agriculture for efficient resource management.
Journal of Smart Farming, 18(2), 99-107.
Hernandez, M., et al. (2019). The role of AI and machine learning in global agriculture. Smart
Agriculture Review, 34(2), 74-81.
https://www.researchgate.net/publication/373541402_The_Role_of_Artificial_Intelligence_an
d_Machine_Learning_in_Smart_and_Precision_Agriculture
Hernández Pérez, Juan Luis. (2021). La agricultura mexicana del TLCAN al TMEC: consideraciones
teóricas, balance general y perspectivas de desarrollo. El trimestre económico, 88(352), 1121-
1152. Epub 13 de diciembre de 2021.https://doi.org/10.20430/ete.v88i352.1274
Jha, K., Doshi, A., Patel, P., & Shah, M. (2019). A comprehensive review on automation in agriculture
using artificial intelligence. Artificial Intelligence in Agriculture, 2, 1-12.
https://doi.org/10.1016/j.aiia.2019.05.004
Jones, G., & Turner, R. (2020). Big data's impact on sustainable agriculture practices. Sustainability
Science, 32(6), 113-118.
Kong, Z., et al. (2019). Future perspectives of digital agriculture. Precision Agriculture Research,
12(1), 56-63.
Li, Y., et al. (2020). IoT and wireless sensor networks in agricultural data collection. Environmental
Technology and Innovation, 15, 112-120.
Mayer, J., et al. (2020). Data value chains and digital agriculture. Journal of Agri-Tech, 25(5), 150-
160.
Ojha, T., Misra, S., & Raghuwanshi, N. S. (2015). Wireless sensor networks for agriculture: The state-
of-the-art in practice and future challenges. Computers and Electronics in Agriculture, 118, 66-
84. https://www.sciencedirect.com/science/article/abs/pii/S0168169915002379
Pasquale Daponte et al 2019 IOP Conf. Ser.: Earth Environ. Sci. 275 012022,
https://iopscience.iop.org/article/10.1088/1755-1315/275/1/012022/pdf
Artificial intelligence, systemic risks, and sustainability. Technology in Society, 67, 101741.
https://doi.org/10.1016/j.techsoc.2021.101741
Guan, X., et al. (2020). AI applications in precision agriculture for efficient resource management.
Journal of Smart Farming, 18(2), 99-107.
Hernandez, M., et al. (2019). The role of AI and machine learning in global agriculture. Smart
Agriculture Review, 34(2), 74-81.
https://www.researchgate.net/publication/373541402_The_Role_of_Artificial_Intelligence_an
d_Machine_Learning_in_Smart_and_Precision_Agriculture
Hernández Pérez, Juan Luis. (2021). La agricultura mexicana del TLCAN al TMEC: consideraciones
teóricas, balance general y perspectivas de desarrollo. El trimestre económico, 88(352), 1121-
1152. Epub 13 de diciembre de 2021.https://doi.org/10.20430/ete.v88i352.1274
Jha, K., Doshi, A., Patel, P., & Shah, M. (2019). A comprehensive review on automation in agriculture
using artificial intelligence. Artificial Intelligence in Agriculture, 2, 1-12.
https://doi.org/10.1016/j.aiia.2019.05.004
Jones, G., & Turner, R. (2020). Big data's impact on sustainable agriculture practices. Sustainability
Science, 32(6), 113-118.
Kong, Z., et al. (2019). Future perspectives of digital agriculture. Precision Agriculture Research,
12(1), 56-63.
Li, Y., et al. (2020). IoT and wireless sensor networks in agricultural data collection. Environmental
Technology and Innovation, 15, 112-120.
Mayer, J., et al. (2020). Data value chains and digital agriculture. Journal of Agri-Tech, 25(5), 150-
160.
Ojha, T., Misra, S., & Raghuwanshi, N. S. (2015). Wireless sensor networks for agriculture: The state-
of-the-art in practice and future challenges. Computers and Electronics in Agriculture, 118, 66-
84. https://www.sciencedirect.com/science/article/abs/pii/S0168169915002379
Pasquale Daponte et al 2019 IOP Conf. Ser.: Earth Environ. Sci. 275 012022,
https://iopscience.iop.org/article/10.1088/1755-1315/275/1/012022/pdf
pág. 257
Rodríguez, P., et al. (2021). Predictive modeling for greenhouse environments in agriculture.
Environmental Monitoring, 14(7), 25-31.
Smith, R., et al. (2021). Technological transformations in modern farming. Journal of Digital
Agriculture, 19(8), 110-118.
Vărzaru, A. A. (2025). Digital revolution in agriculture: Using predictive models to enhance
agricultural performance through digital technology. Agriculture, 15(3), 258.
https://doi.org/10.3390/agriculture15030258
Velasco Martínez, V. D., Flores García, F. G., González Cervantes, G., Flores Medina, M. de J., &
Moreno Casillas, H. A. (2015). Desarrollo y validación de una estación meteorológica
automatizada de bajo costo dirigida a agricultura. Revista mexicana de ciencias
agricolas, 6(6), 1253–1264. https://www.scielo.org.mx/scielo.php?pid=S2007-
09342015000600009&script=sci_arttext
Wang, H., & Zhang, T. (2020). Agricultural data value chains in modern farming practices.
International Journal of Data Science in Agriculture, 8(4), 56-63.
Wang, X., et al. (2021). Precision agriculture with big data analytics. Agricultural Data Analysis,
22(9), 98-110.
Zhang, Z., et al. (2019). IoT in agriculture: Bridging digital technologies with sustainable farming.
Agricultural Systems, 21(3), 89-96.
Zhao, L., et al. (2020). Technological adoption barriers in developing countries. International Journal
of Agricultural Technology, 12(5), 72-80.
Rodríguez, P., et al. (2021). Predictive modeling for greenhouse environments in agriculture.
Environmental Monitoring, 14(7), 25-31.
Smith, R., et al. (2021). Technological transformations in modern farming. Journal of Digital
Agriculture, 19(8), 110-118.
Vărzaru, A. A. (2025). Digital revolution in agriculture: Using predictive models to enhance
agricultural performance through digital technology. Agriculture, 15(3), 258.
https://doi.org/10.3390/agriculture15030258
Velasco Martínez, V. D., Flores García, F. G., González Cervantes, G., Flores Medina, M. de J., &
Moreno Casillas, H. A. (2015). Desarrollo y validación de una estación meteorológica
automatizada de bajo costo dirigida a agricultura. Revista mexicana de ciencias
agricolas, 6(6), 1253–1264. https://www.scielo.org.mx/scielo.php?pid=S2007-
09342015000600009&script=sci_arttext
Wang, H., & Zhang, T. (2020). Agricultural data value chains in modern farming practices.
International Journal of Data Science in Agriculture, 8(4), 56-63.
Wang, X., et al. (2021). Precision agriculture with big data analytics. Agricultural Data Analysis,
22(9), 98-110.
Zhang, Z., et al. (2019). IoT in agriculture: Bridging digital technologies with sustainable farming.
Agricultural Systems, 21(3), 89-96.
Zhao, L., et al. (2020). Technological adoption barriers in developing countries. International Journal
of Agricultural Technology, 12(5), 72-80.