Optimización del sector agrícola mediante el análisis de datos para una gestión eficiente de los recursos naturales: Una perspectiva para 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.
Descargas
Citas
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.
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,
al 26 de noviembre de 2010, Cuernavaca Morelos, México.
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). 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_and_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
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.
Derechos de autor 2025 Sindya Yadira Castillo Ortiz , Julio Cesar Flores Cabrera, Miguel Ángel Ayala Castillo, Christian David Carachure Pichardo, Amanda Ángel Ayala Castillo
Esta obra está bajo licencia internacional Creative Commons Reconocimiento 4.0.
.png)
.png)
1.png)
