Sensores inteligentes e inteligencia artificial para el monitoreo de soluciones nutritivas en cultivos sin suelo: avances, aplicaciones y perspectivas
Palavras-chave:
sensores inteligentes, inteligencia artificial, hidroponía, cultivos sin suelo, soluciones nutritivas, agricultura de precisión.Resumo
El monitoreo de soluciones nutritivas en cultivos sin suelo es fundamental para garantizar la eficiencia productiva, la sostenibilidad hídrica y la calidad fisiológica de las plantas en sistemas hidropónicos, aeropónicos y de agricultura controlada. En los últimos años, la incorporación de sensores inteligentes, el Internet de las Cosas (IoT) y la inteligencia artificial ha transformado la gestión de estos sistemas, permitiendo medir en tiempo real variables críticas como pH, conductividad eléctrica, temperatura, oxígeno disuelto, concentración de nutrientes y calidad del agua. El objetivo de esta revisión de alcance es analizar los avances, aplicaciones y perspectivas de estas tecnologías en el monitoreo de soluciones nutritivas. La revisión se basó en literatura científica, documentos técnicos y publicaciones especializadas entre 2015 y 2024. Los resultados evidencian un crecimiento sostenido de sistemas automatizados basados en sensores, plataformas IoT, aprendizaje automático y análisis de datos para optimizar la gestión nutricional. Se identifican aplicaciones en hidroponía automatizada, agricultura de precisión, control ambiental y predicción de deficiencias nutricionales. Sin embargo, persisten desafíos relacionados con la calibración de sensores, costos de implementación, interoperabilidad tecnológica, disponibilidad de datos y capacitación técnica. Se concluye que la integración de sensores inteligentes e inteligencia artificial constituye una estrategia clave para desarrollar sistemas de cultivo sin suelo más eficientes, sostenibles y resilientes, aunque su adopción requiere fortalecer la investigación aplicada y la transferencia tecnológica.
Downloads
Referências
Bechar, A., & Vigneault, C. (2016). Agricultural robots for field operations: Concepts and components. Biosystems Engineering, 149, 94–111. https://doi.org/10.1016/j.biosystemseng.2016.06.014
Casino, F., Dasaklis, T. K., & Patsakis, C. (2019). A systematic literature review of blockchain-based applications: Current status, classification and open issues. Telematics and Informatics, 36, 55–81. https://doi.org/10.1016/j.tele.2018.11.006
Committee on Publication Ethics. (2023). Core practices. https://publicationethics.org/core-practices
Dwivedi, Y. K., et al. (2023). So what if ChatGPT wrote it? Multidisciplinary perspectives on opportunities, challenges and implications of generative conversational AI. International Journal of Information Management, 71, 102642. https://doi.org/10.1016/j.ijinfomgt.2023.102642
Farooq, M. S., Riaz, S., Abid, A., Abid, K., & Naeem, M. A. (2019). A survey on the role of IoT in agriculture for the implementation of smart farming. IEEE Access, 7, 156237–156271. https://doi.org/10.1109/ACCESS.2019.2949703
Farrokhnia, M., Banihashem, S. K., Noroozi, O., & Wals, A. (2024). A SWOT analysis of ChatGPT: Implications for educational practice and research. Innovations in Education and Teaching International, 61(3), 460–474. https://doi.org/10.1080/14703297.2023.2195846
Food and Agriculture Organization of the United Nations. (2020). The state of food and agriculture 2020: Overcoming water challenges in agriculture. https://doi.org/10.4060/cb1447en
Fuller, A., Fan, Z., Day, C., & Barlow, C. (2020). Digital twin: Enabling technologies, challenges and open research. IEEE Access, 8, 108952–108971. https://doi.org/10.1109/ACCESS.2020.2998358
Kamilaris, A., & Prenafeta-Boldú, F. X. (2018). Deep learning in agriculture: A survey. Computers and Electronics in Agriculture, 147, 70–90. https://doi.org/10.1016/j.compag.2018.02.016
Khanna, A., & Kaur, S. (2019). Evolution of Internet of Things and its significant impact in the field of precision agriculture. Computers and Electronics in Agriculture, 157, 218–231. https://doi.org/10.1016/j.compag.2018.12.039
LeCun, Y., Bengio, Y., & Hinton, G. (2015). Deep learning. Nature, 521, 436–444. https://doi.org/10.1038/nature14539
Liakos, K. G., Busato, P., Moshou, D., Pearson, S., & Bochtis, D. (2018). Machine learning in agriculture: A review. Sensors, 18(8), 2674. https://doi.org/10.3390/s18082674
Lu, J., Liu, A., Dong, F., Gu, F., Gama, J., & Zhang, G. (2019). Learning under concept drift: A review. IEEE Transactions on Knowledge and Data Engineering, 31(12), 2346–2363. https://doi.org/10.1109/TKDE.2018.2876857
Mahlein, A.-K. (2016). Plant disease detection by imaging sensors: Parallels and specific demands for precision agriculture and plant phenotyping. Annual Review of Phytopathology, 54, 161–186. https://doi.org/10.1146/annurev-phyto-080615-100055
Munn, Z., Peters, M. D. J., Stern, C., Tufanaru, C., McArthur, A., & Aromataris, E. (2018). Systematic review or scoping review? Guidance for authors when choosing between a systematic or scoping review approach. BMC Medical Research Methodology, 18, 143. https://doi.org/10.1186/s12874-018-0611-x
OpenAI. (2023). GPT-4 technical report. https://doi.org/10.48550/arXiv.2303.08774
Peters, M. D. J., et al. (2020). Updated methodological guidance for the conduct of scoping reviews. JBI Evidence Synthesis, 18(10), 2119–2126. https://doi.org/10.11124/JBIES-20-00167
Ray, P. P. (2017). Internet of Things for smart agriculture: Technologies, practices and future direction. Journal of Ambient Intelligence and Smart Environments, 9(4), 395–420. https://doi.org/10.3233/AIS-170440
Satyanarayanan, M. (2017). The emergence of edge computing. Computer, 50(1), 30–39. https://doi.org/10.1109/MC.2017.9
Savvas, D., & Gruda, N. (2018). Application of soilless culture technologies in the modern greenhouse industry: A review. European Journal of Horticultural Science, 83(5), 280–293. https://doi.org/10.17660/eJHS.2018/83.5.2
Shi, W., Cao, J., Zhang, Q., Li, Y., & Xu, L. (2016). Edge computing: Vision and challenges. IEEE Internet of Things Journal, 3(5), 637–646. https://doi.org/10.1109/JIOT.2016.2579198
Snyder, H. (2019). Literature review as a research methodology: An overview and guidelines. Journal of Business Research, 104, 333–339. https://doi.org/10.1016/j.jbusres.2019.07.039
Tricco, A. C., et al. (2018). PRISMA extension for scoping reviews: Checklist and explanation. Annals of Internal Medicine, 169(7), 467–473. https://doi.org/10.7326/M18-0850
van Dis, E. A. M., Bollen, J., Zuidema, W., van Rooij, R., & Bockting, C. L. (2023). ChatGPT: Five priorities for research. Nature, 614, 224–226. https://doi.org/10.1038/d41586-023-00288-7
Verdouw, C., Tekinerdogan, B., Beulens, A., & Wolfert, S. (2021). Digital twins in smart farming. Agricultural Systems, 189, 103046. https://doi.org/10.1016/j.agsy.2020.103046
Wolfert, S., Ge, L., Verdouw, C., & Bogaardt, M.-J. (2017). Big data in smart farming: A review. Agricultural Systems, 153, 69–80. https://doi.org/10.1016/j.agsy.2017.01.023
