Sistemas inteligentes de apoyo a la toma de decisiones en la agricultura inteligente: tendencias, aplicaciones y desafíos
Palavras-chave:
agricultura inteligente, sistemas de apoyo a la toma de decisiones, inteligencia artificial, Internet de las cosas, agricultura de precisión.Resumo
Los sistemas inteligentes de apoyo a la toma de decisiones (Decision Support Systems, DSS) representan uno de los principales avances tecnológicos de la agricultura inteligente al integrar herramientas de inteligencia artificial, aprendizaje automático, Internet de las Cosas (IoT), Big Data, sensores, drones e imágenes satelitales para optimizar la gestión de los sistemas productivos. Estas tecnologías permiten procesar grandes volúmenes de información en tiempo real y generar recomendaciones orientadas a mejorar la planificación, el monitoreo y el manejo de los cultivos, favoreciendo una agricultura más eficiente, sostenible y resiliente frente a los desafíos del cambio climático y la seguridad alimentaria. El objetivo de esta revisión de alcance fue analizar el estado del conocimiento sobre los sistemas inteligentes de apoyo a la toma de decisiones en la agricultura inteligente, identificando las principales tendencias tecnológicas, aplicaciones, beneficios y desafíos reportados en la literatura científica. La investigación se desarrolló siguiendo las directrices de PRISMA-ScR mediante la revisión de artículos científicos, revisiones e informes técnicos publicados entre 2018 y 2024. Los resultados evidencian que los sistemas inteligentes contribuyen significativamente a incrementar la productividad agrícola, optimizar el uso del agua, fertilizantes y otros insumos, mejorar la detección temprana de plagas y enfermedades, fortalecer la predicción del rendimiento y facilitar la toma de decisiones basada en datos. Asimismo, se identificaron desafíos relacionados con la interoperabilidad de los sistemas, la calidad y disponibilidad de los datos, la conectividad en áreas rurales, la capacitación de los usuarios, la ciberseguridad y la gobernanza de la información. Se concluye que los sistemas inteligentes de apoyo a la toma de decisiones constituyen un componente estratégico para la transformación digital del sector agroalimentario; sin embargo, su implementación efectiva requiere fortalecer la infraestructura tecnológica, promover políticas públicas inclusivas e impulsar investigaciones que favorezcan la integración, accesibilidad y confiabilidad de estas herramientas en diferentes contextos agrícolas.
Downloads
Referências
Ayaz, M., Ammad-Uddin, M., Sharif, Z., Mansour, A., & Aggoune, E.-H. M. (2019). Internet-of-Things (IoT)-based smart agriculture: Toward making the fields talk. IEEE Access, 7, 129551–129583. https://doi.org/10.1109/ACCESS.2019.2932609
Bacco, M., Barsocchi, P., Ferro, E., Gotta, A., & Ruggeri, M. (2019). The digitisation of agriculture: A survey of research activities on smart farming. Array, 3–4, 100009. https://doi.org/10.1016/j.array.2019.100009
Benos, L., Tagarakis, A. C., Dolias, G., Berruto, R., Kateris, D., & Bochtis, D. (2021). Machine learning in agriculture: A comprehensive updated review. Sensors, 21(11), 3758. https://doi.org/10.3390/s21113758
Boursianis, A. D., Papadopoulou, M. S., Diamantoulakis, P., Liopa-Tsakalidi, A., Barouchas, P., Salahas, G., Karagiannidis, G. K., Wan, S., & Goudos, S. K. (2022). Internet of Things (IoT) and agricultural unmanned aerial vehicles (UAVs) in smart farming: A comprehensive review. Internet of Things, 18, 100187. https://doi.org/10.1016/j.iot.2020.100187
Brenes, J. A., Martínez, A., Quesada-López, C., & Jenkins, M. (2020). Sistemas de apoyo a la toma de decisiones que usan inteligencia artificial en la agricultura de precisión: Un mapeo sistemático de literatura. RISTI—Revista Ibérica de Sistemas e Tecnologias de Informação, E28, 217–229. https://www.risti.xyz/issues/ristie28.pdf
European Union. (2024). Regulation (EU) 2024/1689 of the European Parliament and of the Council of 13 June 2024 laying down harmonised rules on artificial intelligence. Official Journal of the European Union. http://data.europa.eu/eli/reg/2024/1689/oj
Ferentinos, K. P. (2018). Deep learning models for plant disease detection and diagnosis. Computers and Electronics in Agriculture, 145, 311–318. https://doi.org/10.1016/j.compag.2018.01.009
Food and Agriculture Organization of the United Nations. (2022). The state of food and agriculture 2022: Leveraging automation in agriculture for transforming agrifood systems. https://doi.org/10.4060/cb9479en
International Food Policy Research Institute. (2023, December 5). Can we trust AI to generate agricultural extension advisories? https://www.ifpri.org/blog/can-we-trust-ai-generate-agricultural-extension-advisories/
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
Klerkx, L., Jakku, E., & Labarthe, P. (2019). A review of social science on digital agriculture, smart farming and agriculture 4.0: New contributions and a future research agenda. NJAS: Wageningen Journal of Life Sciences, 90–91, 100315. https://doi.org/10.1016/j.njas.2019.100315
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
Peters, M. D. J., Godfrey, C., McInerney, P., Munn, Z., Tricco, A. C., & Khalil, H. (2020). Chapter 11: Scoping reviews. In E. Aromataris & Z. Munn (Eds.), JBI manual for evidence synthesis. JBI. https://doi.org/10.46658/JBIMES-20-12
Rose, D. C., Wheeler, R., Winter, M., Lobley, M., & Chivers, C.-A. (2021). Agriculture 4.0: Making it work for people, production, and the planet. Land Use Policy, 100, 104933. https://doi.org/10.1016/j.landusepol.2020.104933
Saiz-Rubio, V., & Rovira-Más, F. (2020). From smart farming towards agriculture 5.0: A review on crop data management. Agronomy, 10(2), 207. https://doi.org/10.3390/agronomy10020207
Shafi, U., Mumtaz, R., García-Nieto, J., Hassan, S. A., Zaidi, S. A. R., & Iqbal, N. (2019). Precision agriculture techniques and practices: From considerations to applications. Sensors, 19(17), 3796. https://doi.org/10.3390/s19173796
Talaviya, T., Shah, D., Patel, N., Yagnik, H., & Shah, M. (2020). Implementation of artificial intelligence in agriculture for optimisation of irrigation and application of pesticides and herbicides. Artificial Intelligence in Agriculture, 4, 58–73. https://doi.org/10.1016/j.aiia.2020.04.002
Tricco, A. C., Lillie, E., Zarin, W., O’Brien, K. K., Colquhoun, H., Levac, D., Moher, D., Peters, M. D. J., Horsley, T., Weeks, L., Hempel, S., Akl, E. A., Chang, C., McGowan, J., Stewart, L., Hartling, L., Aldcroft, A., Wilson, M. G., Garritty, C., … Straus, S. E. (2018). PRISMA extension for scoping reviews (PRISMA-ScR): Checklist and explanation. Annals of Internal Medicine, 169(7), 467–473. https://doi.org/10.7326/M18-0850
van Klompenburg, T., Kassahun, A., & Catal, C. (2020). Crop yield prediction using machine learning: A systematic literature review. Computers and Electronics in Agriculture, 177, 105709. https://doi.org/10.1016/j.compag.2020.105709
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
