CREACIÓN DE UN SISTEMA DE INFORMACIÓN SOBRE CULTIVOS APOYADO EN  
INTELIGENCIA ARTIFICIAL E IOT  
CREATION OF A CROP INFORMATION SYSTEM SUPPORTED BY ARTIFICIAL  
INTELLIGENCE AND IOT  
Rosique de Dios Raúl¹, Alor Salaya Livi Deysi², Almeyda Vázquez Karina3,  
Galindo Cruz Nicolás4, Ulloa Pimienta Ana Ruth5  
https://doi.org/10.61117/ipsumtec.v9i1.450  
1Tecnológico Nacional de México/Instituto Tecnológico Superior de Villa la Venta, raul.rd@laventa.tecnm.mx,  
https://orcid.org/0009-0007-3314-0674  
2Tecnológico Nacional de México/ Instituto Tecnológico Superior de Villa la Venta, LD@laventa.tecnm.mx, https://orcid.org/0009-  
0003-3462-8349  
3Tecnológico Nacional de México/ Instituto Tecnológico Superior de Villa la Venta, almeydakarina79@gmail.com,  
https://orcid.org/0009-0006-5722-1965  
4Tecnológico Nacional de México/ Instituto Tecnológico Superior de Villa la Venta, galindonicolas1981@gmail.com,  
https://orcid.org/0009-0008-8108-2912  
5Tecnológico Nacional de México/Instituto Tecnológico Superior de Villa la Venta, anar.up@laventa.tecnm.mx,  
https://orcid.org/0000-0003-1375-4736  
Resumen - Actualmente no solo México, sino también  
muchos países enfrenta importantes desafíos agrícolas  
derivados de la alteración del clima, la aparición de  
plagas y la baja automatización en procesos productivos.  
Ante este panorama la presente investigación, plantea la  
creación de un sistema de información sobre cultivos  
apoyado en inteligencia artificial, con el propósito de  
impulsar la innovación rural y fortalecer la seguridad  
alimentaria mediante soluciones tecnológicas accesibles  
y escalables. La actividad agrícola continúa dependiendo  
de métodos tradicionales poco sustentables, lo que limita  
la incorporación de herramientas modernas y dificulta la  
transición hacia prácticas más eficientes. El estudio se  
desarrolló de forma metodológica misma que consta de  
tres fases: la primera es diseño del hardware IoT, en la  
segunda fase se desarrollo del software de visión  
artificial y finalmente la última fase de interpretación de  
los datos para la toma de decisiones. El sistema propone  
el desarrollo de un dispositivo IoT emisor-receptor con  
capacidad de transmisión de datos sensoriales análogos  
Palabras Clave: Agricultura 4.0, Desarrollo Sustentable,  
Inteligencia Artificial, Internet de las Cosas, LoRaWAN,  
Visión Computacional.  
Abstract - Currently, not only Mexico, but many other  
countries face significant agricultural challenges  
stemming from climate change, the emergence of pests,  
and low levels of automation in production processes.  
Given this scenario, this research proposes the creation  
of a crop information system supported by artificial  
intelligence, with the aim of promoting rural innovation  
and strengthening food security through accessible and  
scalable technological solutions. Agricultural activity  
continues to rely on traditional, unsustainable methods,  
which limits the adoption of modern tools and hinders  
the transition to more efficient practices.  
The study was developed using  
a
three-phase  
methodology: the first phase involves the design of the  
IoT hardware, the second phase the development of the  
machine vision software, and the final phase the  
interpretation of the data for decision-making. The  
system proposes the development of an IoT transmitter-  
receiver device capable of transmitting analog and  
digital sensor data via LoRa radio communication,  
complemented by a YOLOv8-based machine vision  
system for detecting crop health. The integration of  
these technologies aims to optimize water use and  
advance agricultural sustainability. Python is also used  
to implement artificial intelligence algorithms that  
identify plant diseases and activate irrigation systems  
only when soil moisture requires it, reducing water  
waste. This approach contributes to building a more  
sustainable, efficient, and resilient agricultural model,  
capable of responding to the sector's current and future  
y digitales a través de radiocomunicación  
LoRa,  
complementado con un sistema de visión artificial  
basado en YOLOv8 para la detección de la salud de los  
cultivos. La integración de estas tecnologías busca  
optimizar el uso del agua  
y
avanzar hacia la  
sostenibilidad agrícola. Asimismo, se emplea Python en  
la implantación de algoritmos con inteligencia artificial  
que permiten identificar enfermedades en las plantas y  
activar sistemas de riego únicamente cuando la humedad  
del suelo lo requiere, reduciendo el desperdicio de  
recursos hídricos. Este enfoque contribuye  
construcción de un modelo agrícola más sustentable,  
eficiente resiliente, capaz de responder las  
a
la  
y
a
necesidades actuales y futuras del sector, posicionando  
la innovación tecnológica como un eje estratégico para  
el desarrollo rural y la seguridad alimentaria en México.  
needs, positioning technological innovation as  
a
IPSUMTEC9 ǀ Volumen 9 – N° 1 ǀ enero - junio 2026  
Recepción: 06/12/2025 ǀ Aceptación: 06/02/2026 | Publicación: 09/03/2026  
Página 51  
strategic pillar for rural development and food security  
in Mexico.  
sobre humedad, temperatura y calidad del suelo,  
generando un ecosistema digital que promueve la  
agricultura de precisión  
y
fortalece la seguridad  
Key words – Agriculture 4.0, Sustainable Development,  
Artificial Intelligence, Internet of Things, LoRaWAN,  
Computer Vision.  
alimentaria en comunidades rurales[4]. En este sentido,  
la inteligencia artificial no solo se presenta como un  
recurso tecnológico, sino como un catalizador de  
innovación que impulsa la productividad agrícola y  
contribuye a la resiliencia de los sistemas de cultivo  
frente a los retos del cambio climático, consolidando así  
un paradigma donde la tecnología se convierte en aliada  
INTRODUCCIÓN  
La agricultura actual se enfrenta a un panorama  
desafiante caracterizado por la crisis climática, el  
aumento de plagas y el limitado nivel de modernización  
en los procesos productivos. Estos factores no solo  
afectan a México, sino también a numerosos países que  
dependen de sistemas agroalimentarios vulnerables y  
poco sustentables. las tecnologías aplicadas al sector  
agrícola avanzan con rapidez hacia un nuevo enfoque: la  
agricultura 4.0. En este modelo, la digitalización, la  
automatización y la inteligencia artificial adquieren un  
rol fundamental en la producción de cultivos,  
especialmente en tareas como el manejo de malezas y la  
gestión de plagas. ¡Error! No se encuentra el origen d  
e la referencia. Estas aplicaciones no solo aumentan la  
eficiencia y sostenibilidad de los sistemas agrícolas, sino  
que también mejoran la productividad y la resiliencia  
frente al cambio climático.  
estratégica para garantizar la sostenibilidad  
competitividad del sector agrícola.  
y
la  
Se considera que el más grande desafío del sector  
agrícola es la integración de tecnologías de diversas  
áreas del conocimiento, que permitan una verdadera  
transformación digital en productos, servicios, procesos  
y nuevos modelos de negocios [5] [6].  
Este nuevo paradigma revolucionario se ha extendido al  
sector agrícola con la creación de la agricultura 4.0, la  
cual apropia conocimientos y se prepara para el futuro  
mediante la adopción de nuevas tecnologías como el  
internet de las cosas, big data, computación en la nube,  
robótica avanzada e inteligencia artificial en la cadena  
de producción de los agro negocios [7].  
Esta evolución presenta desafíos y oportunidades a la  
vez, como la incorporación de tecnologías emergentes:  
el internet de las cosas (IoT) y la inteligencia artificial  
(IA) se ha convertido en una alternativa estratégica para  
impulsar la innovación rural y garantizar la seguridad  
alimentaria. La creación de un sistema de información  
sobre cultivos apoyado en inteligencia artificial e IoT se  
convierte en un eje fundamental para la transición hacia  
un modelo agrícola más eficiente y sustentable, en el  
cual la visión computacional, desempeña un papel clave  
al permitir la identificación temprana de plagas,  
enfermedades y deficiencias nutricionales en las plantas  
mediante el análisis automatizado de imágenes  
capturadas en campo. La Visión Computacional, (V.C.)  
es una rama de la inteligencia artificial, cuyo objetivo es  
proveer del sentido de la vista a un computador o robot  
para que éstos puedan interactuar de forma más eficiente  
en ambientes complejos (uso de la visión como sensor  
adicional. En términos generales, se trata de una rama de  
la inteligencia artificial cuyo objetivo es proporcionar a  
los sistemas computacionales la facultad de “ver” y  
procesar información visual para interactuar de forma  
más eficiente en ambientes complejos 0.  
La llamada agricultura 4.0 ha demostrado su potencial  
para transformar la producción mediante el uso de  
sensores, algoritmos de visión artificial y sistemas de  
comunicación que permiten optimizar recursos  
y
mejorar la salud de los cultivos[8]. Algunas  
investigaciones afirman que en este tipo de sistemas de  
información de IA y algoritmos de machine learning  
(ML) son tecnologías que emergen para el análisis de  
gran cantidad de datos aplicados al sector agrícola [9].  
La construcción de modelos basados en IA, por ejemplo:  
redes  
neuronales  
artificiales,  
redes  
neuronales  
convolucionales y aprendizaje por refuerzo, son tareas  
muy exigentes, pero las estimaciones paramétricas son  
útiles para resolver problemas con visión de futuro  
[10][11]. ML ha sido usado en el control de repeticiones  
de aplicación de pesticidas en la agricultura [12],  
fertilidad y productividad del suelo[13].  
Otro recurso tecnológico representativo en el ámbito  
agrícola es el internet de las cosas (IoT) mismo que  
destaca el potencial de los sensores inalámbricos en las  
diversas atapas del cultivo, desde el inicio de la  
preparación de tierra hasta el transporte de la cosecha.  
Es una tecnología usada en este tipo de estudio también  
conocida como la computación en la nube. Este termino  
es relevante en agricultura, por la operatividad con IoT,  
ya que no solamente es una tecnología, sino que integra  
muchas cosas[11]. Es un sistema informático basado en  
Internet, que proporciona hardware, software, servicios  
de plataforma para almacenamiento de diversas  
Esta capacidad de reconocimiento visual, combinada  
con algoritmos de aprendizaje profundo, ofrece a los  
productores herramientas precisas para la toma de  
decisiones, reduciendo el uso indiscriminado de  
agroquímicos y favoreciendo un desarrollo sustentable  
que prioriza la conservación de los recursos naturales y  
la protección del medio ambiente [3]. Asimismo, la  
integración de sensores IoT con sistemas de inteligencia  
artificial posibilita la recopilación continua de datos  
IPSUMTEC9 ǀ Volumen 9 – N° 1 ǀ enero - junio 2026  
Recepción: 06/12/2025 ǀ Aceptación: 06/02/2026 | Publicación: 09/03/2026  
Página 52  
aplicaciones, textos, imágenes y vídeos de información  
agrícola [14].  
Finalmente, la tercera fase consistió en la interpretación  
de los datos para la toma de decisiones, donde se  
aplicaron técnicas de aprendizaje automático para  
generar modelos predictivos que apoyan la gestión  
Sin embargo, también plantea desafíos por la integración  
de tecnologías con prácticas agrícolas [15]. La  
tecnología LoRa emerge como una alternativa  
prometedora y eficiente para la transmisión a larga  
distancia en áreas rurales para el monitoreo agrícola[16].  
eficiente de recursos hídricos  
y
nutricionales,  
contribuyendo directamente al desarrollo sustentable y a  
la seguridad alimentaria[8]. Esta metodología, al  
combinar prototipado, ensayo y repetición, no solo  
asegura la mejora continua del sistema, sino que también  
fortalece la resiliencia de los productores frente a los  
retos y necesidades de la variabilidad climática en los  
cultivos.  
El presente estudio se orienta hacia el desarrollo de un  
sistema de información agrícola que integra un  
dispositivo IoT emisor-receptor con capacidad de  
transmitir datos de sensores análogos y digitales a través  
de radiocomunicación LoRa, complementado con un  
sistema de visión artificial basado en YOLOv8.  
Diseño de la Red de Sensores IoT y Comunicación  
LoRa  
De acuerdo[17], estas herramientas permiten monitorear  
en tiempo real la salud de los cultivos, optimizar el uso  
de recursos agrícolas y fortalecer la capacidad de  
respuesta ante amenazas fitosanitarias, todo ello  
mediante soluciones accesibles y escalables para el  
entorno rural.  
Para garantizar la operatividad en zonas rurales carentes  
de infraestructura de telecomunicaciones convencional,  
se diseñó una arquitectura de red de largo alcance  
(LPWAN) basada en la tecnología LoRa. La red opera  
bajo una topología de estrella, donde múltiples nodos  
sensores (emisores) transmiten telemetría a un nodo  
Esta propuesta busca responder a la necesidad de  
modernizar las prácticas agrícolas, reduciendo la  
dependencia de métodos tradicionales y promoviendo un  
modelo más eficiente y sostenible. La implementación  
central  
(Gateway/Receptor)  
encargado  
del  
procesamiento y la actuación.  
de  
algoritmos  
en  
Python  
permitirá  
identificar  
enfermedades en las plantas y activar sistemas de riego  
únicamente cuando la humedad del suelo lo requiere, lo  
que contribuye a disminuir el desperdicio de agua y  
avanzar hacia la sostenibilidad.  
Este estudio contribuye al desarrollo sustentable agrícola  
al integrar tecnologías IoT-LoRa y visión artificial,  
permitiendo un uso más eficiente de recursos, reducción  
de impactos ambientales y fortalecimiento de la  
seguridad alimentaria.  
Figura 1. Arquitectura de nodos  
Fuente. Elaboración propia.  
DESARROLLO  
Metodología  
La arquitectura de Hardware de los nodos emisores y  
nodos de monitoreo fue diseñado como un sistema  
embebido autónomo. El núcleo de procesamiento es el  
microcontrolador ESP32-S3, seleccionado por su  
arquitectura de doble núcleo Xtensa® LX7 de 32 bits,  
que ofrece la capacidad de cómputo necesaria para el  
pre-procesamiento de datos en el borde (Edge  
Computing) y su eficiencia energética.  
El sistema se desarrolló bajo un enfoque iterativo con un  
diseño de ingeniería (Prototipar, Ensayar y Repetir)  
mismo que permitió ajustar continuamente los  
componentes de hardware y software en función de los  
resultados obtenidos en campo, asegurando su  
pertinencia y aplicabilidad en escenarios agrícolas  
reales. En la primera fase, el diseño del hardware IoT se  
orientó a la selección de sensores de humedad,  
temperatura y calidad del aire, cuya precisión y bajo  
consumo energético resultan esenciales para la  
sostenibilidad del sistema[18]. Posteriormente, la  
segunda fase se centró en el desarrollo del software de  
visión computacional, empleando algoritmos de  
inteligencia artificial capaces de identificar plagas y  
anomalías en los cultivos mediante el análisis de  
imágenes capturadas en tiempo real, lo que coincide con  
las tendencias actuales en agricultura digital[19].  
Figura 2. Arquitectura de Esp32.  
IPSUMTEC9 ǀ Volumen 9 – N° 1 ǀ enero - junio 2026  
Recepción: 06/12/2025 ǀ Aceptación: 06/02/2026 | Publicación: 09/03/2026  
Página 53  
Fuente. Elaboración propia.  
adquisición de variables  
volver a dormir. Esta estrategia de gestión energética  
resolvió los problemas iniciales de autonomía detectados  
en las fases piloto.  
Para  
la  
físicas,  
se  
implementaron sensores de humedad del suelo  
capacitivos v1.2. A diferencia de los sensores resistivos  
tradicionales, la tecnología capacitiva evita la electrólisis  
y corrosión de los electrodos, extendiendo la vida útil  
del dispositivo en ambientes de alta salinidad y  
humedad, un factor crítico para la sostenibilidad del  
mantenimiento industrial.  
El nodo receptor actúa como la pasarela (Gateway) entre  
la red LoRa local y la nube. Al recibir las tramas de  
datos provenientes de los emisores, este dispositivo  
realiza dos funciones críticas:  
Telemetría IoT: A través de una conexión WiFi  
(cuando está disponible) o datos móviles, sube los  
registros  
a
la plataforma ThingSpeak para la  
visualización histórica y análisis de tendencias.  
Control de Actuadores: El sistema integra un módulo  
de relevadores de 4 canales (5V-120/220V, 10A).  
Basado en la lógica de control programada, si la  
humedad reportada es inferior al umbral crítico del 40%,  
el Gateway activa los contactores de las bombas de riego  
de manera sectorizada, garantizando que el agua se  
suministre solo a las áreas que fisiológicamente lo  
requieren.  
Figura 3. Sensor de humedad de suelo.  
Fuente. Elaboración propia.  
Sistema de Visión Artificial para Control de Calidad  
del Cultivo  
La transmisión de datos se realiza mediante el módulo  
transceptor LoRa Reyax RYLR998, que opera a través  
de una interfaz UART. Este módulo fue configurado  
para operar en la banda de frecuencia de 915 MHz,  
optimizando la penetración de señal en entornos con  
vegetación densa.  
Para el aseguramiento de la calidad del cultivo y la  
detección temprana de estrés biótico, se desarrolló un  
software de visión computacional modular utilizando el  
lenguaje de programación Python 3.11. La arquitectura  
del software integra librerías especializadas: OpenCV  
para el pre-procesamiento de imágenes en el espacio de  
color BGR a RGB, Ultralytics para la inferencia de  
modelos de aprendizaje profundo, y Tkinter para la  
interfaz gráfica de usuario (GUI), permitiendo una  
interacción intuitiva para los operadores agrícolas.  
Para el control de calidad del cultivo se considero  
también el modelo YOLOv8 (You Only Look Once,  
versión 8) porque representa un avance reciente en el  
campo de las CNN, diseñado para realizar detecciones  
rápidas y precisas en tiempo real. Su arquitectura  
optimizada permite abordar problemas complejos de  
clasificación y detección con un balance eficiente entre  
precisión y velocidad, incluso en condiciones de  
recursos computacionales limitados. Esto lo convierte en  
una herramienta ideal para su aplicación en entornos  
agrícolas, donde la disponibilidad de hardware  
especializado es a menudo restringida[20].  
Figura 4. Antenas LoRa Reyax 998.  
Fuente. Elaboración propia.  
La gestión energética y autonomía de los nodos que  
operan en ubicaciones remotas, se implementó un  
sistema de alimentación autosustentable compuesto por  
paneles fotovoltaicos y bancos de baterías de litio  
recicladas. Para maximizar la autonomía, se programó el  
micro controlador bajo una rutina de "Deep Sleep"  
(sueño profundo). En este modo, el sistema permanece  
inactivo consumiendo energía mínima (en el orden de  
La arquitectura del modelo y entrenamiento implementó  
el algoritmo YOLOv8 (You Only Look Once, versión  
8), seleccionado por su arquitectura de red neuronal  
convolucional (CNN) de una sola etapa, que ofrece un  
equilibrio óptimo entre precisión (mAP) y velocidad de  
inferencia, crucial para el procesamiento en tiempo real  
en dispositivos de borde. Esta tecnología se convierte en  
una herramienta ideal para su aplicación en entornos  
los microamperios)  
y
"despierta" únicamente en  
intervalos programados para tomar lecturas de los  
sensores, transmitir el paquete de datos vía LoRa y  
IPSUMTEC9 ǀ Volumen 9 – N° 1 ǀ enero - junio 2026  
Recepción: 06/12/2025 ǀ Aceptación: 06/02/2026 | Publicación: 09/03/2026  
Página 54  
agrícolas, donde la disponibilidad de hardware  
especializado es a menudo restringida.  
tiempo real, permitiendo calcular la tasa de incidencia de  
la enfermedad en el lote inspeccionado.  
El modelo fue entrenado utilizando un conjunto de datos  
híbrido, compuesto por imágenes recolectadas en  
cultivos de la región sur de Tabasco y aumentadas  
sintéticamente mediante la plataforma Roboflow para  
mejorar la generalización. El proceso de entrenamiento  
constó de 50 épocas, logrando la convergencia de las  
funciones de pérdida de caja (box_loss) y clasificación  
(cls_loss) hacia valores mínimos estables, lo que indica  
un  
aprendizaje  
efectivo  
de  
las  
características  
morfológicas de las patologías.  
Figura 6. Interfaz de usuario.  
Fuente. Elaboración propia.  
Esta metodología permite no solo identificar la presencia  
de patógenos como la Roya (Puccinia sorghi) o el Tizón,  
sino cuantificar la severidad de la infección basándose  
en la densidad de detecciones por hoja, proporcionando  
datos duros para la toma de decisiones agronómicas.  
Figura 5. Segmentación de datos en Roboflow.  
Fuente. Elaboración propia.  
Estandarización del Proceso de Riego  
El algoritmo implementado procesa imágenes y video en  
tiempo real. El proceso de inferencia utiliza un umbral  
de confianza ajustable para filtrar falsos positivos. El  
sistema etiqueta las detecciones y genera estadísticas de  
conteo por clase, permitiendo al usuario visualizar la  
incidencia de enfermedades en el lote inspeccionado.  
Desde la perspectiva de la Ingeniería Industrial, el riego  
tradicional representa un proceso no estandarizado,  
sujeto a una alta variabilidad introducida por el factor  
humano y la evaluación empírica. Para mitigar esto, se  
diseñó un algoritmo de control de lazo cerrado que  
transforma el riego en un proceso determinista basado  
en datos cuantitativos.  
Ec. (1) Lógica de detección e inferencia (fragmento de  
código): resultados  
=
modelo(img, stream=False,  
conf=confidence_threshold)  
Lógica de Control y Algoritmo  
El sistema opera bajo una lógica de control On-Off con  
histéresis para proteger los actuadores. Se definió un  
setpoint crítico de humedad del suelo (H_min) del 40%,  
determinado como el límite inferior seguro antes de que  
el cultivo entre en estrés hídrico.  
El algoritmo opera bajo una lógica secuencial de  
inspección automatizada:  
Adquisición: El sistema captura el flujo de video desde  
las cámaras CCTV o archivos estáticos.  
Inferencia: La imagen es procesada por la red neuronal,  
que predice las coordenadas de las cajas delimitadoras  
(bounding boxes) y la probabilidad de clase.  
Filtrado Estadístico: Se aplica un umbral de confianza  
ajustable (configurado inicialmente a = 0.20) para  
descartar falsos positivos. Solo las detecciones con una  
confianza C>a son procesadas.  
El algoritmo, ejecutado en el nodo Gateway, consulta  
periódicamente  
la  
telemetría  
de  
los  
sensores  
distribuidos. La lógica de decisión sigue el siguiente  
pseudocódigo estandarizado:  
1. Lectura: Obtener el valor promedio de  
humedad (H_actual) del sector i.  
2. Decisión:  
Ec. (2) Criterio de validación: Dvalid = {d € D | Conf(d) >  
0.20}  
a. Si H_actual < 40: Activar Relevador  
K (Encender Bomba).  
Clasificación Taxonómica: El sistema mapea los  
índices de clase detectados a sus nombres científicos y  
comunes utilizando un diccionario de traducción interno.  
Visualización y Conteo: Se renderizan las cajas  
delimitadoras y etiquetas sobre la imagen original y se  
actualizan los contadores estadísticos en el dashboard en  
b. Si H_actual  
>
60%: Desactivar  
Relevador K (Apagar Bomba).  
Resultados del Entrenamiento de Visión Artificial  
IPSUMTEC9 ǀ Volumen 9 – N° 1 ǀ enero - junio 2026  
Recepción: 06/12/2025 ǀ Aceptación: 06/02/2026 | Publicación: 09/03/2026  
Página 55  
El modelo YOLOv8 fue entrenado durante 50 épocas. El  
comportamiento del entrenamiento, visible en las  
un  
aprendizaje  
efectivo  
de  
las  
características  
morfológicas. Aunque la Precisión Media global (mAP  
0.5) se situó en 0.346, un análisis desglosado mediante  
la matriz de confusión normalizada demuestra una alta  
efectividad en los cultivos objetivo de la región.  
Específicamente,  
correctamente el 75% de los casos de Tizón Foliar del  
Maíz (Corn leaf blight).  
gráficas de pérdida  
y
métricas, muestra una  
convergencia estable. La pérdida de clasificación  
(cls_loss) disminuyó progresivamente de 3.75 a aprox.  
2.25, indicando que el modelo aprendió efectivamente a  
distinguir entre las 27 clases disponibles.  
el  
sistema  
logró  
identificar  
El rendimiento global del modelo se evaluó mediante la  
curva de Precisión-Recall (PR), obteniendo una  
Precisión Media (mAP) al 50% de intersección sobre la  
unión (IoU) de 0.346 para todas las clases. Aunque el  
puntaje F1 máximo global se situó en 0.31 con un  
umbral de confianza de 0.155, el análisis detallado por  
clase revela un desempeño superior en los cultivos  
objetivo de esta investigación.  
Desde una perspectiva de ingeniería industrial aplicada  
al control de calidad, estos valores son aceptables para  
un sistema de alerta temprana, ya que permiten al  
agricultor segregar lotes afectados y aplicar medidas  
correctivas focalizadas, reduciendo la merma del cultivo  
que, según pruebas preliminares, mejoró el rendimiento  
en un 20%. Sin embargo, se observa una confusión  
cruzada significativa en patologías visualmente similares  
del tomate, lo que sugiere la necesidad futura de  
balancear el dataset para robustecer la generalización del  
modelo.  
Prueba 3: Estandarización del Riego y Ahorro Hídrico  
La implementación del algoritmo de control basado en  
el umbral de humedad del 40% transformó el proceso de  
riego de una actividad empírica a una operación  
estandarizada. La monitorización  
a
través de la  
plataforma ThingSpeak permitió verificar la correlación  
directa entre la temperatura ambiente y la humedad del  
suelo, validando la respuesta automática de los  
actuadores.  
Figura 7. Resultados de entrenamiento.  
Fuente. Elaboración propia.  
Al comparar el consumo volumétrico, el sistema  
automatizado redujo el uso de agua en un 50% respecto  
al método de riego tradicional por inundación o  
calendario fijo empleado anteriormente en la zona de  
prueba. Este resultado responde directamente al objetivo  
de sostenibilidad, demostrando que la tecnificación de  
bajo costo puede mitigar significativamente el estrés  
hídrico sin comprometer la salud del cultivo.  
DISCUSIÓN Y ANÁLISIS DE RESULTADOS  
Los resultados obtenidos a partir de la implementación  
del prototipo se discuten a continuación, evaluando el  
desempeño técnico frente  
a
los objetivos de  
sostenibilidad y optimización operativa planteados. El  
análisis se divide en tres pruebas fundamentales:  
eficiencia de la red de telemetría, validación del modelo  
de visión artificial y cuantificación del ahorro hídrico.  
Los resultados discutidos evidencian que la integración  
de IoT, visión computacional e inteligencia artificial en  
el prototipo desarrollado constituye una alternativa  
viable para avanzar hacia la sostenibilidad agrícola y la  
Prueba 1: Alcance y Fiabilidad de la Red IoT. Se  
evaluó la capacidad de transmisión del módulo LoRa  
Reyax 998 en un entorno rural con vegetación media.  
Las pruebas de campo confirmaron un enlace estable de  
transmisión de datos hasta una distancia de 14 km en  
línea de vista. Esto valida la viabilidad técnica de la  
arquitectura LPWAN propuesta para superar la brecha  
de conectividad en zonas agrícolas sin infraestructura de  
internet, cumpliendo con el objetivo de accesibilidad  
tecnológica. Además, la implementación del modo de  
"sueño profundo" (deep sleep) en el micro controlador  
ESP32 demostró ser efectiva para la autonomía  
energética, permitiendo la operación continua con  
baterías recicladas y paneles solares, eliminando la  
dependencia de la red eléctrica convencional.  
optimización operativa.  
La fiabilidad de la red de  
telemetría, la capacidad predictiva del modelo de visión  
artificial y la estandarización del riego demuestran que  
el sistema no solo responde a los objetivos técnicos  
planteados, sino que también aporta beneficios tangibles  
en términos de eficiencia energética, reducción de  
pérdidas y uso racional del agua.  
Estos hallazgos confirman el potencial de la propuesta  
como herramienta de apoyo a la toma de decisiones en  
entornos rurales, al tiempo que señalan áreas de mejora  
como el balance de datasets para fortalecer la  
generalización del modelo que deberán abordarse en  
futuras investigaciones para consolidar su impacto en la  
seguridad alimentaria y el desarrollo sustentable.  
Prueba 2: Precisión del Modelo de Visión Artificial. El  
análisis del entrenamiento del algoritmo YOLOv8 revela  
una convergencia estable de las pérdidas de caja y  
clasificación durante las 50 épocas ejecutadas, indicando  
IPSUMTEC9 ǀ Volumen 9 – N° 1 ǀ enero - junio 2026  
Recepción: 06/12/2025 ǀ Aceptación: 06/02/2026 | Publicación: 09/03/2026  
Página 56  
beneficio técnico se sostenga en implementaciones  
reales [5] [19].  
1) Conectividad y autonomía energética en entornos  
rurales (IoT-LoRa).  
Los resultados de alcance (≈14 km en línea de vista) y  
operación  
autosustentable  
confirman  
que  
una  
CONCLUSIONES  
arquitectura LPWAN basada en LoRa es técnicamente  
viable para telemetría agrícola donde la infraestructura  
convencional es limitada. Este hallazgo concuerda con  
la evidencia de que LoRa/LPWAN permite monitoreo  
de grandes áreas con bajo consumo y enlaces estables,  
aun en escenarios con vegetación y orografía compleja  
[15][16]. La estrategia de deep sleep y abastecimiento  
fotovoltaico utilizada en el prototipo refuerza la  
literatura que destaca la eficiencia energética como  
factor crítico de escalabilidad y sostenibilidad en  
despliegues IoT agrícolas [14][15].  
La presente investigación logró cumplir con el objetivo  
general de desarrollar e implementar un sistema integral  
de monitoreo agrícola que fusiona el Internet de las  
Cosas (IoT) y la Inteligencia Artificial para optimizar  
procesos en zonas rurales de baja infraestructura. Se  
demostró la viabilidad técnica de utilizar la tecnología  
LoRa para la transmisión de telemetría en distancias de  
hasta 14 km sin dependencia de internet local, validando  
una arquitectura de comunicación robusta y accesible  
para el campo mexicano.  
En relación con los objetivos de sostenibilidad y  
optimización de recursos, la estandarización del proceso  
de riego mediante lógica de control automático permitió  
una reducción del 50% en el desperdicio de agua en  
comparación con los métodos tradicionales.  
2) Visión computacional y desempeño de YOLOv8  
para alerta temprana.  
Aunque el mAP global obtenido (≈0.35 @IoU 0.5) es  
mejorable, el desempeño específico en cultivos objetivo  
(p. ej., Tizón Foliar en maíz) lo posiciona como sistema  
funcional de alerta temprana. Este patrón-utilidad  
práctica con margen de refinamiento es consistente con  
revisiones que reportan que el deep learning en  
agricultura logra resultados sólidos cuando hay datos  
locales y curación del conjunto [3][9]. Estudios recientes  
con YOLOv8 en fitosanidad de frutales muestran  
ganancias relevantes tras balanceo y aumentación del  
dataset, lo cual respalda priorizar curación de datos y  
clases difíciles como próximo paso [20][1].  
En conjunto, los resultados confirman que la  
convergencia IoT - IA - control de procesos posibilita  
una agricultura de precisión asequible, escalable y  
contextualizada,  
capaz  
de  
traducir  
datos  
en  
intervenciones oportunas que mejoran la eficiencia en el  
uso de recursos, disminuyen la incertidumbre operativa  
y fortalecen la seguridad alimentaria en entornos rurales.  
Las líneas de investigación futuras que permitirán  
complementar un mejor desarrollo del sistema son:  
3) Estandarización del riego y ahorro hídrico  
mediante control basado en datos.  
1.- Mejora del desempeño del modelo y robustez del  
dataset multimodal: profundizar en el balanceo de  
clases, la incorporación de imágenes multiespectrales,  
hiperespectrales y el aprendizaje autosupervisado para  
elevar la generalización, reducir confusiones entre  
La reducción del consumo de agua (~50%) frente a riego  
empírico coincide con evidencia de que integrar  
sensores de humedad, modelos de IA y automatización  
puede optimizar volúmenes, frecuencia y oportunidad  
del riego, impactando de forma directa en sostenibilidad  
y resiliencia productiva [10][18]. La transición de reglas  
simples (on - off con histéresis) hacia esquemas  
predictivos se alinea con tendencias de agricultura de  
precisión, donde el pronóstico y la integración de  
variables edafoclimáticas elevan la eficiencia y la  
estabilidad de los cultivos [9][10].  
patologías visualmente similares  
y
robustecer la  
detección en condiciones de iluminación variable y  
oclusiones; complementariamente, explorar técnicas de  
active learning en campo para anotar de forma eficiente  
casos difíciles y acelerar ciclos de mejora continua.  
2.- Control inteligente de riego y fertirrigación con  
predicción: evolucionar del esquema on - off con  
histéresis hacia control predictivo basado en modelos  
(MPC) que integre pronóstico meteorológico, dinámica  
de humedad del suelo y fenología del cultivo, con el fin  
de optimizar volumen, momento y sectorización del  
riego & fertirrigación, maximizando ahorro hídrico y  
estabilidad productiva bajo escenarios de variabilidad  
climática.  
4) Integración Agricultura 4.0: datos, adopción y  
escalabilidad.  
La convergencia IoT-IA-comunicación se tradujo en  
decisiones accionables (segmentación de lotes, riego  
sectorizado), lo que es coherente con el paradigma  
Agricultura 4.0 que enfatiza cadenas de valor intensivas  
en datos, trazabilidad y servicios digitales [11][4]. No  
obstante, la literatura advierte que la adopción depende  
de factores socio técnicos disponibilidad de datos de  
calidad, capacidades locales y modelos de gobernanza  
por lo que la escalabilidad requiere protocolos de datos,  
ciberseguridad y estrategias de capacitación para que el  
AGRADECIMIENTOS  
A los agricultores del programa sembrando vida de  
Ciudad la Venta por permitir hacer pruebas del sistema  
en sus campos de cultivo.  
IPSUMTEC9 ǀ Volumen 9 – N° 1 ǀ enero - junio 2026  
Recepción: 06/12/2025 ǀ Aceptación: 06/02/2026 | Publicación: 09/03/2026  
Página 57  
BIBLIOGRAFÍA  
Neuroscience,  
https://doi.org/10.1155/2022/9408535  
[13]Helfer, Gilson; Victória, Jorge; dos Santos,  
Ronaldo; da Costa, Adilson (2020).  
2022,  
9408535.  
[1] Hernández Salazar, C. A., González Estrada, O. A.,  
& González Silva, G. (2024). “Integración de la  
inteligencia artificial y la agricultura de precisión en  
cultivos de café,” Rev. UIS Ing., vol. 23, no. 4, pp.  
145-158.  
A
computational model for soil fertility prediction in  
ubiquitous agriculture. Computers and Electronics  
doi: https://doi.org/10.18273/revuin.v23n4-2024012  
[2] Olmi, H. (2019). Visión por computador: su historia  
y algunos principales hitos. Revista Ingeniería al  
Día, Universidad Central de Chile. Recuperado de  
https://revistaingenieriaaldia.ucentral.cl/rev_10/hern  
an_olmi.pdf  
[3] 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  
[4] Wolfert, S., Ge, L., Verdouw, C., & Bogaardt, M.  
J. (2017). Big Data in Smart Farming – A review.  
in  
Agriculture,  
175,  
105602.  
https://doi.org/10.1016/j.compag.2020.105602  
[14]Shi, Xiaojie; An, Xingshuan; Zhao, Qingxue; Liu,  
Huimin; Xia, Lianming; Sun, Xia; Guo, Yemin  
(2019). State-ofthe-Art Internet of Things in  
Protected Agriculture. Sensors, 19(8), 1833.  
https://doi.org/10.3390/s19081833  
[15]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  
[16]Lee, H. C., & Ke, K. H. (2018). Monitoring of  
Large-Area IoT Sensors Using a LoRa Wireless  
Mesh Network System: Design and Evaluation.  
Agricultural  
https://doi.org/10.1016/j.agsy.2017.01.023  
[5] Bentivoglio, Deborah; Bucci Giorgia; Belletti  
Matteo; Finco, Adele (2022). theoretical  
Systems,  
153,  
69–80.  
A
IEEE  
Transactions  
on  
Instrumentation  
and  
framework on network's dynamics for precision  
agriculture technologies adoption. Revista de  
Economia e Sociologia Rural, 60(4), e245721.  
https://doi.org/10.1590/1806-9479.2021.245721  
Measurement,  
67(9),  
2177–2187.  
https://doi.org/10.1109/TIM.2018.2814082  
[17]Luis Garcia, L. C. y Torres Gómez, L. A. (2024).  
Desarrollo de Aplicaciones IoT: Metodologías y  
[6] Rocha Jácome, Cristian; González, Ramón; Muñoz,  
Fernando; Guevara-Cabezas, Esteban; Hidalgo,  
Eduardo (2021). Industry 4.0: A Proposal of  
Paradigm Organization Schemes from a Systematic  
Estrategias  
Methodologies and Strategies]. European Public &  
Social Innovation Review, 9, 1-18.  
https://doi.org/10.31637/epsir-2024-1375  
[IoT  
Application  
Development:  
Literature  
https://doi.org/10.3390/s22010066  
[7] Mühl, Diego; de Oliveira, Letícia (2022). A  
bibliometric and thematic approach to agriculture  
Review.  
Sensors,  
22(1),  
66.  
[18]Toledo, F. D. (2024). Aplicación de sensores IoT e  
inteligencia artificial para la optimización del riego  
en cultivos agroecológicos. Revista Internacional de  
Investigación  
https://doi.org/10.64041/riidg.v3i2.23  
[19]Hernández Hernández, S. S., Díaz-Manríquez, A.,  
Elizondo-Leal, J. C. (2025). Inteligencia  
y
Desarrollo  
Global,  
3(2).  
4.0.  
Heliyon,  
8(5),  
e09369.  
https://doi.org/10.1016/j.heliyon.2022.e09369  
[8] IBM. (2025). La IA y el futuro de la agricultura.  
&
IBM  
Think.  
https://www.ibm.com/es-  
Artificial e IoT para el monitoreo agrícola: una  
revisión de tendencias actuales. Revista Mexicana  
es/think/topics/ai-in-agriculture  
[9] Sharma, Abhinav; Jain, Arpit; Gupta, Prateek;  
Chowdary, Vinay (2021). Machine Learning  
de  
Ingeniería  
y
Ciencias,  
1(1).  
https://rmic.uat.edu.mx/index.php/MI/article/view/4  
[20]León León, R. A., Aguirre vasquez. H. & Cruz  
Galdos, I. (2025). Desarrollo de un Sistema de  
Visión Artificial mediante Yolov8 para la Detección  
del Hongo Sphaceloma Perseae en Aguacate.  
Memorias de la Décima Quinta Conferencia  
Iberoamericana de Complejidad, Informática y  
Applications  
for  
Precision  
Agriculture:  
A
Comprehensive Review. IEEE Access, 9, 4843-  
4873.  
https://doi.org/10.1109/ACCESS.2020.3048415  
[10]Chen, Qianyu; Li, Lanyu; Chong, Clive; Wang,  
Xionan (2022). AI-enhanced soil management and  
smart farming. Soil Use and Management, 38, 7-13.  
https://doi.org/10.1111/sum.12771  
Cibernética  
https://doi.org/10.54808/CICIC2025.01.357  
(CICIC  
2025).  
[11]Maffezzoli, Federico; Ardolino, Marco; Bacchetti,  
Andrea; Perona, Marco; Renga, Filippo (2022).  
Agriculture 4.0: A systematic literature review on  
the paradigm, technologies and benefits. Futures,  
Tabla de Roles de Contribución  
Rol  
Autor (es)  
Conceptualización  
Curación de datos  
Metodología  
Administración  
Livi Deysi Alor Salaya  
Raúl Rosique de Dios  
142,  
102998.  
https://doi.org/10.1016/j.futures.2022.102998  
[12]Indu, Malik; Baghel, Anurag; Bhardwaj, Arpit;  
Ana Ruth Ulloa Pimienta  
del Raúl Rosique de Dios  
Ibrahim,  
Wubshet  
(2022).  
Optimization  
of  
Pesticides Spray on Crops in Agriculture using  
Machine Learning. Computational Intelligence and  
IPSUMTEC9 ǀ Volumen 9 – N° 1 ǀ enero - junio 2026  
Recepción: 06/12/2025 ǀ Aceptación: 06/02/2026 | Publicación: 09/03/2026  
Página 58  
                                         
proyecto  
Recursos  
Nicolas Galindo Cruz  
Raúl Rosique de Dios  
Karina Almeyda Vázquez  
Raúl Rosique de Dios  
Ana Ruth Ulloa Pimienta  
Ana Ruth Ulloa Pimienta  
Ana Ruth Ulloa Pimienta  
Software  
Supervisión  
Validación  
Visualización  
Redacción  
Redacción  
Esta obra está bajo  
una licencia internacional  
Creative Commons Atribución 4.0.  
IPSUMTEC9 ǀ Volumen 9 – N° 1 ǀ enero - junio 2026  
Recepción: 06/12/2025 ǀ Aceptación: 06/02/2026 | Publicación: 09/03/2026  
Página 59