Creación de un sistema de información sobre cultivos apoyado en Inteligencia Artificial e IOT
DOI:
https://doi.org/10.61117/ipsumtec.v9i1.450Palabras clave:
Agricultura 4.0, Desarrollo Sustentable, Inteligencia Artificial, Internet de las Cosas, LoRaWAN, Visión ComputacionalResumen
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 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 a la construcción de un modelo agrícola más sustentable, eficiente y resiliente, capaz de responder a las necesidades actuales y futuras del sector, posicionando la innovación tecnológica como un eje estratégico para el desarrollo rural y la seguridad alimentaria en México.
Descargas
Métricas
Citas
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. DOI: https://doi.org/10.18273/revuin.v23n4-2024012
doi: https://doi.org/10.18273/revuin.v23n4-2024012
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/hernan_olmi.pdf
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 DOI: https://doi.org/10.1016/j.compag.2018.02.016
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 DOI: https://doi.org/10.1016/j.agsy.2017.01.023
Bentivoglio, Deborah; Bucci Giorgia; Belletti Matteo; Finco, Adele (2022). A theoretical 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 DOI: https://doi.org/10.1590/1806-9479.2021.245721
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 Literature Review. Sensors, 22(1), 66. https://doi.org/10.3390/s22010066 DOI: https://doi.org/10.3390/s22010066
Mühl, Diego; de Oliveira, Letícia (2022). A bibliometric and thematic approach to agriculture 4.0. Heliyon, 8(5), e09369. https://doi.org/10.1016/j.heliyon.2022.e09369 DOI: https://doi.org/10.1016/j.heliyon.2022.e09369
IBM. (2025). La IA y el futuro de la agricultura. IBM Think. https://www.ibm.com/es-es/think/topics/ai-in-agriculture
Sharma, Abhinav; Jain, Arpit; Gupta, Prateek; Chowdary, Vinay (2021). Machine Learning Applications for Precision Agriculture: A Comprehensive Review. IEEE Access, 9, 4843-4873. https://doi.org/10.1109/ACCESS.2020.3048415 DOI: https://doi.org/10.1109/ACCESS.2020.3048415
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 DOI: https://doi.org/10.1111/sum.12771
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, 142, 102998. https://doi.org/10.1016/j.futures.2022.102998 DOI: https://doi.org/10.1016/j.futures.2022.102998
Indu, Malik; Baghel, Anurag; Bhardwaj, Arpit; Ibrahim, Wubshet (2022). Optimization of Pesticides Spray on Crops in Agriculture using Machine Learning. Computational Intelligence and Neuroscience, 2022, 9408535. https://doi.org/10.1155/2022/9408535 DOI: https://doi.org/10.1155/2022/9408535
Helfer, Gilson; Victória, Jorge; dos Santos, Ronaldo; da Costa, Adilson (2020). A computational model for soil fertility prediction in ubiquitous agriculture. Computers and Electronics in Agriculture, 175, 105602. https://doi.org/10.1016/j.compag.2020.105602 DOI: https://doi.org/10.1016/j.compag.2020.105602
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 DOI: https://doi.org/10.3390/s19081833
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 DOI: https://doi.org/10.1109/ACCESS.2019.2932609
Lee, H. C., & Ke, K. H. (2018). Monitoring of Large-Area IoT Sensors Using a LoRa Wireless Mesh Network System: Design and Evaluation. IEEE Transactions on Instrumentation and Measurement, 67(9), 2177–2187. https://doi.org/10.1109/TIM.2018.2814082 DOI: https://doi.org/10.1109/TIM.2018.2814082
Luis Garcia, L. C. y Torres Gómez, L. A. (2024). Desarrollo de Aplicaciones IoT: Metodologías y Estrategias [IoT Application Development: Methodologies and Strategies]. European Public & Social Innovation Review, 9, 1-18. https://doi.org/10.31637/epsir-2024-1375 DOI: https://doi.org/10.31637/epsir-2024-1375
Toledo, F. D. (2024). Aplicación de sensores IoT e inteligencia artificial para la optimización del riego en cultivos agroecológicos. Revista Internacional de Investigación y Desarrollo Global, 3(2). https://doi.org/10.64041/riidg.v3i2.23 DOI: https://doi.org/10.64041/riidg.v3i2.23
Hernández Hernández, S. S., Díaz-Manríquez, A., & Elizondo-Leal, J. C. (2025). Inteligencia Artificial e IoT para el monitoreo agrícola: una revisión de tendencias actuales. Revista Mexicana de Ingeniería y Ciencias, 1(1). https://rmic.uat.edu.mx/index.php/MI/article/view/4 DOI: https://doi.org/10.29059/rmic.v1i1.4
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 Cibernética (CICIC 2025). https://doi.org/10.54808/CICIC2025.01.357 DOI: https://doi.org/10.54808/CICIC2025.01.357
Descargas
Publicado
Cómo citar
Número
Sección
Licencia
Derechos de autor 2026 Raúl Rosique de Dios , Livi Desi Alor Salaya, Karina Almeyda Vázquez, Nicolas Galindo Cruz, Ana Ruth Ulloa Pimienta
Esta obra está bajo una licencia internacional Creative Commons Atribución 4.0.
