InGenio Journal
Revista de Ciencias de la Ingeniería de la Universidad Técnica Estatal de Quevedo
https://revistas.uteq.edu.ec/index.php/ingenio
e-ISSN: 2697-3642 - CC BY-NC-SA 4.0
InGenio Journal
Revista de Ciencias de la Ingeniería de la Universidad Técnica Estatal de Quevedo
https://revistas.uteq.edu.ec/index.php/ingenio
e-ISSN: 2697-3642 CC BY-NC-SA 4.0
Volumen 7 | Número 2 | Pp. 1–20 | Julio 2024 Recibido (Received): 2024/01/30
DOI: https://doi.org/10.18779/ingenio.v7i2.824 Aceptado (Accepted): 2024/05/30
Impacto de los sistemas de información en la
agricultura inteligente: Una revision general
(Impact of Information Systems on Smart Agriculture: An Overview)
Geover Alexander Bowen Quiroz
, Gema Isabel Medranda Cobeña
Universidad Técnica de Manabí, Manabí, Ecuador
gbowen3242@utm.edu.ec, gema.medranda@utm.edu.ec
Resumen: Los sistemas de información (SI) desempeñan un papel fundamental en la
agricultura inteligente, ya que permiten la recopilación, el análisis y la gestión de datos para
mejorar la toma de decisiones, la eficiencia, la sostenibilidad y la rentabilidad en la
agricultura, no obstante, el principal desafío es la brecha digital en la ruralidad. Por ello, el
objetivo de este trabajo fue analizar la literatura científica disponible sobre el impacto de los
SI en la agricultura inteligente, incluyendo estudios empíricos y revisiones sistemáticas. La
investigación tiene un diseño descriptivo de tipo bibliográfico con nivel de síntesis aplicando
la metodología RSL, la técnica de recopilación de datos utiliza recursos electrónicos,
buscando en Google Scholar, IEEE, Scopus, entre otros. Los resultados evidencian el impacto
de los sistemas de información en la agricultura con relación a la eficiencia agrícola. Se
deducen las tendencias, se destacan patrones y recomendaciones basadas en las
investigaciones analizadas con el fin de mejorar la implementación y uso de SI en la
agricultura inteligente.
Palabras clave: agricultura inteligente, sistemas de información, IoT, impacto, gestión
Abstract: Information systems (IS) play a key role in smart agriculture, as they enable the
collection, analysis and management of data to improve decision making, efficiency,
sustainability and profitability in agriculture, however, the main challenge is the digital divide
in rurality. Therefore, the objective of this work was to analyze the available scientific
literature on the impact of IS in smart agriculture, including empirical studies and systematic
reviews. The research has a descriptive design of bibliographic type with synthesis level
applying the RSL methodology, the data collection technique uses electronic resources,
searching in Google Scholar, IEEE, Scopus, among others. The results show the impact of
information systems in agriculture in relation to agricultural efficiency. Trends are deduced,
patterns and recommendations are highlighted based on the research analyzed in order to
improve the implementation and use of IS in smart agriculture.
Keywords: Smart Agriculture, Information Systems, IoT, Impact, Management.
1. INTRODUCCIÓN
El presente artículo de revisión se origina en torno a la premisa de que "la agricultura en la
era de información promete importantes repercusiones en el bienestar económico y social de los
agricultores, los sistemas bancarios y postales rurales, la comercialización agrícola y las empresas
de insumos agrícolas" según Tumiwa et al. [1]. Para examinar el impacto de los sistemas de
información (SI) en la agricultura, se propone una revisión sistemática utilizando el marco de
trabajo establecido por Kitchenham y Charters [2], con el fin de establecer conclusiones
significativas sobre el tema.
La agricultura inteligente se ha consolidado como una tendencia influyente que impulsa el
desarrollo agrícola mediante la implementación de los sistemas de información, generando
eficiencias en los costes operativos para incrementar los márgenes en la producción de productos
agrícolas según expresa Dato et al. [3]. Este enfoque cobra relevancia dado al aumento de la
Volumen 7 | Número 2 | Pp. 117–136 | Julio 2024
DOI: https://doi.org/10.18779/ingenio.v7i2.824
Recibido (Received): 2024/01/30
Aceptado (Accepted): 2024/05/30
Impacto de los sistemas de información en la
agricultura inteligente: Una revision general
(Impact of Information Systems on Smart Agriculture: An Overview)
Geover Alexander Bowen Quiroz
, Gema Isabel Medranda Cobeña
InGenio Journal, 7(2), 117–136 118
InGenio Journal, 7(2), 1–20
| 2
demanda mundial de alimentos, lo que subraya la necesidad imperante de explorar cómo las
tecnologías de la información pueden contribuir de manera sostenible a la agricultura. Además,
afirman que un componente esencial para el despliegue efectivo de la agricultura inteligente es la
conectividad a través de la tecnología 5G, la cual emerge como el núcleo de la infraestructura en
la agricultura moderna, permitiendo la agricultura de precisión y optimizando la gestión de
recursos agrícolas. Ejemplos prácticos, como el de la empresa "Teltonika Network", ilustran cómo
la agricultura se dirige hacia el 5G, posibilitando la autonomía de tractores mediante la conexión
de dispositivos inteligentes.
En la región de América Latina y el Caribe, la implementación tecnológica ha avanzado a un
ritmo lento, reflejándose en las cifras de exportaciones agroalimentarias que, según [4] los datos
de la Organización de las Naciones Unidas para la Alimentación y la Agricultura (FAO), pasaron
del 8,3 % en 1990 al 13,8 % en 2015; la FAO ha respondido a este desafío con la publicación en
2021 de un documento que establece principios regulatorios para la agricultura inteligente.
El impacto de los SI en la agricultura inteligente ha suscitado un creciente interés,
especialmente en el contexto de beneficios potenciales para prácticas agrícolas sostenibles y
eficientes planteados por Lamis et al. [5]. La exploración de Sistemas de Información ecológicos
(Green IS) y tecnologías de la información ecológicas (Green IT) apunta a maximizar los
impactos positivos y minimizar los efectos negativos en el medio ambiente.
En un estudio planteado en [6] se simuló los comportamientos entre agricultores, minoristas,
mayoristas, consumidores y reguladores dentro de un sistema de circulación de productos, donde
revelaron que con la implementación de sistemas de información aplicando metodologías
blockchain se puede mejorar la tasa de calificación hasta un 30 %, aumentando significativamente
los beneficios económicos, minimizando los costos de supervisión a través de la automatización
de procesos, e incrementando la investigación sobre la aplicación de sistemas blockchain en la
gestión y circulación de productos agrícolas modernos.
Por su parte, la aplicación del Internet de las Cosas (IoT) en invernaderos inteligentes según
Maraveas y Bartzanas [7] se focaliza en crear un microclima ideal para el crecimiento de las
plantas, optimizar el riego que emplean sensores para el monitoreo periódico, la fertilización,
controlar infecciones y mejorar la seguridad.
Por otro lado, las nuevas aplicaciones de la agricultura inteligente emplean metodologías
aplicadas que según Quishpe et al. [8] varían acorde la persona o empresas involucradas lo
requieran, aprovechando redes de sensores inalámbricos de bajo consumo eléctrico para grandes
extensiones, computación en la nube y tecnologías como IoT que buscan reducir los gastos
innecesarios en fertilizantes y agua en los sistemas de riego mejorando el reconocimiento
automático de patrones y características de cultivos junto con el uso de sistemas automáticos para
la gestión y difusión de información según Duarte [9], lo cual contribuye a la gestión oportuna de
riesgos en la agricultura, propiciando el desarrollo social, económico y ambiental.
En última instancia, la rápida transformación de los procesos agrícolas tradicionales mediante
sistemas de información, como la inteligencia artificial, el IoT, la analítica de datos
y la automatización, destaca la necesidad de investigar cómo se implementan estas tecnologías en
la agricultura inteligente. Este análisis es fundamental para comprender y adaptarse a los cambios
en curso en el sector agrícola.
2. METODOLOGÍA
La investigación tiene un diseño descriptivo, de tipo bibliográfico con nivel de síntesis;
aplicando la metodología revisión sistemática de literatura (RSL) sintetizada a partir de la
propuesta por Kitchenham et al. [2], esto con el fin de conocer el impacto de los sistemas de
información en la agricultura inteligente. Los métodos utilizados se definieron en tres fases, la
primera dedicada a la planificación de la revisión, que consistió en desarrollar las preguntas de
InGenio Journal, 7(2), 117–136 119
InGenio Journal, 7(2), 1–20
| 3
investigación, asociar temáticas secundarias e identificar las bases de datos donde se obtendrá
información. La segunda fase es la identificación de fuentes o estudios relevantes donde se aplican
los criterios de inclusión y exclusión para seleccionar artículos científicos, además se revisa
exhaustivamente si están relacionados a la temática y tengan una estructura IMRYD. La tercera
fase consiste en el análisis y descripción de cada estudio como parte del contenido de la presente
investigación, en esta fase se recopilaron datos puntuales sobre las preguntas de investigación y
temáticas secundarias. A continuación, en la Figura 1 se presentan las fases llevadas a cabo en
esta investigación:
Figura 1. Fases de la metodología RSL sintetizada a partir de la propuesta planteada en [2].
Fase 1: Planificación de la revisión
Preguntas de investigación. El objetivo principal de esta investigación es analizar
exhaustivamente los estudios sobre los sistemas de información aplicados en la agricultura
inteligente, con el fin de obtener un conocimiento más detallado y una visión sintetizada del
impacto generado por dichos sistemas de información en la agricultura inteligente. Partiendo de
lo mencionado se plantearon las siguientes preguntas de investigación:
• ¿Qué sistemas de información son los más relevantes aplicados en la agricultura inteligente?
• ¿Cuáles son los principales avances de las tecnologías en la agricultura de precisión?
• ¿Qué mecanismos de conectividad, seguridad e IoT se implementan en la agricultura?
• ¿Cómo varían las metodologías aplicadas en nuevas aplicaciones de la agricultura inteligente?
• ¿Cuál es la contribución de los sistemas de información en la gestión eficiente de recursos
naturales?
De manera explícita en el presente trabajo también se presentan algunas temáticas a abordar:
• Principales tecnologías habilitantes para los sistemas de información en la agricultura.
• Avances tecnológicos en la agricultura de precisión.
• Mecanismos de conectividad, seguridad e IoT en la agricultura.
• Contribución de los SI en la gestión eficiente de recursos naturales.
• Impacto de los SI en el consumo energético y reducción de huella de carbono.
• Impacto el sistema de computación y bases de datos en la nube para los procedimientos
agrícolas.
Identificación de bases de datos de alto y medio impacto. Para la recopilación de la literatura
las búsquedas se realizaron en Scopus, Dimensions, Google Scholar, IEEE, Scielo y Redalyc. A
continuación, en la Tabla 1 se describe el CiteScore y el criterio de elección de cada una de las
bases de datos que dieron soporte a la presente investigación.
2.
InGenio Journal, 7(2), 117–136 120
InGenio Journal, 7(2), 1–20
| 4
Tabla 1. Bases de datos para búsqueda de literatura.
Base de
datos
CiteScore Criterio de elección
Google
Scholar
0,8
Motor de búsqueda de literatura académica y científica, amplio
y completo.
IEEE 2,5 Base de datos especializada en áreas de la ingeniería.
Scopus 3,2
Base de datos internacional y que presenta artículos de alto
impacto en diferentes disciplinas.
Dimensions 1,2
Base de datos internacional que presenta artículos relacionados
a diferentes áreas de investigación.
Scielo 2,0
Bases de datos de acceso abierto.
Redalyc 1,4
Se formuló varias ecuaciones y se evaluó la precisión en razón de los objetivos, tomando los
resultados más relacionados y considerando también el número de citas de los mismos. Los
términos predominantes para la búsqueda de literatura son los correspondientes a las ecuaciones
4 y 5 presentadas en la Tabla 2.
Tabla 2. Fórmulas bibliográficas y resultados obtenidos.
# de ecuación Ecuación bibliográfica Resultados Selección Precisión
1
"Impacto de los Sistemas de
Información en la Agricultura"
3
2
"Impacto de los Sistemas de
Información” y "Agricultura
Inteligente"
0
3
"Impact of Information Systems"
AND "Smart Agriculture".
6 1 2,5
4
"Sistemas de Información" AND
"Agricultura"
14800 27 67,5
5
"Sistema de Información” AND
“Internet de las cosas"
2950 12 30
Total 17759 40 100
Facilidad en el acceso a la información: Las bases de datos que fueron seleccionadas permitieron
descargar los artículos sin novedad alguna.
InGenio Journal, 7(2), 117–136 121
InGenio Journal, 7(2), 1–20
| 5
3. RESULTADOS Y DISCUSIONES
Fase 2: Revisión de fuentes o estudios relevantes
Criterios de inclusión y exclusión. Los criterios para seleccionar las fuentes de información,
fueron: fecha de publicación comprendida entre 2017 a 2024, tipo de publicación donde solo se
aceptaban artículos o tesis y sobre todo la relevancia al tema de investigación y accesibilidad al
documento original.
Realizar la revisión de la literatura. Leer y analizar cada fuente de información
seleccionada, identificando los principales hallazgos, conclusiones y recomendaciones. En esta
exhaustiva revisión, se logró obtener de manera general 85 artículos relacionados al tema, pero
finalmente se seleccionaron 35 debido a criterios de inclusión antes mencionados.
Selección de estudios primarios. El proceso de clasificación de los documentos científicos está
basado en responder a los objetivos por medio de las preguntas de investigación. Para la selección
de los estudios primarios se llevan a cabo los siguientes filtros de revisión:
• Títulos y resúmenes, centrándose en la coincidencia de los mismos con los temas de interés,
los objetivos de la investigación y las preguntas planteadas.
• Coherencia entre los métodos, tecnologías o técnicas empleadas en los estudios y su
relevancia para la temática.
• Relevancia de los sistemas de información, las tecnologías aplicadas, los métodos de
evaluación de impacto, y la contribución a la gestión eficiente de recursos naturales en la
agricultura inteligente.
Fase 3: Síntesis y análisis de estudios relevantes
Evaluar la calidad de los estudios y extracción de datos requeridos. Las metodologías de
investigación seleccionadas varían entre revisiones bibliográficas y aplicaciones de uso
(ejecución del proyecto, prototipo y modelado) para analizar las características técnicas
recopiladas de los análisis de las investigaciones; adentrándonos en los
sensores termográficos
y las cámaras multiespectrales (móviles por medio de drones y fijas), para detectar diferencias de
temperatura e imágenes de las plantas en diferentes longitudes de onda que pueden indicar la
presencia de insectos o enfermedades, así como sensores
de reflectancia para ident
ificar la salud
y la productividad de los cultivos.
Extraer datos requeridos. La información es tabulada para extraer datos en relación con las
tecnologías habilitadoras que en sinergia forman los sistemas de información. A continuación, en
la Tabla 3 se presentan algunas tecnologías disponibles:
Tabla 3. Tecnologías, aplicaciones y protocolos utilizados en la agricultura inteligente.
Tecnologías
habilitadoras
d t d SI
Aplicaciones Uso
Protocolos y
Compatibilida
d
Big data
Análisis de grandes cantidades de
datos para identificar patrones y
tendencias.
Monitoreo del cultivo, detección de
insectos y enfermedades, optimización
del riego y la fertilización, gestión de
la cadena de suministro.
Alto
UBIDOTS,
Hadoop, Spark,
Cassandra.
MQTT, HTTP,
REST.
InGenio Journal, 7(2), 117–136 122
InGenio Journal, 7(2), 1–20
| 6
Cloud Database
Gestión de datos agrícolas.
Acceso remoto.
Análisis de datos avanzado.
Gestión de inventario y logística.
Colaboración y compartición de datos.
Escalabilidad y flexibilidad.
Alto
MQTT, CoAP,
OPC UA,
SSL/TLS.
Cloud Computing
Monitoreo remoto de cultivos.
Predicción y gestión de riesgos.
Plataformas de mercado agrícola.
Alto
MQTT, CoAP,
HTTP, TLS.
Sistemas embebidos
Control de riego.
Gestión de plagas y enfermedades.
Automatización de maquinaria
agrícola.
Optimización de la producción.
Medio
Modbus, CAN,
MQTT,
LoRaWAN,
APIs.
Internet de las cosas
(IoT)
Recopilación y transmisión de datos en
tiempo real desde los cultivos y el
entorno.
Monitoreo del cultivo, detección de
insectos y enfermedades, control del
riego y la fertilización, automatización
de tareas agrícolas.
Medio
MQTT, HTTP,
REST.
Sistemas de
información
geográfica (SIG)
Análisis espacial de datos para la
planificación y gestión de las
explotaciones agrícolas.
Planificación de cultivos, gestión de
recursos hídricos, análisis de riesgos.
Medio
PostgreSQL,
MySQL,
Oracle.
Robótica
Automatización de tareas agrícolas,
como la siembra, la cosecha y la
aplicación de fertilizantes.
Siembra, cosecha, aplicación de
fertilizantes, control de plagas.
Medio
ROS, Python,
C++.
Automatización
Automatización de procesos agrícolas,
como el riego y el control de plagas.
Medio Python, C++.
Análisis y validación de datos requeridos
Sistema de Información
Para Pazmiño et al. [10], un sistema de información es una estructura organizada y planificada
que consiste en personas, procesos, tecnologías y datos diseñados para recopilar, almacenar,
procesar y distribuir información dentro de una organización o entre varias. Todo sistema de
información cuenta con una arquitectura interna, la cual puede ser identificada como cliente-
servidor, red entre pares, Modelo-Vista-Controlador (MVC), arquitectura orientada a eventos
(EDA), arquitectura de microservicios, pero lo que resulta importante son sus elementos internos
para que estas funcionen de manera efectiva y eficiente, según Lapiedra et al. [11], los elementos
de cualquier arquitectura de SI, son los siguientes:
InGenio Journal, 7(2), 117–136 123
InGenio Journal, 7(2), 1–20
| 7
Base de datos. Es el componente central que almacena la información de manera estructurada y
organizada para facilitar su acceso y manipulación. Puede utilizar diferentes tecnologías de bases
de datos como SQL, NoSQL, o bases de datos en memoria, dependiendo de los requisitos del
sistema.
Capa de lógica de negocio. Esta capa contiene la lógica de negocio del sistema, que incluye
reglas de negocio, algoritmos de procesamiento y cualquier otra lógica necesaria para realizar
operaciones sobre los datos. Puede implementarse utilizando diferentes tecnologías, como
lenguajes de programación (Java, Python, entre otros) o motores de reglas empresariales.
Capa de presentación. Es la interfaz a través de la cual los usuarios interactúan con el sistema.
Puede incluir interfaces de usuario gráficas (GUI), interfaces de línea de comandos (CLI) o
interfaces de programación de aplicaciones (API) para la integración con otros sistemas.
Servicios. Estos son componentes que proporcionan funcionalidades específicas del sistema,
como autenticación, autorización, gestión de sesiones, etc. Estos servicios pueden ser compartidos
por diferentes partes del sistema.
Seguridad. La seguridad es un aspecto crítico de la arquitectura de un sistema de información.
Incluye mecanismos de autenticación, autorización, cifrado de datos, auditoría, y otras medidas
para proteger la información contra accesos no autorizados y garantizar la privacidad y la
integridad de los datos.
Escalabilidad y rendimiento. La arquitectura debe ser diseñada para ser escalable y para
proporcionar un rendimiento adecuado, especialmente en sistemas que manejan grandes
volúmenes de datos o que requieren una alta disponibilidad.
Integración. Los sistemas de información suelen necesitar integrarse con otros sistemas y
servicios externos. La arquitectura debe permitir esta integración de manera eficiente y robusta,
utilizando estándares y protocolos de comunicación adecuados.
Sistema de información en la agricultura inteligente
Según Vite et al. [12], algunos centros de investigación de China e India, como la Universidad
de Ciencia y Tecnología Huazhong, Universidad de Agricultura en China y el Centro Nacional
de Agricultura de la India, analizan la creciente demanda de alimentos orgánicos y la necesidad
de reducir el impacto ambiental de la agricultura reflejando la necesidad de implementar
tecnologías de agricultura inteligente con resultados en esta área de Big Data, Cloud Computing,
IoT, SIG, Robótica y Automatización.
Para comprender de manera general la importancia de los sistemas de información, se debe
conceptualizar su término, entendido como el conjunto organizado de componentes que interactúan
para recopilar, procesar, almacenar y distribuir datos con el objetivo de apoyar la toma de
decisiones, el control y la coordinación en una organización. Estos sistemas no solo incluyen
tecnología informática, como hardware y software, sino también procesos, procedimientos,
personas y datos. Su función principal es facilitar la gestión eficiente de la información dentro de
una empresa u organización, ayudando a mejorar la productividad, la eficacia y la calidad de las
decisiones según López et al. [13].
Un informe de la consultora McKinsey citado por la Comisión Económica para América
Latina y el Caribe (CEPAL) sustenta en [14], que las tecnologías o herramientas de información
más utilizadas en la agricultura inteligente son los SIG (80 %), el IoT (70 %) y el Big Data y análisis
predictivo (60 %). La cadena de bloques (Blockchain) según la LISA INSTITUTE es un libro
contable digital distribuido y descentralizado que almacena y comparte información a
proveedores y compañías cuyos registros son inmutables, en tiempo real de transacciones y
InGenio Journal, 7(2), 117–136 124
InGenio Journal, 7(2), 1–20
| 8
propiedad, por ello blockchain es considerado como un nuevo paradigma disruptivo en seguridad
que se distribuye por toda la red para los sistemas de información.
Un aspecto importante para considerar el uso de tecnologías habilitadoras o sistemas de
información en la agricultura es conocer la reducción del consumo energético que estas puedan
ofrecer, según Tobar y Moran [15], quienes sustentan que utilizar hardware y software eficientes
en términos energéticos puede reducir significativamente el consumo de energía. Esto podría
incluir la selección de servidores de baja potencia, computadoras de bajo consumo energético y
software optimizado para realizar tareas con la menor cantidad de recursos posibles. Por otra
parte, utilizar sensores y dispositivos de monitoreo de bajo consumo energético, es posible debido
a la existencia de tecnologías que permiten recopilar datos importantes con un impacto mínimo
en la huella energética.
También, Blanco [16] manifiesta que donde sea posible, utilizar fuentes de energía renovable
para alimentar los sistemas de información agrícola puede ayudar a reducir la huella de carbono
general del sector. Esto podría incluir la instalación de paneles solares o el uso de energía eólica.
Además, capacitar a los usuarios sobre prácticas de eficiencia energética y promover una cultura
de conservación de energía puede ayudar a reducir el consumo energético en sistemas de
información agrícola. Esto podría incluir capacitación sobre cómo optimizar el uso de hardware
y software, así como fomentar hábitos de trabajo que minimicen el consumo de energía.
Según las proyecciones realizadas en [17] por la experta en investigación sobre agricultura y
bienes de consumo, el mercado global de agricultura inteligente, que tuvo un valor de 12.000
millones de dólares en 2022, se espera que alcance los 28.000 millones de dólares en 2028. Otras
estimaciones realizadas en [18] por Precedence Research y Global Market Insights Inc. sitúan el
ta
maño del mercado en alrededor de 1.7 mil millones de dólares en 2022, con una proyección de
crecimiento a una tasa anual compuesta del 20 % al 23,3 % hasta 2032. Estas proyecciones reflejan
el creciente interés y la adopción de la int
eligencia artificial en el sector agrícola.
La selección del sistema de información adecuado para agricultura inteligente depende de una
serie de factores, incluyendo el área de suelo a ser cultivado, los sensores empleados, las
condiciones del suelo, el tipo de red a emplear, el protocolo de conexión, la base de datos y la
aplicación a desarrollar o usar ya sea local o en la nube, en la Tabla 4, se describe una recopilación
de los sistemas de información y de los sensores empleados según el criterio o variable de estudio.
Tabla 4.
Alcance de tecnologías empleadas en la agricultura inteligente.
Tecnologías habilitadoras
Alcance y/o beneficios
Sistema de Información
Geográfica (SIG)
Representar y analizar datos espaciales, para la
planificación y gestión de grandes explotaciones agrícolas.
Internet de las Cosas (IoT)
Recopila datos en tiempo real desde los cultivos y el
entorno.
Big data
Analizar grandes cantidades de datos para identificar
patrones y tendencias, ayuda a mejorar la gestión del suelo.
Aumenta la ganancia neta al no existir intermediarios
usando Blockchain y aplicaciones a medida.
Robótica
Automatizar tareas agrícolas, libera mano de obra y
aumenta la eficiencia.
Automatización
Controla procesos agrícolas, para reducir el consumo de
energía y los residuos.
InGenio Journal, 7(2), 117–136 125
InGenio Journal, 7(2), 1–20
| 9
Base de datos en la nube
Almacena y gestiona
en la nube de información
(servidores), todos los datos recopilados por los sistemas de
información y sensores para agricultura inteligente.
Sistemas embebidos
Permite el monitoreo y control de condiciones ambientales.
Además, se pueden automatizar a través de estos sistemas,
el riego, fertilización, control de plagas, funcionalidad de
máquina agrícolas.
Cloud Computing
Permite incorporar infraestructura digital, con el objetivo de
utilizar software para el almacenamiento, procesamiento y
análisis de datos agrícolas obtenidos de las operaciones
ejecutadas por la organización.
En la agricultura también existe una gran demanda por recursos de IoT, tales como sensores, a
continuación, en la Tabla 5 se especifican los nombres, fabricantes, características y el tipo de
monitoreo de cada uno de ellos.
Los sistemas de información y los sensores agrícolas han beneficiado significativamente los
avances de la agricultura de precisión. Estos sistemas permiten recopilar datos detallados sobre el
suelo, el clima, el agua y las plantas, y enviarlos a la nube para un análisis y visualización precisos.
La integración de tecnologías como el GPS, los drones, los sistemas de información geográfica y
los sensores inteligentes ha revolucionado la forma en que los agricultores toman decisiones y
gestionan sus cultivos.
Estos avances son fundamentales para la agricultura de precisión,
ya que permiten una gestión
más eficiente de los recursos, una toma de decisiones basada en datos y una mayor sostenibilidad
en la producción de alimentos, en línea con los Objetivos de Desarrollo Sostenible (ODS), que
busca "construir infraestructuras resilientes, promover la industrialización inclusiva y sostenible,
y fomentar la innovación" según Fernández et al. [19]. La agricultura de precisión contribuye a
la sostenibilidad agrícola, al cuidado del medioambiente a través del uso óptimo de los recursos,
y a la mejora de l
a toma de decisiones para los agricultores. Además, en [20] se sostien
e como
forma parte de la estrategia para garantizar una cadena alimentaria sostenible, en línea con los
objetivos de desarrollo sostenible.
Estos avances tecnológicos se muestran en la Tabla 6 y han permitido mejorar la eficiencia
y la productividad de los cultivos, así como la toma de decisiones más precisa y sostenible en la
agricultura. La implementación de la agricultura de precisión ha sido fundamental para enfrentar
el cambio climático y mejorar la sostenibilidad en la agricultura.
InGenio Journal, 7(2), 117–136
126
| 10
Tabla 5.
Sensores empleados en la agricultura inteligente.
Sensores Fabricante Características Tipo de monitoreo
Cybershot
DSC-QX100
Sony
Cámara digital compacta con sensor CMOS de 20 megapíxeles y zoom óptico de
3,6x. Se utiliza para capturar imágenes de los cultivos para su análisis con software
de visión artificial.
Cultivo
Parrot
Sequoia
MicaSense
Cámara multiespectral con sensor CMOS de 16 a 23 megapíxeles. Se utiliza para
capturar imágenes de los cultivos en diferentes longitudes de onda, lo que permite a
los agricultores determinar la salud y la productividad de los cultivos. Rango de
temperatura: -20 a 150 °C. Sensibilidad térmica: <0,05 °C
FLIR
Blackfly
23S6C
FLIR Systems
Cámara termográfica con sensor de infrarrojos de 640x512 píxeles. Se utiliza para
detectar diferencias de temperatura en las plantas que pueden indicar la presencia de
insectos o enfermedades. Espectro visible (RGB), infrarrojo cercano
(NIR) e
infrarrojo térmico (TIR).
ACS-430
Holland
Scientific
Sensores de reflectancia activos con un rango de 400-1000 nm. Se utilizan para medir
la cantidad de luz reflejada por las plantas, lo que se puede utilizar para determinar la
salud y la productividad de los cultivos. Rango de reflectancia: 0 a 1.
ACS-470
Holland
Scientific
Sensor de reflectancia activo de 470 nm. Rango de reflectancia: 0 a 1.
3DR Iris+ 3D Robotics
Drones con cámara RGB de 12 MP y cámara térmica de 160 x 120 píxeles. Rango de
temperatura: -10 a 60 °C.
Sensibilidad térmica: <0,2 °C.
DJI Mavic 2
Enterprise
Advanced
DJI
Drone con cámara RGB de 20 MP y cámara térmica de 640 x 512 píxeles. Rango de
temperatura: -20 a 60 °C.
Sensibilidad térmica: <0,04 °C.
InGenio Journal, 7(2), 117–136
127
| 11
Variable a medir: Temperatura.
DS18B20 Integrated Sensor de temperatura digital con rango de -55 a 125 °C. Precisión: ±0,5 °C.
Sustrato
VH400 Vegetaroni x Sensor de temperatura digital con rango de -40 a 80 °C. Precisión: ±0,5 °C.
HL-69,
ECH2O-
10HS
Group Sensor de temperatura de resistencia con rango de -10 a 80 °C. Precisión: ±0,5 °C.
Capacitive
Soil
Moisture
Sensor v1.2
DERobots
Rango de medición: 0-50 %
de humedad del suelo. Precisión: ±2 %.
Voltaje de operación: 3.3-5 V
Corriente de operación: <20 mA.
Salida analógica y digital
Capacitive
Soil
Moisture
Sensor
Adafruit
Rango de medición: 0-50 %
de humedad del suelo.
Precisión: ±2 %.
Voltaje de operación: 3.3-5 V.
Corriente de operación: <20 mA.
Salida analógica
Resistive
Soil
Moisture
Sensor v1.2
DERobots
Rango de medición: 0-100 %
de humedad del suelo.
Precisión: ± 5 %.
Voltaje de operación: 3.3-5 V.
Corriente de operación: <20 mA.
Salida analógica y digital
Soil
Moisture
Sensor
SparkFun
Rango de medición: 0-50 %
de humedad del suelo.
Precisión: ±5 %.
Voltaje de operación: 3.3-5 V. Corriente de operación: <20 mA.
Salida analógica.
InGenio Journal, 7(2), 117–136
128
| 12
Variable a medir: pH.
ECH2O 5TE
De
METER Group
Este sensor mide la humedad del suelo, la conductividad eléctrica y el pH. Precisión:
±0,3 en condiciones normales y precisión: ±0,2 en condiciones específicas del suelo.
Ambiente
SEN0244
DERobots
Sensor de pH con rango de 0 a 14. Precisión: ±0,1 pH.
EnviroSCAN Sentek
Proporciona mediciones de humedad del suelo, conductividad eléctrica y
temperatura, lo que puede utilizarse para inferir el pH del suelo. Precisión: ±0,3 pH.
EC-5
Decagon Devices (ahora
METER Group)
Mide la humedad del suelo y la conductividad eléctrica, que se puede utilizar para
estimar la salinidad del suelo. Precisión: ±0,1 pH.
Variable a medir: Temperatura y humedad del aire.
DHT11,
DHT22
Aosong Electronics Co., Ltd.,
Guangzhou, China
Rango de temperatura: 0 a 50 °C. Precisión: ±2 °C. Rango de humedad: 0 a 100 %.
Precisión: ±5 %.
Variable a medir: Radiación.
SQ-110
Apogee Instruments, Inc.,
Logan,
UT, USA
Rango de radiación: 0 a 20.000 lux. Precisión: ±10 %.
Variable a medir: Lluvia.
YF-S402,
YL-83, SE-
WS700D
Graylogix, Bangalore,
Karnataka, India; Vaisala Corp.,
Helsinki, Finland; Lufft Inc.,
Berlin,
Germany
Rango de lluvia: 0 a 500 mm. Precisión: ±1 mm.
InGenio Journal, 7(2), 117–136
129
| 13
Variable a medir: Luminosidad.
BH1750,
TSL2561
Rohm Semiconductor, Kyoto,
Japan; Adafruit Industries, New
York City, NY, USA
Rango de luminosidad: 0 a 40.000 lux. Precisión: ±5 %.
Variable a medir: Presión atmosférica.
MPL3115A2
NXP Semiconductors,
Eindhoven,
The Netherlands
Rango de presión: 300 a 1.100 hPa. Precisión: ±0,03 hPa.
Variable a medir: Dirección y velocidad del viento.
WS-3000,
SparkFun
Ambient Weather, Chandler,
AZ, USA; SparkFun
Electronics, Niwot, CO, USA.
Rango de velocidad del viento: 0 a 30 m/s. Precisión: ±0,2 m/s.
Variable a medir: Concentración de Co
2
.
MG-811,
MQ135
Zhengzhou Winsen Electronics
Technology Co., Ltd.,
Zhengzhou,
China; Waveshare Electronics,
Shenzhen,
China
Rango de concentración de Co
2
: 0 a 5.000 ppm. Precisión:
±50 ppm.
InGenio Journal, 7(2), 117–136
130
| 14
Tabla 6. Análisis de los Sistemas de información y sensores empleados.
Tecnologías
habilitadoras
Tecnologías en la
agricultura de precisión
Alcance o uso
Porcentaje de
implementaci
ón según
estudios
publicados
Porcentaje
de ahorro en
pesticidas o
fertilizante
Porcentaje de
mejora en la
producción/
cosecha
Porcentaje
de ahorro
energético
Robótica
Sembradoras de
precisión: sembradoras que colocan las
semillas de manera precisa y uniforme en
el suelo.
Grandes
extensiones de área
para cultivar e
industrializar la
agricultura.
10-20 %
20-30 %
10-20 %
10-30 %
Automatización
Riego automatizado: sistemas que
controlan el riego de los cultivos de forma
automática, en función de las condiciones
del suelo y del clima.
Explotaciones
agrícolas de gran
tamaño o con escasez
de mano de obra.
5-10 % 10-20 % 10-20 % 20-50 %
Big Data
Análisis de datos: análisis de grandes
cantidades de datos para identificar
patrones y tendencias.
Explotaciones
agrícolas de todos los
tamaños.
5-10 % 10-20 % 10-20 % 10-30 %
SIG
Geolocalización: ubicación de los cultivos
y el entorno en un mapa.
Explotaciones
agrícolas de todos los
tamaños.
5-10 % 10-20 % 10-20 % 20-50 %
InGenio Journal, 7(2), 117–136 131
InGenio Journal, 7(2), 1–20
| 15
Impacto de los SI en el consumo energético y reducción de huella de carbono
Los SI tienen un impacto significativo en el consumo energético y la reducción de la huella
de carbono, por lo que Zanfrillo et al. [21] describe algunas de estas razones:
Eficiencia energética. Los SI pueden optimizar el uso de recursos energéticos al monitorear y
controlar sistemas de iluminación, calefacción, ventilación y aire acondicionado (HVAC) en
edificios comerciales y residenciales. Mediante el uso de sensores, automatización y análisis de
datos, los SI pueden ajustar el consumo de energía según la demanda real, lo que resulta en un
uso más eficiente de la energía.
Gestión de la cadena de suministro. Los SI permiten una mejor gestión de la cadena de
suministro, lo que puede reducir las emisiones asociadas con el transporte y el almacenamiento
de productos. Al optimizar las rutas de entrega, minimizar los tiempos de almacenamiento y
reducir el desperdicio, los SI pueden ayudar a disminuir la huella de carbono de las operaciones
logísticas.
Teletrabajo y videoconferencias. La adopción de SI facilita el trabajo remoto y las
videoconferencias, lo que reduce la necesidad de desplazamientos físicos hacia y desde el lugar
de trabajo. Menos desplazamientos significan una menor emisión de gases de efecto invernadero
asociados con el transporte.
Monitorización y gestión de energía. Los SI pueden recopilar datos detallados sobre el consumo
de energía en tiempo real, lo que permite a las organizaciones identificar áreas de alto consumo y
tomar medidas para reducirlo. Esto puede incluir la identificación de equipos ineficientes, la
programación de apagado automático de dispositivos no utilizados y la implementación de
políticas de ahorro de energía.
Fomento de prácticas sostenibles. Los SI también pueden ayudar a las organizaciones a
promover prácticas sostenibles entre sus empleados y clientes. Por ejemplo, aplicaciones móviles
y plataformas en línea pueden educar sobre la importancia de reducir el consumo de energía y
proporcionar herramientas para hacerlo, como consejos para un consumo más eficiente o la
configuración de recordatorios para apagar dispositivos.
Impacto de los sistemas de computación y bases de datos en la nube para los procedimientos
agrícolas
El impacto de los sistemas de computación y bases de datos en la nube en los procedimientos
agrícolas ha sido significativo en los últimos años según Tovar [22], además estas son las
principales ventajas que resulta de incorporar estas tecnologías en los procesos agrícolas:
Gestión de datos agrícolas. La agricultura de precisión se ha beneficiado enormemente de los
sistemas de computación en la nube y las bases de datos. Los agricultores pueden recopilar datos
de sensores, imágenes satelitales y drones, y almacenarlos de manera centralizada en la nube. Esto
les permite acceder a información sobre el clima, el suelo, los cultivos y el rendimiento de manera
más eficiente, lo que facilita la toma de decisiones informadas.
Optimización de la cadena de suministro. Los sistemas de bases de datos en la nube permiten
una mejor coordinación entre los diversos actores de la cadena de suministro agrícola, desde los
agricultores hasta los minoristas. Esto puede mejorar la planificación de la producción, la logística
y la distribución, lo que reduce el desperdicio y aumenta la eficiencia.
Aplicaciones móviles para agricultores. Muchas aplicaciones móviles diseñadas para
agricultores se basan en sistemas en la nube para almacenar datos y ofrecer servicios como
recomendaciones de cultivos, seguimiento de inventario, gestión de la mano de obra y acceso a
información sobre precios de productos.
InGenio Journal, 7(2), 117–136 132
InGenio Journal, 7(2), 1–20
| 16
Agricultura inteligente y automatización. La combinación de sistemas en la nube con
tecnologías como el IoT y la Inteligencia Artificial (IA) ha llevado a avances en la agricultura
inteligente y la automatización. Los agricultores pueden monitorear y controlar de forma remota
equipos agrícolas, sistemas de riego y condiciones ambientales en tiempo real, lo que les permite
optimizar el uso de recursos y maximizar el rendimiento de los cultivos.
Análisis predictivo y modelado. Los datos almacenados en la nube pueden ser utilizados para
desarrollar modelos predictivos que ayuden a los agricultores a anticipar eventos como plagas,
enfermedades de los cultivos o cambios en el clima. Esto les permite tomar medidas proactivas
para mitigar riesgos y maximizar la producción.
4. CONCLUSIONES
Las tecnologías habilitantes de la agricultura inteligente en sinergia con los sistemas de
información mejoran la eficiencia y la productividad de los cultivos, permiten tomar decisiones
precisas sobre el riego, la fertilización, la siembra y la cosecha. Alineando los beneficios de la
agricultura inteligente con los Objetivos de Desarrollo Sostenibles (ODS) de la Agenda 2030 de
las Naciones Unidas se tiene:
• ODS 2: Hambre cero, ayuda a aumentar la producción de alimentos, lo que contribuye ayudar
a reducir el hambre y la malnutrición.
• ODS 6:
Agua limpia y saneamiento, ayuda a reducir el consumo de agua, lo que puede
contribuir a la conservación de los recursos hídricos.
• ODS 12: Producción y consumo responsables, ayuda a reducir los residuos,
enfermedades, plagas en los cultivos y la contaminación, lo que puede contribuir a un
consumo más sostenible y saludable.
Así lo respalda la información que se recopila por medio de sensores y se analiza a través de
los sistemas de información, obteniendo una mayor eficiencia en el uso de los recursos y una
mejora de la productividad de los cultivos, como consta en [1], [3],
[14] - [17] y [19] con una
reducción del 25 % en consumo de agua, una productividad de los cultivos en un 10 %; reducción
de fertilizantes en un 50 % y pesticidas en un 25 %, con los datos obtenidos se logra conocer las
necesidades nutricionales de los cultivos.
Para el mismo propósito en las investigaciones [5] - [7], [16] y [17] se utilizó Machine
Learning mejorando la precisión en un ±5 %, mientras que en [8], [9], [19] y [21] implementando
cultivos hidropónicos evaluamos una reducción del consumo de agua entre 20 % al 30 %, y un
aumento en la productividad de 5 – 10 % incluso la
calidad del agua lo que permite tener
consciencia de la huella hídrica y la calidad de los alimentos que se consumen, con lo cual se
aplican prácticas justas para optimizar el uso del agua a la vez que protegemos al medio ambiente.
Además en los estudios [22] y [23] a través de sus razones que parten de los sistemas de
información, junto con la computación en la nube y las bases de datos, desempeñan un papel
importante en la agricultura debido a que permiten reducir costos de infraestructura, mejorar la
logística y cadena de suministros, así como acceder a datos y análisis avanzados en síntesis, esto
evidencia un impacto significativo en la eficiencia y sostenibilidad general, Actualmente los
sistemas de información actúan de manera integral en la reducción del consumo de energía y la
huella de carbono al haberse proporcionado buenas prácticas por parte de las organizaciones a la
hora de implementar tecnologías en el agro, siendo una de estas, el uso de tecnologías limpias, la
eficiencia operativa y la concientización y educación del personal.
La Organización Mundial de la Salud (OMS) estima que la población mundial seguirá
aumentando en las próximas décadas, alcanzando los 9.700 millones de personas en 2050 y los
10.900 millones de personas en 2100, ante esta información aumenta la presión sobre el control
y buena gestión que se debe realizar de los recursos naturales, en
especial del agua.
InGenio Journal, 7(2), 117–136 133
InGenio Journal, 7(2), 1–20
| 17
En las investigaciones [24] - [33], se confirman datos de ahorro de agua hasta en un 25 %,
además del ahorro energético en un 35 % a su vez que se genera la incorporación de elementos
robóticos del 1 % al 30 %, esto gracias a la funcionalidad de dispositivos a través de baterías, en
estos estudios aparecen otras tecnologías habilitadoras como la automatización que genera del 20
% al 50 % de reducción energética, así como la big data y SIG que permiten el ahorro de entre
10 % a 50 %.
Por otra parte, el aumento de la productividad por medio de distintos sistemas de información
que con la implementación de sensores agrícolas logrando reducir el uso de fertilizantes hasta en
un 30 % y el uso de pesticidas en un 20 % aproximadamente, los desafíos para el desarrollo del
agro son grandes pero el cambio climático, la perdida de cosechas y los contaminantes como
metales pesados pueden evitar
se aplicando correctamente la agricultura inteligente y los distintos
sistemas de información descritos en la Tabla 6.
Este artículo reúne datos relevantes para futuras investigaciones y permitió elaborar una guía
sobre un modelado usando hardware de bajo costo y simuladores para que estudiantes
universitarios puedan tener sus primeros pasos aplicando la agricultura inteligente.
REFERENCIAS
[1
] J. Tumiwa, O. Tuegeh, B. Bittner y A. Nagy, “The Challenges to Developing Smart Agricultural
Village in The Industrial Revolution 4.0: The
Case of Indonesia”, Torun International
Studies, vol. 1, no. 15, pp. 25-45, jun. 2022. [Online], Available
:
https://doi.org/10.12775/TIS.2022.002
[2] B. Kitchenham, y S. Charters,” Guidelines for performing systematic literature reviews in
software engineering”, Keele University and Durham University, 2007. [Online],
Available:
https://www.researchgate.net/publication/302924724_Guidelines_for_performing_Syste
matic_Literature_Reviews_in_Software_Engineering
[3] P. Dato, B. Khairul y E. Luah, “The Ro
le of Smart Farming in Sustainable Development”,
International Journal of Asian Business and Information Management, vol. 13, no. 2, pp.
1–12, jul. 2021.
[Online], Available: https://doi.org/10.4018/ijabim.20220701.oa5
[4] A. Sonnino y J. Ruane, “La innovación en agricultura y las biotecnologías agrícolas como
herramientas de las políticas de seguridad alimentaria”, en Biotecnologías e innovación: el
compromiso social de la ciencia, Pontificia Universidad Javeriana, 2013, pp. 25-52,
ttps://www.researchgate.net/publication/263443721_La_innovacion_en_agricultura_y_las
_biotecnologias_agricolas_como_herramientas_de_las_politicas_de_seguridad_alimentar
ia.
[5] J. Lamis, J. Plasensia y F. Marrero, “Evaluación del nivel de sostenibilidad en la gestión
de las tecnologías y sistemas de información a través de la Lógica Difusa Compensatoria”,
Revista de Métodos Cuantitativos para la Economía y la Empresa. vol. 33, no. 1, pp. 154-
168, jun. 2022. [En línea]. Disponible en:
https://doi.org/10.46661/revmetodoscuanteconempresa.4383
[6] L. Wang, C. Qi, P. Jiang y S. Xiang, “The Impact of Blockchain Application on the
Qualification Rate and Circulation Efficiency of Agricultural Products: A Simulation
Analysis with Agent- Based Modelling”. International Journal Environment Research
Public Health, vol. 19, no. 13, pp. 1-17 jun. 2022.
[Online], Available:
https://doi.org/10.3390/ijerph19137686
InGenio Journal, 7(2), 117–136 134
InGenio Journal, 7(2), 1–20
| 18
[7] C. Maraveas y T. Bartzanas, “Aplicación de internet de las cosas (IoT) para entornos de
invernadero optimizados”, Magna Sci. UCEVA, vol. 2, no. 2, pp. 260-275, dic. 2022. [En
línea]. Disponible en: https://doi.org/10.54502/msuceva.v2n2a11
[8] S. Quishpe, M. Padilla, y M. Ruiz, “Despliegue Óptimo de Redes Inalámbricas para
Medición Inteligente”, Revista Técnica Energía, vol. 16, no. 1, pp. 106–113, jul. 2019. [En
línea]. Disponible en: https://doi.org/10.37116/revistaenergia.v16.n1.2019.341
[9] D. Duarte, “Modelo matemático de conductividad eléctrica en función del flujo acuífero en
suelos usando mallado de flujos”. Ingeniería UC, vol. 27, no. 3, pp. 343–352, dic. 2020. [En
línea]. Disponible en: http://servicio.bc.uc.edu.ve/ingenieria/revista/v27n3/art08.pdf
[10] S. Pazmiño, R. Carriel y J. Mosquera, “Importancia de los sistemas de información para
tomar mejores decisiones empresariales”, Conciencia Digital, vol. 6, no. 1, pp. 87-101, en.
2023.
[En línea]. Disponible en: https://doi.org/10.33262/concienciadigital.v6i1
[11
] R. Lapiedra, J. López, S. Ferrer y J. Darocha, “Planificación y organización de los sistemas
de información en la empresa”, 1
er
ed. España: Universidad Jaume I, Sarpienta, 2021. [En línea].
Disponible en: http://dx.doi.org/10.6035/Sapientia169
[12] H. Vite, J. Townsend y H. Carvajal, “Big Data e internet de las cosas en la producción de
banano orgánico”, Revista Universidad y Sociedad, vol. 12, no. 4, pp. 192-200, jul. 2020.
[En línea]. Disponible en: https://rus.ucf.edu.cu/index.php/rus/article/view/1630/1635
[13] O. López, M. Dorado y D. Martínez, “Aplicabilidad de los sistemas de información en una
EAPB de la ciudad de Cali 2021”, Ciencia Latina, vol. 7, no. 3, pp. 7786-7801, jul. 2023.
[En línea]. Disponible en: https://doi.org/10.37811/cl_rcm.v7i3.6758
[14] Comisión Económica para América Latina y el Caribe (CEPAL), “Tecnologías digitales
para un nuevo futuro”, Santiago: Naciones Unidas, 2021.
https://hdl.handle.net/11362/46816
[15] B. Tobar y M. Morán, “Agricultura de precisión y redes de sensores inalámbricos, análisis
de su implementación y ventajas en el Ecuador”, Serie Científica de la Universidad de las
Ciencias Informáticas, vol. 15, no. 6, pp. 54-69, jun. 2022. [En línea]. Disponible en:
https://publicaciones.uci.cu/index.php/serie/article/view/1082
[16] N. Blanco, “Generación de energía eléctrica en sistemas de generación distribuida de
pequeña escala usando bioenergía en Nicaragua”, Revfue, vol. 19, no. 1, pp. 21–31, dic.
2020. [En línea]. Disponible en:
https://revistas.uis.edu.co/index.php/revistafuentes/article/view/12371
[17] M. Shahbandeh, “Estimated value of artificial intelligence in agriculture market from 2023
to 2028”, Statista, oct 2023. [Online], Available:
https://www.statista.com/statistics/1326924/ai-in-agriculture-marketvalue-worldwide/.
[18] Precedence Research, “Artificial Intelligence in Agriculture Market Size”, Precedence
Research, jul. 2023. [En línea]. Available:
https://www.precedenceresearch.com/table-
of- content/3157
[19] F. Fernández, “IoT aplicado al monitoreo en tiempo real de cultivos agrícolas”, Reportes
Científicos de La FACEN, vol. 14, no. 1, pp. 62-69, jun. 2023. [En línea]. Disponible en:
https://doi.org/10.18004/rcfacen.2023.14.1.62
InGenio Journal, 7(2), 117–136 135
InGenio Journal, 7(2), 1–20
| 19
[20] S. Fonseca, M. Andrade, A. Luchiari y S. Medeiros, “A transformação digital no campo
rumo à agricultura sustentável e inteligente”, Embrapa, vol. 1, no. 2, pp. 20-45, sep. 2020.
[En línea
]. Disponible en:
https://ainfo.cnptia.embrapa.br/digital/bitstream/item/217698/1/LV-Agricultura-digital-
2020-cap1.pdf
[21] A. Zanfrillo y M. Artola, “Aportes para la inclusión de la dimensión medioambiental
en los sistemas de información”, CAPIC REVIEW, vol. 17, no. 1, pp. 1–13, dic.
2019. [En línea]. Disponible en:
https://capicreview.com/index.php/capicreview/article/view/59
[22] A. Tovar, “Agricultura 4.0: uso de tecnologías de precisión y aplicación para
pequeños productores”, Informador Técnico, vol. 87, no. 2, pp. 168–184, oct. 2023.
[En línea]. Disponible en: https://core.ac.uk/download/588299670.pdf
[23] S. Jones, J. Smith, y M. Brown, “The role of big data, the internet of things (IoT), and
spatial information systems (GIS) in smart agriculture”, Sustainability, vol. 13, no. 18, pp.
10-143, ago. 2021. [En línea]. Disponible en: https://doi.org/10.3390/su131810143
[24] P. Dev, S. Khandelwal, S. Yadav, V, Arya y H. Mali, “Climate Based Smart Agriculture:
Need for Food Security and Sustainability”, International Journal of Environment and
Climate Change, vol. 13, no. 3, pp. 224-231, mar. 2023.
[Online], Available:
https://doi.org/10.9734/ijecc/2023/v13i31702
[25] G. Martínez, D. Flórez y N. Bravo, “Desarrollo de un sistema web y móvil para la gestión
de cultivos agrícolas”, Trilogía Ciencia Tecnología Sociedad, vol. 10, no. 18, pp. 151-
166, sep. 2018. [En línea]. Disponible en:
https://www.redalyc.org/journal/5343/534367758010/html/
[26] J. González, M. Montaño, O. Jiménez, L. Mingo y C. Carrión, “Diseño y despliegue de un
sistema de monitoreo basado en IoT para cultivos hidropónicos”, Ingenius: Revista de
Ciencia y Tecnología, vol. 13, no. 30, pp. 9-18, jul. 2023. [En línea]. Disponible en:
https://doi.org/10.17163/ings.n30.2023.01
[27] J. Saavedra, M. Hernández y C. Mendoza, “Aplicaciones y beneficios IOT como
alternativa en el gobierno TI: Revisión sistemática de literatura”, Revista Científica de La
UCSA, vol. 10, no. 1, pp. 120-138, abr. 2023. [En línea]. Disponible en:
https://doi.org/10.18004/ucsa/2409-8752/2023.010.01.120
[28] S. Kumar, A. Pandey, y M. Singh, “Smart agriculture: A review of the
role of spatial
information systems (GIS) and robotics”, International Journal of Agricultural and
Biological Engineering, vol. 15, no. 6, pp. 1-14, 2022.
https://doi.org/10.22065/j.ijabe.2022.2340
[29] J. Laverde y C. Laverde, “Internet de las cosas aplicado en la agricultura ecuatoriana: Una
propuesta para sistemas de riego”, Dilemas Contemporáneos: Educación, Política y
Valores, vol. 8, no. 2, pp. 1-14, abr. 2021. [En línea]. Disponible en:
https://doi.org/10.46377/dilemas.v8i2.2542
[30] A. Molina, C. Hueichaqueo, B. Martínez, A. Placeres, C. Molina, P. Hueichaqueo, B.
Martínez y A. Placeres, “Monitoreo de calidad del agua en sistema de agua potable rural”,
Ingeniería Electrónica, A
utomática y Comunicaciones, vol. 42, no. 3, pp. 60-70, 2021. [En
línea]. Disponible en: http://scielo.sld.cu/scielo.php?script=sci_arttext&pid=S1815-
59282021000300060
InGenio Journal, 7(2), 117–136 136
InGenio Journal, 7(2), 1–20
| 20
[31] E. Montoya, S. Colorado, W. Muñoz y G. Golondrino, “Propuesta de una Arquitectura para
Agricultura de Precisión Soportada en IoT”, Revista Ibérica de Sistemas e Tecnologías de
Información, vol. 17, no. 24, pp. 39-56, mar. 2017. [En línea]. Disponible en:
https://dialnet.unirioja.es/servlet/articulo?codigo=6673698
[32] C. Ordoñez, H. Ordoñez y A. Ordoñez, “Low-cost Prototype for Automating of Greenhouse
Medicinal Cannabis Production Supported by IoT”, Revista científica, vol. 45, no. 3, pp.
414-421, Sep. 2022. [En línea]. Disponible en: https://doi.org/10.14483/23448350.19678
[33] A. González, G. Amarillo, M. Amarillo y F. Sarmiento, “Drones Aplicados a la
Agricultura de Precisión”, Publicaciones e Investigación, vol. 10, no. 1, pp. 23-
39, mar.
2016.
[En línea]. Disponible en: https://doi.org/10.22490/25394088.1585
Copyright (2024) © Geover Bowen Quiroz, Gema Medranda Cobeña. Este texto está protegido bajo una
licencia internacional Creative Commons 4.0. Usted es libre para compartir, copiar y redistribuir el
material en cualquier medio o formato. También podrá adaptar: remezclar, transformar y construir sobre
el material.
