Visión artificial para el diagnóstico de suelos cafetaleros: revisión sistemática de la literatura
DOI:
https://doi.org/10.18779/ingenio.v9i1.1124Palabras clave:
análisis de suelos, gestión agrícola, independencia tecnológica, segmentación de imágenes, tecnología asistidaResumen
En Jilotepec, Veracruz, la producción de café enfrenta retos asociados con la degradación del suelo y la baja productividad agrícola. Este trabajo se enfoca en una Revisión Sistemática de la Literatura (RSL) sobre el uso de visión artificial para el diagnóstico de suelos cafetaleros, con el fin de identificar técnicas efectivas que permitirán desarrollar herramientas tecnológicas aplicables al contexto local. La RSL se realizó bajo un protocolo riguroso que incluyó criterios de inclusión/exclusión, búsqueda en bases de datos científicas reconocidas y análisis temático de estudios entre 2019 y 2024. Los resultados destacan el potencial de la visión artificial en tareas como segmentación de imágenes, análisis de textura y detección de características fisicoquímicas del suelo. Como aporte principal, se identifican tendencias, vacíos y oportunidades que fundamentan la creación de un software de diagnóstico de suelos más rápido, accesible y preciso para cafetaleros. Esta investigación sienta las bases para soluciones innovadoras en agricultura sustentable y digital.
Descargas
Citas
A. C. Hernández, G. H. Martínez, y R. Manson, “La cafeticultura mexicana: el caso del proyecto biocafé”, en III Congresso Brasileiro de Agroecologia, Florianópolis, Brasil, Oct. 2005. [En línea]. Disponible en: https://acortar.link/Hm4zAz
SEFIPLAN, “Sistema de Información Estadística y Geográfica del Estado de Veracruz de Ignacio de la Llave (SIEGVER)”, Secretaría de Finanzas y Planeación, Jilotepec, Cuadernillos Municipales. Jilotepec, 2024. [En línea]. Disponible en: https://cieg.gobiernodigital.gob.mx/wp-content/uploads/sites/21/2024/11/Jilotepec_CM_2024_Ver.2.pdf
D. Geissert, A. Mólgora-Tapia, S. Negrete-Yankelevich, y R. Hunter Manson, “Efecto del manejo de la cobertura vegetal sobre la erosión hídrica en cafetales de sombra”, AGROCIENCIA, vol. 51, no. 2, pp. 119–133, Mar. 2017, [En línea]. Disponible en: https://www.agrociencia-colpos.org/index.php/agrociencia/article/view/1282
O. Santillán, y M. E. Rentería Rodríguez, “Agricultura de Precisión”, Oficina de Información Científica y Tecnológica para el Congreso de la Unión [INCYTU], Ciudad de México, 15, Abr. 2018. [En línea]. Disponible en: https://www.foroconsultivo.org.mx/INCyTU/index.php/notas/sociedad/94-15-agricultura-de-precision-n-2
J. F. Sotomayor, A. P. Gómez, y A. F. Cela, “Sistema de Visión Artificial para el Análisis de Imágenes de Cultivo basado en Texturas Orientadas”, Rev. Politécnica, vol. 33, no. 1, Jan. 2014, [En línea]. Disponible en: https://goo.su/9575KQ5
P. Srivastava, A. Shukla, y A. Bansal, “A comprehensive review on soil classification using deep learning and computer vision techniques”, Multimed. Tools Appl., vol. 80, no. 10, pp. 14887–14914, Abr. 2021. [En línea]. Disponible en: https://doi.org/10.1007/s11042-021-10544-5
M. Javaid, A. Haleem, I. H. Khan, y R. Suman, “Understanding the potential applications of Artificial Intelligence in Agriculture Sector”, Adv. Agrochem, vol. 2, no. 1, pp. 15–30, Oct. 2022. [En línea]. Disponible en: https://doi.org/10.1016/j.aac.2022.10.001
B. Kitchenham, y S. Charters, “Guidelines for performing Systematic Literature Reviews in Software Engineering”, vol. 2, Jul. 2007, [En línea]. Disponible en: https://www.researchgate.net/publication/302924724
F. A. Diaz-Gonzalez, J. Vuelvas, C. A. Correa, V. E. Vallejo, y D. Patino, “Machine learning and remote sensing techniques applied to estimate soil indicators – Review”, Ecol. Indic., vol. 135, pp. 108517, Dec. 2021. [En línea]. Disponible en: https://doi.org/10.1016/j.ecolind.2021.108517
Z. Zhao, W. Feng, J. Xiao, X. Liu, S. Pan, y Z. Lian g, “Rapid and Accurate Prediction of Soil Texture Using an Image-Based Deep Learning Autoencoder Convolutional Neural Network Random Forest (DLAC-CNN-RF) Algorithm”, MDPI, vol. 12, no. 12, Dec. 2022. [En línea]. Disponible en: https://doi.org/10.3390/agronomy12123063
S. Sys, S. Weißbach, L. Jakob, S. Gerber, y C. Schneider, “CollembolAI, a macrophotography and computer vision workflow to digitize and characterize samples of soil invertebrate communities preserved in fluid”, Methods Ecol. Evol., vol. 13, no. 12, pp. 2729–2742, Oct. 2022. [En línea]. Disponible en: https://doi.org/10.1111/2041-210X.14001
V. G. Dhanya et al., “Deep learning based computer vision approaches for smart agricultural applications”, Artif. Intell. Agric., vol. 6, pp. 211–229, Sep. 2022. [En línea]. Disponible en: https://doi.org/10.1016/j.aiia.2022.09.007
M. Uddin, y Md. R. Hassan, “A novel feature based algorithm for soil type classification”, Complex Intell. Syst., vol. 8, no. 4, pp. 3377–3393, Feb. 2022. [En línea]. Disponible en: https://doi.org/10.1007/s40747-022-00682-0
D. Han, y M. Rodriguez, “Big Data Analytics, Data Science, ML&AI for Connected, Data-driven Precision Agriculture and Smart Farming Systems: Challenges and Future Directions”, en Proceedings of Cyber-Physical Systems and Internet of Things Week 2023, San Antonio TX USA: ACM, May 2023, pp. 378–384. [En línea]. Disponible en: https://doi.org/10.1145/3576914.3588337
R. Sathiya Priya, y U. Rahamathunnisa, “A Novel Clustering Algorithm for Monitoring Paddy Growth Through Satellite Image Processing.”, ACM Trans. Sens. Netw., p. 3579358, May 2023. [En línea]. Disponible en: https://doi.org/10.1145/3579358
P. Sumathi, V. V. Karthikeyan, M. S. Kavitha, y S. Karthik, “Improved Soil Quality Prediction Model Using Deep Learning for Smart Agriculture Systems”, Comput. Syst. Sci. Eng., vol. 45, no. 2, pp. 1545–1559, Nov. 2023. [En línea]. Disponible en: https://doi.org/10.32604/csse.2023.027580
M. Majdalawieh, S. Khan, y Md. T. Islam, “Using Deep Learning Model to Identify Iron Chlorosis in Plants”, IEEE Access, vol. 11, pp. 46949–46955, May 2023. [En línea]. Disponible en: https://doi.org/10.1109/ACCESS.2023.3273607
M. Awais et al., “AI and machine learning for soil analysis: an assessment of sustainable agricultural practices”, Bioresour. Bioprocess., vol. 10, no. 1, p. 90, Dic. 2023. [En línea]. Disponible en: https://doi.org/10.1186/s40643-023-00710-y
M. Kazemi Garajeh, K. Hassangholizadeh, A. R. Bakhshi Lomer, A. Ranjbari, L. Ebadi, y M. Sadeghnejad, “Monitoring the impacts of crop residue cover on agricultural productivity and soil chemical and physical characteristics”, Sci. Rep., vol. 13, no. 1, p. 15054, Sep. 2023. [En línea]. Disponible en: https://doi.org/10.1038/s41598-023-42367-9
J. Ding, R. Chandra, R. Lal, y L. Tassiulas, “Cost-Effective Soil Carbon Sensing with Wi-Fi and Optical Signals”, en Proceedings of the 30th Annual International Conference on Mobile Computing and Networking, Washington D.C. DC USA: ACM, Dic. 2024, pp. 1015–1029. doi: https://doi.org/10.1145/3636534.3690675
B. R. A et al., “Exploratory Study of Soil Parameters to Generate Correlations to Recommend Organic Manure”, en Proceedings of the 2024 Sixteenth International Conference on Contemporary Computing, Noida India: ACM, Aug. 2024, pp. 162–169. [En línea]. Disponible en: https://doi.org/10.1145/3675888.3676046
A. Upadhyay et al., “Deep learning and computer vision in plant disease detection: a comprehensive review of techniques, models, and trends in precision agriculture”, Artif. Intell. Rev., vol. 58, no. 3, pp. 92, Dic. 2024. [En línea]. Disponible en: https://doi.org/10.1007/s10462-024-11100-x
R. A. El Behairy et al., “How Can Soil Quality Be Accurately and Quickly Studied? A Review”, Agronomy, vol. 14, no. 8, pp. 1682, Jul. 2024. [En línea]. Disponible en: https://doi.org/10.3390/agronomy14081682
N. A. Sharma, K. Kumar, R. R. Chand, y M. A. Kabir, “Utilizing Hyperspectral Imaging with Machine Learning Techniques for Soil Analysis”, Feb. 2024. [En línea]. Disponible en: https://doi.org/10.1007/978-3-031-83127-0_5
J. U. M. Akbar, S. F. Kamarulzaman, A. J. M. Muzahid, Md. A. Rahman, y M. Uddin, “A Comprehensive Review on Deep Learning Assisted Computer Vision Techniques for Smart Greenhouse Agriculture”, IEEE Access, vol. 12, pp. 4485–4522, Jan. 2024. [En línea]. Disponible en: https://doi.org/10.1109/ACCESS.2024.3349418
R. Selvanarayanan, S. Rajendran, S. Algburi, O. Ibrahim Khalaf, y H. Hamam, “Empowering coffee farming using counterfactual recommendation based RNN driven IoT integrated soil quality command system”, Sci. Rep., vol. 14, no. 1, p. 6269, Mar. 2024. [En línea]. Disponible en: https://doi.org/10.1038/s41598-024-56954-x
B. Gülmez, “A Comprehensive Review of Convolutional Neural Networks based Disease Detection Strategies in Potato Agriculture”, Potato Res., Aug. 2024. [En línea]. Disponible en: https://doi.org/10.1007/s11540-024-09786-1
M. Islam, S. Bijjahalli, T. Fahey, A. Gardi, R. Sabatini, y D. W. Lamb, “Destructive and non-destructive measurement approaches and the application of AI models in precision agriculture: a review”, Precis. Agric., vol. 25, no. 3, pp. 1127–1180, Feb. 2024. [En línea]. Disponible en: https://doi.org/10.1007/s11119-024-10112-5
J. Logeshwaran et al., “Improving crop production using an agro-deep learning framework in precision agriculture”, BMC Bioinformatics, vol. 25, no. 1, pp. 341, Nov. 2024. [En línea]. Disponible en: https://doi.org/10.1186/s12859-024-05970-9
Md. F. Ul-Islam, A. Chakrabarty, R. Rahman, H. Moon, y Md. J. Piran, “Advancing mango leaf variant identification with a robust multi-layer perceptron model”, Sci. Rep., vol. 14, no. 1, p. 27406, Nov. 2024. [En línea]. Disponible en: https://doi.org/10.1038/s41598-024-74612-0
Publicado
Cómo citar
Número
Sección
Licencia
Derechos de autor 2026 Aldrich Arath Irisson Aburto, María Salomé Alejandre Apolinar, Hugo Amores Pérez, Yadeneyro De la Cruz Elizondo
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-CompartirIgual 4.0.
Acuerdo de licencia
Esta revista ofrece acceso gratuito a su contenido a través de su sitio web, siguiendo el principio de que hacer que la investigación esté disponible gratuitamente para el público apoya un mayor intercambio de conocimiento global.
El contenido web de la revista se distribuye bajo la licencia Atribución-NoComercial-CompartirIgual 4.0 Internacional.
Los autores podrán celebrar otros acuerdos de licencia no exclusivos para la distribución de la versión publicada de la obra, siempre que se reconozca la publicación inicial en esta revista. Se permite y recomienda que los autores publiquen sus trabajos en línea antes y durante el proceso de envío, lo que puede generar intercambios interesantes y aumentar las citas del trabajo publicado.
