Palabras clave
drones autónomos
fumigación agrícola
cultivos tropicales
visión artificial
Categorías
Cómo citar
Resumen
La fumigación agrícola en cultivos tropicales enfrenta importantes desafíos de sostenibilidad debido al uso gigantezco de pesticidas. Este artículo parte de la investigación de modelos de inteligencia artificial (IA) implementados para optimizar la fumigación agrícola mediante drones autónomos (UAVs) en cultivos tropicales y se plantea una arquitectura conceptual. Por medio de una revisión sistemática mixta (bibliográfica-documental) en las herramientas de investigación académica como: Google Académico, IEEE Xplore, ScienceDirect y Scopus (2015-2025), se analizaron 38 estudios. Los resultados demuestran que algoritmos de inteligencia artificial y visión artificial como YOLOv5, Mask R-CNN y CNN alcanzan precisiones mayores a 90% en la detección de plagas en banano, cacao, arroz y palma africana de aceite . La idea es crear una arquitectura con cuatro capas (captura de datos, transmisión, procesamiento inteligente, actuación) que incorpora IA con drones de bajo costo. La técnica de fumigación dirigida es una de las estrategias más efectivas para disminuir el uso de agroquímicos, con ahorros registrados que van entre 30% y 65%. Los resulatdos demuestran que la combinación de IA y drones es un modelo viable y escalable para que sistema de agricultura tropical sea sostenible.
Referencias
Alcivar Intriago, P. B., & Portilla Bravo, A. R. (2023). Escuela Agrícola Panamericana, Zamorano Departamento de Administración de Agronegocios Ingeniería en Agronegocios. https://bdigital.zamorano.edu/server/api/core/bitstreams/b72a51e9-ed5f-408d-9fe0-6f42b1459a45/content
Arias, P. M. G., Monroy, J. I. A., Morán, V. M., Hernández, J. R. H., & Pazmiño, L. A. E. (2022). Drones para la agricultura de precisión, un enfoque al cultivo de la Pitahaya. Editorial Tecnocientífica Americana, 600, 1–365. https://doi.org/10.51736/5QJV7R30
FAO. (2022). Acerca de la labor de la FAO en materia de producción y protección vegetal. https://www.fao.org/plant-production-protection/about/es
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
Muñoz Delgado, C. B. (2023). UNIVERSIDAD AGRARIA DEL ECUADOR FACULTAD DE ECONOMÍA AGRÍCOLA CARRERA ECONOMÍA TRABAJO DE TITULACIÓN COMO REQUISITO PREVIO PARA LA OBTENCIÓN DEL TÍTULO DE ECONOMISTA PROPUESTA PARA CREAR UNA EMPRESA TECNOLÓGICA DE SERVICIOS DE FERTILIZACIÓN Y FUMIGACIÓN ….
Navia Zamora, J. R., & Baque Mite, L. A. (2019). UNIVERSIDAD TÉCNICA ESTATAL DE QUEVEDO FACULTAD DE CIENCIAS DE LA INGENIERÍA CARRERA INGENIERÍA INDUSTRÍAL “Optimización del proceso de fumigación agrícola mediante la utilización de los drones” Autor.
Pimentel, D., & Burgess, M. (2014). Environmental and economic costs of the application of pesticides primarily in the United States. Integrated Pest Management, 3, 47–71. https://doi.org/10.1007/978-94-007-7796-5_2/SAVE-RESEARCH
Serrano Ruiz, A., & Sanz Fernández Iñigo. (2024). USO DE DRONES EN UNA PLANTACIÓN AGRÍCOLA [Universidad Pontificia Comillas]. https://repositorio.comillas.edu/jspui/bitstream/11531/83557/1/TFG-SerranoRuizAlejandra_23_24.pdf
Shahi, T. B., Xu, C.-Y., Neupane, A., Guo, W., Shahi, T. B., Xu, C.-Y., Neupane, A., & Guo, W. (2022). Machine learning methods for precision agriculture with UAV imagery: a review. Electronic Research Archive 2022 12:4277, 30(12), 4277–4317. https://doi.org/10.3934/ERA.2022218
Zhu, H., Lin, C., Liu, G., Wang, D., Qin, S., Li, A., Xu, J. L., & He, Y. (2024). Intelligent agriculture: deep learning in UAV-based remote sensing imagery for crop diseases and pests detection. Frontiers in Plant Science, 15, 1435016. https://doi.org/10.3389/FPLS.2024.1435016/FULL
Esta obra está bajo una licencia internacional Creative Commons Atribución 4.0.
Derechos de autor 2026 ISTE SCIENTIST