Hispanopedia Wiki
Articulo de referencia

agricultura de precisión

Las imágenes en falso color demuestran las aplicaciones de la teledetección en la agricultura de precisión. [ 1 ] El sistema Yara N-Sensor ALS, montado en la capota de un tracto...

Hispanopedia WikiContenido en espanolLectura gratuita

Las imágenes en falso color demuestran las aplicaciones de la teledetección en la agricultura de precisión. [ 1 ]
El sistema Yara N-Sensor ALS, montado en la capota de un tractor, registra el reflejo de la luz en los cultivos, calcula las recomendaciones de fertilización y ajusta la cantidad de fertilizante aplicado.

La agricultura de precisión es una estrategia de gestión que recopila, procesa y analiza datos temporales, espaciales e individuales de plantas y animales, y los combina con otra información para respaldar las decisiones de gestión según la variabilidad estimada, con el fin de mejorar la eficiencia en el uso de los recursos, la productividad, la calidad, la rentabilidad y la sostenibilidad de la producción agrícola. [ 2 ] Se utiliza tanto en la producción agrícola como en la ganadera . [ 3 ]

Un componente central de la implementación de esta estrategia es el monitoreo satelital de la maquinaria agrícola, que constituye la base de la gestión moderna de flotas agrícolas . [ 4 ] Esto se logra mediante el uso de sistemas telemáticos de flotas , donde los vehículos están equipados con una unidad de seguimiento GPS y un controlador a bordo que transmite datos de telemetría —como ubicación , velocidad, horas de motor y consumo de combustible— a un servidor central para su análisis. Este flujo de datos en tiempo real permite la automatización de las operaciones agrícolas y proporciona información crítica para mejorar el diagnóstico y la toma de decisiones. [ 5 ] Más allá de la maquinaria, la agricultura de precisión también analiza la variabilidad espacial dentro de los campos, como la forma en que los atributos del terreno ( geomorfología ) y las propiedades del suelo afectan el crecimiento de los cultivos y la distribución del agua ( hidrología ). [ [ 6 ] ] El objetivo de la investigación en agricultura de precisión es definir un sistema de apoyo a la toma de decisiones para la gestión integral de la explotación agrícola con el fin de optimizar el retorno de los insumos y, al mismo tiempo, preservar los recursos. [ 7 ] [ 8 ]

La práctica de la agricultura de precisión ha sido posible gracias al advenimiento del GPS y el GNSS . La capacidad del agricultor y/o investigador para ubicar su posición precisa en un campo permite la creación de mapas de la variabilidad espacial de tantas variables como se puedan medir (por ejemplo, rendimiento de los cultivos, características del terreno/topografía, contenido de materia orgánica, niveles de humedad, niveles de nitrógeno , pH , CE, Mg, K, y otros). [ 9 ] Datos similares se recopilan mediante conjuntos de sensores montados en cosechadoras equipadas con GPS . Estos conjuntos consisten en sensores en tiempo real que miden desde los niveles de clorofila hasta el estado hídrico de las plantas, junto con imágenes multiespectrales . [ 10 ] Estos datos se utilizan junto con imágenes satelitales mediante tecnología de tasa variable (VRT), incluyendo sembradoras, pulverizadores, etc., para distribuir los recursos de manera óptima. Sin embargo, los avances tecnológicos recientes han permitido el uso de sensores en tiempo real directamente en el suelo, que pueden transmitir datos de forma inalámbrica sin necesidad de presencia humana. [ 11 ] [ 12 ] [ 13 ]

La agricultura de precisión puede beneficiarse de los vehículos aéreos no tripulados , que son relativamente económicos y pueden ser operados por pilotos novatos. Estos drones agrícolas pueden equiparse con cámaras multiespectrales o RGB para capturar múltiples imágenes de un campo que se pueden unir mediante métodos fotogramétricos para crear ortofotos . Estas imágenes multiespectrales contienen múltiples valores por píxel, además de los valores tradicionales rojo, verde y azul, como los valores del espectro infrarrojo cercano y del borde rojo, utilizados para procesar y analizar índices vegetativos como los mapas NDVI . [ 14 ] Estos drones son capaces de capturar imágenes y proporcionar referencias geográficas adicionales, como la elevación, lo que permite que el software realice funciones de álgebra de mapas para construir mapas topográficos precisos. Estos mapas topográficos se pueden utilizar para correlacionar la salud de los cultivos con la topografía, y los resultados se pueden utilizar para optimizar los insumos agrícolas, como agua, fertilizantes o productos químicos como herbicidas y reguladores del crecimiento, mediante aplicaciones de dosis variables.

Historia

La agricultura de precisión es un componente clave de la tercera ola de revoluciones agrícolas modernas . La primera revolución agrícola fue el aumento de la agricultura mecanizada , de 1900 a 1930. Cada agricultor producía suficiente alimento para alimentar a unas 26 personas durante este tiempo. [ 15 ] La década de 1960 impulsó la Revolución Verde con nuevos métodos de modificación genética, lo que llevó a que cada agricultor alimentara a unas 156 personas. [ 15 ] Se espera que para 2050, la población mundial alcance aproximadamente los 9600 millones, y la producción de alimentos deberá duplicarse con respecto a los niveles actuales para alimentar a toda la población. Con los nuevos avances tecnológicos en la revolución agrícola de la agricultura de precisión, cada agricultor podrá alimentar a 265 personas en la misma superficie. [ 15 ]

Descripción general

La primera ola de la revolución de la agricultura de precisión se manifestó en forma de imágenes satelitales y aéreas, predicción meteorológica, aplicación de fertilizantes de tasa variable e indicadores de salud de los cultivos. [ 16 ] La segunda ola agrega los datos de las máquinas para una siembra aún más precisa, mapeo topográfico y datos del suelo. [ 17 ]

La agricultura de precisión tiene como objetivo optimizar la gestión a nivel de campo con respecto a:

  • Ciencia de los cultivos : adaptando las prácticas agrícolas a las necesidades de los cultivos (por ejemplo, el uso de fertilizantes);
  • Protección del medio ambiente : mediante la reducción de los riesgos ambientales y la huella ecológica de la agricultura (por ejemplo, limitando la lixiviación de nitrógeno);
  • Economía : impulsando la competitividad mediante prácticas más eficientes (por ejemplo, una mejor gestión del uso de fertilizantes y otros insumos).

La agricultura de precisión también proporciona a los agricultores una gran cantidad de información para:

  • construir un registro de su granja
  • mejorar la toma de decisiones
  • fomentar una mayor trazabilidad
  • mejorar la comercialización de productos agrícolas
  • mejorar los acuerdos de arrendamiento y las relaciones con los propietarios.
  • mejorar la calidad intrínseca de los productos agrícolas (por ejemplo, el nivel de proteínas en el trigo para harina de pan)

Plantación prescriptiva

La siembra prescriptiva es un sistema agrícola que proporciona asesoramiento basado en datos para determinar tasas de siembra variables que se adaptan a las diferentes condiciones de un mismo campo, con el fin de maximizar el rendimiento. Se la ha descrito como " Big Data en la granja". Monsanto , DuPont y otras empresas están implementando esta tecnología en Estados Unidos. [ 18 ] [ 19 ]

Principios

La agricultura de precisión utiliza muchas herramientas, pero algunas de las básicas incluyen tractores, cosechadoras, pulverizadores, sembradoras y excavadoras , que se consideran sistemas de autoguiado. Los pequeños dispositivos en el equipo que utilizan SIG (sistema de información geográfica) son lo que define la agricultura de precisión; el sistema SIG puede considerarse como el "cerebro". Para poder utilizar la agricultura de precisión, el equipo debe estar conectado con la tecnología y los sistemas de datos adecuados. Otras herramientas incluyen la tecnología de tasa variable (VRT) , el sistema de posicionamiento global (GPS) , el sistema de información geográfica ( SIG) , el muestreo en cuadrícula y los sensores remotos. [ 20 ]

Geolocalización

La geolocalización de un campo permite al agricultor superponer información recopilada del análisis de suelos y nitrógeno residual, e información sobre cultivos anteriores y resistividad del suelo. La geolocalización se realiza de dos maneras.

  • El terreno se delimita mediante un dispositivo GPS instalado en el vehículo mientras el agricultor conduce el tractor por el campo.
  • El terreno se delimita en un mapa base derivado de imágenes aéreas o satelitales. Las imágenes base deben tener el nivel de resolución y la calidad geométrica adecuados para garantizar una geolocalización suficientemente precisa.

Variables

La variabilidad intra e intercampo puede deberse a diversos factores. Estos incluyen las condiciones climáticas ( granizo , sequía, lluvia, etc.), los suelos (textura, profundidad, niveles de nitrógeno), las prácticas de cultivo ( siembra directa ), las malas hierbas y las enfermedades. Los indicadores permanentes —principalmente los indicadores de suelo— proporcionan a los agricultores información sobre las principales constantes ambientales. Los indicadores puntuales les permiten controlar el estado de un cultivo, es decir, observar si se están desarrollando enfermedades, si el cultivo sufre estrés hídrico , estrés por nitrógeno o acame, si ha sido dañado por el hielo, etc. Esta información puede provenir de estaciones meteorológicas y otros sensores (resistividad eléctrica del suelo, detección a simple vista, imágenes satelitales, etc.). Las mediciones de resistividad del suelo combinadas con el análisis del suelo permiten medir el contenido de humedad . La resistividad del suelo es también una medición relativamente sencilla y económica. [ 21 ]

Estrategias

Imagen NDVI tomada con el pequeño sistema aéreo Stardust II en un solo vuelo (mosaico de 299 imágenes).

Utilizando mapas de suelos , los agricultores pueden seguir dos estrategias para ajustar los insumos agrícolas:

Las decisiones pueden basarse en modelos de apoyo a la toma de decisiones (modelos de simulación de cultivos y modelos de recomendación ) basados ​​en macrodatos , pero en última instancia, es el agricultor quien decide en términos de valor comercial e impacto ambiental , un papel que están asumiendo los sistemas de inteligencia artificial (IA) basados ​​en el aprendizaje automático y las redes neuronales artificiales .

Es importante comprender por qué se adopta o no la tecnología de agricultura de precisión (AP), "para que se adopte la tecnología de AP, el agricultor debe percibirla como útil y fácil de usar. Puede que no sea suficiente contar con datos externos positivos sobre los beneficios económicos de la tecnología de AP, ya que las percepciones de los agricultores deben reflejar estas consideraciones económicas". [ 25 ]

Implementación de prácticas

Las nuevas tecnologías de la información y la comunicación hacen que la gestión de cultivos a nivel de campo sea más operativa y fácil de lograr para los agricultores. La aplicación de las decisiones de gestión de cultivos requiere equipos agrícolas que admitan la tecnología de tasa variable ( VRT ), por ejemplo, variar la densidad de siembra junto con la aplicación de tasa variable (VRA) de nitrógeno y productos fitosanitarios. [ 26 ]

La agricultura de precisión utiliza tecnología en equipos agrícolas (por ejemplo, tractores, pulverizadores, cosechadoras, etc.):

Uso en todo el mundo

Pteryx UAV , un UAV civil para fotografía aérea y fotocartografía con cabezal de cámara estabilizado contra balanceo.

El concepto de agricultura de precisión surgió en Estados Unidos a principios de la década de 1980. En 1985, investigadores de la Universidad de Minnesota variaron la aplicación de cal en los cultivos. Fue también en esa época cuando apareció la práctica del muestreo en cuadrícula (aplicando una cuadrícula fija con una muestra por hectárea). Hacia finales de la década de 1980, esta técnica se utilizó para elaborar los primeros mapas de recomendaciones de insumos para fertilizantes y correcciones de pH. Desde entonces, el uso de sensores de rendimiento desarrollados a partir de nuevas tecnologías, junto con la llegada de los receptores GPS, ha ido ganando terreno. Hoy en día, estos sistemas cubren varios millones de hectáreas.

En el Medio Oeste estadounidense, esta práctica no se asocia con la agricultura sostenible, sino con los agricultores convencionales que buscan maximizar sus ganancias invirtiendo únicamente en las áreas que requieren fertilizante. Esta práctica les permite variar la dosis de fertilizante en todo el campo según las necesidades identificadas mediante muestreo por cuadrícula o zona guiado por GPS. El fertilizante que se habría esparcido en áreas que no lo necesitan se puede aplicar en las áreas que sí lo requieren, optimizando así su uso.

En todo el mundo, la agricultura de precisión se desarrolló a ritmos variables. Los países precursores fueron Estados Unidos, Canadá y Australia. En Europa, el Reino Unido fue el primero en adoptar esta tecnología, seguido de cerca por Francia, donde apareció por primera vez entre 1997 y 1998. En Latinoamérica , el país líder es Argentina , donde se introdujo a mediados de la década de 1990 con el apoyo del Instituto Nacional de Tecnología Agropecuaria . Brasil creó una empresa estatal, Embrapa , para investigar y desarrollar la agricultura sostenible. El desarrollo del GPS y las técnicas de aplicación de dosis variable contribuyeron a consolidar las prácticas de gestión de la agricultura de precisión [ 27 ] . Hoy en día, menos del 10 % de los agricultores franceses están equipados con sistemas de dosis variable. La adopción del GPS está más extendida, pero esto no les ha impedido utilizar servicios de agricultura de precisión, que proporcionan mapas de recomendaciones a nivel de campo. [ 28 ]

Aunque las tecnologías digitales pueden transformar el panorama de la maquinaria agrícola, haciendo que la mecanización sea más precisa y accesible, la producción no mecanizada sigue predominando en muchos países de ingresos bajos y medios, especialmente en el África subsahariana. [ 5 ] [ 29 ]  La investigación sobre agricultura de precisión para la producción no mecanizada está aumentando, al igual que su adopción. [ 30 ] [ 31 ] [ 32 ] Algunos ejemplos incluyen el escáner de suelo portátil AgroCares, los servicios de vehículos aéreos no tripulados (VANT) (también conocidos como drones) y el GNSS para mapear los límites de los campos y establecer la tenencia de la tierra. [ 33 ] Sin embargo, no está claro cuántos productores agrícolas utilizan realmente las tecnologías digitales. [ 33 ] [ 34 ]

La ganadería de precisión apoya a los agricultores en tiempo real mediante el monitoreo y control continuo de la productividad animal, los impactos ambientales y los parámetros de salud y bienestar. [ 35 ]  Los sensores conectados a los animales o al equipo del establo controlan el clima y monitorean el estado de salud, el movimiento y las necesidades de los animales. Por ejemplo, las vacas pueden ser etiquetadas con la identificación electrónica (EID) que permite a un robot de ordeño acceder a una base de datos de coordenadas de la ubre para vacas específicas. [ 36 ] Las ventas mundiales de sistemas de ordeño automático han aumentado en los últimos años, [ 37 ] pero su adopción probablemente se concentra principalmente en el norte de Europa, [ 38 ] y es probable que sea casi inexistente en países de ingresos bajos y medios. [ 39 ] También existen máquinas de alimentación automatizadas para vacas y aves de corral, pero los datos y la evidencia sobre sus tendencias y factores impulsores de adopción son igualmente escasos. [ 5 ] [ 29 ]

Los beneficios económicos y ambientales de la agricultura de precisión también se han confirmado en China, pero este país se encuentra rezagado con respecto a países como Europa y Estados Unidos debido a que su sistema agrícola se caracteriza por pequeñas explotaciones familiares, lo que reduce la tasa de adopción de la agricultura de precisión en comparación con otros países. Por lo tanto, China está intentando introducir mejor la tecnología de agricultura de precisión en su territorio y reducir algunos riesgos, allanando el camino para el desarrollo futuro de la tecnología china en este campo. [ 40 ]

En diciembre de 2014, el presidente ruso se dirigió al Parlamento ruso en un discurso en el que solicitó una Iniciativa Tecnológica Nacional. Esta se divide en subcomponentes, como la iniciativa FoodNet. La iniciativa FoodNet incluye un conjunto de prioridades declaradas, como la agricultura de precisión. Este campo reviste especial interés para Rusia por ser una herramienta importante para el desarrollo de elementos de la bioeconomía en el país. [ 41 ] [ 42 ]

Impactos económicos y ambientales

La agricultura de precisión, como su nombre lo indica, consiste en la aplicación precisa y correcta de insumos como agua, fertilizantes, pesticidas, etc., en el momento adecuado al cultivo para aumentar su productividad y maximizar sus rendimientos. Las prácticas de manejo de la agricultura de precisión pueden reducir significativamente la cantidad de nutrientes y otros insumos agrícolas utilizados, al tiempo que incrementan los rendimientos. [ 43 ] De esta manera, los agricultores obtienen un retorno de su inversión al ahorrar en costos de agua, pesticidas y fertilizantes.

El segundo beneficio, de mayor envergadura, de la aplicación selectiva de insumos se refiere a los impactos ambientales. Aplicar la cantidad adecuada de productos químicos en el lugar y momento precisos beneficia a los cultivos, los suelos y las aguas subterráneas, y por ende, a todo el ciclo agrícola. [ 44 ] En consecuencia, la agricultura de precisión se ha convertido en un pilar fundamental de la agricultura sostenible , ya que respeta los cultivos, los suelos y a los agricultores. La agricultura sostenible busca asegurar un suministro continuo de alimentos dentro de los límites ecológicos, económicos y sociales necesarios para mantener la producción a largo plazo.

Un artículo de 2013 intentó demostrar que la agricultura de precisión puede ayudar a los agricultores en países en desarrollo como la India. [ 45 ]

La agricultura de precisión reduce la presión de la agricultura sobre el medio ambiente al aumentar la eficiencia de la maquinaria y optimizar su uso. Por ejemplo, el uso de técnicas de digitalización de flotas y rastreadores GPS reduce el consumo de combustible en la agricultura, mientras que la aplicación de dosis variables de nutrientes o pesticidas puede reducir el uso de estos insumos, ahorrando así costos y disminuyendo la contaminación por escorrentía hacia los cursos de agua. [ 46 ]

El GPS también reduce la compactación del suelo al seguir las líneas de guía previamente trazadas. Esto permite, además, reducir el tiempo de trabajo en el campo y el impacto ambiental de los equipos y productos químicos.

La agricultura de precisión produce grandes cantidades de datos de sensores variados, lo que crea una oportunidad para adaptar y reutilizar dichos datos para trabajos arqueológicos y patrimoniales, mejorando la comprensión de la arqueología en paisajes agrícolas contemporáneos. [ 47 ]

Tecnologías emergentes

La agricultura de precisión es una aplicación de tecnologías agrícolas digitales revolucionarias. Se han invertido más de 4600 millones de dólares en empresas de tecnología agrícola, a veces llamadas agtech. [ 15 ]

robots

Los tractores sin conductor han avanzado significativamente en la década de 2000. El tractor realiza la mayor parte del trabajo, y el agricultor interviene en caso de emergencias. [ 44 ] La tecnología avanza hacia maquinaria sin conductor programada por GPS para esparcir fertilizante o arar la tierra. La autonomía de la tecnología está impulsada por la exigente necesidad de diagnósticos, a menudo difíciles de realizar únicamente con maquinaria operada manualmente por el agricultor. En muchos casos de altas tasas de producción, los ajustes manuales no se pueden mantener. [ 48 ] Otras innovaciones incluyen máquinas/robots, parcialmente alimentados por energía solar, que identifican malezas y las eliminan con precisión con una dosis de herbicida o láseres . [ 44 ] [ 49 ] [ 50 ]

Los robots agrícolas se han utilizado para aplicaciones como el control de malezas, la aplicación de herbicidas, la recolección, la cosecha, la siembra y la plantación. Se están desarrollando robots de cosecha avanzados para identificar frutos maduros, adaptarse a su forma y tamaño, y arrancarlos cuidadosamente de las ramas. [ 51 ]

Drones e imágenes satelitales

La tecnología de drones y satélites se utiliza en la agricultura de precisión. Esto suele ocurrir cuando los drones toman imágenes de alta calidad mientras que los satélites capturan una visión más amplia. La fotografía aérea tomada desde aeronaves ligeras se puede combinar con datos de registros satelitales para predecir rendimientos futuros en función del nivel actual de biomasa del campo . Las imágenes agregadas pueden crear mapas de contorno para rastrear el flujo del agua, determinar la siembra de tasa variable y crear mapas de rendimiento de áreas que fueron más o menos productivas. [ 44 ]

El Internet de las cosas

El Internet de las cosas es la red de objetos físicos equipados con electrónica que permite la recopilación y agregación de datos . El IoT entra en juego con el desarrollo de sensores [ 52 ] y software de gestión agrícola. Por ejemplo, los agricultores pueden medir espectroscópicamente el nitrógeno, el fósforo y el potasio en el estiércol líquido , que es notoriamente inconsistente. [ 44 ] Luego pueden escanear el suelo para ver dónde las vacas ya han orinado y aplicar fertilizante solo en los lugares que lo necesitan. Esto reduce el uso de fertilizante hasta en un 30%. [ 51 ] Los sensores de humedad [ 53 ] en el suelo determinan los mejores momentos para regar las plantas de forma remota. Los sistemas de riego se pueden programar para cambiar qué lado del tronco del árbol riegan según la necesidad de la planta y la lluvia. [ 44 ]

Las innovaciones no se limitan solo a las plantas; también pueden utilizarse para el bienestar animal. El ganado puede equiparse con sensores internos para controlar la acidez estomacal y los problemas digestivos. Los sensores externos registran los patrones de movimiento para determinar la salud y el estado físico de la vaca, detectar lesiones físicas e identificar los momentos óptimos para la reproducción. [ 44 ] Todos estos datos de los sensores pueden recopilarse y analizarse para detectar tendencias y patrones.

Como otro ejemplo, la tecnología de monitoreo puede utilizarse para hacer que la apicultura sea más eficiente. Las abejas melíferas tienen un valor económico significativo y brindan un servicio vital a la agricultura al polinizar diversos cultivos. El monitoreo de la salud de una colonia de abejas mediante sensores inalámbricos de temperatura, humedad y CO₂ ayuda a mejorar la productividad de las abejas y a detectar alertas tempranas en los datos que podrían amenazar la supervivencia de toda la colmena. [ 54 ]

Aplicaciones para teléfonos inteligentes

Una posible configuración de un sistema de agricultura de precisión integrado con un teléfono inteligente.

Las aplicaciones para smartphones y tabletas son cada vez más populares en la agricultura de precisión. Los smartphones vienen con muchas aplicaciones útiles preinstaladas, como la cámara, el micrófono, el GPS y el acelerómetro. También existen aplicaciones específicas para diversas tareas agrícolas, como el mapeo de campos, el seguimiento de animales, la obtención de información meteorológica y de cultivos, entre otras. Son fácilmente portátiles, asequibles y cuentan con una gran capacidad de procesamiento. [ 55 ]

Aprendizaje automático

El aprendizaje automático se utiliza comúnmente junto con drones, robots y dispositivos del Internet de las Cosas (IoT). Permite la entrada de datos de cada una de estas fuentes. La computadora procesa esta información y envía las acciones apropiadas a estos dispositivos. Esto permite que los robots distribuyan la cantidad perfecta de fertilizante o que los dispositivos IoT proporcionen la cantidad perfecta de agua directamente al suelo. [ 56 ] El aprendizaje automático también puede proporcionar predicciones a los agricultores en el momento preciso, como el contenido de nitrógeno disponible para las plantas en el suelo , para guiar la planificación de la fertilización. [ 57 ] A medida que la agricultura se digitaliza cada vez más, el aprendizaje automático sustentará una agricultura eficiente y precisa con menos mano de obra.

IA generativa y másteres jurídicos

Los recientes avances en IA generativa y modelos de lenguaje a gran escala (LLM) han transformado la agricultura de precisión, pasando del análisis pasivo de datos al apoyo activo a la toma de decisiones. En 2025, la integración de agentes de IA permitió a los agricultores interactuar con datos agronómicos complejos mediante lenguaje natural, posibilitando consultas en tiempo real sobre la salud de los cultivos o las condiciones del suelo. Por lo tanto, el uso de gemelos digitales (copias virtuales de campos físicos) permite simular diversos escenarios ambientales y prácticas de manejo antes de su aplicación en la realidad. Este proceso reduce significativamente los riesgos operativos. [ 58 ]

educación en agricultura de precisión

El sector agrícola, incluyendo a los docentes, aún se encuentra en las etapas iniciales de las tecnologías de agricultura de precisión. La agricultura de precisión ha llevado a muchos a creer que las tecnologías relacionadas con la industria deberían liderar la investigación y la educación, y no al revés. En aulas, conferencias, talleres y jornadas de campo, los educadores en agricultura de precisión han tenido dificultades para responder a la cantidad de preguntas que se les plantean. Capacitar a las personas en el uso de tecnologías de agricultura de precisión ha resultado difícil, en contraste con la enseñanza de las ideas y conceptos fundamentales, que han sido intuitivos y bastante sencillos. [ 59 ]

Conferencias

  • Conferencia InfoAg
  • Conferencia Europea sobre Agricultura de Precisión (ECPA) (bienal)
  • Conferencia Internacional sobre Agricultura de Precisión (ICPA) (bienal)

Véase también

Fuentes

 Este artículo incorpora texto de una obra de contenido libre . Licencia CC BY-SA 3.0 ( declaración de licencia/permiso ). Texto tomado de «En resumen sobre el estado de la alimentación y la agricultura 2022: Aprovechar la automatización en la agricultura para transformar los sistemas agroalimentarios» , FAO .

Notas

  1. ↑ "Agricultura de precisión : Imagen del día" . earthobservatory.nasa.gov. 30 de enero de 2001. Consultado el 12 de octubre de 2009 . 
  2. ↑ "Definición de agricultura de precisión" . Estados Unidos: Sociedad Internacional de Agricultura de Precisión . Consultado el 13 de enero de 2026 .
  3. ↑ Monteiro, Antonio; Santos, Sergio; Gonçalves, Pedro (9 de agosto de 2021). "Agricultura de precisión para cultivos y ganadería: breve reseña" . Animales (Revisar). 11 (8): 2345. Bibcode : 2021Anima..11.2345M . doi : 10.3390/ani11082345 . hdl : 10400.19/6997 . PMC 8388655 . PMID 34438802 .  
  4. ↑ Ropyak, Ihor; Tsmots, Ivan; Tsmots, Volodymyr (febrero de 2020). "Sistema de información para el monitoreo satelital de maquinaria agrícola utilizando el protocolo de comunicación Wialon IPS" . Misyrol, G. (Ed.). (2019). La 10.ª Conferencia Internacional sobre Sistemas Ambientales, Redes y Tecnologías (ANT 2019) / La 2.ª Conferencia Internacional sobre Datos Emergentes e Industria 4.0 (EDI40 2019) / Talleres Afiliados. Procedia Computer Science, 151, 1145–1150 . 151 : 1145–1150 – vía ResearchGate .
  5. 1 2 3 El estado de la alimentación y la agricultura 2022: Aprovechar la automatización agrícola para transformar los sistemas agroalimentarios . Roma: Organización de las Naciones Unidas para la Alimentación y la Agricultura (FAO). 2022. doi : 10.4060/cb9479en . ISBN 978-92-5-136043-9.
  6. ↑ Howard, JA, Mitchell, CW, 1985. Fitogeomorfología. Wiley .
  7. ↑ McBratney, A., Whelan, B., Ancev, T., 2005. Direcciones futuras de la agricultura de precisión. Agricultura de precisión, 6, 7-23.
  8. ↑ Whelan, BM, McBratney, aB, 2003. Definición e interpretación de zonas de manejo potencial en Australia, En: Actas de la 11.ª Conferencia Australiana de Agronomía, Geelong, Victoria, 2-6 de febrero de 2003.
  9. ↑ McBratney, AB; Pringle, MJ (septiembre de 1999). "Estimación de variogramas promedio y proporcionales de propiedades del suelo y su uso potencial en la agricultura de precisión". Agricultura de precisión . 1 (2): 125– 152. Bibcode : 1999PrAgr...1..125M . doi : 10.1023/A:1009995404447 . ISSN 1385-2256 . S2CID 22339888 .  
  10. ↑ Reyns, P., Missotten, B., Ramon, H. et al. Agricultura de precisión (2002) 3: 169. https://doi.org/10.1023/A:1013823603735
  11. ↑ M. Sophocleous et al., "Un sistema autónomo de detección de la calidad del suelo in situ para la agricultura de precisión", en IEEE Transactions on AgriFood Electronics, doi: 10.1109/TAFE.2024.3351953.
  12. ↑ M. Sophocleous y J. Georgiou, “Agricultura de precisión: Desafíos en sensores y electrónica para el monitoreo en tiempo real del suelo y las plantas”, 2017 IEEE Biomed. Circuits Syst. Conf., pp. 1–4, 2017. https://doi.org/10.1109/BIOCAS.2017.8325180
  13. ↑ Sophocleous, M. (2016). "IoT y tecnología de película gruesa para sensores subterráneos en la agricultura" .
  14. ↑ Anderson, Chris (mayo-junio de 2014). "Drones agrícolas: Los drones relativamente económicos con sensores avanzados y capacidades de imagen ofrecen a los agricultores nuevas formas de aumentar los rendimientos y reducir los daños a los cultivos" . MIT Technology Review . Archivado del original el 7 de marzo de 2017. Consultado el 21 de diciembre de 2016 .
  15. 1 2 3 4 "Agricultura digital: Ayudando a alimentar a un mundo en crecimiento" . 23 de febrero de 2017. Archivado del original el 15 de octubre de 2018. Recuperado el 3 de abril de 2018 .
  16. ↑ [Haneklaus, Silvia/Lilienthal, Holger/Schnug, Ewald (2016): 25 años de agricultura de precisión en Alemania: una retrospectiva. En: Actas de la 13.ª Conferencia Internacional sobre Agricultura de Precisión : 31 de julio - 3 de agosto de 2016, St. Louis, Missouri, EE. UU. Disponible en línea en: https://www.openagrar.de/receive/openagrar_mods_00039296 ]
  17. ↑ Arama Kukutai (27 de abril de 2016). "¿Puede la agricultura digital cumplir su promesa?" . www.agnewscenter.com .
  18. ↑ Bunge, Jacob (25 de febrero de 2014). "El Big Data llega a la granja y siembra desconfianza" . Wall Street Journal . Consultado el 10 de febrero de 2015 .
  19. ↑ "Disrupción digital en la agricultura" . The Economist . 24 de mayo de 2014. Consultado el 10 de febrero de 2015 .
  20. ↑ "Herramientas importantes para tener éxito en la agricultura de precisión" . Archivado del original el 31 de octubre de 2019. Consultado el 20 de noviembre de 2019 .
  21. ↑ "Herramientas de agricultura de precisión: conductividad eléctrica del suelo" (PDF) . Consultado el 12 de junio de 2016 .
  22. ↑ "La nueva placa de sensores Waspmote permite una agricultura de precisión extrema en viñedos e invernaderos - Libelium " . www.libelium.com
  23. ↑ Mahlein, Anne-Katrin (1 de septiembre de 2015). "Detección de enfermedades de las plantas mediante sensores de imagen: paralelismos y demandas específicas para la agricultura de precisión y la fenotipificación de plantas" . Plant Disease . 100 (2): 241– 251. doi : 10.1094/PDIS-03-15-0340-FE . ISSN 0191-2917 . PMID 30694129 .  
  24. ↑ "El futuro de la agricultura: productos frescos de fábrica" . The Economist . 9 de junio de 2016. Consultado el 12 de junio de 2016 .
  25. ↑ Aubert, Benoit (2012). "Las TI como facilitadoras de la agricultura sostenible: un análisis empírico de la decisión de los agricultores de adoptar tecnología de agricultura de precisión" (PDF) . Decision Support Systems . 54 : 510–520 . doi : 10.1016/j.dss.2012.07.002 . S2CID 9124615. Archivado del original (PDF) el 8 de mayo de 2020. Recuperado el 26 de noviembre de 2020 . 
  26. ↑ Herring, David (29 de enero de 2001). "Agricultura de precisión : artículos destacados" . earthobservatory.nasa.gov . Consultado el 12 de octubre de 2009 . 
  27. ↑ "Simon Blackmore: Agricultura con robots" . Sala de prensa de SPIE. 2 de junio de 2016. Consultado el 2 de junio de 2016 .
  28. ↑ "Agricultura de precisión con imágenes satelitales" . Archivado del original el 7 de abril de 2011.
  29. 1 2 En resumen sobre El estado de la alimentación y la agricultura 2022: Aprovechar la automatización en la agricultura para transformar los sistemas agroalimentarios . Roma: Organización de las Naciones Unidas para la Alimentación y la Agricultura (FAO). 2022. doi : 10.4060/cc2459en . ISBN 978-92-5-137005-6.
  30. ↑ Nyaga, Justine M.; Onyango, Cecilia M.; Wetterlind, Johanna; Söderström, Mats (1 de agosto de 2021). "Investigación sobre agricultura de precisión en países del África subsahariana: un mapa sistemático" . Agricultura de precisión . 22 (4): 1217– 1236. Bibcode : 2021PrAgr..22.1217N . doi : 10.1007/s11119-020-09780-w . ISSN 1573-1618 . S2CID 254944417 .  
  31. ↑ Onyango, Cecilia M.; Nyaga, Justine M.; Wetterlind, Johanna; Söderström, Mats; Piikki, Kristin (22 de enero de 2021). "Agricultura de precisión para la eficiencia en el uso de recursos en sistemas agrícolas de pequeños productores en África subsahariana: una revisión sistemática" . Sustainability . 13 (3): 1158. Bibcode : 2021Sust...13.1158O . doi : 10.3390/su13031158 . ISSN 2071-1050 . 
  32. ↑ "Actas de la 1.ª Conferencia Africana de Agricultura de Precisión – Instituto Africano de Nutrición Vegetal (APNI)" . Consultado el 23 de diciembre de 2022 .
  33. 1 2 Lowenberg-DeBoer, James; Erickson, Bruce (2019). "Aclarando la cuestión de la adopción de la agricultura de precisión" . Agronomy Journal . 111 (4): 1552– 1569. Bibcode : 2019AgrJ..111.1552L . doi : 10.2134/agronj2018.12.0779 . ISSN 0002-1962 . S2CID 182858544 .  
  34. ↑ Van Beek, C (2020). El nivel de adopción es el factor más subestimado en las recomendaciones de fertilizantes (PDF) . AgroCares. Archivado del original (PDF) el 13 de diciembre de 2022. Recuperado el 23 de diciembre de 2022 .
  35. ↑ Schillings, Juliette; Bennett, Richard; Rose, David Christian (2021). "Explorando el potencial de las tecnologías de ganadería de precisión para ayudar a abordar el bienestar de los animales de granja" . Frontiers in Animal Science . 2 639678. doi : 10.3389/fanim.2021.639678 . ISSN 2673-6225 . 
  36. ↑ Knight, CH (2020). " Revisión: Técnicas de sensores en rumiantes: más que rastreadores de actividad física" . Animal . 14 (S1): s187– s195. Bibcode : 2020Anim...14.s187K . doi : 10.1017/S1751731119003276 . PMID 32024562. S2CID 211050256 .  
  37. ↑ "Tamaño del mercado mundial de robots de ordeño por tipo, tamaño del rebaño, alcance geográfico y pronóstico" . Verified Market Research . 2020. Consultado el 24 de julio de 2022 .
  38. ↑ Rodenburg, Jack (2017). "Ordeño robótico: tecnología, diseño de la granja y efectos en el flujo de trabajo" . Journal of Dairy Science . 100 (9): 7729– 7738. doi : 10.3168/jds.2016-11715 . ISSN 0022-0302 . PMID 28711263 .  
  39. ↑ Lowenberg-DeBoer, J. (2022). Economía de la adopción de tecnologías digitales automatizadas en la agricultura. Documento de antecedentes para El estado de la alimentación y la agricultura 2022. Documento de trabajo sobre economía del desarrollo agrícola de la FAO 22-10. Roma: Organización de las Naciones Unidas para la Alimentación y la Agricultura (FAO). doi : 10.4060/cc2624en . ISBN 978-92-5-137080-3.
  40. ↑ Kendall, H.; Naughton, P.; Clark, B.; et al. (2017). "Agricultura de precisión en China: Explorando la conciencia, la comprensión, las actitudes y las percepciones de los expertos agrícolas y los usuarios finales en China" . Advances in Animal Biosciences . 8 (2): 703– 707. doi : 10.1017/S2040470017001066 . 
  41. ↑ Osmakova, Alina; Kirpichnikov, Michael; Popov, Vladimir (2018). "Desarrollos y tendencias recientes en biotecnología en la Federación Rusa". Nueva Biotecnología . 40 (Pt A): 76– 81. doi : 10.1016/j.nbt.2017.06.001 . PMID 28634066 . 
  42. ↑ "Рынки Нти" .
  43. ↑ Pepitone, Julianne (3 de agosto de 2016). "Hackeando la granja: Cómo los agricultores usan la 'agricultura digital' para cultivar más" . CNNMoney . Archivado del original el 7 de agosto de 2016.
  44. 1 2 3 4 5 6 7 "El futuro de la agricultura" . The Economist . 9 de junio de 2016.
  45. ↑ Rajvanshi, Anil K. "¿Es la agricultura de precisión la solución a la crisis agrícola de la India?" . Archivado del original el 16 de octubre de 2013.
  46. ↑ Schieffer, J.; Dillon, C. (2015). "Los impactos económicos y ambientales de la agricultura de precisión y sus interacciones con la política agroambiental". Agricultura de precisión . 16 (1): 46– 61. Bibcode : 2015PrAgr..16...46S . doi : 10.1007/s11119-014-9382-5 . S2CID 9071060 . 
  47. ↑ Opitz, Rachel (2023). "Datos de teledetección para apoyar la toma de decisiones integrada en la gestión del patrimonio cultural y natural: impasses y oportunidades de colaboración en áreas agrícolas" . Internet Archaeology (62). doi : 10.11141/ia.62.10 . hdl : 1854/LU-01HM8S728JA2VW72B5MGQWYJJV .
  48. ↑ Zhang, Qin (2016). Tecnología de agricultura de precisión para el cultivo de cosechas . Boca Raton, FL: CRC Press. pág. 134. ISBN  9781482251074.
  49. ↑ Papadopoulos, Loukia (21 de octubre de 2022). "Este nuevo robot agrícola utiliza láseres para eliminar 200.000 malas hierbas por hora" . interestingengineering.com . Consultado el 17 de noviembre de 2022 .
  50. ↑ "Verdant Robotics lanza un robot agrícola multifuncional para una 'agricultura sobrehumana'"" . Noticias de Robótica y Automatización . 23 de febrero de 2022 . Consultado el 17 de noviembre de 2022 .
  51. 1 2 "Cinco tecnologías que están cambiando la agricultura" . 7 de octubre de 2016.
  52. ↑ M. Sophocleous, Sensores subterráneos de película gruesa. LAP LAMPERT Academic Publishing, 2016. ISBN 978-3-659-95270-8https://www.morebooks.de/store/us/book/thick-film-underground-sensors/isbn/978-3-659-95270-8
  53. ↑ M. Sophocleous y JK Atkinson, “Un nuevo sensor de conductividad eléctrica de película gruesa adecuado para mediciones de conductividad de líquidos y suelos”, Sensors Actuators, B Chem., vol. 213, pp. 417–422, 2015. https://doi.org/10.1016/j.snb.2015.02.110
  54. ↑ "Apicultura de precisión con monitorización inalámbrica de la temperatura" . IoT ONE . Consultado el 27 de abril de 2018 .
  55. ↑ Suporn Pongnumkul, Pimwadee Chaovalit y Navaporn Surasvadi, “Aplicaciones de sensores basados ​​en teléfonos inteligentes en la agricultura: una revisión sistemática de la investigación”, Journal of Sensors, vol. 2015.
  56. ↑ Goap, Amarendra; Sharma, Deepak; Shukla, AK; Rama Krishna, C. (diciembre de 2018). "Un sistema de gestión de riego inteligente basado en IoT que utiliza aprendizaje automático y tecnologías de código abierto". Computers and Electronics in Agriculture . 155 : 41–49 . Bibcode : 2018CEAgr.155...41G . doi : 10.1016/j.compag.2018.09.040 . S2CID 53787393 . 
  57. ↑ Grell, Max; Barandun, Giandrin; Asfour, Tarek; Kasimatis, Michael; Collins, Alex; Wang, Jieni; Guder, Firat (9 de octubre de 2020). "Determinación y predicción de la química del suelo con un conjunto de herramientas de sensores en el punto de uso y un modelo de aprendizaje automático". bioRxiv 10.1101/2020.10.08.331371 . 
  58. ↑ Hopkins, Matt (7 de marzo de 2025). "Las 5 principales tendencias de tecnología agrícola para 2025: ¿Qué sigue para la agricultura regenerativa?" . Iniciativa Global de Tecnología Agrícola . Recuperado el 14 de abril de 2026 .
  59. ↑ Kitchen, NR; Snyder, CJ; Franzen, DW; Wiebold, WJ (2002). "Necesidades educativas de la agricultura de precisión" . Agricultura de precisión . 3 (4): 341– 351. Bibcode : 2002PrAgr...3..341K . doi : 10.1023/A:1021588721188 .

Logotipo de Wikimedia CommonsContenido multimedia relacionado con la agricultura de precisión en Wikimedia Commons.

  • Agricultura de precisión , IBM
Obtenido de " https://en.wikipedia.org/w/index.php?title=Precision_agriculture&oldid=1356136715 "