Tecnologías innovadoras para el manejo de frutales, énfasis en caducifolios, aguacate y frutas tropicales
DOI:
https://doi.org/10.5377/elhigo.v14i1.17977Palabras clave:
Cultivos Agrícolas, Agricultura de Precisión, Inteligencia Artificial, Monitoreo de Cultivos, Sistemas de Riego Inteligente, Nanotecnología, Sistemas de información geográfica.Resumen
El presente estudio se centra en analizar las tecnologías innovadoras aplicadas al manejo de cultivos en la agricultura moderna, haciendo énfasis en frutales. El objetivo principal fue comprender cómo estas tecnologías mejoran la eficiencia, sostenibilidad y productividad de cultivos de frutales, enfocadas al aumento de la demanda y prácticas agrícolas sostenibles. La investigación se estructura en tres fases. En la primera fase, se revisan las bases de datos que documentan la evolución de las prácticas agrícolas convencionales. La segunda fase se centra en la literatura científica y técnica de la última década, destacando los avances recientes en tecnologías agrícolas. La tercera fase se centró en clasificar las investigaciones y desarrollos en curso, proporcionando una visión prospectiva de las tendencias emergentes. Se emplearon criterios de análisis multidisciplinarios que incluyen la eficiencia en el uso de recursos, la sostenibilidad ambiental, manejo del cultivo, manejo de la postcosecha y la capacidad de implementación a gran escala. Las tecnologías innovadoras identificadas incluyen la agricultura de precisión, el uso de sensores remotos, la inteligencia artificial aplicada al monitoreo de cultivos, y la implementación de sistemas de control para cultivos. Los resultados destacan que las tecnologías innovadoras en el manejo de cultivos pueden mejorar la eficiencia de la producción agrícola hasta un 30%, reducir la dependencia de pesticidas, fertilizantes y minimizar el impacto ambiental negativo. En conclusión, la adopción estratégica de estas tecnologías puede transformar la fruticultura, proporcionando soluciones clave para la seguridad alimentaria global y la sostenibilidad a largo plazo.
Descargas
126
Citas
Azam Ansari, M. (2023). Nanotechnology in Food and Plant Science: Challenges and Future Prospects. Plants, 1-34. doi:https://doi.org/10.3390/plants12132565
Baker , B. P., Green, T. A., y Loker, A. J. (2020). Biological control and integrated pest management in organic and conventional systems. Biological Control, 1, 1-9. doi:https://doi.org/10.1016/j.biocontrol.2019.104095
Bwambale , E., Abagale, F. K., y Anornu, G. K. (2023). Data-driven model predictive control for precision irrigation management. Smart Agricultural Technology, 3, 1-12. doi:https://doi.org/10.1016/j.atech.2022.100074
Chakraborty, S. K., Rahul Potdar, S. A., Singh Chandel, N., Jat, D., Dubey, K., y Shelake, P. (2023). AI-enabled farm-friendly automatic machine for washing, image-based sorting, and weight grading of citrus fruits: Design optimization, performance evaluation, and ergonomic assessment. Journal of Field Robotics. doi:https://doi.org/10.1002/rob.22193
Chanchí-Golondrino, G. E., Ospina-Alarcón, M. A., y Saba, M. (2022). IoT System for Monitoring of Climatological Variables in Urban Agriculture Crops. Revista Científica, 44(2), 257-271. doi:https://doi.org/10.14483/23448350.18470
De Armas Costa, R. J., Martín Gómez, P. F., y Rangel Díaz , J. E. (2022). Gulupa fruit (Passiflora edulis Sims), its export potential, matrix and ripening signature: a review. Ciencia y agricultura, 19(1), 15-27. doi:https://doi.org/10.19053/01228420.v19.n1.2022.13822
De la Vega, J. C., Cañarejo, M. A., y Pinto, N. S. (2017). Avances en Tecnología de Atmósferas Controladas y sus Aplicaciones en la Industria De la Vega. Información Tecnológica, 75-86. doi:http://dx.doi.org/10.4067/S0718-0764201700030000
Georgiev, G., Beloev, I., Hristov, G., y Zahariev, P. (2022). LoRa Network-Based System for Remote Monitoring of Agricultural Crops. 2022 30th National Conference with International Participation (TELECOM), 1-4. doi:https://doi.org/10.3390/s22186743
Hassan, W., Manzoor, T., Jaleel, H., y Muhammad, A. (2021). Demand-based water allocation in irrigation systems using mechanism design: A case study from Pakistan. Agricultural Water Management, 256(1). doi:https://doi.org/10.1016/j.agwat.2021.107075
huidaagtech.com. (2023). Intelligent Irrigation Solutions. Recuperado el 10 de 08 de 2023, de https://www.huidaagtech.com/intelligent-irrigation-solutions.html
ICA. (2011). Manejo de problemas fitosanitarios del cultivo de Gulupa. Bogotá: Produmedios. Obtenido de https://repository.agrosavia.co/bitstream/handle/20.500.12324/2262/44992_60739.pdf?sequence=1yisAllowed=y
Intagri. (14 de 08 de 2023). Atmósferas Controladas y Modificadas en Postcosecha. Obtenido de https://www.intagri.com/articulos/poscosecha-comercializacion/atmosferas-controladas-y-modificadas-en-postcosecha
Jain, R. K. (2023). Experimental performance of smart IoT-enabled drip irrigation system using and controlled through web-based applications. Smart Agricultural Technology, 4, 1-20. doi:https://doi.org/10.1016/j.atech.2023.100215
Korotcenkov, G., Simonenko, N., Simonenko, E., Sysoev, V., y Brinzari, V. (2023). Paper-Based Humidity Sensors as Promising Flexible Devices, State of the Art, Part 2: Humidity-Sensor Performances. Nanomaterials, 13(1381), 1-63. doi:https://doi.org/10.3390/nano13081381
Kritchenkov, A. S., Egorov, A. R., Volkova, O. V., Artemjev, A., Kurliuk, A. V., Le, T. A., . . . Khrustalev, V. (2021). Novel biopolymer-based nanocomposite food coatings that exhibit active and smart properties due to a single type of nanoparticles. Food Chemistry, 1-9. doi:https://doi.org/10.1016/j.foodchem.2020.128676
Ligiang, Z., Shouvi, Y., Leibo, L., Zhen, Z., y Shaojun, W. (2011). A Crop Monitoring System Based on Wireless Sensor Network. Procedia Environmental Sciences, 558-565. doi:https://doi.org/10.1016/j.proenv.2011.12.088
Liu, Q., Gu, X., Chen, X., Mumtaz, F., Liu, Y., Wang, C., . . . Zhan, Y. (2022). Soil Moisture Content Retrieval from Remote Sensing Data by Artificial Neural Network Based on Sample Optimization. Sensors, 22(1611), 1-21. doi:https://doi.org/10.3390/s22041611
Lu, Y., Huang, Y., y Lu, R. (2017). Innovative Hyperspectral Imaging-Based Techniques for Quality Evaluation of Fruits and Vegetables: A Review. applied Sciences, 7(189), 1-36. doi:https://doi.org/10.3390/app7020189
Mali, S. C., Raj, S., y Trived, R. (2020). Nanotechnology a novel approach to enhance crop productivity. Biochemistry and Biophysics Reports, 1-4. doi:https://doi.org/10.1016/j.bbrep.2020.100821
Maqsood, U., Abbas, A., Rehman, S., Asghar, A., Kanwal, B., y Saud Shoukat, R. (2022). Comparative Analysis of Fruits and Vegetables Quality Using AI Assisted Technologies: A Review. Foundation University Journal of, 1-25. doi:https://doi.org/10.33897/fujeas.v3i2.688
Miranda, M., Ribeiro , M. D., Spricigo, P. C., Pilon, L., Mitsuyuki, M. C., Correa, D. S., y Ferreira, M. D. (2022). Carnauba wax nanoemulsion applied as an edible coating on fresh tomato for postharvest quality evaluation. Heliyon, 21-9. doi:https://doi.org/10.1016/j.heliyon.2022.e09803
Oon, A., Ahmad, A., Sah, S. M., Abdul Maulud, K. N., Syafiq Yahya, M., Lechner, A. M., y Azhar, B. (2023). The conservation of biodiverse continuous forests and patches may provide services that support oil palm yield: Evidence from satellite crop monitoring. Cleaner Production Letters, 4, 1-10. doi:https://doi.org/10.1016/j.clpl.2023.100036
Mi, D., Thao, V., Thi, T., Thi, K., y Thuy, H. (2024). A review of preservation approaches for extending avocado fruit shelf-life. Journal of Agriculture and Food Research, Volume 16, 2666-1543. Doi: https://doi.org/10.1016/j.jafr.2024.101102.
Poenaru, V., Badea, A., Cimpeanu, S. M., y Irimescu, A. (2015). Multi-temporal multi-spectral and radar remote sensing for agricultural monitoring in the Braila Plain. Agriculture and Agricultural Science Procedia, 6, 506-516. doi:https://doi.org/10.1016/j.aaspro.2015.08.134
Rai, A., Kumari, K., y Vashi, P. (2022). Umbrella review on chilling injuries: Post-harvest issue, cause, and treatment in tomato. Scientia Horticulturae, 1-16. doi:https://doi.org/10.1016/j.scienta.2021.110710
Singh, P., y Saikia, S. (2016). Arduino-based smart irrigation using water flow sensor, soil moisture sensor, temperature sensor and ESP8266 WiFi module. 2016 IEEE Region 10 Humanitarian Technology Conference (R10-HTC), 1-4. doi:https://doi.org/10.1109/R10-HTC.2016.7906792
Ungureanu, C., Tihan, G., Zgâr, R., y Pandelea, G. (2023). Bio-Coatings for Preservation of Fresh Fruits and Vegetables. Coatings, 1-34. doi:https://doi.org/10.3390/coatings13081420
Veeramanikandasamy, T., Sambath, K., Rajendran, K., y Sangeetha, D. (2014). Remote Monitoring and Closed Loop Control System for Social Modernization in Agricultural System Using GSM and Zigbee Technology. International Conference on Advances in Electrical Engineering (ICAEE), 1-4. doi:https://doi.org/10.1109/ICAEE.2014.6838438
Veys, C., Chatziavgerinos, F., AlSuwaidi, A., Hibbert, J., Hansen, M., Bernotas, G., . . . Grieve, B. (2019). Multispectral imaging for presymptomatic analysis of light leaf spot in oilseed rape. Plant Methods, 15(4), 1-12. doi:https://doi.org/10.1186/s13007-019-0389-9
Wieme, J., Mollazade, K., Malounas, I., Zude-Sasse, M., Zhao, M., Gowen, A., . . . Van Beek , J. (2022). Application of hyperspectral imaging systems and artificial intelligence for quality assessment of fruit, vegetables and mushrooms: A review. Biosystems Engineering, 156-176. doi:https://doi.org/10.1016/j.biosystemseng.2022.07.013
Xu, J., Gu, B., y Tian, G. (2022). Review of agricultural IoT technology. Artificial Intelligence in Agriculture, 10-22. doi:https://doi.org/10.1016/j.aiia.2022.01.001
Yamini, B., Pradeep, G., Kalaiyarasi, D., Jayaprakash, M., Janani, G., y Uthayakumar, G. S. (2024). Theoretical study and analysis of advanced wireless sensor network techniques in Internet of Things (IoT). Measurement: Sensors, 33, 101098. Doi : https://doi.org/10.1016/j.measen.2024.101098
Zhang, Z., y Zhu, L. (2023). A Review on Unmanned Aerial Vehicle Remote Sensing: Platforms, Sensors, Data Processing Methods, and Applications. Drones, 7(398), 42. doi:https://doi.org/10.1016/j.aiia.2022.01.001
Zhou, X. X., Li, Y. Y., Luo, Y. K., Sun, Y. W., Su, Y. J., Tan, C. W., y Liu, Y. J. (2022). Research on remote sensing classification of fruit trees based on Sentinel-2 multi-temporal imageries. Scientific Reports, 12(1), 11549. doi: https://doi.org/10.1016/j.scienta.2023.112333
Zhou, Z., Zahid, U., Majeed, Y., Nisha, Mustafa, S., Sajjad, M., . . . Fu, L. (2023). Advancement in artificial intelligence for on-farm fruit sorting and transportation. Frontiers in Plant Science. doi: https://doi.org/10.3389/fpls.2023.1082860
Descargas
Publicado
Cómo citar
Número
Sección
Licencia
Derechos de autor 2024 Universidad Nacional de Ingeniería
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-SinDerivadas 4.0.
Todo el material publicado en la revista se comparte bajo la Licencia Creative Commons Attribution-NonCommercial-NoDerivatives 4.0., se permite la copia y redistribución del material en cualquier medio o formato siempre y cuando se de crédito de forma explícita a la revista, el autor y la obra, se distribuya de forma gratuita y sin hacer modificaciones al contenido.