Uso de Machine Learning para estimar la producción de cultivos frutales: análisis de tendencias y agenda de investigación

• Autor: Arcila Diaz, Liliana Nataly
• Formato: tesis de grado
• Fecha de Publicación: 2024
• Institución: Universidad Señor de Sipan
• Repositorio: USS-Institucional
• Lenguaje: español
• OAI Identifier: oai:repositorio.uss.edu.pe:20.500.12802/13018
• Enlace del recurso: https://hdl.handle.net/20.500.12802/13018
• Nivel de acceso: acceso abierto
• Materia: Fruit production; Production estimation; Machine learning; PRISMA Statement; Precision agriculture; https://purl.org/pe-repo/ocde/ford#2.02.04

La estimación precisa de la producción de cultivos frutales es crucial para mejorar la planificación agrícola, optimizando la cosecha, el almacenamiento y la distribución, y, en última instancia, gestionando de manera más eficiente la cadena de suministro agrícola. Este estudio presenta una revisión sistemática sobre el uso de métodos de inteligencia artificial (IA) y machine learning (ML) en la estimación de la producción de cultivos frutales. Aplicando la metodología PRISMA, se identificaron 266 documentos en las bases de datos Scopus y Web of Science, de los cuales se analizaron 21 tras aplicar criterios de inclusión y exclusión. La investigación examina qué cultivos frutales utilizan técnicas de machine learning para la estimación de producción y qué técnicas muestran el mejor desempeño en la estimación o conteo de cultivos. Se identificaron tendencias emergentes, como la integración de variables climáticas, el uso de imágenes multiespectrales y la implementación de sistemas en tiempo real. Se propone una agenda de investigación para abordar las lagunas existentes, enfocándose en el desarrollo de soluciones ligeras y escalables para su implementación práctica en la agricultura.