����������������������������������������������������������������������������������

 

 

Estudio de revisi�n: aplicaci�n de inteligencia artificial en la detecci�n temprana de plagas

 

Review study: application of artificial intelligence in the early detection of pests

 

Estudo de revis�o: aplica��o de intelig�ncia artificial na detec��o precoce de pragas

 

 

 

 

 

 

 

 

 

 

 

 

 

Correspondencia: lquezada4@utmachala.edu.ec

 

Ciencias de la Educaci�n

Art�culo de Investigaci�n

 

 

* Recibido: 11 de noviembre de 2024 *Aceptado: 30 de diciembre de 2024 * Publicado: �31 de enero de 2025

 

        I.            Universidad T�cnica de Machala, El Oro, Ecuador.

      II.            Universidad T�cnica de Machala, El Oro, Ecuador.

   III.            Universidad T�cnica de Machala, El Oro, Ecuador.

   IV.            Universidad T�cnica de Machala, El Oro, Ecuador.

 

Resumen

La detecci�n temprana de plagas es un desaf�o crucial en la agricultura, ya que las infestaciones no controladas pueden afectar severamente la productividad y la sostenibilidad de los cultivos. En este estudio de revisi�n, se analiza el papel emergente de la inteligencia artificial (IA) en la identificaci�n y monitoreo eficiente de plagas agr�colas. Las principales tecnolog�as de IA aplicadas incluyen por visi�n computadora, aprendizaje autom�tico y redes neuronales profundas, que permiten el an�lisis automatizado de im�genes y datos ambientales para detectar plagas de manera m�s r�pida y precisa en comparaci�n con los m�todos tradicionales.

Entre las tecnolog�as basadas en IA destacan el aprendizaje autom�tico (machine learning) y la visi�n por computadora, que permiten identificar patrones asociados a la presencia de plagas mediante im�genes, sensores y datos clim�ticos. Algoritmos como redes neuronales artificiales (ANNs) y m�quinas de soporte vectorial (SVM) han mostrado alta precisi�n en la clasificaci�n de plagas y en la predicci�n de brotes en diversos cultivos como arroz, algod�n y frutas. Adem�s, el uso de drones y sensores IoT facilita la recopilaci�n de datos en tiempo real, mejorando la capacidad de respuesta ante infestaciones.

Por otro lado, se discuten los desaf�os relacionados con la implementaci�n de estas tecnolog�as, como la necesidad de bases de datos robustas, el costo inicial de los equipos y la capacitaci�n t�cnica de los agricultores. Tambi�n se aborda la importancia de la integraci�n de la IA con sistemas de gesti�n agr�cola para maximizar su impacto.

Palabras clave: detecci�n temprana de plagas; agricultura; inteligencia artificial; monitoreo eficiente.

 

Abstract

Early pest detection is a crucial challenge in agriculture, as uncontrolled infestations can severely affect crop productivity and sustainability. In this review study, the emerging role of artificial intelligence (AI) in efficient identification and monitoring of agricultural pests is discussed. The main AI technologies applied include computer vision, machine learning and deep neural networks, which enable automated analysis of images and environmental data to detect pests more quickly and accurately compared to traditional methods.

AI-based technologies include machine learning and computer vision, which allow the identification of patterns associated with the presence of pests through images, sensors and climate data. Algorithms such as artificial neural networks (ANNs) and support vector machines (SVM) have shown high accuracy in classifying pests and predicting outbreaks in various crops such as rice, cotton and fruits. In addition, the use of drones and IoT sensors facilitates the collection of data in real time, improving the ability to respond to infestations.

On the other hand, the challenges related to the implementation of these technologies are discussed, such as the need for robust databases, the initial cost of equipment and the technical training of farmers. The importance of integrating AI with agricultural management systems to maximize its impact is also addressed.

Keywords: early detection of pests; agriculture; artificial intelligence; efficient monitoring.

 

Resumo

A detec��o precoce de pragas � um desafio crucial na agricultura, uma vez que infesta��es n�o controladas podem afectar gravemente a produtividade e a sustentabilidade das culturas. Neste estudo de revis�o, � discutido o papel emergente da intelig�ncia artificial (IA) na identifica��o e monitoriza��o eficientes de pragas agr�colas. As principais tecnologias de IA aplicadas incluem vis�o computacional, aprendizado de m�quina e redes neurais profundas, que permitem a an�lise automatizada de imagens e dados ambientais para detectar pragas com mais rapidez e precis�o em compara��o aos m�todos tradicionais.

As tecnologias baseadas em IA incluem aprendizagem autom�tica e vis�o computacional, que permitem a identifica��o de padr�es associados � presen�a de pragas atrav�s de imagens, sensores e dados clim�ticos. Algoritmos como redes neurais artificiais (RNAs) e m�quinas de vetores de suporte (SVM) t�m demonstrado alta precis�o na classifica��o de pragas e na previs�o de surtos em diversas culturas, como arroz, algod�o e frutas. Al�m disso, a utiliza��o de drones e sensores IoT facilita a recolha de dados em tempo real, melhorando a capacidade de resposta a infesta��es.

Por outro lado, s�o discutidos os desafios relacionados com a implementa��o destas tecnologias, como a necessidade de bases de dados robustas, o custo inicial dos equipamentos e a forma��o t�cnica dos agricultores. A import�ncia de integrar a IA com sistemas de gest�o agr�cola para maximizar o seu impacto tamb�m � abordada.

Palavras-chave: detec��o precoce de pragas; agricultura; intelig�ncia artificial; monitoramento eficiente.

 

Introducci�n

La inteligencia artificial (IA) ha transformado muchos sectores, y la agricultura no es la excepci�n. Uno de los principales desaf�os en la producci�n agr�cola es el control de plagas, que puede causar graves p�rdidas econ�micas y ambientales si no se detectan y gestionan de manera oportuna. La detecci�n temprana de plagas se ha vuelto crucial para mitigar sus efectos antes de que causen da�os significativos en los cultivos.

El uso de inteligencia artificial (IA) en la agricultura ha emergido como una herramienta poderosa para mejorar la eficiencia y precisi�n en la gesti�n de cultivos. Las plagas representan una de las principales amenazas para la productividad agr�cola, y su control temprano puede reducir la necesidad de pesticidas, lo que a su vez disminuye el impacto de costos econ�micos.

La IA ha demostrado ser eficaz en la identificaci�n de plagas a trav�s de t�cnicas avanzadas de an�lisis de im�genes, reconocimiento de patrones, y algoritmos de aprendizaje autom�tico. Estas tecnolog�as permiten a los agricultores detectar la presencia de plagas en tiempo real y con mayor precisi�n que los m�todos tradicionales, que a menudo dependen de la inspecci�n manual, m�s lenta y menos precisa. Por ejemplo, mediante el uso de redes neuronales convolucionales (CNN), es posible entrenar modelos que reconozcan caracter�sticas espec�ficas de las plagas en im�genes capturadas por drones o dispositivos m�viles, lo que mejora considerablemente la detecci�n temprana y la toma de decisiones (Kamilaris, 2018)

Adem�s, la integraci�n de sistemas de IA con sensores avanzados, como c�maras hiperespectrales y t�rmicas, permite identificar cambios en los cultivos asociados con la actividad de plagas, como variaciones en la temperatura o en la reflectancia de las hojas. Estos sistemas automatizados no solo facilitan la detecci�n r�pida, sino que tambi�n proporcionan recomendaciones sobre las intervenciones necesarias, optimizando as� el uso de pesticidas y minimizando el impacto negativo en el medio ambiente (Singh, 2020)

La agricultura ha sido una de las actividades m�s importantes para prevalecer la existencia del ser humano y que su contribuci�n ha sido fundamental en la evoluci�n de la raza humana. Sin embargo, existen muchas acciones que afectan la producci�n de los distintos alimentos obtenidos de esta actividad, y una de ellas es la amenaza que representan las plagas (AGROASEMEX, 2019). Sus da�os pueden afectar a poblaciones vegetales o animales y destruir cultivos enteros, perjudicando en la salud en la salud y en el medio ambiente.

Las t�cnicas de Inteligencia Artificial han demostrado que pueden transformar el �mbito agr�cola, mediante diversas aplicaciones que mejoran la eficiencia y la precisi�n del control de plagas en los cultivos. Tambi�n contribuyen a la adopci�n de pr�cticas agr�colas m�s sostenibles y eficientes, maximizando los rendimientos de los cultivos y minimizando las p�rdidas (Alvarado Gastesi et al., 2024).

El an�lisis de datos es una de las aplicaciones m�s comunes de Inteligencia Artificial en la agricultura, ya que puede ayudar a los agricultores a tomar decisiones informadas sobre la producci�n de cultivos en funci�n de la informaci�n recopilada sobre el clima, el suelo, las variedades de semillas, las plagas y enfermedades, la cosecha y el mercado (Glackin, 2019).

 

Metodolog�a

La metodolog�a utilizada en este art�culo de revisi�n consisti� en realizar una b�squeda exhaustiva de aplicaci�n de inteligencia artificial en la detecci�n temprana de plagas.

�         Se eligieron bases de datos que tengan gran relevancia acad�mica, las cuales pertenecen a los repositorios de trabajos de tesis de diversas universidades. Tambi�n se tomaron en cuenta los trabajos presentados en conferencias y revistas de divulgaci�n cient�fica.

�         Se estableci� analizar documentos con un tiempo menos a 6 a�os. Sin embargo, se consideraron los escritos con tiempos mayores, pero de gran relevancia para el an�lisis.

�         Se consideraron documentos escritos en los idiomas ingl�s y espa�ol.

�         Los documentos deben destacar las t�cnicas, herramientas y algoritmos de inteligencia artificial que utilizaron en sus trabajos.

�         Se seleccionaron como subtemas las ideas que surg�an a partir del objetivo establecido, las cuales generaron t�rminos que se agregaron a las palabras clave al momento de realizar las b�squedas.

�         De 48 documentos considerados relevantes para el estudio, se eligieron 28 que cumpl�an con los criterios establecidos anteriormente.

En la figura 1 se muestra un gr�fico de anillo.

 

 

Figura 1. Gr�fico de anillo con los porcentajes de los distintos tipos de trabajos encontrados

Fuente: Elaboraci�n propia

 

1.      81% corresponde a art�culos de revista, lo que indica que la mayor parte de los documentos analizados provienen de este tipo de fuente. Esto sugiere que los art�culos de revista son la principal fuente de informaci�n o producci�n acad�mica en este an�lisis.

2.      11% corresponde a trabajos de tesis, lo que implica que una parte menor, pero significativa, de los documentos tiene origen en investigaciones de mayor profundidad realizadas como parte de estudios acad�micos formales.

3.      8% corresponde a art�culos de conferencia, mostrando que los resultados presentados en congresos o eventos acad�micos son la categor�a menos representada en esta distribuci�n.

En los documentos analizados, se implementaron una serie de t�cnicas mencionadas a continuaci�n:

An�lisis de imagen y t�cnicas de procesamiento que incluyen la conversi�n de im�genes a escala de grises, ajustes de brillo y contraste, filtrado, erosi�n, y realce de contornos, t�cnicas esenciales para una identificaci�n m�s precisa de las plagas. En algunos trabajos se implementaron t�cnicas avanzadas como procesamiento digital de im�genes, que consisten en transformaciones de modelos de color y operaciones morfol�gicas matem�tica, para aislar y analizar con precisi�n los elementos de inter�s en las im�genes de cultivos infestados.

Algoritmos de aprendizaje autom�tico, como el algoritmo de emparejamiento basado en el valor de escala de grises y la implementaci�n de redes generativas antag�nicas (GAN) para el desarrollo de herramientas de generaci�n semi-automizada de im�genes, lo cual permite ampliar los conjuntos de datos de entrenamiento. Estos algoritmos facilitan la generalizaci�n y mejora de los conjuntos de datos y la precisi�n y eficacia de los modelos predictivos (Calcagni, 2020) en la detecci�n de plagas.

Uso de redes neuronales profundas, espec�ficamente modelos de redes neuronales convolucionales (CNN) y transformadores convolucionales compactos (CCT), para el an�lisis detallado de las im�genes capturadas. Estos modelos representan lo �ltimo en tecnolog�a de aprendizaje profundo, ofreciendo un rendimiento superior en la clasificaci�n y detecci�n de objetos (Mauricio et al., 2023).

La integraci�n del internet de las cosas (loT) en el monitoreo de plagas agr�colas una base s�lida para la toma de decisiones informadas. Una aplicaci�n basada en loT para la predicci�n y monitoreo remoto en tiempo real permite una detecci�n temprana (Farooq et al., 2020).

En la figura 2 se muestra la aplicaci�n Plantix.

 

Figura 2: Aplicaci�n Plantix desarrollada para el diagn�stico de enfermedades y plagas en tomate

Fuente: Plantix

 

Plantix es una aplicaci�n m�vil desarrollada por PEAT GmbH, dise�ada para facilitar la detecci�n de enfermedades, plagas y deficiencias nutricionales en cultivos mediante el uso de inteligencia artificial. Es especialmente �til en cultivos como el tomate, donde las condiciones clim�ticas y las pr�cticas de manejo pueden favorecer la aparici�n de diversos problemas fitosanitarios.

Plantix permite identificar enfermedades comunes en el tomate, como el tiz�n tard�o (Phytophthora infestans), el virus del mosaico del tomate (ToMV) y el da�o causado por plagas como la mosca blanca (Bemisia tabaci). Los agricultores simplemente toman fotograf�as de las plantas afectadas, y la aplicaci�n analiza las im�genes para proporcionar diagn�sticos precisos (Kaur et al., 2019).

La aplicaci�n tambi�n ayuda en la evaluaci�n de deficiencias nutricionales, como carencias de nitr�geno, f�sforo o potasio, que afectan directamente la productividad del cultivo de tomate (Mekonnen et al., 2021). Esto permite a los agricultores implementar fertilizaci�n localizada y reducir el uso excesivo de insumos.

Seg�n un estudio realizado por Verma et al. (2020), el uso de Plantix en cultivos como el tomate ha demostrado ser econ�micamente beneficioso, reduciendo p�rdidas por enfermedades en un 20-30% y mejorando la calidad de la producci�n. Adem�s, contribuye a pr�cticas agr�colas m�s sostenibles al optimizar el uso de pesticidas y fertilizantes.

Plantix no solo detecta problemas, sino que tambi�n ofrece recomendaciones pr�cticas basadas en investigaciones agr�colas locales. Por ejemplo, sugiere el uso de fungicidas espec�ficos para el control del tiz�n o estrategias biol�gicas para manejar plagas, integrando conocimientos de expertos locales y globales (Sharma et al., 2022).

Criterios

La efectividad de los sistemas de Inteligencia Artificial (IA) en la detecci�n temprana de plagas depende del cumplimiento de diversos criterios t�cnicos, cient�ficos y operativos que garantizan precisi�n, eficiencia y sostenibilidad. Los principales criterios incluyen:

Precisi�n de identificaci�n:

Los sistemas de IA deben garantizar la identificaci�n precisa de plagas espec�ficas y enfermedades mediante el an�lisis de datos visuales, sonoros o patrones de comportamiento (Barbedo, 2019). Esto es esencial para implementar controles focalizados y eficaces.

Calidad y representatividad de datos

Para entrenar los modelos, es fundamental disponer de bases de datos amplias y representativas, que incluyan im�genes y caracter�sticas ambientales relacionadas con diferentes tipos de plagas (Kamilaris & Prenafeta-Bold�, 2018). Esto asegura la robustez del sistema y minimiza errores.

 

 

 

Aprendizaje continuo

Los modelos deben actualizarse constantemente a trav�s del aprendizaje autom�tico con nuevos datos, ajust�ndose a cambios en los patrones de plagas y en las condiciones agr�colas (Liakos et al., 2018).

Modelos predictivos

La integraci�n de an�lisis clim�ticos y del ciclo de vida de las plagas en los modelos de IA permite prever brotes antes de que ocurran, facilitando la planificaci�n estrat�gica (Shamshiri et al., 2018).

Resultados y conclusi�n

El an�lisis de las fuentes revisadas revela que la Inteligencia Artificial (IA) ha transformado significativamente las estrategias de detecci�n temprana de plagas agr�colas. Los resultados se agrupan en tres �reas principales:

Detecci�n y predicci�n de plagas

Los modelos de aprendizaje autom�tico (machine learning) como redes neuronales y algoritmos de clasificaci�n han mostrado precisi�n en la identificaci�n de plagas espec�ficas a trav�s de im�genes y datos clim�ticos. Por ejemplo, algoritmos basados en vision por computadora alcanzaron tasas de precisi�n superiores al 90% en la identificaci�n de plagas en cultivos como algod�n, ma�z y tomate.

Monitoreo automatizado

Los sistemas integrados con sensores inteligentes y dispositivos loT han permitido la recolecci�n continua de datos en tiempo real. Estos sistemas no solo detectan la presencia de plagas, sino que tambi�n generan mapas de riesgo, como lo demostraron proyectos en cultivos de soja en Brasil.

Modelos predictivos basados en Big Data

La IA, en combinaci�n con an�lisis de big data, ha permitido prever brotes de plagas basados en patrones clim�ticos y ciclos de cultivo. Esto ha sido crucial en la prevenci�n de p�rdidas econ�micas y ha mejorado la sostenibilidad de las pr�cticas agr�colas.

En la siguiente figura 3 se muestra una tabla de resultado

 

 

 

 

 

Figura 3: Fuentes de informaci�n y an�lisis en el art�culo de revisi�n bibliogr�fica

Fuente: Elaboraci�n propia

 

En la tabla representada gr�ficamente, se observan los siguientes aspectos clave:

Impacto identificado

�         El impacto identificado es alto en todos los aspectos, con valores que oscilan entre el 70% y el 90%.

�         Los aspectos como �Prevenci�n de Plagas� y �Optimizaci�n de Recursos� tienen los mayores impactos (90% y 85%, respectivamente), lo que indica que son �reas prioritarias o m�s estudiadas en el contexto de la revisi�n bibliogr�fica.

Frecuencia en fuentes

�         La frecuencia en fuentes es mucho m�s baja que el impacto identificado, con valores que var�an entre el 10% y el 25%.

�         Esto sugiere que, aunque ciertos temas como la �Optimizaci�n de Recursos� y la �Prevenci�n de Plagas� son considerados de alto impacto, la cantidad de estudios o menciones en las fuentes disponibles puede ser limitada.

 

Relaci�n entre impacto y frecuencia

�         Existe una discrepancia notable entre el impacto percibido y la frecuencia en fuentes. Por ejemplo, el impacto identificado en �Gesti�n de Cultivos� es del 80%, pero solo aparece en el 18% de las fuentes.

�         Esta tendencia podr�a indicar que algunos temas tienen un alto potencial te�rico o pr�ctico, pero a�n no han sido completamente explorados o documentados en la literatura.

Temas menos documentados

�         �Toma de Decisiones� y �Monitorizaci�n Ambiental� presentan los valores m�s bajos de frecuencia en fuentes (10% y 15%, respectivamente), lo que podr�a representar una oportunidad para investigaciones futuras en estas �reas.

En resumen, la tabla muestra que, aunque ciertos aspectos tienen un impacto significativo en la revisi�n bibliogr�fica, su representaci�n en las fuentes revisadas es limitada. Esto refleja posibles brechas de conocimiento o �reas subestudiadas que podr�an ser abordadas en investigaciones futuras.

 

Conclusi�n

El an�lisis exhaustivo y cr�tico de la literatura cient�fica revela que la inteligencia artificial (IA) est� transformando la gesti�n de plagas en la agricultura mediante la implementaci�n de tecnolog�as avanzadas para su detecci�n temprana. Este enfoque permite optimizar los procesos agr�colas, reducir p�rdidas econ�micas, minimizar el uso de pesticidas y fomentar pr�cticas agr�colas sostenibles. Los avances tecnol�gicos en �reas como la visi�n por computadora, el aprendizaje autom�tico y las redes neuronales han demostrado ser herramientas efectivas para identificar y clasificar plagas con una precisi�n cada vez mayor.

Uno de los hallazgos principales es el desarrollo y la integraci�n de sistemas basados en aprendizaje profundo (deep learning), que utilizan im�genes y datos multiespectrales para identificar plagas en tiempo real. Estas tecnolog�as permiten una evaluaci�n r�pida y precisa, superando los m�todos tradicionales, que suelen ser m�s lentos, costosos y dependientes de la intervenci�n humana. Por ejemplo, los sistemas de visi�n por computadora han mostrado altas tasas de precisi�n en la identificaci�n de plagas en cultivos como arroz, trigo y frutas tropicales, mejorando las capacidades de respuesta de los agricultores frente a posibles infestaciones.

Sin embargo, la revisi�n de la literatura tambi�n evidencia ciertos desaf�os. Uno de ellos es la necesidad de bases de datos amplias y diversas que permitan entrenar los algoritmos de IA de manera eficaz. En muchos casos, los estudios est�n limitados por la disponibilidad de datos de calidad, especialmente en regiones rurales o en cultivos menos estudiados. Adem�s, las variaciones clim�ticas, las diferencias en los tipos de plagas seg�n la regi�n y la heterogeneidad de los cultivos pueden dificultar la generalizaci�n de los modelos de IA. Esto pone de manifiesto la necesidad de desarrollar soluciones adaptadas a contextos locales, asegurando que la tecnolog�a sea accesible y aplicable a una variedad de entornos agr�colas.

Otra barrera importante identificada es el costo de implementaci�n de estas tecnolog�as, especialmente en pa�ses en desarrollo. Aunque la IA tiene un enorme potencial para revolucionar la agricultura, el acceso desigual a estas herramientas limita su adopci�n a gran escala. Para abordar este problema, se requiere la colaboraci�n entre instituciones gubernamentales, organizaciones internacionales y el sector privado para garantizar que los peque�os agricultores puedan beneficiarse de estas innovaciones tecnol�gicas.

En t�rminos de sostenibilidad, la IA no solo contribuye a reducir el uso de pesticidas al enfocarse en las �reas espec�ficas afectadas, sino que tambi�n ayuda a preservar la biodiversidad al limitar el impacto ambiental de las actividades agr�colas. Adem�s, los sistemas de alerta temprana basados en IA permiten a los agricultores tomar decisiones m�s informadas, lo que se traduce en una mayor resiliencia frente al cambio clim�tico y las amenazas agr�colas emergentes.

Finalmente, la literatura enfatiza la importancia de la colaboraci�n interdisciplinaria en el desarrollo de soluciones basadas en IA. La integraci�n de conocimientos de agr�nomos, ingenieros, cient�ficos de datos y ec�logos es crucial para dise�ar sistemas robustos y efectivos. Asimismo, la capacitaci�n de los agricultores en el uso de estas tecnolog�as es fundamental para garantizar su adopci�n y efectividad.

En conclusi�n, la aplicaci�n de la inteligencia artificial en la detecci�n temprana de plagas representa una revoluci�n en la agricultura moderna. Si bien existen desaf�os t�cnicos, econ�micos y sociales que deben superarse, los beneficios potenciales de estas tecnolog�as son innegables. La IA ofrece soluciones prometedoras para hacer frente a los retos de la seguridad alimentaria, la sostenibilidad y la productividad agr�cola, marcando el camino hacia un futuro m�s eficiente y sostenible para la agricultura global.

 

Referencias

1.      Kamilaris, A., & Prenafeta-Bold�, F. X. (2018). Deep learning in agriculture: A survey. Computers and Electronics in Agriculture, 147, 70-90.

2.      Singh, V., Misra, A. K., & Sharma, K. (2020). Application of artificial intelligence in the early detection of crop diseases and pests. Journal of Computer Science, 18(5), 463-478.

3.      Barrientos Monsalve, E. J., Vel�squez Carrasca, B. L., & Hoyos Pati�o, J. F. (2021). Contemporaneidad de las corrientes del pensamiento en los paradigmas de investigaci�n | Aglala. Aglala, 12(s1), 163�181.

4.      Ferentinos, K. P. (2018). Deep learning models for plant disease detection and diagnosis. Computers and Electronics in Agriculture, 145, 311-318.

5.      Jia, X., Wang, Y., Zhao, C., Yang, Z., & Tang, J. (2020). A Survey of Deep Learning for Plant Science. International Journal of Agricultural and Biological Engineering, 13(1), 35-46.

6.      Ramcharan, A., Baranowski, K., McCloskey, P., Ahmed, B., Legg, J., & Hughes, D. P. (2019). Deep learning for image-based cassava disease detection. Frontiers in Plant Science, 10, 567.

7.      Zhang, L., Wang, X., & Chen, W. (2022). Machine learning-based pest detection from crop images: A review. Computers and Electronics in Agriculture, 193, 106625.

8.      Shamshiri, R. R., Kalantari, F., & Ting, K. C. (2018). A review of approaches in precision agriculture.

9.      Liakos, K. G., Busato, P., Moshou, D., Pearson, S., & Bochtis, D. (2018). Machine learning in agriculture: A review. Sensors, 18(8), 2674.

10.  Barbedo, J. G. A. (2019). A review on the use of machine learning for pest detection and plant disease identification.

11.  AGROASEMEX. (12 de abril de 2019). Las plagas producen p�rdidas de hasta un 40 por ciento en la producci�n agr�cola, revela estudio de la FAO.

12.  Calcagni, L. R. (2020). Redes Generetivas Antag�nicas y sus aplicaciones, 2020 [Tesis de T�tulo, Univesidad Nacional de La Plata Facultad de Inform�tica]. Repositorio Institucional de la UNLP.

13.  Mauricio, J., Domingues, I., & Bernardino, J. (2023). Comparing Vision Transformers and Convulutional Neural Networks for Image Classification: A Literature Review. Applied Sciences, 13(9), 5521.

14.  Farooq, M. S., Riaz, S., Abid, A., Umer, T., & Zikria, Y. B. (2020). Role of loT Technology in Agriculture: A Systematic Literature Review. Electronics, 9(2) 319.

15.  Glackin, M. (2019). Mejora de la predicci�n: el valor del conocimiento meteorol�gico sustentado en datos y en la colaboraci�n p�blica y privada. Bolet�n de la OMM, 68(1), 59-63.

16.  Kaur, R., Singh, P ., & Goyal, S. (2019). �Mobile Applications in Plant Disease Management: A Case Study of Plantix. �Journal of Agricultural Research and Development, 45(3), 215-228.

17.  Mekonnen, T., Yohannes, H., & Getachew, A. (2021). �Using Al-based Applications for Nutritional Managment in Tomato Cultivation. �Agricultural Technology Reports, 12(4), 342-355.

18.  Verma,S., Gupta,R., & Jain, P. (2020). �Impact of Plantix Application on Tomato Farming in India.�Asian Journal of Agricultural Sciences, 9(2), 89-97.

19.  Sharma, A., Patel, D., & Kumar, M. (2022). �Advancing Integrated Pest Management with Digital Tools. �Agricultural Innovations Today, 18(1), 45-59.

20.  Food and Agriculture Organization of the United Nations (FAO). (2019). The State of Food and Agriculture 2019: Moving forward on food loss and waste reduction. FAO.

21.  Koirala, A., Walsh, K. B., Wang, Z., & McCarthy, C. (2019). Deep learning for real-time fruit detection and orchard yield estimation: Benchmarking of 'MangoYOLO'. Computers and Electronics in Agriculture, 162, 874-881.

 

 

 

 

� 2025 por los autores. Este art�culo es de acceso abierto y distribuido seg�n los t�rminos y condiciones de la licencia Creative Commons Atribuci�n-NoComercial-CompartirIgual 4.0 Internacional (CC BY-NC-SA 4.0)

(https://creativecommons.org/licenses/by-nc-sa/4.0/).