UNIVERSIDAD NACIONAL ABIERTA Y A DISTAN

SEMINARIO DE INVESTIGACIÓN - 100108

LUIS DAVID BARRETO H

INTEGRANTES QUE
PARTICIPARON CON
APORTES
SIGNIFICATIVOS EN EL
FORO DE LA
ACTIVIDAD FASE 3
PARA SU
CONSTRUCIÓN

PERIODO ACADÉMICO 2023 II PERIODO 16-0

FECHA DE ENTREGA MIÉRCOLES, 11 DE OCTU

NAL ABIERTA Y A DISTANCIA - UNAD

CIÓN - 100108 GRUPO 23

LUIS DAVID BARRETO HERNÁNDEZ

2023 II PERIODO 16-04 (1394)

MIÉRCOLES, 11 DE OCTUBRE DE 2023

 Introducción

En la era contemporánea, la integración de la tecnología en diver

transformado drásticamente la forma en que operamos. Uno de l
agricultura, no es la excepción. Con la creciente demanda de alim
sostenibilidad, se ha vuelto imperativo buscar soluciones innova
producción y gestión de recursos en la agricultura. En este conte
Artificial, el Machine Learning y el Internet de las Cosas (IoT) s
herramientas valiosas para abordar estos desafíos. Sin embargo,
innovación, su adopción presenta ciertas barreras. Esta revisión a
en este ámbito: el uso de la IA y Machine Learning para optimiz
papel del IoT en la gestión de recursos hídricos para la agricultur
troducción

e la tecnología en diversos sectores ha

ue operamos. Uno de los sectores más antiguos, la
ciente demanda de alimentos y el reto de la
scar soluciones innovadoras para mejorar la
icultura. En este contexto, la Inteligencia
et de las Cosas (IoT) se presentan como
desafíos. Sin embargo, como cualquier nueva
barreras. Esta revisión aborda dos temas relevantes
Learning para optimizar cultivos agrícolas y el
dricos para la agricultura sostenible.
 CONSTRUCCIÓN
Herramientas empleadas para la investigaci

Expresión o ecuación de
Nombre del estudiante Palabras clave Bibliografias (2 po
búsqueda empleada

Ramón Fernández, F. (2020). Int

(Online), 8(2), 1
Inteligencia Artificial "Inteligencia Artificial" y
en Agricultura "Agricultura" Segovia, J. S. B., Rojas, F. A. D
aplicadas para análisis d
http

Torres, C. J., Archila, J. F., Tronc

una plataforma robótica para ag
137. Recuperado de: https:/
Robótica Agrícola "Robótica" y "Agricultura"
Luis David Barreto
Figueroa Sarcos, J. A. (2015)
Hernández
tecnología Arduino (Bache
Recupe

Soto, J. P. T., Suárez, J. D. L. S.

agricultura: estado ac
https://www
"Internet de las cosas" y
IoT en Agricultura
"Agricultura" Caro, M. D. M., Romero, E.
usabilidad en soluciones TIC-
Sistemas e
https://search.proquest.com/open
 CONSTRUCCIÓN INDIVIDIUAL
as empleadas para la investigación (Revisión sistemática de la bibliografía)

Bibliografias (2 por cada palabra en las bases de datos seleccionadas). Normas APA 7.0

amón Fernández, F. (2020). Inteligencia Artificial y Agricultura: nuevos retos en el sector agrario. Campo Jurídico
(Online), 8(2), 123-139. Recuperado de:https://riunet.upv.es/handle/10251/160975

egovia, J. S. B., Rojas, F. A. D., & Quishpe, M. W. V. (2021). Estudio del uso de técnicas de inteligencia artificial
aplicadas para análisis de suelos para el sector agrícola. RECIMUNDO, 5(1), 4-19. Recuperado de:
http://www.recimundo.com/index.php/es/article/view/978

orres, C. J., Archila, J. F., Tronco, M. L., Becker, M., Porto, A. J. V., & Tiberti, A. J. (2013). Estudio cinemático de
una plataforma robótica para agricultura. Revista Colombiana De Tecnologias De Avanzada (RCTA), 2(22), 131-
137. Recuperado de: https://revistas.unipamplona.edu.co/ojs_viceinves/index.php/RCTA/article/view/421

Figueroa Sarcos, J. A. (2015). Prototipo de robot semiautónomo especializado en fumigación agrícola bajo la
tecnología Arduino (Bachelor's thesis, La Libertad; Universidad Estatal Península de Santa Elena, 2015.).
Recuperado de: https://repositorio.upse.edu.ec/handle/46000/2438

oto, J. P. T., Suárez, J. D. L. S. S., Rodríguez, A. B., & Cainaba, G. O. R. (2019). Internet de las cosas aplicado a la
agricultura: estado actual. Lámpsakos (revista descontinuada), (22), 86-105. Recuperado de:
https://www.funlam.edu.co/revistas/index.php/lampsakos/article/view/3253

Caro, M. D. M., Romero, E. R., Espinosa, M. A. C., & Guerrero, C. D. (2020). Evaluando contribuciones de
usabilidad en soluciones TIC-IOT para la agricultura: Una perspectiva desde la bibliometría. Revista Ibérica de
Sistemas e Tecnologias de Informação, (E28), 681-692. Recuperado de:
ttps://search.proquest.com/openview/60892cd66c950ed2bc4a4a7ef05ae373/1?pq-origsite=gscholar&cbl=1006393
 Bases de datos
Gestores de referencia -
Evidencia (Link video)

https://youtu.be/m0IhTnkdcH0?feature=shared
 Tema

Tema 1: Uso de
Inteligencia
Artificial y
Machine
Learning en la
optimización de
cultivos
agrícolas

Tema 2: IoT en
la gestión de
recursos
hídricos para la
agricultura
sostenible
 Inve

Contexto - Antecedentes (180 - 250 palabras) + Software empleados en la investigación - Evidencia

(Link video)

Con el advenimiento de la era digital, el campo agrícola ha vivido una evolución sin precedentes a través
de la adopción de tecnologías innovadoras como la Inteligencia Artificial (IA) y el Machine Learning.
Estos avances tecnológicos no sólo prometen transformar la producción agrícola, sino que tienen el
potencial de revolucionar toda la cadena de suministro alimentario. Además de mejorar la eficiencia en la
producción y la reducción de costos operativos, estas tecnologías juegan un papel crucial en la
prevención y tratamiento temprano de enfermedades de cultivos. De hecho, las recientes investigaciones
evidencian el poder de la IA para prever con exactitud patrones climáticos adversos, gestionar de manera
óptima el uso de insumos y reconocer tempranamente la aparición de plagas y enfermedades.

La agricultura moderna enfrenta el desafío de producir más con menos, y el agua es uno de los recursos
más preciados en este desafío. En este escenario, la tecnología del Internet de las Cosas (IoT) emerge
como una solución prometedora. Los sistemas de riego, que normalmente dependían de la experiencia del
agricultor y de los patrones climáticos predecibles, ahora pueden ser optimizados con la ayuda de
sensores y dispositivos inteligentes. Estos dispositivos, que forman parte del ecosistema IoT, pueden
recopilar datos en tiempo real, desde la humedad del suelo hasta los niveles de salinidad y el clima. Al
combinar esta información con sistemas de riego automatizados, es posible garantizar que las plantas
reciban la cantidad exacta de agua que necesitan, minimizando el desperdicio y maximizando la
producción.
 CONSTRUCCIÓN GRUPAL
Investigación con enfoque cuantitativo y cualitativo
Identificación de un problema objeto de estudio.
Posible (s) solución (es) al
Enfoque Resumen de la problemática identificada
problema identificado
(100 - 180 palabras)

Para superar estas barreras, es

esencial desarrollar e implementar
programas de capacitación
A pesar de los avances y del innegable potencial
específicos sobre IA dirigidos a
de la IA en la agricultura, su integración en la
agricultores. Estos programas no
agricultura de pequeña escala se encuentra con
sólo deben centrarse en la teoría,
desafíos considerables. Una de las principales
sino en aplicaciones prácticas y
barreras es la brecha en la capacitación y el
casos de éxito donde la IA ha
Cuantitativo conocimiento sobre estas herramientas avanzadas.
beneficiado a agricultores
Muchos agricultores, en especial aquellos en
similares. Además, la creación de
áreas más remotas o con recursos limitados, no
plataformas de fácil acceso y bajo
tienen acceso ni conocimientos suficientes sobre
costo que integran soluciones
cómo estas tecnologías pueden ser aplicadas de
basadas en IA para el monitoreo y
forma efectiva en sus cultivos.
gestión de cultivos puede ser un
medio eficaz para democratizar el
acceso a estas tecnologías.

Para cerrar esta brecha, es esencial

Si bien las ventajas del IoT en la gestión agrícola promover la educación y la
son evidentes, existe una brecha entre esta sensibilización. Los talleres de
tecnología y su aplicación en el campo. Muchos capacitación y sensibilización, que
sistemas de riego en uso hoy en día todavía incluyen demostraciones prácticas,
dependen de métodos tradicionales y carecen de pueden ser una herramienta
Cualitativo la integración con las soluciones basadas en IoT. efectiva. Además, ofrecer kits de
Además, una gran proporción de agricultores, conversión que permitan a los
especialmente en regiones menos desarrolladas, agricultores adaptar y modernizar
todavía desconoce los beneficios tangibles y el sus sistemas de riego existentes
retorno de la inversión que estas tecnologías podría facilitar la adopción de
pueden ofrecer. tecnologías basadas en IoT en la
agricultura.
 Diseño de la Técnica Técnica
investigación Recolección de datos Análisis de datos

Se empleará un análisis de
Se instalarán sensores IoT
La propuesta es realizar regresión para determinar
en la parcela experimental
un estudio comparativo, las diferencias en
para monitorear variables
en el cual se monitorean rendimiento entre las dos
como humedad,
dos parcelas agrícolas: parcelas. Paralelamente, se
temperatura y salud del
una gestionada con utilizarán algoritmos
cultivo en tiempo real.
herramientas basadas en avanzados de Machine
Además, se realizarán
IA y otras con métodos Learning para interpretar y
encuestas periódicas a
tradicionales. Se predecir patrones a partir
agricultores para recoger
medirán variables como de los datos recopilados
sus opiniones y
producción, salud del por los sensores,
experiencias en la gestión
cultivo, uso de insumos ofreciendo así insights que
de sus cultivos con y sin la
y rentabilidad. puedan ser útiles para
ayuda de la IA.
futuras decisiones
agronómicas.

Las entrevistas
Con el análisis temático,
Un enfoque etnográfico semiestructuradas
se identificarán temas
permitirá una proporcionarán
recurrentes y patrones en
comprensión profunda información valiosa sobre
las respuestas de los
de las actitudes, las opiniones y
agricultores. Esta técnica
percepciones y desafíos experiencias de los
permitirá agrupar las
que los agricultores agricultores con respecto
respuestas según
enfrentan al adoptar al IoT en la gestión del
diferentes categorías,
nuevas tecnologías. A agua. La observación
como percepciones
través de la observación participante, donde el
positivas, desafíos
directa y la interacción investigador interactúa y
enfrentados, áreas de
con agricultores en participa en las actividades
mejora, entre otros, y
diferentes regiones, se diarias del agricultor,
proporcionará una visión
podrá tener una imagen proporcionará información
holística de la situación
clara de las barreras y contextual sobre las
actual del uso de IoT en la
oportunidades presentes. prácticas de riego y la
gestión hídrica agrícola.
integración tecnológica.
 Conclusión

Las potencialidades de la Inteligencia Artificial, Machine Learni

son vastas y tienen el potencial de revolucionar la manera en que
gestionamos recursos. Sin embargo, es crucial abordar las barrer
adopción plena, especialmente en regiones menos desarrolladas
carecen de los recursos o conocimientos necesarios. La educació
democratización del acceso a estas tecnologías son pasos fundam
agrícola más productivo y sostenible. Al fusionar tradición con i
esperar un futuro donde la agricultura no solo sea más eficiente,
respetuosa con el medio ambiente y rentable para los agricultore
onclusión

ficial, Machine Learning e IoT en la agricultura

ionar la manera en que producimos alimentos y
ucial abordar las barreras actuales que impiden su
s menos desarrolladas o con agricultores que
ecesarios. La educación, la capacitación y la
ogías son pasos fundamentales hacia un futuro
usionar tradición con innovación, podemos
solo sea más eficiente, sino también más
ble para los agricultores.
 Referencias bibliográficas

Cordón-García, J. A., Martín-Rodero, H., & Alonso-Arévalo, J.

referencias de última generación: análisis comparativo de RefWo
Zotero. (Spanish). pp 7 – 9. El Profesional De La Información, 1
10.3145/epi.2009.jul.14.
https://bibliotecavirtual.unad.edu.co/login?url=http://search.ebsc
direct=true&db=edselc&AN=edselc.2-52.0-70349445311&lang
live&scope=site

Hernández Sampieri, R., Mendoza Torres, C. P. (2018). Metodo

las rutas cuantitativa, cualitativa y mixta. pp. 77 – 90, 351, 427 -
https://www-ebooks7-24-com.bibliotecavirtual.unad.edu.co/?il=

OVI. Objetos virtuales de información

Molina, D. (2017). Revisión bibliográfica con Atlas ti. Repositor
http://hdl.handle.net/10596/13968

Torres, J. (2017). Instructivo para instalación del software QDA

Institucional UNAD. http://hdl.handle.net/10596/14003

Torres, J. (2017). Aplicación del software QDA Miner Lite. Rep

UNAD. http://hdl.handle.net/10596/14001

OVA. Objetos virtuales de aprendizaje

Hernández, L.H. (2021). La investigación científica. Repositorio

https://repository.unad.edu.co/handle/10596/44259

Hernández, L.H. (2021). Investigación con enfoque cuantitativo

Institucional UNAD. https://repository.unad.edu.co/handle/1059
as bibliográficas

& Alonso-Arévalo, J. (2012). Gestores de

comparativo de RefWorks, EndNote Web y
l De La Información, 18(4), 445-454. doi:

?url=http://search.ebscohost.com/login.aspx?
0-70349445311&lang=es&site=eds-

, C. P. (2018). Metodología de la investigación:

pp. 77 – 90, 351, 427 - 481, 508. McGraw-Hill.
irtual.unad.edu.co/?il=6443

con Atlas ti. Repositorio Institucional UNAD.

ión del software QDA Miner Lite. Repositorio

/10596/14003

QDA Miner Lite. Repositorio Institucional

1

científica. Repositorio Institucional UNAD.

96/44259

n enfoque cuantitativo y cualitativo. Repositorio

ad.edu.co/handle/10596/44249