Sostenibilidad de la agricultura e Inteligencia Artificial: un estudio

de revisión
Holger Froilán Chica Solórzanoi

Recibido: 7 de junio de 2023 Revisado: 18 de junio de 2023 Aprobado: 10 de julio de 2023

Resumen

La sostenibilidad de la agricultura se climático y a implementar prácticas

ha convertido en un tema de vital
importancia debido a los desafíos
ambientales y socioeconómicos que
enfrentamos. En este contexto, la
Inteligencia Artificial (IA) emerge como
una herramienta prometedora para
abordar los desafíos de la agricultura
y promover prácticas más sostenibles.
Este artículo de investigación analiza
las oportunidades y desafíos que
plantea la integración de la IA en la
agricultura sostenible. La IA puede
mejorar la sostenibilidad de la
agricultura en diversas áreas. En
primer lugar, el monitoreo y la gestión
de cultivos se benefician de la IA a
través de la detección temprana de
enfermedades, el control de plagas y
la gestión precisa del riego y los
fertilizantes. Además, la IA puede
optimizar la planificación de cultivos y
la gestión de la cadena de suministro,
reduciendo el desperdicio de
alimentos y los impactos ambientales
asociados. Además, la IA facilita la
toma de decisiones informadas y
basadas en datos, lo que ayuda a los
agricultores a adaptarse al cambio
agrícolas más sostenibles. Sin
embargo, la integración de la IA en la
agricultura también plantea desafíos
significativos. Estos incluyen
cuestiones éticas y de privacidad
relacionadas con la recopilación y el
uso de datos agrícolas, así como la
brecha digital que puede excluir a
ciertos agricultores de acceder a las
tecnologías de IA. Además, la
dependencia excesiva de la IA puede
limitar la diversidad genética de los
cultivos y afectar la autonomía de los
agricultores en la toma de decisiones.
En conclusión, la integración de la IA
en la agricultura sostenible ofrece
grandes oportunidades para mejorar
la eficiencia y la sostenibilidad de los
sistemas agrícolas. Sin embargo, es
fundamental abordar los desafíos
éticos, sociales y técnicos para
garantizar que la implementación de la
IA en la agricultura sea equitativa,
inclusiva y respetuosa con el medio
ambiente.
Palabras clave: agricultura,
sostenibilidad, inteligencia artificial

i Ingeniero Agropecuario. Instituto Superior Tecnológico Tsáchila, Ecuador. holgerchica@tsachila.edu.ec.

https://orcid.org/0000-0002-1621-7170

Revista ConCiencia Jurídica, 1(1), 42-52, julio-diciembre 2023 42

 Sustainability of agriculture and Artificial Intelligence: a review study
Abstract
The sustainability of agriculture has
become a topic of vital importance due
to the environmental and socio-
economic challenges we face. In this
context, Artificial Intelligence (AI)
emerges as a promising tool to
address the challenges of agriculture
and promote more sustainable
practices. This research article
discusses the opportunities and
challenges posed by the integration of
AI in sustainable agriculture. AI can
improve the sustainability of
agriculture in various areas. First, crop
monitoring and management benefit
from AI through early disease
detection, pest control, and precise
irrigation and fertilizer management.
Additionally, AI can optimize crop
planning and supply chain
management, reducing food waste
and associated environmental
impacts. In addition, AI facilitates data-
informed decision-making, helping
farmers adapt to climate change and
implement more sustainable farming
Revista ConCiencia Jurídica, 1(1), 42-52, julio-diciembre 2023
practices. However, the integration of
AI in agriculture also poses significant
challenges. These include ethical and
privacy issues related to the collection
and use of agricultural data, as well as
the digital divide that may exclude
certain farmers from accessing AI
technologies. In addition, excessive
reliance on AI can limit the genetic
diversity of crops and affect farmers'
autonomy in decision-making. In
conclusion, the integration of AI in
sustainable agriculture offers great
opportunities to improve the efficiency
and sustainability of agricultural
systems. However, it is essential to
address ethical, social and technical
challenges to ensure that the
implementation of AI in agriculture is
equitable, inclusive and
environmentally friendly.
Keywords: agriculture, sustainability,
artificial intelligence
43
 Introducción

El sector agrícola en cualquier nación juega un papel clave para enfrentar el de los
desafíos universales, proporcionar alimentos suficientes para sobrevivir a las
personas. Como se estima, en 2050 se requiere aumentar el suministro mundial de
alimentos en un 60% para alimentar a casi 9000 millones de personas (Padilla y
Hudson 2019).

El crecimiento de la población conduce a la agricultura continua con tierras

cultivables limitadas. Este problema se alinea aún más con los 17 Objetivos de
Desarrollo Sostenible (ODS) que se han centrado en eliminar la pobreza y erradicar
el hambre y la desnutrición para 2030 y 2025 respectivamente. La población en
crecimiento conduce a la agricultura continua con tierras cultivables limitadas.

Se ha argumentado que el proceso de producción de alimentos genera

principalmente una degradación ambiental universal creada por la utilización de
fertilizantes, las emisiones de gases de efecto invernadero y la biodiversidad (Tilman
et al. 2011). Aunque la agricultura intensiva y la agricultura industrial han llevado a
un aumento en la producción de alimentos y a aliviar la escasez de alimentos, ahora
presentan desventajas debido a la utilización de una gran cantidad de fertilizantes,
pesticidas y agua dulce (Tian et al. 2021).

En particular, los cambios climáticos como el calentamiento global, el agravamiento

de las inundaciones y sequías influirán a su vez en la seguridad alimentaria
(Wheeler y Von Braun 2013). En consecuencia, cómo alimentar a la creciente
población mientras se reducen las consecuencias negativas sobre el medio
ambiente y se mitigan los cambios atmosféricos es el mayor desafío global del siglo
XXI (Di Vaio et al. 2020).

Los términos “sostenibilidad” y “sustentable” han ganado una atención sustancial

aplicados en varios aspectos contextuales (Bolis et al. 2014). La sostenibilidad se
define como una combinación equilibrada de desempeño social, ambiental y
económico para beneficiar a las generaciones actuales y futuras (Geissdoerfer et al.

Revista ConCiencia Jurídica, 1(1), 42-52, julio-diciembre 2023 44

2017). Para salvaguardar la seguridad alimentaria y ecológica, el mantenimiento de
realizar más de lo mismo se denomina comúnmente agricultura sostenible (Gaffney
et al. 2019).

Por lo tanto, lograr un crecimiento sostenible en el sector agrícola ha recibido la

mayor atención (Castro y Swart 2017), y existe una demanda emergente de los
consumidores de productos alimenticios de calidad sostenible (Mangla et al. 2019).
La sustentabilidad se basa en tres pilares del desempeño económico, social y
ambiental. El desempeño social se enfoca en los problemas sociales, a saber, los
derechos humanos, la ética en los negocios, las actividades ambientales, las
preocupaciones sobre oportunidades idénticas en la generación de desechos, la
emisión de gases de efecto invernadero; el desempeño económico cuantifica la
eficiencia operativa, el valor para los accionistas y los costos de transacción (Ala-
Harja y Helo 2015; Panda 2014).

Posteriormente, Sayer y Cassman Sayer y Cassman (2013) opinaron que las

empresas/fincas agrícolas requieren obtener cuatro objetivos, que a menudo
compiten entre sí, para ser considerados crecimiento sostenible, a saber: 1)
asegurar la producción de un suministro adecuado de alimentos; 2) aliviar la
pobreza; 3) lograr una mejor salud y nutrición para una población en crecimiento; y
4) conservar los recursos naturales. Estos objetivos son muy relevantes para los
pilares sostenibles y están alineados adecuadamente con los ODS.

Para certificar la producción suficiente de alimentos para la población en

crecimiento, los insumos tecnológicamente avanzados, las técnicas de cultivo y los
enfoques de manejo del suelo se convierten en fuentes vitales (Gaffney et al. 2019).
Los sistemas de cultivo de alto rendimiento deben preocuparse por convertir los
recursos en rendimiento económico. El aumento de la obtención de proteínas de las
fuentes de alimentos (frijoles, verduras, trigo, arroz) y de la disponibilidad de
vitaminas y minerales a través de una dieta equilibrada debería requerir para
garantizar la salud y la riqueza de más de 9 mil millones de personas que serán
alimentadas para 2050. Para erradicar la pobreza, el sector agrícola debe avanzar

Revista ConCiencia Jurídica, 1(1), 42-52, julio-diciembre 2023 45

hacia la transición agrícola modernizada y productiva donde los agricultores estén
equipados con gran capacidad de recursos y resiliencia.

Aunque la generación de producción de alimentos que satisfaga la creciente

demanda de alimentos y la seguridad de los ecosistemas es un gran desafío, los
rápidos avances tecnológicos lo están haciendo posible. Los investigadores
aplicaron inteligencia artificial (IA) para hacer una agricultura sostenible y para dar
solución a problemas en el ámbito agrícola (Li et al. 2021).

Estas tecnologías se utilizan para reducir el costo, así como aumentar la eficacia y
la eficiencia. Si bien se han realizado estudios para averiguar qué hizo la gente para
lograr una agricultura sostenible utilizando IA, Sin embargo, estas investigaciones
sobre cómo se utilizó la IA para lograr objetivos sostenibles todavía están en el área
de investigación. En este contexto, esta investigación tiene como objetivo mapear y
crear una comprensión de las diversas tecnologías implementadas en el sector
agrícola con un enfoque especial en los objetivos de crecimiento sostenible.

Por lo tanto, los propósitos principales de esta revisión sistemática son: 1)

desarrollar una comprensión más completa de las tecnologías de IA habilitadoras
actualmente aplicadas en el sector agrícola, 2) explorar una variedad de iniciativas
de tecnología de IA para lograr objetivos de crecimiento sostenible, y 3) analizar
cómo las empresas/granjas agrícolas mejoran el crecimiento sostenible a través de
tecnologías que ya son en marcha y se están desarrollando nuevas tecnologías.

Metodología

Los artículos de revisión de literatura (ARL) permiten identificar y obtener

información relevante sobre un tema interesante de la literatura existente
(Kitchenham y Charters, 2007). El ARL busca identificar las experiencias de primera
mano sobre las tecnologías de IA aplicadas actualmente en el sector agrícola y la
variedad de iniciativas de tecnología de IA para lograr los objetivos de crecimiento
sostenible en el sector agrícola. Para llevar a cabo este ARL, se establecieron tres
etapas, a saber: la planificación; implementación y presentación de informes
(Ferreras-Fernández et al. 2013).

Revista ConCiencia Jurídica, 1(1), 42-52, julio-diciembre 2023 46

En la etapa de planificación, se describieron los términos clave que podrían
considerarse relacionados con el estudio, a saber, agricultura, ganadería,
agricultura protegida, agricultura inteligente, Inteligencia Artificial (IA), Aprendizaje
Profundo o Deep Learning (DL), aprendizaje automático (AA), robot agrícola y
robótica. Los operadores o expresiones booleanos “Y” y “O” se utilizaron para
realizar búsquedas más exhaustivas, por ejemplo, “IA” Y “agricultura” Y “cultivos” O
“agricultura” Y "Agricultura inteligente”.

La búsqueda se realizó en las cuatro fuentes de datos conocidas que engloban

publicaciones multidisciplinares, Google Scholar, Scielo, Science Direct y Redalyc,
siguiendo el proceso utilizado por estudios recientes similares sobre IA y agricultura
sostenible (Traldi 2021; Navarro et al. 2020). El alcance de las publicaciones se
limitó a documentos tales como artículos de revistas y conferencias, publicados en
español. Los últimos diez años fueron considerados como el rango de tiempo para
conformar los objetivos del estudio.

En la fase de implementación se seleccionaron 142 artículos con la herramienta de

búsqueda. Una revisión de la base de datos de publicaciones sobre las palabras
clave deseadas en Science Direct encontró 347 registros desde 2012. En el caso
de Scielo y Redalyc, se han publicado 69 y 95 documentos respectivamente. El
número total de artículos publicados en el motor de búsqueda académico de Google
fue de 174 desde 2012 hasta diciembre de 2022.

Las áreas en las que más se han publicado son agricultura, tecnología, informática
y electrónica, agronomía, agroingeniería, informática y sostenibilidad. Luego de la
obtención de los artículos, estos fueron revisados manualmente a través del título,
palabras clave, resumen y análisis del texto de acuerdo con los objetivos propuestos
del estudio. El número de registros examinados fue 313.

Durante este proceso, la lista de documentos se clasificó para eliminar los artículos
duplicados. Se excluyeron 131 artículos por ser irrelevantes para la industria
agrícola. Este análisis resultó en 115 artículos considerados elegibles que fueron
incorporados como muestra para este estudio. De 115 artículos, 45 identificados a

Revista ConCiencia Jurídica, 1(1), 42-52, julio-diciembre 2023 47

través de Redalyc, 37 Science Direct y 33 identificados a través de otras fuentes
mencionadas anteriormente.

En la etapa de informes, cada uno de los artículos recuperados se analizó de

acuerdo con el componente de IA, como DL, AA, red neutral y robótica y actividades
agrícolas, a saber, cosecha, ecofenotipado de plantas, sistema de clasificación,
clasificación de malezas y cultivos, detección y monitoreo de enfermedades y
manejo del suelo.

Luego, los artículos buscados se enumeraron en una hoja de cálculo de Excel. La

hoja de datos contenía los detalles del artículo, a saber, el nombre del autor/es, el
año de publicación, el título del estudio, la tecnología de IA clave utilizada, el área
agrícola principal, los beneficios obtenidos y las limitaciones. Una vez que se
completó la base de datos, se realizó un análisis de contenido para examinar el
resumen de la revisión en profundidad y resumir las experiencias empíricas sobre
las tecnologías de IA aplicadas actualmente en el sector agrícola y la variedad de
iniciativas de tecnología de IA para lograr los objetivos de crecimiento sostenible en
el sector agrícola.

Resultados

Uso de métodos de Inteligencia Artificial en agricultura

La IA es una de las áreas emergentes de investigación en las últimas generaciones.

Hoy en día, la IA se utiliza para resolver problemas, en particular para reducir el uso
de la mano de obra, mejorar la utilización eficiente de los recursos y facilitar el
desarrollo de negocios sostenibles. Con el rápido avance tecnológico, las personas
tienen más intención de desarrollar estas aplicaciones (Bannerjee et al. 2018). Con
eso, se han sugerido diferentes enfoques de IA para resolver los problemas
existentes en la agricultura para mejorar la productividad.

La robótica se utiliza en la agricultura para ayudar a los agricultores. Estos robots

están desarrollados con muchas operaciones, como la aplicación de deshierbe, la
detección visual y la cosecha, donde pueden usarse para satisfacer las necesidades
de diversas tareas. En este sentido, se puede citar, por ejemplo, el diseño de un un

Revista ConCiencia Jurídica, 1(1), 42-52, julio-diciembre 2023 48

robot para rociar pesticidas y fertilizantes en campos de cosecha a bajo costo
operativo y monitoreo general de cultivos robot (Ghafar et al. 2021). Este modelo es
un robot de dos ruedas que incluye una base móvil en la que se utiliza un
mecanismo de vomitar con una herramienta de control inalámbrica que se utiliza
para gestionar los movimientos del robot. A partir de entonces, las condiciones de
crecimiento de los cultivos y los factores de salud se controlan mediante cámaras.
Este proceso ayuda a detectar la presencia de plagas en el campo de cultivo. Este
problema se resuelve utilizando un robot agrícola de bajo costo (Azmi et al. 2021).

Para los sistemas ciberfísicos agrícolas, los investigadores proponen un diseño de

gestión inteligente utilizando técnicas robóticas (Huang et al. 2021). Los robots
pueden usarse en tareas intensivas en mano de obra, repetitivas y físicamente
exigentes en el campo agrícola. La literatura reciente revela que los robots se están
utilizando para realizar varias tareas especializadas que fueron realizadas por
agricultores experimentados. Como tal, existen ventajas al usar la robótica en la
agricultura, como el aumento de la producción, la ampliación de las ganancias y el
ahorro de tiempo para realizar tareas repetitivas. Se estima que el uso de pesticidas
se puede reducir en un 80 por ciento si los agricultores usan robots para rociar
fertilizantes. Además, dado que la cabina de los robots trabaja fácilmente alrededor
de árboles, rocas, lagos y otras áreas de obstáculos, los cultivos se pueden cultivar
en más campos.

Las redes neuronales artificiales (RNA) son una de las técnicas más importantes de
la IA. Estos modelos se desarrollan utilizando nodos interconectados que realizan
funciones como nuestro cerebro humano. El uso de la aplicación de RNA es muy
amplio y también incluye en la agricultura (Kujawa & Niedba 2021). Además, las
RNA se han empleado para la clasificación de patrones y la predicción del contenido
de humedad del suelo (Mohapatra & Lenka 2016).

Las RNA se han vuelto popular como método de clasificación en ingeniería agrícola.
Las RNA son virtuosas para formular el modelo utilizando datos no lineales y datos
representados con imágenes. Por lo tanto, este enfoque es bueno para la
clasificación de cultivos utilizando datos de imágenes (Boniecki et al. 2020). Al

Revista ConCiencia Jurídica, 1(1), 42-52, julio-diciembre 2023 49

respecto, por ejemplo, la predicción de la tasa de crecimiento del arroz es importante
para lograr la sostenibilidad en la agricultura. Los investigadores recomendaron
modelar la tasa de crecimiento del arroz usando RNA, que muestra menos errores
en comparación con el algoritmo de regresión y la programación de expresión
génica (Liu et al. 2021).

Para desarrollar una comprensión más completa de las tecnologías de IA

habilitadoras que se aplican actualmente en el sector agrícola, la Figura x ilustra
aún más los principales enfoques de IA utilizados en las funciones agrícolas.

Conclusiones

Como resumen de la literatura consultada, observamos que las aplicaciones de IA

se adoptan ampliamente en la actualidad para mejorar la automatización operativa
y el rendimiento de la industria agrícola. Se evidenció que las aplicaciones más
comunes de la IA para la agricultura son el modelo de predicción del valor total de
la producción agrícola, seguido de las aplicaciones de cosecha. Aunque la
agricultura está naturalmente limitada por las limitaciones de recursos, las
aplicaciones de IA en la gestión de recursos naturales (como el agua, el suelo, la
tierra) se encuentran actualmente en un nivel insatisfactorio.

Además, se pudo identificar que el aspecto del consumidor final en la cadena de

suministro de la agricultura debe estar devorando una gran atención para lograr uno
de los objetivos clave de sostenibilidad de la agricultura; aliviar la pobreza de los
agricultores. Además, se vio en esta revisión que, en trabajos recientes, el uso de
técnicas de procesamiento de imágenes e IA se ha vuelto más común para mejorar
la agricultura sostenible.

Cuando se consideran los modelos DL, estos modelos dependen de la tarea, ya que
todos los modelos utilizan un vector de incrustación de palabras general. Para
superar este problema, se pueden desarrollar modelos de DL basados en la
atención. En el futuro, los investigadores pueden considerar el desarrollo de
modelos de DL basados en la atención. Asimismo, los estudios futuros deben tener
la intención de abordar las brechas identificadas en esta revisión sistemática, como

Revista ConCiencia Jurídica, 1(1), 42-52, julio-diciembre 2023 50

la evaluación de cultivos comerciales subutilizados, las condiciones de captura de
datos, los estándares de recursos naturales, las áreas funcionales y las ubicaciones
geográficas.

Este estudio ha proporcionado información útil para comprender la implicación de la

IA en la sostenibilidad de la agricultura. Sin embargo, puede haber limitaciones en
esta investigación. Este trabajo puede extenderse al considerar los costos del
proyecto, la usabilidad y los desafíos regionales en las aplicaciones de IA.

Además, puede explorar cómo se utilizan los modelos DL basados en la atención

en la agricultura con las mejoras más recientes de IA. Debido a que la creciente
aplicación de la IA en sí misma no es adecuada para obtener objetivos sostenibles,
se requiere evaluar la adaptabilidad de la IA junto con otras maniobras útiles como
el apoyo de políticas para los desarrolladores de IA y la intervención del programa
en las implementaciones.

Referencias bibliográficas

Abbasi, R., Martinez, P., Ahmad, R., 2022. The digitization of agricultural industry–a
systematic literature review on agriculture 4.0. Smart Agric. Technol. 100042.

Azmi, W., Hassan, M. K., Houston, R., & Karim, M. S. (2021). ESG activities and banking
performance: International evidence from emerging economies. Journal of
International Financial Markets, Institutions and Money, 70, 101277.

Bahrami H, McNairn H, Mahdianpari M, Homayouni S. A Meta-Analysis of Remote Sensing

Technologies and Methodologies for Crop Characterization. Remote Sensing. 2022;
14(22):5633. https://doi.org/10.3390/rs14225633

Chebrolu, N., Lottes, P., Schaefer, A., Winterhalter, W., Burgard, W., Stachniss, C., 2017.
Agricultural robot dataset for plant classification, localization and mapping on sugar
beet fields. Int. J. Robot. Res. 36 (10), 1045–1052.

Conesa-Muñoz, J., Bengochea-Guevara, J.M., Andujar, D., Ribeiro, A., 2015. Efficient
distribution of a fleet of heterogeneous vehicles in agriculture: a practical approach
to multi-path planning. In: 2015 IEEE International Conference on Autonomous
Robot Systems and Competitions. IEEE, pp. 56–61

Revista ConCiencia Jurídica, 1(1), 42-52, julio-diciembre 2023 51

da Silveira, F., Lermen, F.H., Amaral, F.G., 2021. An overview of agriculture 4.0
development: Systematic review of descriptions, technologies, barriers, advantages,
and disadvantages. Comput. Electron. Agric. 189, 106405. http://dx.doi.org/10.
1016/j.compag.2021.106405

Hemming, J., Bontsema, J., Bac, C.W., Edan, Y., van Tuijl, B., Barth, R., Pekkeriet, E., 2014.
CROPS: Intelligent Sensing and Manipulation for Sustainable Production and
Harvesting of High Value Crops, Clever Robots for Crops: Final Report Sweet-
Pepper Harvesting Robot. Technical Report, Wageningen UR.

Liu, Y., Liu, J., Xia, H., Zhang, X., Fontes-Garfias, C. R., Swanson, K. A., ... & Shi, P. Y.
(2021). Neutralizing activity of BNT162b2-elicited serum. New England Journal of
Medicine, 384(15), 1466-1468.

Revista ConCiencia Jurídica, 1(1), 42-52, julio-diciembre 2023 52