La agricultura de precisión ( AP ), la agricultura por satélite o la gestión de cultivos específicos del sitio ( SSCM ) es un concepto de gestión agrícola basado en la observación, medición y respuesta a la variabilidad de cultivos entre campos e intracampo. El objetivo de la investigación en agricultura de precisión es definir un sistema de apoyo a la toma de decisiones (DSS) para la gestión de toda la finca con el objetivo de optimizar los rendimientos de los insumos y al mismo tiempo preservar los recursos. [2] [3] [4]
Entre estos muchos enfoques se encuentra un enfoque fitogeomorfológico que vincula la estabilidad / características del crecimiento de los cultivos durante varios años con los atributos topológicos del terreno. El interés en el enfoque fitogeomorfológico se deriva del hecho de que el componente geomorfológico dicta típicamente la hidrología del campo agrícola. [5] [6]
La práctica de la agricultura de precisión ha sido posible gracias a la llegada del GPS y GNSS . La capacidad del agricultor y / o investigador para ubicar su posición precisa en un campo permite la creación de mapas de la variabilidad espacial de tantas variables como se puedan medir (por ejemplo, rendimiento del cultivo, características del terreno / topografía, contenido de materia orgánica, niveles de humedad, niveles de nitrógeno, pH, CE, Mg, K y otros). [7] Se recopilan datos similares mediante conjuntos de sensores montados en cosechadoras equipadas con GPS . Estas matrices consisten en sensores en tiempo real que miden todo, desde los niveles de clorofila hasta el estado del agua de la planta, junto con imágenes multiespectrales . [8] Estos datos se utilizan junto con imágenes de satélite mediante tecnología de tasa variable (VRT), incluidas sembradoras, pulverizadores, etc. para distribuir los recursos de manera óptima. Sin embargo, los avances tecnológicos recientes han permitido el uso de sensores en tiempo real directamente en el suelo, que pueden transmitir datos de forma inalámbrica sin la necesidad de presencia humana. [9] [10]
La agricultura de precisión también ha sido posible gracias a vehículos aéreos no tripulados como el DJI Phantom, que son relativamente económicos y pueden ser operados por pilotos novatos. Estos drones agrícolas pueden equiparse con cámaras multiespectrales o RGB para capturar muchas imágenes de un campo que se pueden unir utilizando métodos fotogramétricos para crear ortofotos . Estas imágenes multiespectrales contienen varios valores por píxel además de los valores tradicionales de rojo, verde y azul, como los valores del espectro del borde rojo y del infrarrojo cercano que se utilizan para procesar y analizar índices vegetativos como los mapas NDVI . [11] Estos drones son capaces de capturar imágenes y proporcionar referencias geográficas adicionales como la elevación, lo que permite que el software realice funciones de álgebra de mapas para construir mapas topográficos precisos. Estos mapas topográficos se pueden utilizar para correlacionar la salud de los cultivos con la topografía, cuyos resultados se pueden utilizar para optimizar los insumos de los cultivos como agua, fertilizantes o productos químicos como herbicidas y reguladores del crecimiento mediante aplicaciones de tasa variable.
Historia
La agricultura de precisión es un componente clave de la tercera ola de revoluciones agrícolas modernas . La primera revolución agrícola fue el aumento de la agricultura mecanizada , de 1900 a 1930. Cada agricultor produjo suficiente comida para alimentar a unas 26 personas durante este tiempo. [12] La década de 1960 impulsó la Revolución Verde con nuevos métodos de modificación genética, lo que llevó a cada agricultor a alimentar a unas 156 personas. [12] Se espera que para el año 2050, la población mundial alcance alrededor de 9,6 mil millones, y la producción de alimentos debe duplicarse de manera efectiva con respecto a los niveles actuales para alimentar a todos los bocas. Con los nuevos avances tecnológicos en la revolución agrícola de la agricultura de precisión, cada agricultor podrá alimentar a 265 personas en la misma superficie. [12]
Descripción general
La primera ola de la revolución agrícola de precisión se produjo en forma de imágenes satelitales y aéreas, predicción del clima, aplicación de fertilizantes de tasa variable e indicadores de salud de los cultivos. La segunda ola agrega los datos de la máquina para una plantación, un mapeo topográfico y datos del suelo aún más precisos. [13]
La agricultura de precisión tiene como objetivo optimizar la gestión a nivel de campo con respecto a:
- ciencia de los cultivos : haciendo coincidir las prácticas agrícolas más estrechamente con las necesidades de los cultivos (por ejemplo, insumos de fertilizantes);
- protección del medio ambiente : reduciendo los riesgos ambientales y la huella de la agricultura (por ejemplo, limitando la lixiviación de nitrógeno);
- Economía : impulsando la competitividad mediante prácticas más eficientes (por ejemplo, una mejor gestión del uso de fertilizantes y otros insumos).
La agricultura de precisión también proporciona a los agricultores una gran cantidad de información para:
- crear un registro de su granja
- mejorar la toma de decisiones
- fomentar una mayor trazabilidad
- mejorar la comercialización de productos agrícolas
- mejorar los acuerdos de arrendamiento y la relación con los propietarios
- mejorar la calidad inherente de los productos agrícolas (por ejemplo, el nivel de proteínas en el trigo harinero)
Plantación prescriptiva
La siembra prescriptiva es un tipo de sistema agrícola que ofrece consejos de siembra basados en datos que pueden determinar tasas de siembra variables para adaptarse a las diferentes condiciones en un solo campo, con el fin de maximizar el rendimiento. Se ha descrito como " Big Data en la granja". Monsanto , DuPont y otros están lanzando esta tecnología en los EE. UU. [14] [15]
Principios
La agricultura de precisión utiliza muchas herramientas, pero estos son algunos de los conceptos básicos: tractores, cosechadoras, rociadores, sembradoras, excavadoras, que se consideran sistemas de autoguiado. Los pequeños dispositivos del equipo que utiliza GIS (sistema de información geográfica) son los que hacen que la precisión sea lo que es. Puede pensar en el sistema GIS como el "cerebro". Para poder utilizar la agricultura de precisión, el equipo debe estar conectado con la tecnología y los sistemas de datos adecuados. Más herramientas incluyen tecnología de tasa variable (VRT), sistema de posicionamiento global y sistema de información geográfica, muestreo de cuadrícula y sensores remotos. [dieciséis]
Geolocalización
La geolocalización de un campo permite al agricultor superponer la información recopilada a partir del análisis de suelos y nitrógeno residual, e información sobre cultivos anteriores y resistividad del suelo. La geolocalización se realiza de dos formas
- El campo se delimita mediante un receptor GPS en el vehículo mientras el agricultor conduce un tractor por el campo.
- El campo está delineado en un mapa base derivado de imágenes aéreas o satelitales. Las imágenes base deben tener el nivel adecuado de resolución y calidad geométrica para garantizar que la geolocalización sea lo suficientemente precisa.
Variables
La variabilidad intra e intercampo puede deberse a varios factores. Estos incluyen condiciones climáticas ( granizo , sequía, lluvia, etc.), suelos (textura, profundidad, niveles de nitrógeno), prácticas de cultivo ( agricultura sin labranza ), malezas y enfermedades. Los indicadores permanentes, principalmente los indicadores del suelo, brindan a los agricultores información sobre las principales constantes ambientales. Los indicadores puntuales les permiten rastrear el estado de un cultivo, es decir, para ver si se están desarrollando enfermedades, si el cultivo está sufriendo estrés hídrico , estrés de nitrógeno o acame, si ha sido dañado por el hielo, etc. Esta información puede provenir de estaciones meteorológicas y otros sensores (resistividad eléctrica del suelo, detección a simple vista, imágenes de satélite, etc.). Las mediciones de resistividad del suelo combinadas con el análisis del suelo permiten medir el contenido de humedad . La resistividad del suelo también es una medida relativamente simple y barata. [17]
Estrategias
Usando mapas de suelos , los agricultores pueden seguir dos estrategias para ajustar los insumos de campo:
- Enfoque predictivo: basado en el análisis de indicadores estáticos (suelo, resistividad , historial de campo, etc.) durante el ciclo de cultivo .
- Enfoque de control: la información de los indicadores estáticos se actualiza periódicamente durante el ciclo del cultivo mediante:
- muestreo: pesaje de biomasa , medición del contenido de clorofila foliar , pesaje de frutos, etc.
- detección remota: la medición de parámetros como la temperatura (aire / suelo ), la humedad (aire / suelo / hoja), el viento o el diámetro del tallo es posible gracias a las redes de sensores inalámbricos [18] e Internet de las cosas (IoT)
- detección de proxy: los sensores en el vehículo miden el estado de la hoja; esto requiere que el agricultor conduzca por todo el campo.
- Teledetección aérea o satelital: se adquieren y procesan imágenes multiespectrales para obtener mapas de los parámetros biofísicos de los cultivos, incluidos los indicadores de enfermedades. [19] Los instrumentos aéreos pueden medir la cantidad de cobertura vegetal y distinguir entre cultivos y malezas. [20]
Las decisiones pueden basarse en modelos de apoyo a la toma de decisiones ( modelos de simulación de cultivos y modelos de recomendación ) basados en big data , pero en el análisis final depende del agricultor decidir en términos de valor comercial e impactos en el medio ambiente , un rol que se está asumiendo mediante sistemas de inteligencia artificial (IA) basados en aprendizaje automático y redes neuronales artificiales .
Es importante darse cuenta de por qué se adopta o no la tecnología de AP, "para que se adopte la tecnología de AP, el agricultor debe percibir la tecnología como útil y fácil de usar. Puede ser insuficiente tener datos externos positivos sobre los beneficios económicos de la AP la tecnología como las percepciones de los agricultores tienen que reflejar estas consideraciones económicas ". [21]
Implementación de prácticas
Las nuevas tecnologías de la información y la comunicación hacen que el manejo de cultivos a nivel de campo sea más operativo y más fácil de lograr para los agricultores. La aplicación de las decisiones de manejo de cultivos requiere equipo agrícola que admita tecnología de tasa variable ( VRT ), por ejemplo , densidad de semilla variable junto con aplicación de tasa variable (VRA) de nitrógeno y productos fitosanitarios. [22]
La agricultura de precisión utiliza tecnología en equipos agrícolas (por ejemplo, tractores, pulverizadores, cosechadoras, etc.):
- sistema de posicionamiento (por ejemplo, receptores GPS que utilizan señales de satélite para determinar con precisión una posición en el globo);
- sistemas de información geográfica (SIG), es decir, software que da sentido a todos los datos disponibles;
- equipo agrícola de tasa variable ( sembradora , esparcidora ).
Uso en todo el mundo
El concepto de agricultura de precisión surgió por primera vez en los Estados Unidos a principios de la década de 1980. En 1985, los investigadores de la Universidad de Minnesota variaron los insumos de cal en los campos de cultivo. También fue en este momento cuando apareció la práctica del muestreo en cuadrícula (aplicando una cuadrícula fija de una muestra por hectárea). Hacia fines de la década de 1980, esta técnica se utilizó para derivar los primeros mapas de recomendación de insumos para fertilizantes y correcciones de pH. El uso de sensores de rendimiento desarrollados a partir de nuevas tecnologías, combinado con la llegada de los receptores GPS, ha ido ganando terreno desde entonces. Hoy, estos sistemas cubren varios millones de hectáreas.
En el Medio Oeste de Estados Unidos (EE. UU.), No se asocia con la agricultura sostenible sino con los agricultores convencionales que intentan maximizar las ganancias gastando dinero solo en áreas que requieren fertilizantes. Esta práctica permite al agricultor variar la dosis de fertilizante en el campo de acuerdo con la necesidad identificada por el muestreo de zona o cuadrícula guiado por GPS. El fertilizante que se hubiera esparcido en áreas que no lo necesitan puede colocarse en áreas que sí lo necesitan, optimizando así su uso.
En todo el mundo, la agricultura de precisión se desarrolló a un ritmo variable. Las naciones precursoras fueron Estados Unidos, Canadá y Australia. En Europa, el Reino Unido fue el primero en recorrer este camino, seguido de cerca por Francia, donde apareció por primera vez en 1997-1998. En América Latina, el país líder es Argentina , donde se introdujo a mediados de la década de 1990 con el apoyo del Instituto Nacional de Tecnología Agropecuaria . Brasil estableció una empresa estatal, Embrapa , para investigar y desarrollar la agricultura sostenible. El desarrollo de GPS y técnicas de dispersión de tasa variable ayudó a anclar las prácticas de gestión de la agricultura de precisión [23] . En la actualidad, menos del 10% de los agricultores franceses están equipados con sistemas de tasa variable. La adopción de GPS está más extendida, pero esto no les ha impedido utilizar servicios de agricultura de precisión, que proporcionan mapas de recomendación a nivel de campo. [24]
Un tercio de la población mundial todavía depende de la agricultura para ganarse la vida. [25] Aunque las tecnologías de agricultura de precisión más avanzadas requieren grandes inversiones iniciales, los agricultores de los países en desarrollo se están beneficiando de la tecnología móvil. Este servicio ayuda a los agricultores con pagos y recibos móviles para mejorar la eficiencia. Por ejemplo, 30.000 agricultores en Tanzania utilizan teléfonos móviles para contratos, pagos, préstamos y organización empresarial. [25]
Los beneficios económicos y ambientales de la agricultura de precisión también se han confirmado en China, pero China se está quedando atrás de países como Europa y Estados Unidos porque el sistema agrícola chino se caracteriza por explotaciones familiares de pequeña escala, lo que hace que la tasa de adopción de agricultura de precisión más baja que en otros países. Por lo tanto, China está tratando de introducir mejor la tecnología de agricultura de precisión en su propio país y reducir algunos riesgos, allanando el camino para que la tecnología de China desarrolle la agricultura de precisión en el futuro. [26]
Impactos económicos y ambientales
La agricultura de precisión, como su nombre lo indica, significa la aplicación de una cantidad precisa y correcta de insumos como agua, fertilizantes, pesticidas, etc. en el momento adecuado al cultivo para aumentar su productividad y maximizar sus rendimientos. Las prácticas de manejo de la agricultura de precisión pueden reducir significativamente la cantidad de nutrientes y otros insumos agrícolas utilizados al tiempo que aumentan los rendimientos. [27] Los agricultores obtienen así un retorno de su inversión al ahorrar en costos de agua, pesticidas y fertilizantes.
El segundo beneficio a mayor escala de la focalización de insumos se refiere a los impactos ambientales. La aplicación de la cantidad correcta de productos químicos en el lugar correcto y en el momento adecuado beneficia a los cultivos, los suelos y las aguas subterráneas y, por lo tanto, todo el ciclo del cultivo. [28] En consecuencia, la agricultura de precisión se ha convertido en una piedra angular de la agricultura sostenible , ya que respeta los cultivos, los suelos y los agricultores. La agricultura sostenible busca asegurar un suministro continuo de alimentos dentro de los límites ecológicos, económicos y sociales necesarios para sostener la producción a largo plazo.
Un artículo de 2013 intentó mostrar que la agricultura de precisión puede ayudar a los agricultores de países en desarrollo como India. [29]
La agricultura de precisión reduce la presión sobre la agricultura por el medio ambiente al aumentar la eficiencia de la maquinaria y ponerla en uso. Por ejemplo, el uso de dispositivos de gestión remota como el GPS reduce el consumo de combustible para la agricultura, mientras que la aplicación de dosis variable de nutrientes o pesticidas puede reducir potencialmente el uso de estos insumos, lo que ahorra costos y reduce la escorrentía dañina en las vías fluviales. [30]
Tecnologías emergentes
La agricultura de precisión es una aplicación de tecnologías agrícolas digitales innovadoras. Se han invertido más de $ 4.6 mil millones en empresas de tecnología agrícola, a veces llamadas agtech. [12]
Robots
Los tractores autodireccionales existen desde hace algún tiempo, ya que el equipo John Deere funciona como un avión en piloto automático . El tractor hace la mayor parte del trabajo y el agricultor interviene en caso de emergencia. [28] La tecnología avanza hacia la maquinaria sin conductor programada por GPS para esparcir fertilizantes o arar la tierra. Otras innovaciones incluyen una máquina de energía solar que identifica las malas hierbas y las mata con precisión con una dosis de herbicida o láser. [28] Los robots agrícolas , también conocidos como AgBots, ya existen, pero se están desarrollando robots de recolección avanzados para identificar frutos maduros, ajustarlos a su forma y tamaño y arrancarlos con cuidado de las ramas. [31]
Drones e imágenes satelitales
La tecnología de drones y satélites se utiliza en la agricultura de precisión. Esto ocurre a menudo cuando los drones toman imágenes de alta calidad mientras que los satélites capturan la imagen más grande. Los pilotos de aviones ligeros pueden combinar fotografías aéreas con datos de registros de satélites para predecir los rendimientos futuros en función del nivel actual de biomasa de campo . Las imágenes agregadas pueden crear mapas de contorno para rastrear dónde fluye el agua, determinar la siembra de tasa variable y crear mapas de rendimiento de áreas que fueron más o menos productivas. [28]
Internet de las cosas
La Internet de las cosas es la red de objetos físicos equipados con dispositivos electrónicos que permiten la recopilación y agregación de datos. IoT entra en juego con el desarrollo de sensores [32] y software de gestión agrícola. Por ejemplo, los agricultores pueden medir espectroscópicamente el nitrógeno, el fósforo y el potasio en el estiércol líquido , lo cual es notoriamente inconsistente. [28] Luego pueden escanear el suelo para ver dónde las vacas ya han orinado y aplicar fertilizante solo en los lugares que lo necesitan. Esto reduce el uso de fertilizantes hasta en un 30%. [31] Los sensores de humedad [33] en el suelo determinan los mejores momentos para regar las plantas de forma remota. Los sistemas de riego se pueden programar para cambiar de qué lado del tronco del árbol riegan según la necesidad de la planta y la lluvia. [28]
Las innovaciones no se limitan solo a las plantas, pueden utilizarse para el bienestar de los animales. El ganado puede equiparse con sensores internos para realizar un seguimiento de la acidez del estómago y los problemas digestivos. Los sensores externos rastrean los patrones de movimiento para determinar la salud y el estado físico de la vaca, detectar lesiones físicas e identificar los momentos óptimos para la reproducción. [28] Todos estos datos de los sensores se pueden agregar y analizar para detectar tendencias y patrones.
Como otro ejemplo, la tecnología de monitoreo se puede utilizar para hacer que la apicultura sea más eficiente. Las abejas tienen un valor económico significativo y brindan un servicio vital a la agricultura al polinizar una variedad de cultivos. El monitoreo de la salud de una colonia de abejas a través de sensores inalámbricos de temperatura, humedad y CO2 ayuda a mejorar la productividad de las abejas y a leer las advertencias tempranas en los datos que podrían amenazar la supervivencia misma de una colmena completa. [34]
Aplicaciones para teléfonos inteligentes
Las aplicaciones para teléfonos inteligentes y tabletas se están volviendo cada vez más populares en la agricultura de precisión. Los teléfonos inteligentes vienen con muchas aplicaciones útiles ya instaladas, incluida la cámara, el micrófono, el GPS y el acelerómetro. También hay aplicaciones dedicadas a diversas aplicaciones agrícolas, como mapeo de campo, seguimiento de animales, obtención de información meteorológica y de cultivos, y más. Son fácilmente portátiles, asequibles y tienen una gran potencia informática. [35]
Aprendizaje automático
El aprendizaje automático se usa comúnmente junto con drones, robots y dispositivos de Internet de las cosas. Permite la entrada de datos de cada una de estas fuentes. Luego, la computadora procesa esta información y envía las acciones apropiadas a estos dispositivos. Esto permite que los robots entreguen la cantidad perfecta de fertilizante o que los dispositivos de IoT proporcionen la cantidad perfecta de agua directamente al suelo. [36] El aprendizaje automático también puede proporcionar predicciones a los agricultores en el punto de necesidad, como el contenido de nitrógeno disponible para las plantas en el suelo , para guiar la planificación de la fertilización. [37] A medida que más agricultura se vuelva cada vez más digital, el aprendizaje automático apoyará una agricultura eficiente y precisa con menos trabajo manual.
Conferencias
- Conferencia InfoAg
- Conferencia europea sobre agricultura de precisión (ECPA) (bienal)
- Conferencia Internacional sobre Agricultura de Precisión (ICPA) (bienal)
Ver también
- Drones agrícolas
- Geoestadística
- Agricultura integrada
- Manejo integrado de plagas
- Programa Landsat
- NDVI
- Presupuesto de nutrientes
- Manejo de nutrientes
- Fitobioma
- Apicultura de precisión
- Ganadería de precisión
- Viticultura de precisión
- Monitoreo de cultivos por satélite
- SPOT (satélites)
- Tecnología de tasa variable
Notas
- ^ "Agricultura de precisión: imagen del día" . earthobservatory.nasa.gov. 2001-01-30 . Consultado el 12 de octubre de 2009 .
- ^ McBratney, A., Whelan, B., Ancev, T., 2005. Direcciones futuras de la agricultura de precisión. Agricultura de precisión, 6, 7-23.
- ^ Whelan, BM, McBratney, AB, 2003. Definición e interpretación de posibles zonas de gestión en Australia, en: Actas de la XI Conferencia Australiana de Agronomía, Geelong, Victoria, 2-6 de febrero de 2003.
- ^ Reina, Giulio (2018). "Una plataforma robótica multisensor para la cartografía terrestre y la estimación más allá del espectro visible". Agricultura de Precisión . 20 (2): 423–444. arXiv : 2104.05259 . doi : 10.1007 / s11119-018-9605-2 . S2CID 52269849 .
- ^ Howard, JA, Mitchell, CW, 1985. Fitogeomorfología. Wiley .
- ^ Kaspar, Thomas C .; Colvin, Thomas S .; Jaynes, Daniel B .; et al. (Marzo de 2003). "Relación entre seis años de rendimiento de maíz y atributos del terreno". Agricultura de Precisión . 4 (1): 87–101. doi : 10.1023 / A: 1021867123125 . ISSN 1385-2256 . S2CID 40514787 .
- ^ McBratney, AB; Pringle, MJ (septiembre de 1999). "Estimación de variogramas promedio y proporcionales de las propiedades del suelo y su uso potencial en agricultura de precisión". Agricultura de Precisión . 1 (2): 125-152. doi : 10.1023 / A: 1009995404447 . ISSN 1385-2256 . S2CID 22339888 .
- ^ Reyns, P., Missotten, B., Ramon, H. et al. Agricultura de precisión (2002) 3: 169. https://doi.org/10.1023/A:1013823603735
- ^ M. Sophocleous y J. Georgiou, “Agricultura de precisión: desafíos en sensores y electrónica para el monitoreo de plantas y suelos en tiempo real”, 2017 IEEE Biomed. Circuitos Syst. Conf., Págs. 1–4, 2017. https://doi.org/10.1109/BIOCAS.2017.8325180
- ^ Sophocleous, M. (2016). "IoT y tecnología de película gruesa para sensores subterráneos en agricultura" .
- ^ Anderson, Chris (mayo-junio de 2014). "Drones agrícolas Los drones relativamente baratos con sensores avanzados y capacidades de imágenes están brindando a los agricultores nuevas formas de aumentar los rendimientos y reducir el daño a los cultivos" . Revisión de tecnología del MIT . Consultado el 21 de diciembre de 2016 .
- ^ a b c d "Agricultura digital: ayudando a alimentar un mundo en crecimiento" . 2017-02-23.
- ^ Arama Kukutai (27 de abril de 2016). "¿Puede la agricultura digital cumplir su promesa?" . www.agnewscenter.com .
- ^ Bunge, Jacob (25 de febrero de 2014). "Big Data llega a la finca, sembrando desconfianza" . Wall Street Journal . Consultado el 10 de febrero de 2015 .
- ^ "Disrupción digital en la granja" . The Economist . 24 de mayo de 2014 . Consultado el 10 de febrero de 2015 .
- ^ administración. "Herramientas importantes para triunfar en la agricultura de precisión" . Consultado el 20 de noviembre de 2019 .
- ^ "Herramientas de agricultura de precisión: conductividad eléctrica del suelo" (PDF) . Consultado el 12 de junio de 2016 .
- ^ "La nueva placa de sensores Waspmote permite una agricultura de extrema precisión en viñedos e invernaderos - Libelium" . www.libelium.com .
- ^ Mahlein, Anne-Katrin (1 de septiembre de 2015). "Detección de enfermedades de las plantas por sensores de imágenes - Paralelos y demandas específicas para la agricultura de precisión y fenotipado de plantas" . Enfermedad de las plantas . 100 (2): 241-251. doi : 10.1094 / PDIS-03-15-0340-FE . ISSN 0191-2917 . PMID 30694129 .
- ^ "El futuro de la agricultura: Fábrica fresca" . The Economist . 2016-06-09 . Consultado el 12 de junio de 2016 .
- ^ Aubert, Benoit (2012). "TI como facilitador de la agricultura sostenible: un análisis empírico de la decisión de adopción de la tecnología de agricultura de precisión por parte de los agricultores" (PDF) . Sistemas de apoyo a la toma de decisiones . 54 : 510–520. doi : 10.1016 / j.dss.2012.07.002 .
- ^ Herring, David (29 de enero de 2001). "Agricultura de precisión: artículos destacados" . earthobservatory.nasa.gov . Consultado el 12 de octubre de 2009 .
- ^ "Simon Blackmore: agricultura con robots" . Sala de prensa SPIE. 2 de junio de 2016 . Consultado el 2 de junio de 2016 .
- ^ "agricultura de precisión con imágenes de satélite" . Archivado desde el original el 7 de abril de 2011.
- ^ a b Warshauer, William (22 de agosto de 2010). "Cómo lo digital está resolviendo tres problemas en la agricultura" . TechnoServe .
- ^ Kendall, H .; Naughton, P .; Clark, B .; et al. (2017). "Agricultura de precisión en China: exploración de la conciencia, la comprensión, las actitudes y las percepciones de los expertos agrícolas y los usuarios finales en China" . Avances en biociencias animales . 8 (2): 703–707. doi : 10.1017 / S2040470017001066 .
- ^ Pepitone, Julianne (3 de agosto de 2016). "Hackear la granja: cómo los agricultores utilizan la 'agricultura digital' para producir más cultivos" . CNNMoney .
- ^ a b c d e f g "El futuro de la agricultura" . The Economist . 2016-06-09.
- ^ Rajvanshi, Anil K. "¿Es la agricultura de precisión la solución a la crisis agrícola de la India?" .
- ^ Schieffer, J .; Dillon, C. (2015). "Los impactos económicos y ambientales de la agricultura de precisión y las interacciones con la política agroambiental". Agricultura de Precisión . 16 : 46–61. doi : 10.1007 / s11119-014-9382-5 . S2CID 9071060 .
- ^ a b "Cinco tecnologías que cambian la agricultura" . 7 de octubre de 2016.
- ^ M. Sensores subterráneos de película gruesa, sophocleous. Editorial Académica LAP LAMPERT, 2016. ISBN 978-3-659-95270-8 https://www.morebooks.de/store/us/book/thick-film-underground-sensors/isbn/978-3-659-95270-8
- ^ M. Sophocleous y JK Atkinson, "Un nuevo sensor de conductividad eléctrica de película gruesa adecuado para mediciones de conductividad de líquidos y suelos", Sensores Actuadores, B Chem., Vol. 213, págs. 417–422, 2015. https://doi.org/10.1016/j.snb.2015.02.110
- ^ "Apicultura de precisión con monitoreo inalámbrico de temperatura" . IoT ONE . Consultado el 27 de abril de 2018 .
- ^ Suporn Pongnumkul, Pimwadee Chaovalit y Navaporn Surasvadi, "Aplicaciones de los sensores basados en teléfonos inteligentes en la agricultura: una revisión sistemática de la investigación", Journal of Sensors, vol. 2015.
- ^ Goap, Amarendra; Sharma, Deepak; Shukla, AK; Rama Krishna, C. (diciembre de 2018). "Un sistema de gestión de riego inteligente basado en IoT que utiliza aprendizaje automático y tecnologías de código abierto". Informática y electrónica en agricultura . 155 : 41–49. doi : 10.1016 / j.compag.2018.09.040 .
- ^ Grell, Max; Barandun, Giandrin; Asfour, Tarek; Kasimatis, Michael; Collins, Alex; Wang, Jieni; Guder, Firat (9 de octubre de 2020). "Determinación y predicción de la química del suelo con un kit de herramientas de sensor de punto de uso y un modelo de aprendizaje automático". bioRxiv . doi : 10.1101 / 2020.10.08.331371 . S2CID 222348520 .
enlaces externos
Medios relacionados con la agricultura de precisión en Wikimedia Commons
- Agricultura de precisión , IBM