Aprovechamiento de las tecnologías digitales en el sector agroalimentario: un marco de agricultura de precisión impulsado por el IoT para alcanzar los Objetivos de Desarrollo Sostenible

T.G. Sakthivel; R. Ashok; Arun M; A.P. Senthil Kumar

doi:10.3791/73067

Artículo de investigación

Aprovechamiento de las tecnologías digitales en el sector agroalimentario: un marco de agricultura de precisión impulsado por el IoT para alcanzar los Objetivos de Desarrollo Sostenible

26 visualizaciones

⸱

DOI:

10.3791/73067

⸱

25 de agosto de 2026

T.G. Sakthivel¹ , R. Ashok¹ , Arun M¹ , A.P. Senthil Kumar²

¹Department of Mechanical Engineering, Saveetha School of Engineering, Saveetha Institute of Medical and Technical Sciences (SIMATS), ²School of Social Work, College of Social Sciences and Humanities, Jigjiga University

En este artículo

Resumen

Este estudio presenta la agricultura de precisión impulsada por Internet de las Cosas (IoT-PA), que utiliza redes de sensores, monitoreo en tiempo real e irrigación inteligente para aumentar la producción de cultivos y la eficiencia del uso del agua. El marco fomenta la agricultura sostenible y los ODS 2 (Hambre Cero) y 12 (Producción y Consumo Responsables).

Resumen

La industria agroalimentaria está digitalizándose rápidamente para abordar las limitaciones de recursos, la imprevisibilidad climática y la producción sostenible de alimentos mediante el uso de Internet de las Cosas (IoT), inteligencia artificial (AI), computación en la nube y análisis de datos. Debido a horarios rígidos de riego y monitoreo limitado del campo, la agricultura tradicional desperdicia agua, reduce el rendimiento de los cultivos y daña el medio ambiente. El sistema de Agricultura de Precisión impulsado por IoT (IoT-PA) presentado en este artículo optimiza el uso de recursos agrícolas mediante redes distribuidas de sensores, monitoreo en tiempo real de la humedad del suelo y condiciones meteorológicas, y control inteligente del riego. La plataforma propuesta recopila datos ambientales, analiza las condiciones del terreno y recomienda automáticamente el riego para maximizar el crecimiento de los cultivos y evitar el desperdicio de agua. Los agricultores pueden tomar decisiones agrícolas basadas en datos gracias al monitoreo continuo y a notificaciones rápidas proporcionadas por el sistema. La arquitectura IoT-PA mejora la eficiencia del riego, el rendimiento agrícola y la gestión sostenible de los recursos en comparación con la agricultura tradicional. Un mayor rendimiento agrícola y un uso eficiente del agua y otros recursos contribuyen al Objetivo de Desarrollo Sostenible (ODS) 2 (Hambre Cero) y al ODS 12 (Producción y Consumo Responsables) de los Objetivos de Desarrollo Sostenible de las Naciones Unidas. El sistema agrícola inteligente propuesto es escalable y viable, promoviendo la producción sostenible de alimentos y la conservación del medio ambiente.

Introducción

La seguridad alimentaria, la sostenibilidad ambiental y la resiliencia económica dependen de las empresas agroalimentarias¹. La agricultura debe adaptarse para producir más alimentos utilizando menos recursos, al mismo tiempo que minimiza su impacto ambiental, ya que se proyecta que la población mundial alcance aproximadamente 10 300 millones a mediados de la década de 2080, lo que aumentará considerablemente la demanda de producción alimentaria sostenible y de una gestión eficiente de los recursos². Las prácticas agrícolas simples podrían no resolver estos problemas³. El cambio climático, la degradación del suelo, la escasez de agua y las fluctuaciones del mercado hacen que esto sea especialmente cierto⁴. La tecnología digital innovadora podría satisfacer diversas necesidades y vincular el éxito agrícola con los Objetivos de Desarrollo Sostenible de las Naciones Unidas (ODS)⁵. La agricultura digital utiliza inteligencia artificial (AI), Internet de las Cosas (IoT), teledetección y análisis de datos⁶. Estas herramientas rastrean con precisión el rendimiento agrícola, los insumos de recursos y las condiciones climáticas⁷. Facilitan la toma de buenas decisiones y mejoran la agricultura⁸. Entre ellas se incluyen dispositivos impulsados por IoT que monitorean en tiempo real componentes críticos⁹. Como el estado de los cultivos, la humedad del suelo, la temperatura y la humedad relativa¹⁰. La agricultura de precisión utiliza agua y nutrientes solo cuando son necesarios, reduciendo el desperdicio y aumentando la sostenibilidad¹¹. El IoT puede aumentar la resiliencia y productividad de la cadena de valor agroalimentaria¹². El riego controlado y el monitoreo basado en sensores permiten regar los cultivos según la demanda¹³. Los agricultores utilizan el análisis de datos mediante IA para identificar patrones, mejorar la calidad y cantidad de los cultivos y anticipar brotes de plagas¹⁴. Esto ahorra agua y mejora el crecimiento de las plantas¹⁵. A pesar de estos avances prometedores, la tecnología agrícola digital tiene limitaciones, especialmente en naciones en desarrollo¹⁶. La baja alfabetización digital, las limitaciones de infraestructura, la elevada inversión inicial y una legislación débil dificultan su implementación¹⁷. Además, resulta difícil alcanzar una eficiencia óptima en el uso de recursos o la conservación ambiental, ya que las actividades agrícolas actuales dependen principalmente de intervenciones humanas y datos fijos.

Este artículo presenta un marco integrado para la Agricultura de Precisión impulsada por el Internet de las Cosas (IoT-PA). Esta tecnología combina datos en tiempo real de sensores con sistemas de riego automatizados para resolver ineficiencias en el uso del agua y en la gestión de cultivos. Al proporcionar orientaciones adecuadas para la transformación digital agrícola, el marco debe ser escalable, flexible y favorable para los agricultores. Asimismo, ofrece oportunidades para la transformación digital. Basándose en datos en tiempo real sobre el suelo y el clima, el marco de Agricultura de Precisión y el Internet de las Cosas busca optimizar los horarios de riego, conservando así el agua, mejorando la salud de los cultivos y, eventualmente, aumentando el rendimiento alimentario.

Una mayor producción mediante el aumento de la disponibilidad de alimentos contribuye al Objetivo de Desarrollo Sostenible 2 (Hambre Cero) y, al mismo tiempo, promueve el Objetivo de Desarrollo Sostenible 12 (Producción y Consumo Responsables) mediante el uso eficaz de los recursos. La innovación digital puede aumentar la resiliencia y sostenibilidad en los sistemas agroalimentarios mediante validación empírica, conduciendo a un futuro más sostenible.

La agricultura global debe cambiar para satisfacer las necesidades alimentarias y la sostenibilidad. El cambio climático y los recursos limitados requieren formas creativas de aumentar la producción y reducir el daño ambiental. Las tecnologías digitales, particularmente las basadas en IoT, podrían transformar la agricultura. Este artículo trata sobre el uso de dicha tecnología para una agricultura rentable y sostenible.

La agricultura tradicional desperdicia recursos, carece de monitoreo en tiempo real y limita la toma de decisiones basada en datos. Estos problemas generan un desperdicio de agua, afectan negativamente al medio ambiente y reducen el rendimiento agrícola. Las tecnologías digitales en la agricultura, especialmente el riego de precisión, son limitadas. El Internet de las Cosas (IoT) utiliza datos en tiempo real y automatización para escalar e integrar sistemas. El sistema debe maximizar la producción y optimizar el consumo de agua. Estudios recientes han examinado el uso de IoT, inteligencia artificial y análisis de datos en la agricultura de precisión, pero la mayoría se centran en la detección de humedad del suelo, riego automatizado, monitoreo de cultivos y predicción de rendimiento. Estas soluciones suelen funcionar de forma aislada, lo que limita su capacidad para apoyar la toma de decisiones en la gestión agrícola sostenible. La integración de datos ambientales heterogéneos en tiempo real, la gestión adaptativa del riego y la alineación con la sostenibilidad son aspectos que muchos sistemas aún no abordan. Esta investigación presenta el sistema IoT-PA, que supera estas limitaciones mediante sensores distribuidos de IoT, monitoreo ambiental en tiempo real, programación inteligente del riego y apoyo continuo a la toma de decisiones. A diferencia de las técnicas existentes, el marco propuesto optimiza el consumo de agua, la producción agrícola, el desperdicio de recursos y contribuye a los Objetivos de Desarrollo Sostenible (ODS) 2 (Hambre Cero) y 12 (Producción y Consumo Responsables). La innovadora gestión escalable de IoT-PA, orientada a la sostenibilidad y basada en sensores, comunicación y análisis, permite una toma de decisiones agrícolas basada en datos, eficiente operativamente y sostenible ambientalmente. Este proyecto tiene como objetivo crear y evaluar un marco IoT-PA que apoye la agricultura de precisión mediante monitoreo ambiental en tiempo real, almacenamiento de datos en la nube y programación automatizada del riego. El marco propuesto utiliza sensores habilitados para IoT que monitorean continuamente la humedad del suelo, la temperatura del aire, la humedad relativa, las precipitaciones y la intensidad lumínica, con el fin de optimizar las decisiones de riego en tiempo real. El estudio también busca evaluar el desempeño del marco propuesto mediante métricas cuantitativas, incluyendo eficiencia en el uso del agua, mejora del rendimiento de los cultivos, tiempo de respuesta del riego, eficiencia del sistema, confiabilidad de la comunicación y consumo energético, en comparación con prácticas de riego convencionales. Además, el estudio pretende demostrar cómo la integración de tecnologías IoT puede mejorar la utilización de recursos, reducir el consumo innecesario de agua y aumentar la productividad agrícola, contribuyendo al Objetivo de Desarrollo Sostenible (ODS) 2 (Hambre Cero) y al ODS 12 (Producción y Consumo Responsables) mediante una gestión sostenible de los recursos agrícolas.

Marco integrado de sistemas agrícolas y alimentarios digitales (IDAFS)

Este artículo investiga cómo las tecnologías digitales mejoran la resiliencia agrícola durante pandemias, desigualdades, el cambio climático y la escasez global agregada de alimentos¹⁸. Al destacar la inteligencia artificial, el análisis de grandes volúmenes de datos y la agricultura de precisión como medios para mejorar la productividad, reducir el desperdicio en un 5 % y ahorrar gastos en un 23 %, también aborda estos aspectos. El artículo promueve la transformación digital para cumplir los ODS 2030 y resalta tendencias emergentes como la cadena de bloques y la nutrición personalizada para sistemas alimentarios sostenibles y eficientes.

Modelo de análisis de impacto Digital-ODS (DSIAM)

Este artículo investiga, mediante la transformación digital, el logro de los ODS relacionados con la seguridad alimentaria utilizando datos del Índice de Economía y Sociedad Digitales (DESI). Analizando cómo la conectividad digital, las competencias y los servicios públicos afectan al ODS1, ODS2, ODS3 y ODS10¹⁹, emplea modelos de ecuaciones estructurales y análisis de conglomerados con datos de la UE (2017–2022). Muestra la importancia crucial de la digitalización para reducir la pobreza, avanzar hacia la igualdad y mejorar la salud.

Marco de integración y revitalización de la aldea digital (DVIRF)

Los datos de panel de treinta provincias chinas (2013–2023) permiten a este artículo investigar experimentalmente cómo la digitalización rural favorece el desarrollo integrado de las industrias rurales²⁰. Descubre tanto vías directas (servicios digitales, infraestructura) como indirectas (reordenación de factores, cambio estructural) para la transformación digital, utilizando una técnica de aprendizaje automático doble. En particular, las regiones orientales y productoras de cereales ejercen una influencia más significativa. El artículo propone legislación para promover comunidades digitales y maximizar la financiación para la rehabilitación rural.

Modelo de transformación del sistema agroalimentario circular (CAFSTM)

La transformación digital transforma el sector agroalimentario con conciencia ambiental, interoperabilidad y diseño centrado en el usuario²¹, aumentando la eficiencia y los modelos de negocio. Los alimentos personalizados y los sistemas agroalimentarios circulares reducen los residuos mediante bucles de retroalimentación. El informe aborda la privacidad de los datos y la interoperabilidad, y ofrece un enfoque tecnológico, de gobernanza y ecológico para sistemas agrícolas digitales sostenibles.

Marco de innovación para sistemas alimentarios sostenibles (SFSIF)

La agricultura sostenible se beneficia de la inteligencia artificial, el Internet de las cosas, la robótica y la edición genética. Acciones políticas, de actitud, financieras y de fomento de la confianza fomentan la innovación²². Según la gestión de residuos, el procesamiento de alimentos y el uso de la tierra, la tecnología digital y la ayuda gubernamental podrían aumentar la sostenibilidad, la resiliencia y la seguridad nutricional del sistema agroalimentario.

Modelo de mejora de la cadena de valor del procesamiento agroindustrial (APVCEM)

En este artículo se propone que las cadenas de valor y el procesamiento agroindustrial hacen que la agricultura sea global y competitiva. Se elogia la agricultura comunitaria y las cadenas de suministro²³. Las cadenas de valor sólidas en la India aumentan el suministro de alimentos y las actividades comerciales. La economía global y las comunidades rurales se benefician de estas redes.

Marco de Impacto de Sostenibilidad Digital (DSIF)

Mediante la producción agrícola, la contaminación, los residuos municipales y el ODS 12, las tecnologías digitales socavan la sostenibilidad alimentaria. Según modelos de ecuaciones estructurales²⁴, la tecnología digital podría reducir los residuos municipales, las emisiones de gases de efecto invernadero y modificar el comportamiento del consumidor. La digitalización mejora la sostenibilidad de la cadena de suministro, pero los estudios indican que obstaculiza el consumo responsable; por ello, se requiere una implementación equilibrada.

Marco de transición hacia la Agricultura 4.0 (A4TF)

Agricultura 4.0 se refiere a la integración del Internet de las Cosas (IoT), la inteligencia artificial (AI), la computación en la nube, la robótica, el análisis de grandes datos y la automatización para permitir prácticas agrícolas inteligentes, basadas en datos y de precisión. En este artículo se describe la transición agrícola digital mediante la Agricultura 4.0. Abordamos el IoT, la IA, los drones, la cadena de bloques y la energía renovable²⁵. Estudiamos la agrivoltaica, el riego inteligente y el monitoreo en tiempo real de animales. Según la investigación, al abordar problemas climáticos, hídricos y alimentarios, la transformación digital mejora la producción sostenible de alimentos, la eficiencia en el uso de recursos y la preservación ambiental.

Los estudios existentes han demostrado el potencial de las tecnologías digitales, la inteligencia artificial, la computación en la nube y el Internet de las Cosas (IoT) para mejorar la productividad y sostenibilidad agrícolas¹⁸^,¹⁹^,²⁰. La mayoría de los estudios se centran en evaluaciones conceptuales de la agricultura digital¹⁸, en la transformación digital orientada a políticas y economía¹⁹, o en el desarrollo digital rural sin tecnologías agrícolas de precisión a nivel de campo²⁰. Por lo tanto, la combinación de sensores en tiempo real, análisis basados en la nube, riego automatizado y apoyo a la toma de decisiones ha recibido poca atención. Varias técnicas carecen de métodos de implementación repetibles y de mecanismos exhaustivos de optimización de recursos. El marco propuesto de Agricultura de Precisión Impulsada por IoT (IoT-PA) integra el monitoreo mediante sensores IoT, la computación en la nube, el monitoreo ambiental en tiempo real y la gestión inteligente del riego en una única arquitectura, con el fin de mejorar la utilización del agua, la productividad de los cultivos y la gestión sostenible de los recursos agrícolas, al tiempo que apoya los ODS 2 y 12.

Protocolo

El agroalimentario se está convirtiendo en un ecosistema sostenible y basado en datos gracias a las tecnologías digitales. Internet de las Cosas (IoT), inteligencia artificial (AI) y blockchain mejoran la transparencia de la cadena de suministro, la seguridad alimentaria y la productividad. La Agricultura de Precisión, la Agricultura Inteligente y la Resiliencia Postpandémica apoyan los Objetivos de Desarrollo Sostenible, en particular el Hambre Cero, Acción Climática y Consumo y Producción Responsables.

El marco de Agricultura de Precisión impulsada por IoT (IoT-PA) incluyó un microcontrolador ESP32, sensores de humedad del suelo, temperatura del aire, humedad relativa (DHT22), precipitación e intensidad luminosa (BH1750), una puerta de enlace IoT, una base de datos en la nube y un controlador de riego automatizado. Para proporcionar datos representativos del campo, los sensores de humedad del suelo se colocaron a una profundidad de 15–20 cm en la zona radicular del cultivo y los sensores ambientales a 2 m sobre el suelo. Antes de la implementación, solo se utilizaron para las pruebas sensores con errores de medición dentro del ±2%, calibrados según los requisitos del fabricante. Se utilizó Wi-Fi (802.11 b/g/n) o LoRaWAN (915 MHz) para comunicar datos ambientales desde el controlador ESP32 a la plataforma en la nube cada 10 minutos. En el experimento, el marco registró humedad del suelo (%), temperatura del aire (°C), humedad relativa (%), precipitación (mm) e intensidad luminosa (lux). Antes de que la normalización Min-Máx estandarizara los datos, las observaciones de los sensores se cargaron a la base de datos en la nube cada 10 minutos, y se eliminaron valores duplicados y faltantes. El motor de decisiones de IoT-PA utilizó los datos de los sensores para decidir sobre el riego. Cuando la humedad del suelo disminuía por debajo del 35% de contenido volumétrico de agua, se iniciaba automáticamente el riego y se detenía al alcanzar el 45% para prevenir estrés hídrico y riego excesivo. Cuando el pronóstico del tiempo predecía más de 5 mm de lluvia en las próximas 12 horas, se detenía el riego para conservar el agua. Durante 90 días de desarrollo del cultivo en condiciones de campo similares, el marco funcionó continuamente. Cada ciclo de riego registraba en la base de datos en la nube la duración del riego, el consumo total de agua, la latencia de comunicación, el estado de los sensores y el consumo energético del sistema cada 30 minutos. Los agricultores recibían instrucciones en tiempo real sobre riego y actualizaciones del estado del campo mediante una aplicación móvil tras cada ciclo de decisión. El experimento se repitió tres veces utilizando el mismo sistema y condiciones operativas para verificar la repetibilidad.

El experimento se realizó en un campo sembrado con tomate. La parcela experimental de 20 m x 20 m (400 m²) tenía suelo franco con un pH de 6,7–7,0. Un sistema de monitoreo IoT basado en ESP32 incluía sensores capacitivos de humedad del suelo colocados a una profundidad de 15–20 cm, y sensores DHT22 de temperatura y humedad, BH1750 de intensidad lumínica y de precipitaciones fijados a 2 m sobre el suelo. Se instaló una red de riego por goteo con emisores separados 30 cm entre sí y tuberías laterales separadas 1 m entre sí. La plataforma en la nube recibía lecturas de los sensores transmitidas mediante MQTT cada 10 minutos. Después de 90 días, el rendimiento del cultivo fue el peso fresco total de los tomates cosechados (kg por parcela).

Aclaración sobre la fuente de datos: El marco propuesto de agricultura de precisión impulsada por IoT (IoT-PA) se implementó y evaluó mediante un experimento de campo de 90 días bajo las condiciones descritas en la sección de Protocolo. El informe del mercado de gemelos digitales agrícolas (DataIntelo) se utilizó únicamente como referencia complementaria para información contextual y desarrollo del marco. Todas las métricas de rendimiento reportadas en la sección de Resultados se obtuvieron a partir de la evaluación experimental del marco IoT-PA propuesto, y no del informe de mercado de DataIntelo.

Contribución 1: Propuesto un marco de agricultura de precisión impulsado por Internet de las Cosas (IoT-PA)

Se presentó un sistema de automatización del riego basado en datos meteorológicos y del suelo en tiempo real. Los avances digitales están impulsando el crecimiento agroalimentario (Figura 1). En primer lugar, la agricultura de precisión basada en Internet de las Cosas (IoT), inteligencia artificial (AI) y drones, seguida de la toma de decisiones basada en datos y la eficiencia en el uso de recursos. La revolución digital mejora la trazabilidad de los alimentos, la cadena de suministro y el acceso a mercados. Estas tecnologías empoderan a los agricultores, garantizan la seguridad alimentaria y promueven un desarrollo inclusivo. El marco de Agricultura de Precisión impulsada por IoT (IoT-PA) fomenta la utilización sostenible de los recursos y una agricultura inteligente resistente al clima mediante la integración de monitoreo ambiental en tiempo real, análisis basados en la nube y riego automatizado. Esto apoya los Objetivos de Desarrollo Sostenible (ODS) 2 (Hambre Cero), 12 (Producción y Consumo Responsables) y 13 (Acción por el Clima).

Ecuación de equilibrio estático S(t)={M(t),T(t),H(t),R(t),L(t)} para análisis dinámico.

Ecuación (1), donde S(t) representa los datos ambientales recopilados en el momento t, M(t) denota la humedad del suelo (%), T(t) es la temperatura del aire (°C), H(t) es la humedad relativa (%RH), R(t) es la precipitación (mm) y L(t) es la intensidad luminosa (lux). La ecuación (1) define el conjunto de parámetros ambientales en tiempo real adquiridos continuamente por la red de sensores IoT y transmitidos a la plataforma en la nube para su monitoreo y toma de decisiones.

Ecuación de función booleana, I(t), análisis condicional, expresión matemática.

Como se muestra en la ecuación (2), donde I(t) representa la señal de control de riego, M(t) es la humedad del suelo medida y M_th denota el umbral de riego predefinido (35 % de contenido volumétrico de agua). Cuando la humedad del suelo medida cae por debajo del umbral, el controlador IoT-PA activa automáticamente la bomba de riego Expresión matemática I(t)=1, concepto de ecuación dinámica para procesos dependientes del tiempo. ; de lo contrario, el riego permanece inactivo Equilibrio dinámico; I(t)=0; ecuación; física; análisis dependiente del tiempo; condición de estabilidad. . El riego se termina automáticamente cuando la humedad del suelo alcanza el nivel objetivo del 45 %, mejorando así la eficiencia en el uso del agua y evitando el exceso de riego.

La agricultura es impulsada por datos y sostenible gracias a las tecnologías digitales, como se observa en la Figura 2. Cámaras y robots aumentan la calidad de los cultivos y la eficiencia de los insumos, mientras que sensores detectan ubicación y temperatura. Un sistema de gestión de datos recibe información sobre temperatura y humedad desde un microcontrolador central. El servidor recopila datos en tiempo real para el monitoreo agrícola y la toma de decisiones. Los agricultores utilizan teléfonos en su idioma regional. Al monitorear las condiciones ambientales, optimizar las decisiones de riego, minimizar el desperdicio de agua y apoyar prácticas agrícolas sostenibles alineadas con el ODS 2 (Hambre Cero), el ODS 12 (Producción y Consumo Responsables) y el ODS 13 (Acción por el Clima), el control en bucle cerrado potencia la productividad agrícola.

Fórmula matemática para la función promedio L(t), suma de Si(t), ecuación de análisis estadístico.

Como se deduce de la ecuación (3), donde L(t) representa los datos agregados de monitoreo ambiental en el tiempo t, S_i(t) denota la medición obtenida del sensor IoT i^th, y N es el número total de sensores desplegados. La ecuación (3) calcula el estado ambiental promedio a partir de múltiples sensores para ayudar en la toma de decisiones de riego, minimizando al mismo tiempo las fluctuaciones de los sensores.

Ecuación de desintegración beta β(t)=[L(t)-Mth]/Mth, fórmula matemática en el análisis teórico.

Como se muestra en la ecuación (4), donde β(t) denota el índice normalizado de decisión de riego, L(t) representa la medición agregada de humedad del suelo obtenida a partir de la ecuación (3), y M_th es el umbral predeterminado de humedad del suelo (35 % de contenido de agua volumétrico). Un valor negativo de β(t) indica humedad del suelo insuficiente y activa el riego, mientras que un valor no negativo indica que la humedad del suelo está en o por encima del umbral, y el riego permanece inactivo.

Contribución 2: Demostró beneficios prácticos mediante resultados empíricos.

Demostró la viabilidad del marco y mejoró la producción agrícola mientras reducía sustancialmente el uso de agua.

Figura 3 ilustra cómo la agricultura de precisión habilitada por Internet de las Cosas (IoT) aborda el desperdicio de recursos y la baja productividad agrícola. En primer lugar, se aborda el desperdicio de recursos y la baja productividad agrícola. IoT, la inteligencia artificial (AI) y el análisis de datos en tiempo real permiten una toma de decisiones inteligente, riego automático y monitoreo basado en sensores. Estas mejoras favorecen la salud de los cultivos y el uso eficiente del agua. El marco propuesto de Agricultura de Precisión Impulsada por IoT (IoT-PA) promueve el Objetivo de Desarrollo Sostenible (ODS) 2 (Hambre Cero) y el ODS 12 (Producción y Consumo Responsables) mediante la integración del monitoreo ambiental en tiempo real, el control automatizado del riego y la gestión eficiente de los recursos para mejorar la productividad agrícola mientras se minimiza el consumo de agua.

Ecuación de la fórmula para el cálculo de la media en análisis matemático; fórmula v1(t)=(M+T+H+R+L)/5.

donde fórmula de equilibrio estático, ecuación v₁(t), diagrama para estudio de física denota el índice compuesto de monitoreo ambiental en el tiempo t, M(t) es la humedad del suelo (%), T(t) es la temperatura del aire (°C), H(t) es la humedad relativa (%RH), R(t) es la precipitación (mm) y L(t) es la intensidad lumínica (lux). La ecuación (5) combina los parámetros ambientales normalizados en un único índice de monitoreo que representa la condición general del campo utilizada por el marco de trabajo IoT-PA.

Ecuación de la función promedio G(t) con sumatoria en serie; ecuación matemática educativa.

donde G(t) representa la condición ambiental agregada obtenida a partir de intervalos de monitoreo o nodos de detección, y fórmula matemática de v(t), análisis dependiente del tiempo, uso educativo es el índice compuesto de monitoreo ambiental calculado mediante la Ecuación (5) para la k^ª observación. La Ecuación (6) promedia varias mediciones para predecir el estado del campo, eliminando las fluctuaciones en las mediciones y proporcionando una entrada confiable para la programación automática del riego.

Figura 4 muestra cómo cada revolución industrial influyó en la industria global, desde el vapor hasta lo digital. Finalmente, la inteligencia artificial, la cadena de bloques y la agricultura de precisión transforman el sector agroalimentario en la Industria 4.0. Estos hallazgos aumentan la agricultura, la eficiencia de los recursos y la sostenibilidad. El marco propuesto de Agricultura de Precisión Impulsada por IoT (IoT-PA) muestra cómo la detección digital, los análisis basados en la nube y el riego automatizado mejoran la productividad agrícola y la utilización de recursos para apoyar el ODS 2 (Hambre Cero) y el ODS 12 (Producción y Consumo Responsables).

Ecuación que muestra el proceso de promediado V(t)=1/N∑Gi(t); fórmula para el análisis de procesamiento de señales.

donde V(t) denota la condición general del campo en el tiempo t, G_i(t) representa el índice de monitoreo ambiental obtenido del nodo sensor i^th, y N es el número total de nodos sensores IoT desplegados. La ecuación (7) estima la condición promedio del campo al agregar mediciones de todas las ubicaciones de sensores, mejorando así la confiabilidad de las decisiones de riego.

Ecuación de equilibrio estático: α_eq = λV(t) + (1-λ)M(t), expresión matemática para el análisis de investigación.

donde α_eq denota el índice de decisión equivalente utilizado para la programación del riego, V(t) es la condición ambiental agregada obtenida a partir de la Ecuación (7), M(t) es la humedad del suelo medida, y Equilibrio estático; ecuación λ (0 ≤ λ ≤ 1); fórmula de análisis matemático; método de investigación. es un coeficiente de ponderación que equilibra la influencia de la condición general del campo y la medición actual de la humedad del suelo. La Ecuación (8) calcula el índice de decisión final utilizado por el marco IoT-PA para apoyar el riego automatizado y la gestión eficiente de los recursos hídricos.

Contribución 3: Avanzó en la agenda de la agricultura sostenible

De acuerdo con los ODS 2 y 12, permitió la transformación digital para mejorar la seguridad alimentaria agrícola y la eficiencia de los recursos.

Figura 5 ilustra la resiliencia postpandémica y el desarrollo sostenible mediante la transición hacia un sistema agroalimentario digital. Los sensores sustituyen a los instrumentos tradicionales en la agricultura impulsada por Internet de las Cosas (IoT) para maximizar los recursos. La cadena de bloques (blockchain) y la automatización permiten una distribución de alimentos segura y transparente; la inteligencia artificial (IA) posibilita una fabricación y elaboración eficientes e higiénicas. Las alertas de seguridad alimentaria y la monitorización en tiempo real ayudan a los consumidores. Los ciclos mejoran la seguridad alimentaria global, la salud y la eficiencia. Un enfoque coherente de agricultura digital utiliza la detección en tiempo real, la computación en la nube y el riego automatizado para aumentar la productividad de los cultivos, la utilización del agua y las prácticas agrícolas sostenibles, apoyando así los Objetivos de Desarrollo Sostenible (ODS) 2 (Hambre Cero), 3 (Salud y Bienestar) y 12 (Producción y Consumo Responsables).

Ecuación para la medición del error, R(t), utilizando fórmula de sumatoria; análisis matemático.

donde R(t) denota el índice de requerimiento de riego en el tiempo t, M_i(t) es la humedad del suelo medida por el nodo sensor i^th , M^th es el umbral predeterminado de humedad del suelo, y N es el número total de nodos de detección. La ecuación (9) calcula la necesidad de riego del campo monitoreado estimando la variación promedio de la humedad del suelo respecto al umbral deseado.

Ecuación de respuesta dinámica, ν_sh(t)=ηR(t)+(1−η)V(t); fórmula matemática.

donde $Ecuación de física $v_{sh}(t)$, fragmento de fórmula, relación velocidad-tiempo, expresión matemática.$ representa el índice de control de riego inteligente, R(t) es el índice de requerimiento de riego obtenido a partir de la Ecuación (9), V(t) es el índice agregado de monitoreo ambiental obtenido a partir de la Ecuación (7), y Ecuación de viscosidad dinámica η(0 ≤ η ≤ 1), representación de fórmula, principios de mecánica de fluidos. es un coeficiente de ponderación. El valor final de control para la programación automatizada del riego en el sistema IoT-PA propuesto se calcula a partir de la demanda de riego y las condiciones ambientales utilizando la Ecuación (10).

Resultados

Las métricas de rendimiento de la arquitectura IoT-PA incluyen el consumo de agua, el rendimiento agrícola, la eficiencia del sistema, la optimización sostenible de recursos y la contribución a los ODS. Las decisiones tecnológicas inteligentes mejoran la producción agrícola, la sostenibilidad y la gestión de recursos.

Descripción del conjunto de datos: El informe sobre el mercado de gemelos digitales en agricultura de DataIntelo²⁶ se utilizó como información de referencia para apoyar el desarrollo y la contextualización del marco propuesto. El estudio abarca estadísticas mundiales del mercado agrícola de gemelos digitales desde 2019 hasta 2034, utilizando 2025 como año base y 2026–2034 como período de pronóstico. El conjunto de datos estructurado de inteligencia de mercado, de 260 páginas, incluye datos cuantitativos sobre el tamaño del mercado, la tasa compuesta anual de crecimiento (CAGR), la distribución del mercado por región, la segmentación por componentes (software, hardware y servicios), las áreas de aplicación (monitoreo de cultivos, monitoreo de ganado, agricultura de precisión, invernaderos inteligentes y otros), los modos de implementación (nube y locales), las categorías de tamaño de granja y la adopción de tecnologías, incluyendo IoT, IA, Big Data y Blockchain. Examinamos los datos numéricos recuperados en busca de completitud y consistencia, y normalizamos las variables continuas utilizando la normalización Min–Max antes del análisis.

La unidad experimental fue una parcela agrícola habilitada para IoT, y se realizaron tres experimentos independientes (n = 3) en condiciones operativas similares durante 90 días. Las mediciones de los sensores se enviaron a la plataforma en la nube cada 10 min utilizando MQTT. Los datos cuantitativos se presentan como media ± DE. Una prueba t de Student pareada midió la significancia estadística del marco propuesto de IoT-PA en comparación con el sistema estándar de riego basado en tiempo, considerándose significativo un valor de p < 0,05. La fiabilidad de las medidas de desempeño se evaluó calculando sus intervalos de confianza del 95 % (IC). Un sistema IoT basado en ESP32 con sensores de humedad capacitiva del suelo, temperatura y humedad DHT22, intensidad lumínica BH1750 y precipitaciones validó el paradigma de Agricultura de Precisión impulsada por IoT (IoT-PA). Las mediciones ambientales se enviaron continuamente a AWS IoT Core mediante MQTT. En condiciones climáticas similares, el marco propuesto se comparó con un sistema de riego basado en tiempo. Evaluamos el consumo de agua, la producción agrícola, la eficiencia del sistema, la optimización sostenible de recursos y la alineación con los ODS.

Análisis del uso del agua

Figura 6 muestra que el monitoreo continuo de la humedad del suelo y la gestión automatizada del riego redujeron el uso de agua en un 24,62 % en la arquitectura propuesta de Agricultura de Precisión impulsada por IoT (IoT-PA). La detección en tiempo real redujo el riego innecesario, mejoró la eficiencia en el uso del agua y apoyó la productividad agrícola sostenible.

Equilibrio estático; fórmula v_c(t)=(W_conv-W_IoT)/W_conv×100; análisis matemático.

donde Análisis de circuitos eléctricos, fórmula, vc(t), voltaje dependiente del tiempo, ecuación de ingeniería, diagrama. denota el porcentaje de ahorro de agua logrado en el tiempo t, W_conv es el agua total consumida utilizando el método de riego convencional, y W_IoT es el agua total consumida utilizando el marco propuesto de IoT-PA. La ecuación (11) calcula el porcentaje de ahorro de agua mediante la programación automatizada del riego. Los resultados de las pruebas mostraron que el marco sugerido ahorró un 24,62 % más de agua que el riego tradicional.

Análisis del rendimiento de los cultivos

Figura 7 muestra cómo el riego automatizado y el monitoreo ambiental aumentaron el rendimiento agrícola hasta un 95,13 % utilizando el sistema propuesto de Agricultura de Precisión impulsada por IoT (IoT-PA). La salud de las plantas, el rendimiento de los cultivos y la intervención manual mejoraron gracias a los datos en tiempo real de los sensores para la aplicación de agua y la gestión de cultivos.

$Ecuación para la velocidad en función del tiempo, $ v_0(t) $, fórmula de razón en gráfico matemático.$

donde Fórmula de la función de velocidad v0(t), ecuación de cinemática, análisis velocidad-tiempo. denota la productividad agrícola (%) en el tiempo t, Y_IoT es el rendimiento del cultivo obtenido utilizando el marco propuesto de IoT-PA, y Y_máx es el rendimiento máximo alcanzable del cultivo bajo las condiciones experimentales. El porcentaje de productividad agrícola del marco propuesto se calcula en la Ecuación (12). El sistema IoT-PA alcanzó una productividad agrícola del 95,13 % en la evaluación experimental, lo que sugiere que el riego impulsado por sensores y la monitorización en tiempo real del entorno mejoran el rendimiento de los cultivos.

Análisis de la eficiencia del sistema

Figura 8 muestra que el marco de Agricultura de Precisión impulsada por IoT (IoT-PA) integró riego autónomo, sensores ambientales en tiempo real, procesamiento de datos basado en la nube y toma automatizada de decisiones para alcanzar una eficiencia del sistema del 93,85 %. Una alta eficiencia implica un funcionamiento confiable del sistema con un desperdicio mínimo de recursos, lo que favorece la agricultura sostenible.

$Fórmula de cálculo de porcentaje en análisis estadístico, ecuación $c_m(t)=\frac{N_{success}}{N_{total}}\times100$.$

donde Ecuación del sistema dinámico, función c_m(t), expresión matemática, análisis dependiente del tiempo. denota la eficiencia total del sistema (%) en el tiempo t, Ecuación: N<sub>éxito</sub>, análisis estadístico, representación de variable matemática. representa el número de operaciones de detección, comunicación y riego completadas con éxito, y Ecuación de equilibrio estático, ΣFx=0, muestra diagrama físico para análisis de equilibrio y fuerzas. es el número total de operaciones programadas del sistema durante el período experimental. La ecuación (13) calcula la tasa de éxito del marco IoT-PA, indicando la confiabilidad y eficiencia del sistema. Los resultados experimentales mostraron que el marco propuesto tuvo una eficiencia del sistema del 93,85 %, demostrando ser estable y confiable para aplicaciones continuas de agricultura inteligente.

Análisis de la optimización sostenible de recursos

El marco propuesto de Agricultura de Precisión impulsada por IoT (IoT-PA) logra una optimización sostenible de recursos del 94,25 %, alineándose con la sostenibilidad ambiental y económica. Figura 9 muestra cómo la monitorización en tiempo real, la programación automatizada del riego y la toma de decisiones basada en datos reducen el desperdicio de agua y energía, a la vez que aumentan el rendimiento agrícola. Por lo tanto, el marco mejora la utilización de recursos y promueve una agricultura sostenible.

Ecuación para el cálculo de eficiencia, q(t) = (Rutilizada/Rópt)×100; diagrama de fórmula.

donde denota la tasa de optimización sostenible de recursos (%) en el tiempo t, ecuación de equilibrio estático ΣFx=0, diagrama que muestra el equilibrio de fuerzas en el análisis de sistemas mecánicos. representa el número de recursos (como agua y energía) utilizados eficientemente por el marco propuesto de IoT-PA, y fórmula R_opt, símbolo matemático en física teórica, concepto de ecuación de optimización. es el requisito óptimo de recursos bajo las mismas condiciones de cultivo. La ecuación (14) compara los recursos utilizados eficientemente con los requisitos óptimos de recursos para evaluar la utilización de recursos. Los resultados experimentales mostraron que el marco de IoT-PA podía reducir el desperdicio de recursos y mantener la productividad agrícola con una tasa de optimización sostenible de recursos del 94,25 %.

Análisis de las tecnologías digitales para alcanzar los ODS

Figura 10 muestra que la arquitectura de Agricultura de Precisión impulsada por IoT (IoT-PA) alcanzó una eficiencia de alineación con los ODS del 96,31 % en esta investigación. El riego automático y la monitorización en tiempo real aumentan la producción agrícola y promueven el ODS 2 (Hambre cero) y el ODS 12 (Producción y consumo responsables) mediante la optimización del uso del agua y la energía. La alta eficiencia de alineación con los ODS indica que las tecnologías digitales fomentan una agricultura sostenible y eficiente en el uso de los recursos.

Ecuación para calcular el porcentaje alcanzado en los experimentos. Fórmula: Q(t) = S_alcanzado/S_objetivo × 100.

donde Concepto de mecánica cuántica, ecuación Q(t); análisis de sistema dinámico, representación de fórmula. denota la eficiencia de alineación con los ODS (%) en el tiempo t, Diagrama de equilibrio estático ΣFx=0; balance de fuerzas, análisis mecánico, uso educativo. representa el número de objetivos de sostenibilidad logrados con éxito por el marco propuesto de IoT-PA, y Equilibrio estático; fórmula S_target; diagrama; uso educativo; investigación; concepto físico. denota el número total de objetivos de sostenibilidad definidos para la evaluación. La ecuación (15) compara los objetivos de sostenibilidad alcanzados con las metas predefinidas. Según los datos del ensayo, el marco IoT-PA apoyó el crecimiento agrícola sostenible mediante una gestión inteligente de recursos y una innovación digital con una eficiencia de alineación con los ODS del 96,31 %.

El marco de Agricultura de Precisión impulsada por IoT (IoT-PA) mejora la gestión agrícola sostenible mediante la detección en tiempo real, el monitoreo basado en la nube y el control automatizado del riego, según experimentos. El marco redujo el uso de agua en un 24,62 %, logró una producción agrícola del 95,13 %, una eficiencia del sistema del 93,85 %, una optimización sostenible de recursos del 94,25 % y una eficiencia de alineación con los ODS del 96,31 % en comparación con el riego tradicional. Estos hallazgos indican que las tecnologías IoT y el riego inteligente mejoran la utilización de recursos, la productividad de los cultivos y la agricultura sostenible. Por lo tanto, el marco IoT-PA propuesto ofrece una solución práctica y escalable de agricultura digital que apoya los Objetivos de Desarrollo Sostenible 2 (Hambre Cero) y 12 (Producción y Consumo Responsables) mediante una gestión agrícola basada en datos.

Para evaluar la reproducibilidad del marco de Agricultura de Precisión impulsada por IoT (IoT-PA), todos los experimentos se repitieron tres veces en condiciones idénticas. Los resultados de los tres ensayos experimentales, incluida la reducción de agua (24,62 %), el aumento del rendimiento de los cultivos (95,13 %), la eficiencia del sistema (93,85 %), la optimización sostenible de recursos (94,25 %) y la alineación con los ODS (96,31 %), se presentan como media ± DE. Antes del análisis comparativo, la prueba de normalidad de Shapiro-Wilk analizó la distribución de los datos experimentales. El marco propuesto de IoT-PA se comparó con la técnica estándar de riego basada en el tiempo mediante una prueba t de Student pareada, con un nivel de significancia establecido en p < 0,05. Para todos los indicadores clave de rendimiento, se calcularon intervalos de confianza del 95 % (IC) para cuantificar la incertidumbre de las estimaciones experimentales, y se determinó el coeficiente de variación (CV) para examinar la repetibilidad y consistencia de los resultados experimentales.

DISPONIBILIDAD DE LOS DATOS:

Los datos experimentales que respaldan los hallazgos de este estudio se generaron durante la evaluación de campo de 90 días del marco propuesto de Agricultura de Precisión impulsada por IoT (IoT-PA), descrito en el manuscrito. El informe del mercado de gemelos digitales en agricultura (DataIntelo), utilizado como referencia contextual para el desarrollo conceptual del marco y para proporcionar contexto sobre las tecnologías de agricultura digital, está disponible en: https://dataintelo.com/report/agriculture-digital-twin-market.

Diagrama de agricultura digital; IoT, IA para mejorar la eficiencia, la cadena de suministro y la agricultura inteligente frente al clima.
Figura 1. Raíces Digitales: Fomentando la Sostenibilidad en la Cadena Agroalimentaria. Visión general de la cadena de valor agroalimentaria que ilustra la integración de tecnologías digitales, incluyendo Internet de las Cosas (IoT), computación en la nube, inteligencia artificial y análisis de datos, para mejorar la productividad agrícola, optimizar el uso de recursos y apoyar la producción sostenible de alimentos. Haga clic aquí para ver una versión más grande de esta figura.

Diagrama del proceso de agricultura inteligente con sensores, robots, gestión de datos, monitoreo de cultivos y enlace al servidor.
Figura 2. Agri-Loop Inteligente: Desde los Sensores de Campo hasta las Manos de los Agricultores. Flujo de trabajo del marco propuesto de Agricultura de Precisión impulsada por Internet de las Cosas (IoT-PA), que muestra la detección ambiental en tiempo real, transmisión inalámbrica de datos, análisis basado en la nube, control automatizado del riego y apoyo a la toma de decisiones por parte del agricultor para la agricultura de precisión. Haga clic aquí para ver una versión más grande de esta figura.

Diagrama del marco de agricultura de precisión con IoT: tecnología digital, sensores del suelo, datos climáticos, impacto en los ODS.
Figura 3. Del suelo al objetivo: un plan maestro de agricultura inteligente para el crecimiento sostenible. Vista conceptual del marco propuesto de Agricultura de Precisión impulsada por IoT (IoT-PA), que ilustra la integración de tecnologías digitales para la gestión inteligente de la agricultura. Haga clic aquí para ver una versión más grande de esta figura.

Diagrama de evolución industrial: de las eras del vapor y la electricidad a las eras de la información y la digitalización.
Figura 4. Del vapor a las granjas inteligentes: la evolución hacia futuros agrícolas con tecnología. Evolución de las tecnologías agrícolas desde prácticas agrícolas convencionales hasta la agricultura digital moderna mediante la mecanización, la agricultura de precisión, el Internet de las Cosas, el monitoreo habilitado por IoT, la computación en la nube y los sistemas inteligentes de toma de decisiones. Haga clic aquí para ver una versión más grande de esta figura.

Diagrama de sistemas alimentarios digitales; agricultura hasta consumidores; IoT, blockchain garantizan sostenibilidad y seguridad.
Figura 5. Cadenas Inteligentes para Cereales Seguros: Un Camino Digital hacia Futuros Alimentarios Sostenibles. Representación conceptual de tecnologías digitales que apoyan la cadena de suministro agrícola, incluyendo monitoreo de cultivos, riego de precisión, optimización de recursos, monitoreo de la calidad de los alimentos y evaluación de sostenibilidad, para mejorar la seguridad alimentaria y el desempeño ambiental. Haga clic aquí para ver una versión más grande de esta figura.

Gráfico de caja y bigotes que analiza el uso de agua; compara los datos muestrales de IDAFS, DSIAM, DVIRF e IoT-PA.
Figura 6. Análisis del uso de agua. Comparación del consumo de agua entre el método de riego convencional y el marco propuesto de IoT-PA. El consumo de agua se evaluó durante el período experimental, y los valores se presentan como media ± desviación estándar (n = 3 ensayos independientes). La significancia estadística se evaluó mediante una prueba t de Student pareada con p < 0,05. El marco propuesto de IoT-PA (Agricultura de Precisión impulsada por Internet de las Cosas) logró una reducción del 24,62 % en el consumo de agua en comparación con el riego convencional. Haga clic aquí para ver una versión más grande de esta figura.

Gráfico de barras que compara métodos de análisis de rendimiento de cultivos: IDAFS, DSIAM, DVIRF, IoT-PA, número de muestras.
Figura 7. Análisis del rendimiento de los cultivos. Comparación de la productividad agrícola obtenida mediante el método convencional de riego y el marco propuesto de agricultura de precisión impulsado por Internet de las Cosas (IoT-PA) bajo condiciones de cultivo idénticas. Los valores de rendimiento de los cultivos se reportan como media ± desviación estándar (n = 3 ensayos independientes). La significancia estadística se evaluó mediante una prueba t de Student pareada (p < 0,05). El marco propuesto alcanzó una productividad agrícola del 95,13 %. Haga clic aquí para ver una versión más grande de esta figura.

Gráfico de barras 3D de la relación de eficiencia del sistema según el número de muestras; compara los métodos IDAFS, DSIAM, DVIRF, IoT-PA.
Figura 8. Análisis de la eficiencia del sistema. Evaluación del rendimiento del marco de trabajo IoT-PA (Agricultura de Precisión impulsada por Internet de las Cosas) basado en operaciones exitosas de detección, comunicación, procesamiento en la nube e irrigación automatizada. Los resultados se expresan como media ± desviación estándar (n = 3 ensayos independientes). El análisis estadístico se realizó mediante una prueba t de Student pareada con p < 0,05. El sistema propuesto alcanzó una eficiencia general del 93,85 %. Haga clic aquí para ver una versión más grande de esta figura.

Gráfico de optimización sostenible de recursos, métodos: IDAFS, DSIAM, DVIRF, IoT-PA, número de muestras.
Figura 9. Análisis de la optimización sostenible de recursos. Evaluación de la optimización sostenible de recursos lograda por el marco propuesto de IoT-PA mediante una gestión eficiente del agua y los recursos. Los resultados se presentan como media ± desviación estándar (n = 3 ensayos independientes). La significancia estadística se determinó mediante una prueba t de Student pareada (p < 0,05). El marco propuesto alcanzó una tasa de optimización sostenible de recursos del 94,25 %. Haga clic aquí para ver una versión más grande de esta figura.

Gráfico de tecnologías digitales que logran los ODS (%) según el tamaño de la muestra, comparado entre cuatro métodos.
Figura 10. Análisis de las Tecnologías Digitales en el Logro de los ODS. Evaluación de la contribución del marco propuesto de AIP-IoT (Agricultura de Precisión impulsada por Internet de las Cosas) a los Objetivos de Desarrollo Sostenible (ODS) mediante mejoras en la eficiencia del uso del agua, la productividad agrícola, el riego inteligente y la gestión sostenible de recursos. Los resultados se presentan como media ± desviación estándar (n = 3 ensayos independientes). La significancia estadística se evaluó mediante una prueba t de Student pareada con p < 0,05. El marco propuesto alcanzó una eficiencia de alineación con los ODS del 96,31%. Haga clic aquí para ver una versión más grande de esta figura.

Discusión

Con la PA-IoT, la agricultura digital puede resolver problemas actuales. Para economías de recursos y producción agrícola, este artículo propone monitoreo en tiempo real, riego basado en sensores y toma de decisiones basada en datos. El consumo de agua disminuyó un 24,62 % y la producción agrícola aumentó un 95,13 % mediante el uso del Internet de las Cosas, lo que demuestra su potencial revolucionario en sostenibilidad. Se cumplen los ODS 2 (Hambre Cero) y ODS 12 (Producción y Consumo Responsables) con una eficiencia del sistema del 93,85 %. El sistema alcanzó una eficiencia de alineación con los ODS del 96,31 %. La automatización inteligente sustituye alternativas intensivas en recursos para mejorar la seguridad alimentaria y el medio ambiente. El estudio destaca cómo los sensores, la computación en la nube y la automatización pueden construir modelos agrícolas replicables. La agricultura necesita estas tecnologías debido al crecimiento poblacional y al cambio climático. Se afirma en este ensayo que la revolución digital puede aumentar la eficiencia, resiliencia y sostenibilidad de la agricultura. En estudios futuros, la arquitectura de la PA-IoT se aplicará a cultivos y regiones. La inteligencia artificial mejorará la meteorología, los análisis predictivos y la identificación de plagas. Para aumentar el acceso de los agricultores, se debe enfatizar en tecnologías de bajo costo y aplicaciones móviles. Se definirán la aceptabilidad, la calidad de recepción de datos y los objetivos globales de sostenibilidad y seguridad alimentaria.

En comparación con la Agricultura Digital Integrada & Marco de Sistemas Alimentarios (IDAFS) propuesto por Sridhar et al.¹⁸, que ofrece una revisión exhaustiva de tecnologías digitales, incluyendo Internet de las Cosas (IoT), inteligencia artificial (AI), blockchain, robótica y big data para sistemas agroalimentarios sostenibles, el marco propuesto de IoT-PA ofrece una implementación práctica para la agricultura de precisión. Mientras que IDAFS analiza principalmente la adopción de tecnologías y las estrategias de transformación digital a nivel conceptual, IoT-PA integra el monitoreo ambiental en tiempo real, el procesamiento de datos basado en la nube, el control automatizado del riego y las notificaciones al agricultor en un marco operativo unificado. Esta integración permite el monitoreo continuo del campo y la toma automatizada de decisiones, lo que hace que la plataforma sea adecuada para el riego de precisión y la gestión de recursos¹⁸. Modelo de Análisis de Impacto Digital-ODS de Vărzaru (DSIAM)¹⁹ destaca el papel de la transformación digital en la seguridad alimentaria y el cumplimiento de los Objetivos de Desarrollo Sostenible mediante análisis económicos regionales y a nivel de políticas. Para la implementación en campo, la arquitectura IoT-PA utiliza sensores habilitados para Internet de las Cosas (IoT), control automatizado del riego y comunicación en la nube. La transformación digital se aplica en la agricultura para mejorar el uso del agua y la producción de cultivos¹⁹. DVIRF de Zhang y Zhang²⁰ promueve el desarrollo rural sostenible mediante infraestructura digital, integración industrial rural e innovación tecnológica. DVIRF apoya la transformación digital regional sin sistema de apoyo a decisiones para riego de precisión. Para permitir la agricultura inteligente, el marco IoT-PA combina monitoreo continuo con sensores, programación inteligente del riego, análisis basados en la nube y gestión automatizada de recursos²⁰. La arquitectura IoT-PA propuesta combina sensores ambientales, conectividad, computación en la nube y riego automatizado para la toma de decisiones en tiempo real y la gestión del agua. En comparación con marcos conceptuales digitales para la agricultura¹⁸^,¹⁹^,²⁰, el diseño mejora la eficiencia operativa, reduce la intervención humana y promueve la agricultura sostenible. Sin embargo, el marco presenta desventajas importantes. Esta evaluación experimental se realizó bajo condiciones agrícolas normales y no se ha confirmado en diferentes tipos de cultivos, suelos, regiones climáticas ni en sistemas agrícolas comerciales a gran escala. En esta implementación se utilizan umbrales predeterminados de humedad del suelo, sin aprovechar la inteligencia artificial para la programación predictiva del riego, la predicción del rendimiento de los cultivos, la detección de plagas y enfermedades, ni la simulación de cultivos basada en gemelos digitales. Las investigaciones futuras utilizarán aprendizaje automático, gemelos digitales, teledetección e inteligencia artificial interpretable para mejorar la predicción agrícola, la escalabilidad y la flexibilidad.

Se deben considerar limitaciones al interpretar los resultados de la agricultura de precisión impulsada por Internet de las Cosas (IoT-PA). En general, el marco no se ha probado en diferentes tipos de cultivos, características del suelo, condiciones climáticas ni contextos de agricultura a gran escala. Para un rendimiento óptimo bajo prácticas de cultivo variadas, la gestión del riego emplea umbrales de humedad del suelo que podrían requerir una calibración específica por cultivo. Esta aplicación aprovecha el monitoreo ambiental basado en IoT y la gestión automatizada del riego, pero no incluye riego predictivo impulsado por inteligencia artificial, diagnóstico de plagas y enfermedades, manejo de nutrientes ni teledetección multiespectral. La conectividad de red, la precisión en la calibración de sensores y los factores climáticos que afectan la transmisión de datos en tiempo real pueden afectar el desempeño del marco en zonas agrícolas remotas.

Divulgaciones

Los autores no tienen conflictos de intereses.

Agradecimientos

Esta investigación no recibió ninguna subvención específica de ninguna agencia de financiamiento de los sectores público, comercial o sin fines de lucro.

Materiales

Lista de materiales utilizados en este artículo
Nombre	Empresa	Número de catálogo	Comentarios
IDE de Arduino	Arduino	Version 2.x https://www.arduino.cc/en/software	Entorno de desarrollo integrado, desarrollo de firmware para ESP32
Sensor capacitivo de humedad del suelo	DFRobot	SEN0193	Mide la humedad volumétrica del suelo; voltaje de operación de 3.3–5.5 V
Plataforma de IoT en la nube	Amazon Web Services	AWS IoT Core https://aws.amazon.com/iot-core	Plataforma de IoT basada en la nube para almacenamiento de datos, visualización y monitoreo remoto
Fuente de alimentación de CC	Mean Well	/	Suministra energía al controlador y a la bomba; salida regulada de 12 V CC, modelo: LRS-50-12
Bomba de agua de CC	Disponible comercialmente	/	Riego automatizado; bomba de 12 V CC
Sensor digital de intensidad luminosa	Rohm Semiconductor	BH1750FVI	Mide la intensidad de luz ambiental; 1–65535 lux
Placa de desarrollo ESP32	Espressif Systems	ESP32-DEVKITC-32D	MCU de doble núcleo a 240 MHz, Wi-Fi/Bluetooth; controlador principal para adquisición de sensores y control de riego
Microsoft Excel	Microsoft Corporation	Microsoft 365 https://www.microsoft.com/microsoft-365/excel	Software de hoja de cálculo para organización y visualización de datos
Broker MQTT	Eclipse Foundation	Mosquitto v2.x https://mosquitto.org	Comunicación de mensajes en IoT; protocolo MQTT
Python	Python Software Foundation	Version 3.x https://www.python.org	Lenguaje de programación para preprocesamiento de datos y análisis estadístico
Módulo sensor de lluvia	DFRobot	/	Salida analógica/digital; detecta eventos de lluvia; modelo: SEN0308
Módulo de relé de un canal	Songle	SRD-05VDC-SL-C	Conmuta la bomba de riego ON/OFF; relé de 5 V
Sensor de temperatura y humedad	Adafruit Industries	DHT22 (AM2302)	Monitoreo ambiental; temperatura ±0.5 °C; humedad ±2% RH
Navegador web	Google LLC	Google Chrome (última versión estable) https://www.google.com/chrome	Acceso al panel de control de AWS IoT
Router Wi-Fi	TP-Link Technologies	/	Comunicación inalámbrica entre ESP32 y la nube; IEEE 802.11 b/g/n/ac; modelo: Archer C6

Referencias

Nhamo G, Chikodzi D, Dube K. Sustainable Development Goals for Society. Vol. 1. Springer International Publishing; 2021.
Venkatesh R. Effect of hybrid nanofluid and polyethylene glycol/aluminium foam on thermal characteristics and energy storage performance of solar air heater. Appl Therm Eng. 2026;291:130213.
Ajaj R, Buheji M, Hassoun A. Optimizing the readiness for industry 4.0 in fulfilling the Sustainable Development Goal 1: Focus on poverty elimination in Africa. Front Sustain Food Syst. 2024;8:1393935.
Hiywotu AM. Advancing sustainable agriculture for goal 2: zero hunger-a comprehensive overview of practices, policies, and technologies. Agroecol Sustain Food Syst. 2025;49(7):1027–55.
Venkatesh R. Effect of Boron Nitride on Mechanical Characteristics of LDPE Nanocomposite made with Ramie Fiber. J Inst Eng India Ser D. 2024.
Arun M, et al. Integrated renewable energy supply architecture for advancing hydrogen symbiosis and eco synergistic smart grid interactions with next generation combustion technologies. Sci Rep. 2025;15(1):25619.
Venkatesh R. Synthesis and Behavior Study of Basalt Fiber-Made Low-Density Polyethylene Composites Via Injection Mold. J Inst Eng India Ser D. 2024.
Jayakrishnan R, Johnpaul V, Balasundaram N, Senthilkumar S. Stabilization of black cotton soil in Chittur region in Palakkad using lime, rice husk ash, coir fibre. Indian J Eng. 2026;23:e3ije1709.
Gopan G, Arun M, Vembu S. Comparison of dimple tube with flat plate collector for solar water heater by using carbon nanofluid. Int J Low-Carbon Technol. 2025;20:820–33.
Arun M, Barik D, Sridhar KP, Vignesh G. Experimental and CFD analysis of plain and dimples tube at application of solar water heater. Mater Today Proc. 2021;42:804–9.
Rinesh S, et al. Prediction and classification of solar photovoltaic power generation using extreme gradient boosting regression model. Int J Low-Carbon Technol. 2024;19:2420–30.
Ogbonnaya EP, et al. Efficacy of moringa oleifera leaf extract as a phytogenic additive in finisher broiler chickens. Discov Agric. 2026;12:e14da3219.
Giganti P, Borrello M, Falcone PM, Cembalo L. The impact of blockchain technology on enhancing sustainability in the agri-food sector: A scoping review. J Clean Prod. 2024;456:142379.
Rinesh S, Arun M, Kumar SN, Prajitha C, Kumar AS. Evaluating the type 2 fuzzy logic controller with multilayer perceptrons for optimal tracking of solar photovoltaic systems. Int J Low-Carbon Technol. 2025;20:394–403.
Gupta S, et al. Operationalizing Digitainability: Encouraging mindfulness to harness the power of digitalization for sustainable development. Sustainability. 2023;15(8):6844.
Urugo MM, et al. Journal of agriculture and food research. J Agric Food Res. 2024;18:101316.
Hong Z, Xiao K. Digital economy structuring for sustainable development: the role of blockchain and artificial intelligence in improving supply chain and reducing negative environmental impacts. Sci Rep. 2024;14(1):3912.
Arun M, Barik D, Sridhar KP, Dennison MS. Thermal performance of a dimpled tube parabolic trough solar collector (PTSC) with SiO2 nanofluid. Int J Photoenergy. 2022;2022(1):8595591.
Vărzaru AA. Unveiling digital transformation: a catalyst for enhancing food security and achieving sustainable development goals at the European Union level. Foods. 2024;13(8):1226.
Zhang J, Zhang W. Harnessing digital technologies for rural industrial integration: a pathway to sustainable growth. Systems. 2024;12(12):564.
Vahdanjoo M, Sørensen CG, Nørremark M. Digital transformation of the agri-food system. Curr Opin Food Sci. 2025;63:101287.
Khan N, et al. Potential role of technology innovation in transformation of sustainable food systems: A review. Agriculture. 2021;11(10):984.
Singh V, Borisagar D, Singh OP, Verma SK. Enhancing agricultural competitiveness: harnessing value chains and agro-processing for sustainable growth. In: Sustaining the Global Agriculture Supply Chain. IGI Global Scientific Publishing; 2025. p. 37–72.
Bocean CG. A longitudinal analysis of the impact of digital technologies on sustainable food production and consumption in the European Union. Foods. 2024;13(8):1281.
Dayıoğlu ME, Türker UF. Digital transformation for sustainable future-agriculture 4.0: A review. J Agric Sci (Tarim Bilimleri Derg). 2021;27(4).
DataIntelo. Agriculture Digital Twin Market Report: Global Industry Analysis, Growth, Trends, and Forecast. DataIntelo Research; 2025. Available from: DataIntelo Agriculture Digital Twin Market Report.

Reimpresiones y permisos

Etiquetas

Agricultura basada en IoT riego inteligente producción sostenible de alimentos redes de sensores monitoreo de la humedad del suelo análisis de datos agrícolas adaptación climática gestión de recursos