Aprendizaje automático en agricultura del Cacao: Una revisión sistemática de la literatura
DOI:
https://doi.org/10.55873/8mg1dw29Palabras clave:
agricultura inteligente, clasificación de cultivos, detección de enfermedades, predicción del rendimiento, visión por computadoraResumen
La inteligencia artificial ha adquirido una creciente importancia en diferentes sectores, incluida la agricultura, donde el aprendizaje automático ofrece nuevas posibilidades para optimizar los procesos productivos. En este contexto, el presente estudio analiza la aplicación del machine learning en la agricultura del cacao mediante una revisión sistemática de la literatura científica publicada entre 2020 y 2024. La estrategia de búsqueda consideró las bases y fuentes IEEE Xplore, Springer Link, Scopus, Google Scholar, ACM Digital Library y Semantic Scholar, identificándose inicialmente 10 320 documentos. Tras el proceso de selección, se obtuvieron 66 artículos relevantes para el análisis. Los estudios revisados evidencian que el aprendizaje automático se aplica principalmente en la detección temprana de enfermedades del cacao, la predicción de la productividad de las cosechas y la evaluación y mejora de la calidad del grano. Entre las técnicas más utilizadas destacan las redes neuronales, las máquinas de soporte vectorial (SVM) y los algoritmos de bosque aleatorio, debido a su capacidad para procesar grandes volúmenes de datos. Asimismo, estas técnicas permiten analizar factores relacionados con las condiciones climáticas, características del suelo y presencia de plagas, contribuyendo a mejorar la toma de decisiones y optimizar la producción del cacao.
Descargas
Referencias
Araújo, M. S., Chaves, S. F. S., Guimarães, M. H. D., Dias, L. A. S., & Aguilar, M. A. G. (2024). Multi-trait selection for nutritional and physiological quality of cacao genotypes in irrigated and non-irrigated environments. Scientific Reports, 14(1), 6368. https://doi.org/10.1038/s41598-024-56556-7
Ayikpa, K. J., Gouton, P., Mamadou, D., & Ballo, A. B. (2024). Classification of cocoa beans by analyzing spectral measurements using machine learning and genetic algorithm. Journal of Imaging, 10(1). https://doi.org/10.3390/jimaging10010019
Caicedo-Vargas, C., Pérez-Neira, D., Abad-González, J., & Gallar, D. (2023). Agroecology as a means to improve energy metabolism and economic management in smallholder cocoa farmers in the Ecuadorian Amazon. Sustainable Production and Consumption, 41, 201–212. https://doi.org/10.1016/j.spc.2023.08.005
Cilas, C., & Bastide, P. (2020). Challenges to cocoa production in the face of climate change and the spread of pests and diseases. Agronomy, 10(9), 1232. https://doi.org/10.3390/agronomy10091232
Cock, J., Jiménez, D., Dorado, H., & Oberthür, T. (2023). Operations research and machine learning to manage risk and optimize production practices in agriculture: Good and bad experience. Current Opinion in Environmental Sustainability, 62, 101278. https://doi.org/10.1016/j.cosust.2023.101278
Khade, S., Malaye, V., Mhase, S., Shitole, A., & Shirsath, S. (2022). Crop yield prediction using machine learning. International Journal for Science Technology and Engineering, 10(5), 5308–5313. https://doi.org/10.22214/ijraset.2022.43191
Lamos-Díaz, H., Puentes-Garzón, D. E., & Zarate-Caicedo, D. A. (2020). Comparison between machine learning models for yield forecast in cocoa crops in Santander, Colombia. Revista Facultad de Ingeniería, 29(54), e10853. https://doi.org/10.19053/01211129.v29.n54.2020.10853
Lawal, J. O., & Omonona, B. T. (2014). The effects of rainfall and other weather parameters on cocoa production in Nigeria. 5(4), 518–523. https://doi.org/10.14295/CS.V5I4.365
Mamadou, D., Ayikpa, K. J., Ballo, A. B., & Kouassi, B. M. (2023). Cocoa pods diseases detection by MobileNet confluence and classification algorithms. International Journal of Advanced Computer Science and Applications, 14(9), 344–352. https://doi.org/10.14569/IJACSA.2023.0140937
Shaji, D., & Bharadwaj, A. (2024). Improving farm yield through agent based modeling. International Journal for Multidisciplinary Research, 6(2). https://doi.org/10.36948/ijfmr.2024.v06i02.16664
Wiah, E. N. (2017). Impact of climate change on cocoa yield in Ghana using vector autoregressive model. 1(2), 32–39.
Descargas
Publicado
Número
Sección
Licencia
Derechos de autor 2026 Elias Terrazas-Huaman , Anthony Nelson Aliaga-Carbajal, Danger David Castellón-Apaza
Esta obra está bajo una licencia internacional Creative Commons Atribución 4.0.
