Uso potencial de la inteligencia artificial en la actividad agrícola en el contexto de regiones semiáridas como la Caatinga
DOI:
https://doi.org/10.20435/vol30iss76.4932Palabras clave:
agricultura 5.0, toma de decisiones, eficiencia productiva, agricultura inteligenteResumen
Este manuscrito tiene como objetivo analizar el uso potencial de la inteligencia artificial en la actividad agrícola en el contexto de regiones semiáridas como la Caatinga. Desde el punto de vista de los aspectos metodológicos, la investigación se clasifica como descriptiva, ya que esta investigación tiene en cuenta el estudio de la exploración del conocimiento del tema abordado. Los resultados de la aplicación de los métodos de IA en la actividad agrícola incluyen la detección precoz de plagas y enfermedades patógenas, la exploración de cultivos, la vigilancia de los límites de las explotaciones, el análisis de las estructuras de irrigación y la vigilancia de rebaños, con dispositivos integrados en el sistema de producción agrícola. Los resultados también muestran que las prácticas agrícolas se han modificado con el desarrollo de tecnologías inteligentes capaces de impulsar la producción de alimentos y las iniciativas de sostenibilidad.
Citas
AHMAD, U.; NASIRAHMADI, A.; HENSEL, O.; MARINO, S. Technology and Data Fusion Methods to Enhance Site-Specific Crop Monitoring. Agronomy, [S. l.], v. 12, n. 3, p. 555, 2022.
ALWIS, S.; HOU, Z.; ZHANG, Y.; NA, M. H.; OFOGHI, B.; SAJJANHAR, A. A survey on smart farming data, applications and techniques. Computers in Industry, v. 138, n. 1, p. 103624, 2022.
ALZOUBI, I.; ALMALIKI, S.; MIRZAEI, F. Prediction of environmental indicators in land leveling using artificial intelligence techniques. Chemical and Biological Technologies in Agriculture, Cham, v. 6, n. 1, p. 4, 2019.
ATWELL, M. A.; WUDDIVIRA, M. N. Soil organic carbon characterization in a tropical ecosystem under different land uses using proximal soil sensing technique. Archives of Agronomy and Soil Science, [S. l.], v. 68, n. 3, p. 297-310, 2022.
BILALI, A.; TALEB, A. Prediction of irrigation water quality parameters using machine learning models in a semi-arid environment. Journal of the Saudi Society of Agricultural Sciences, [S. l.], v. 19, n. 7, p. 439-451, 2020.
BUGHIN, J. et al. Notes from the AI frontier: Modeling the global economic impact of AI. McKinsey Global Institute, New York, p. 1-64, 2018.
COELHO JUNIOR, L. M.; MEDEIROS, M. G.; NUNES, A. M. M.; MACIEIRA, M. L. L.; FONSECA, M. B. Avaliação do uso do solo e dos recursos florestais no semiárido do estado da Paraíba. Ciência Florestal, Santa Maria, v. 30, n. 1, p. 72, 2020.
DEFRA. The Future Farming and Environment Evidence Compendium. London: UK Government Statistical Service, 2018.
FREEMAN, C.; PEREZ, C. Structural crises of adjustment: business cycles and investment behaviour. Technical change and economic theory, London, 1989.
GRANATA, F. Evapotranspiration evaluation models based on machine learning algorithms—A comparative study. Agricultural Water Management, Amsterdam, v. 217, p. 303–315, 2019. DOI: https://doi.org/10.1016/j.agwat.2019.03.015.
GRIEVE, B. D.; DUCKETT, T.; COLLISON, M.; BOYD, L.; WEST, J.; YIN, H.; ARVIN, F.; PEARSON, S. The challenges posed by global broadacre crops in delivering smart agri-robotic solutions: A fundamental rethink is required. Global Food Security, New York, v. 23, p. 116-124, 2019.
LIBERATI, A. et al. The PRISMA statement for reporting systematic reviews and meta-analyses of studies that evaluate healthcare interventions: explanation and elaboration. Bmj, v. 339, 2009.
PIVOTO, D.; WAQUIL, P. D.; WAQUIL, E.; WAQUIL, C. P. S.; CORTE, V. F. D.; MORES, G. V. Scientific development of smart farming technologies and their application in Brazil. Information Processing in Agriculture, [S. l.], v. 5, n. 1, p. 21-32, 2018.
SALEHNIA, N.; SALEHNIA, N.; ANSARI, H.; KOLSOUMI, S.; BANNAYAN, M. Climate data clustering effects on arid and semi-arid rainfed wheat yield: a comparison of artificial intelligence and K-means approaches. International Journal of Biometeorology, London, v. 63, n. 7, p. 1-9, 2019.
SILVEIRA, F.; LERMEN, F. H.; AMARAL, F. G. An overview of agriculture 4.0 development: systematic review of descriptions, technologies, barriers, advantages, and disadvantages. Computers and Electronics in Agriculture, [S. l.], v. 189, p. 106405, oct. 2021.
UNITED NATIONS. World Population Prospects 2019: Highlights. New York: United Nations 2019.
VROCHIDOU, E.; OUSTADAKIS, D.; KEFALAS, A.; PAPAKOSTAS, G. A. Computer vision in self-steering tractors. Machines, [S. l.], v. 10, n. 2, p. 129, 2022.
XIMENES, L. J. F. BNB Setorial. Fortaleza: Banco do Nordeste do Brasil, 2018.
Descargas
Publicado
Cómo citar
Número
Sección
Licencia
Derechos de autor 2025 Marcelo da Costa Borba, Bibiana Melo Ramborger, Murilo Campos Rocha Lima, Josefa Edileide Santos Ramos
Esta obra está bajo una licencia internacional Creative Commons Atribución 4.0.
Os artigos publicados na Revista Multitemas têm acesso aberto (Open Access) sob a licença Creative Commons Attribution, que permite uso, distribuição e reprodução em qualquer meio, sem restrições desde que o trabalho original seja corretamente citado.
Direitos Autorais para artigos publicados nesta revista são do autor, com direitos de primeira publicação para a revista. Em virtude de aparecerem nesta revista de acesso público, os artigos são de uso gratuito, com atribuições próprias, em aplicações educacionais e não-comerciais.
