DOI:
https://doi.org/10.14483/22487638.22161Publicado:
28-12-2024Número:
Vol. 28 Núm. 82 (2024): Octubre - DiciembreSección:
ReflexiónCaficultor digital: tecnologías 4.0 para producción de café mediante modelos predictivos
Digital Coffee Farmer: Industry 4.0 technologies for the Coffee Production Process through Prediction Models
Palabras clave:
precision agriculture, agricultural sensor networks, artificial intelligence models in agriculture, digitalization in agriculture. (en).Palabras clave:
agricultura de precisión, redes de sensores agrícolas, modelos de inteligencia artificial en la agricultura, digitalización en la agricultura (es).Descargas
Resumen (es)
Contexto: la industria 4.0, la automatización y el procesamiento de datos están transformando los modelos de negocio en diversos sectores, incluida la agricultura. Este trabajo se enfoca en el sector del café, en Colombia, para analizar la situación actual y así proponer tecnologías 4.0 para mejorar la producción.
Método: se exploraron tendencias y se visitaron fincas cafetaleras en Quindío (Colombia); también, se formularon entrevistas a caficultores para obtener información sobre su trabajo y necesidades. Se propone una red experimental
basada en internet de las cosas (internet of things [IoT]) para recolectar datos sobre variables agroambientales y se define al “caficultor digital”, como un modelo de inteligencia artificial que replica la toma de decisiones de un caficultor experto.
Discusión: se reflexiona sobre la implementación de tecnología en la zona cafetalera, para lo cual se destaca la experiencia y conocimiento de los caficultores locales. Se plantea la necesidad de recopilar más datos para entrenar el modelo propuesto y se discuten los resultados preliminares con un modelo de red neuronal perceptrón multicapa (multilayer perceptron [MLP]).
Conclusiones: a pesar de la falta de datos reales e imposibilidades económicas, el concepto de “caficultor digital” promete mejorar la toma de decisiones en el cultivo del café. Se destaca la importancia de continuar con la recopilación
de datos y la experimentación con modelos de inteligencia artificial para avanzar en este campo.
Resumen (en)
Context: Industry 4.0, automation, and data processing are transforming business models across various sectors, including agriculture. This work focuses on the coffee sector in Colombia, analyzing the current situation and proposing
Industry 4.0 technologies to enhance production.
Method: Trends are explored, and coffee farms in Quindío, Colombia are visited, interviewing coffee farmers to gather information about their work and needs. An experimental IoT network is proposed to collect data on agroenvironmental
variables, and the “Digital Coffee Farmer” is defined, an artificial intelligence model that replicates the decision-making of an expert coffee farmer.
Discussion: Reflection is made on the implementation of technology in the coffee-growing area, highlighting the experience and knowledge of local coffee farmers. The need to gather more data to train the proposed model is
raised, and preliminary results are discussed with a Multilayer Perceptron (MLP) neural network model.
Conclusions: Despite the lack of real data and economic constraints, the concept of the “Digital Coffee Farmer” promises to improve decision-making in coffee cultivation. The importance of continuing data collection and experimentation
with artificial intelligence models to advance in this field is emphasized.
Referencias
Al-Adhaileh, M. H., & Aldhyani, T. H. H. (2022). Artificial intelligence framework for modeling and predicting crop yield to enhance food security in Saudi Arabia. PeerJ Computer Science, 8, e1104. https://doi.org/10.7717/peerj-cs.1104
Atharva Ingle. (2020). Crop recommendation dataset. Maximize agricultural yield by recommending appropriate crops. Kaggle.com. https://www.kaggle.com/atharvaingle/crop-recommendation-dataset
Aworka, R., et al. (2022). Agricultural decision system based on advanced machine learning models for yield prediction: case of East African countries. Smart Agricultural Technology, 2, 100048. http://dx.doi.org/10.1016/j.atech.2022.100048
Bakthavatchalam, K., et al. (2022). IoT framework for measurement and precision agriculture: predicting the crop using machine learning algorithms. Technologies, 10(1), 13. https://doi.org/10.3390/technologies10010013
De Carvalho Alves, M., et al. (2022). The role of machine learning on Arabica coffee crop yield based on remote sensing and mineral nutrition monitoring. Biosystems Engineering, 221, 81-104. https://doi.org/10.1016/j.biosystemseng.2022.06.014
Espinoza-García, M., Álvarez-Martínez, G., & Chora-García, D. (2019). La perfecta combinación de la internet de las cosas y la agricultura de precisión. Killkana Técnica, 3(2), 31-38. https://doi.org/10.26871/killkana_tecnica.v3i2.533
Faria, R. O., et al. (2024). Models for predicting coffee yield from chemical characteristics of soil and leaves using machine learning. Journal of the Science of Food and Agriculture, 104(9), 5197-5206. https://doi.org/10.1002/jsfa.13362
Federación Nacional de Cafeteros de Colombia (FNC). (2023). Informe del gerente al 92 Congreso Nacional de Cafeteros. https://federaciondecafeteros.org/app/uploads/2023/11/IG-92-CNC-DIGITAL.pdf
Hitimana, E., et al. (2024). Revolutionizing coffee farming: a mobile app with GPS-enabled reporting for rapid and accurate on-site detection of coffee leaf diseases using integrated deep learning. Software, 3(2), 146-168. https://doi.org/10.3390/software3020007
Kalyani, Y., & Collier, R. (2021). A systematic survey on the role of cloud, fog, and edge computing combination in smart agriculture. Sensors, 21(17), 5922. https://doi.org/10.3390/s21175922
Kumari, M., Kukreja, V., Raj, A., & Chaudhary, S. K. (2024). Coffee leaf diseases classification: a CNN and random forest approach for precision diagnosis. En 2024 International Conference on Automation and Computation (AUTOCOM) (pp. 210-214). https://doi.org/10.1109/AUTOCOM60220.2024.10486169
Laddha, S. V. (2023). IoT-based automated hydroponic cultivation system: a step toward smart agriculture for sustainable environment. En A. Mishra et al. (Eds.), Advances in IoT and security with computational intelligence (pp. 61-74). Springer. https://doi.org/10.1007/978-981-99-5085-0_7
Montoya-Muñoz A. I., & Caicedo-Rendón, O. M. (2020). An approach based on fog computing for providing reliability in iot data collection: a case study in a Colombian coffee smart farm. Applied Sciences, 10(24), 8904. https://doi.org/10.3390/app10248904
Montoya-Muñoz, A. I., et al. (2022). Reliability provisioning for fog nodes in smart farming IoT-fog-cloud continuum. Computers and Electronics in Agriculture, 200, 107252. https://doi.org/10.1016/j.compag.2022.107252
Nguyen, V. D., et al. (2023). An innovative and smart agriculture platform for improving the coffee value chain and supply chain. En T. D. L. Nguyen & J. Lu (Eds.), Machine learning and mechanics based soft computing applications (Vol. 1068, pp. 185-197). Springer. https://doi.org/10.1007/978-981-19-6450-3_19
Ossa Duque, S. I. (2017). Monitoreo y control de variables ambientales mediante una red inalámbrica para agricultura de precisión en invernaderos. Revista Vector, 12, 51-60. https://revistasojs.ucaldas.edu.co/index.php/vector/article/view/236
Parada Molina, P. C., et al. (2020). Fenómenos meteorológicos y su efecto sobre la producción de café en la zona central de Veracruz. UVserva: Revista Electrónica de la Coordinación Universitaria de Observatorios de la Universidad Veracruzana, (9), 47-58. https://doi.org/10.25009/uvs.v0i9.2638
Rodríguez, J. P., et al. (2021). IoT-agro: a smart farming system to Colombian coffee farms. Computers and Electronics in Agriculture, 190, 106442. https://doi.org/10.1016/j.compag.2021.106442
Singh, G., & Sharma, S. (2024). A comprehensive review on the Internet of Things in precision agriculture. Multimedia Tools and Applications. https://doi.org/10.1007/s11042-024-19656-0
Sinha, B. B., & Dhanalakshmi, R. (2022). Recent advancements and challenges of internet of things in smart agriculture: a survey. Future Generation Computer Systems, 126, 169-184. https://doi.org/10.1016/j.future.2021.08.006
Varshitha, D., & Choudhary, S. (2022). Soil fertility and yield prediction of coffee plantation using machine learning technique. Research Journal of Agricultural Sciences, 13(2), 514-518. https://www.researchgate.net/publication/359993485_Soil_Fertility_and_Yield_Prediction_of_Coffee_Plantation_using_Machine_Learning_Technique
Cómo citar
APA
ACM
ACS
ABNT
Chicago
Harvard
IEEE
MLA
Turabian
Vancouver
Descargar cita
Licencia
Derechos de autor 2025 César Osimani, Jaime Andrés Arevalo, William Ruiz Martinez
Esta obra está bajo una licencia internacional Creative Commons Atribución-CompartirIgual 4.0.
Esta licencia permite a otros remezclar, adaptar y desarrollar su trabajo incluso con fines comerciales, siempre que le den crédito y concedan licencias para sus nuevas creaciones bajo los mismos términos. Esta licencia a menudo se compara con las licencias de software libre y de código abierto “copyleft”. Todos los trabajos nuevos basados en el tuyo tendrán la misma licencia, por lo que cualquier derivado también permitirá el uso comercial. Esta es la licencia utilizada por Wikipedia y se recomienda para materiales que se beneficiarían al incorporar contenido de Wikipedia y proyectos con licencias similares.
