AUTOMATIZACIÓN DE LOS PROCESOS PRODUCTIVOS EN LAS EMPRESAS AGRÍCOLAS / AUTOMATION OF PRODUCTIVE PROCESSES IN AGRICULTURAL COMPANIES
Palabras clave:
Agricultura, Automatización de procesos, Proceso productivoResumen
En este artículo se presentan los principales resultados obtenidos en la realización de un proyecto científico dirigido a resolver el problema: cómo satisfacer la creciente demanda de alimentos del país, tanto dirigidos a la población, el sector turístico como para la exportación, con menores costes económicos y medioambientales. El objetivo es automatizar los procesos productivos de las empresas agrícolas, a partir del empleo de técnicas de la agricultura de precisión, tal que permita garantizar la producción de alimentos con elevada eficiencia, ahorro y gestión sostenible de la tierra, el agua y los recursos naturales. Se presentan los productos software y hardware que conforman esta tecnología integral que permiten sostener la producción con eficiencia, ahorro de agua y energía eléctrica. La propuesta tecnológica se implementó mediante una prueba piloto realizada en la máquina de pivote central en la Estación Experimental del Centro de Bioplantas de la Universidad de Ciego de Ávila Máximo Gómez Báez. El objetivo del proyecto fue cumplido y se obtuvo resultados satisfactorios.
Citas
ADAO, J.J. … [et al.] (2017). Hyperspectral imaging: a review on UAV-based sensors, data processing and applications for agriculture and forestry. Remote Sens, Vol. 9, No. 11, p. 30.
ALMEIDA, E., CAMEJO, L.E., SANTIESTEBAN-TOCA, C.E. (2017). La fertirrigación inteligente, pilar de una agricultura sostenible. Revista Cubana de Ciencias Informáticas, Vol. 11, No. 3. Disponible en: https://rcci.uci.cu/?journal=rcci&page=article&op=view&path%5B%5D=1623. Visitado: 20 de febrero de 2019.
BÁEZ, E. … [ et al.] (2019). Relación entre el color externo e interno de la piña Md2 y sus parámetros fisicoquímicos en las condiciones de Cuba. En Conferencia científica internacional Bioveg 2019, Ciego de Ávila, 2019.
CHÁVEZ, R. G. … [ et al.] (2010). A Remote Irrigation Monitoring and Control System for continuous move systems. Part A: description and development. Precis. Agric, Vol. 11, p. 1-10.
CHLINGARYAN, A., SUKKARIEH, S. y WHELAN, B. (2018) Machine learning approaches for crop yield prediction and nitrogen status estimation in precision agriculture: A review, in Comput. Electron. Agric., Vol. 151, pp. 61–69.
DUDA, R.O., HART, P.E. y STORK, D. G. (2001). Pattern Classification, 2nd ed. Wiley.
EVANS, G. B. …[et al.] (2000) Control for precision irrigation with self-propelled systems. In Pro- ceedings of the 2000, in ASAE 4th decennial national irrigation symposium, pp. 322–331.
GONZÁLEZ, A. … [et al.] (2019). Sistema de análisis de imágenes para la clasificación de hijos de piña. En Conferencia científica internacional Bioveg 2019, Ciego de Ávila.
GONZÁLEZ, A., GONZÁLEZ, A. y HERNÁNDEZ, D. (2018). Gestión Integral de la Energía aplicado a la Agricultura. En Conferencia científica internacional UNICA, Ciego de Ávila.
GONZÁLEZ, A., HERNÁNDEZ, D. y DUGAREVA, E. (2021). Plataforma digital unificada: nuevas formas de gestión agrícola en Rusia. Conferencia científica internacional Invitación al mundo ruso: lecturas Científicas, Ciego de Ávila.
GUASTAFERRO, F. …[et al.] (2010). A comparison of different algorithms for the delineation of management zones. Precis. Agric., Vol. 11, No. 6, pp. 600–620.
JIANG, Q., FU, Q. y WANG, Z. (2010). Study on delineation of irrigation management zones based on management zone analyst software, in International Conference on Computer and Computing Technologies in Agriculture, pp. 419-427.
KEMERER, A. C., MELCHIORI, R. J. M. y BRIZUELA, A. B. (2004). Utilización de imágenes satelitales en agricultura de precisión para delimitar zonas de manejo uniforme. Curso Agric. Precisión, 5, pp. 13-15, 13, 14 y 15 julio. Manfredi, Córdoba. AR.
KHANAL, S., FULTON, S. y SHEARER, J. (2017). An overview of current and potential applications of thermal remote sensing in precision agriculture. Comput. Electron. Agric., Vol. 139, pp. 22–32.
LU, Y. … [et al.] (2013). Implementation of the fuzzy c-means clustering algorithm in meteorological data. Int. J. Database Theory Appl., Vol. 6, No. 6, pp. 1–18.
MITRA, P., MURTHY, C. A. y PAL, S. K. (2002). Unsupervised feature selection using feature similarity. IEEE Trans. Pattern Anal. Mach. Intell., Vol. 24, No. 3, pp. 301–312. doi: 10.1109/34.990133.
MONTES, J. L. (2016). Implantar Scrum con éxito. Barcelona: Ed. UOC.
SCHWABER, K. (1997). Scrum Development Process. Londres: Springer.
SOSA, Y., PEÑA, M. y SANTIESTEBAN-TOCA, C. E. (2017). Sistema para la alerta temprana de los efectos del cambio climático en la agricultura. Revista Cubana de Ciencias Informáticas, Vol. 11, No. 3. Disponible en: https://rcci.uci.cu/?journal=rcci&page=article&op=view&path%5B%5D=1616 Visitado: 20 de febrero de 2019.
WOLFERT, M. J. …[et al.] (2017). Big Data in Smart Farming—A review, in Agric. Syst., Vol. 153, pp. 69-80.
ZHANG, R. K. y TAYLOR, N. (2001). Applications of a Field–Level Geographic Information System (FIS) in Precision Agriculture. Appl. Eng. Agric, Vol. 17, pp. 885-892.
Publicado
Versiones
- 29-11-2022 (3)
- 29-11-2022 (2)
- 17-10-2022 (1)
Cómo citar
Número
Sección
Licencia
Derechos de autor 2022 Universidad & ciencia
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-CompartirIgual 4.0.
