Aplicación de redes neuronales convuncionales (CNN) ,determinación de factores climatológicos del sector floricultor: Una revisión sistemática

Autores/as

DOI:

https://doi.org/10.61210/kany.v2i3.123

Resumen

El uso de redes neuronales convencionales (RNC) se ha convertido en una herramienta clave para el control y la predicción de factores climatológicos que afectan significativamente a la floricultura. Este sector, altamente dependiente de condiciones ambientales específicas, enfrenta retos importantes para garantizar una producción eficiente y sostenible. La presente revisión sistemática siguió los procedimientos establecidos por el enfoque PRISMA, empleando la metodología PIO (Población, Intervención y Resultados) para analizar investigaciones relevantes y proporcionar un panorama integral de las aplicaciones de las RNC en este ámbito. El objetivo principal fue identificar cómo las RNC se están utilizando para modelar y optimizar variables climáticas como la temperatura, la humedad, la radiación solar y el viento, factores cruciales en el desarrollo de cultivos florícolas. Los hallazgos destacan que las RNC son capaces de interpretar relaciones complejas entre estas variables y la productividad, permitiendo la toma de decisiones más precisas y la implementación de estrategias automatizadas. Su uso en invernaderos y sistemas controlados demuestra mejoras significativas en la eficiencia de los procesos pre y postproductivos, así como en la calidad final de las flores. Entre los principales resultados se evidencia un creciente interés por integrar estas tecnologías en la floricultura de precisión, aunque se identifican importantes limitaciones, como la necesidad de datos de alta calidad, el acceso desigual a tecnologías avanzadas y la escasa adopción en regiones de bajos recursos. La revisión también resalta oportunidades futuras, como el desarrollo de modelos híbridos que combinen RNC con redes neuronales profundas, así como la validación de estas tecnologías en escenarios de estrés ambiental y cambios climáticos extremos.

Finalmente, la revisión examina el estado actual de las aplicaciones de las RNC en la floricultura, destacando sus beneficios y limitaciones, y propone líneas de investigación orientadas a la mejora de su implementación y la sostenibilidad del sector.

Citas

Apacionado, B. V., & Ahamed, T. (2024). Digital Transformation of Horticultural Crop Production Systems Toward Sustainable Agricultural Productivity. IoT and AI in Agriculture, 199–227. https://doi.org/10.1007/978-981-97-1263-2_13

Asbaş, C., & Tuzlukaya, Ş. E. (2024). The New Agricultural Revolution: Agriculture 4.0 and Artificial Intelligence Applications in Agriculture, Forestry, and Fishery. Https://Services.Igi-Global.Com/Resolvedoi/Resolve.Aspx?Doi=10.4018/979-8-3693-3498-0.Ch012, 265–291. https://doi.org/10.4018/979-8-3693-3498-0.CH012

Bankin, M., Tyrykin, Y., Duk, M., Samsonova, M., & Kozlov, K. (2024). Modeling Chickpea Productivity with Artificial Image Objects and Convolutional Neural Network. Plants, 13(17), 2444. https://doi.org/10.3390/PLANTS13172444/S1

Chandel, N. S., Rajwade, Y. A., Dubey, K., Chandel, A. K., Subeesh, A., & Tiwari, M. K. (2022). Water Stress Identification of Winter Wheat Crop with State-of-the-Art AI Techniques and High-Resolution Thermal-RGB Imagery. Plants 2022, Vol. 11, Page 3344, 11(23), 3344. https://doi.org/10.3390/PLANTS11233344

Chang, Y.-L., Tan, T.-H., Chen, T.-H., Chuah, J. H., Chang, L., Wu, M.-C., Tatini, N. B., Ma, S.-C., & Alkhaleefah, M. (2022). Spatial-Temporal Neural Network for Rice Field Classification from SAR Images. Remote Sensing, 14(8). https://doi.org/10.3390/rs14081929

Chen, C. Y. T., Lin, Y. B., Chen, W. L., Wu, K. C., Lin, Y. W., Sun, E. W., & Liu, C. Y. (2024). CWT IoT Device for Detecting Rare Events of Orchid Disease. IEEE Internet of Things Journal, 11(12), 22830–22842. https://doi.org/10.1109/JIOT.2024.3383832

Fathollahi, L., Wu, F., Melaki, R., Jamshidi, P., & Sarwar, S. (2024). Global Normalized Difference Vegetation Index forecasting from air temperature, soil moisture and precipitation using a deep neural network. Applied Computing and Geosciences, 23, 100174. https://doi.org/10.1016/J.ACAGS.2024.100174

Geetha, T. S., Chellaswamy, C., Raja, E., & Venkatachalam, K. (2024). Deep learning for river water quality monitoring: a CNN-BiLSTM approach along the Kaveri River. Sustainable Water Resources Management, 10(3), 1–15. https://doi.org/10.1007/S40899-024-01102-6/METRICS

Guo, Q., He, Z., & Wang, Z. (2024). Monthly climate prediction using deep convolutional neural network and long short-term memory. Scientific Reports, 14(1). https://doi.org/10.1038/s41598-024-68906-6

Gürsoy, M. İ., Orhan, O., & Tekin, S. (2023a). Creation of wildfire susceptibility maps in the Mediterranean Region (Turkey) using convolutional neural networks and multilayer perceptron techniques. Forest Ecology and Management, 538, 121006. https://doi.org/10.1016/J.FORECO.2023.121006

Gürsoy, M. İ., Orhan, O., & Tekin, S. (2023b). Creation of wildfire susceptibility maps in the Mediterranean Region (Turkey) using convolutional neural networks and multilayer perceptron techniques. Forest Ecology and Management, 538, 121006. https://doi.org/10.1016/J.FORECO.2023.121006

Keddouda, A., Ihaddadene, R., Boukhari, A., Atia, A., Arıcı, M., Lebbihiat, N., & Ihaddadene, N. (2023). Solar photovoltaic power prediction using artificial neural network and multiple regression considering ambient and operating conditions. Energy Conversion and Management, 288, 117186. https://doi.org/10.1016/J.ENCONMAN.2023.117186

Archivos adicionales

Publicado

12/31/2024

Cómo citar

Montalvo Morales, K. R., Vilchez De la cruz, J. E., Yata Franco, L., & Tocto Yajahuanca, L. (2024). Aplicación de redes neuronales convuncionales (CNN) ,determinación de factores climatológicos del sector floricultor: Una revisión sistemática. KANYÚ, 2(3), 70–83. https://doi.org/10.61210/kany.v2i3.123

Número

Vol. 2 Núm. 3 (2024): Kanyú - Publicación Especial

Sección

Artículos

Categorías

Licencia

Derechos de autor 2025 Kenny Ruben Montalvo Morales, Jamir Ever Vilchez De la cruz, Lesli Yata Franco, Laumer Tocto Yajahuanca

Creative Commons License

Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-CompartirIgual 4.0.

Eres libre de:

  1. Adaptar : remezclar, transformar y construir sobre el material.

Bajo los siguientes términos:

  1. Reconocimiento : debe otorgar el crédito correspondiente, proporcionar un enlace a la licencia e e indicar si se realizaron cambios. 

  2. No comercial : no puede utilizar el material con fines comerciales.

  3. ShareAlike : si remezcla, transforma o construye a partir del material, debe distribuir sus contribuciones bajo la misma licencia que el original.

Artículos más leídos del mismo autor/a