Innovación en agricultura de precisión mediante drones y aprendizaje profundo: revisión sistemática con enfoque computacional

Abstract

Esta revisión sistemática, elaborada conforme al protocolo PRISMA 2020, analiza el procesamiento de imágenes captadas por drones mediante técnicas de deep learning en agricultura de precisión. Se aplicó un análisis semántico automatizado, desarrollado en un cuaderno Jupyter, sobre 6.612 artículos de Scopus y Web of Science (2019–2024), obteniendo una muestra filtrada de 105 documentos. De ellos, se seleccionaron 35 estudios para la revisión temática, estructurada en tres bloques: (i) detección de plagas y enfermedades, (ii) estimación de rendimiento y (iii) otras aplicaciones. El análisis destacó arquitecturas basadas en redes convolucionales como YOLO, Faster R-CNN o U-Net, junto con modelos Transformer, que representan un nuevo paradigma. Aunque se alcanzan altos niveles de precisión, su adopción práctica sigue limitada por barreras tecnológicas, económicas y operativas.

This systematic review, conducted in accordance with the PRISMA 2020 protocol, analyses the processing of drone-acquired imagery using deep learning techniques in the context of precision agriculture. An automated semantic analysis was performed using a Jupyter notebook on 6,612 articles from Scopus and Web of Science (2019–2024), yielding a filtered sample of 105 documents. From this set, 35 studies were selected for thematic review, structured into three categories: (i) pest and disease detection, (ii) yield estimation, and (iii) other applications. The analysis highlighted architectures based on convolutional neural networks, such as YOLO, Faster R-CNN, and U-Net, as well as Transformer models, which represent a new paradigm. Although high levels of accuracy have been achieved, practical adoption remains limited by technological, economic, and operational constraints.