Mundo Fesc
E-ISSN: 2216-0388 P- ISSN: 2216-0353
Artículo Original
El caficultor digital: una apuesta por la incursión
de la tecnología en el agro
The digital coffee farmer a bet for the incursion of technology
in agriculture
Recibido: 24 de Octubre de 2024
Aprobado: 18 de Diciembre de 2024
Cómo citar: W. Ruiz-Martinez, J. A. Arévalo, J. E. Herrera-Rubio, C. Osimani, “El caficultor digital: una
apuesta por la incursión de la tecnología en el agro”, Mundo FESC, VOL. 15, n. 31, 2025. DOI: 10.61799/2216-
0388.1444
William Ruiz-Martinez1*
Ingeniero de sistemas de la Universidad Autónoma de
Colombia, especialista en gerencia de proyectos de la
Universidad Autónoma de Colombia, Magister en Tics de la
Universidad Internacional de Puerto Rico (UNINI). Docente
tiempo completo Corporación universitaria Iberoamericana,
correo electrónico: william.ruiz@ibero.edu.co ORCID: https://
orcid.org/0000-0001-9617-9348 CVLAC: https://scienti.
minciencias.gov.co/cvlac/visualizador/generarCurriculoCv.
do?cod_rh=0001101773
Jaime Andrés Arévalo2
Ingeniero agrónomo Universidad Nacional de Colombia, MBA
Corporación universitaria Iberoamericana, correo electrónico:
jaime.arevalo@ibero.edu.co
Jorge Enrique Herrera-Rubio3
Ingeniero eléctrico universidad de Pamplona, Especialista en
Telecomunicaciones UAB, Magister en Electrónica Universidad
experimental de Táchira, Doctor en gestión de ciencia y
tecnología Universidad Privada Dr. Rafael Belloso Chacín.
Docente tiempo completo Universidad de Pamplona, correo
electrónico: jherrera@unipamplona.edu.co ORCID: https://
orcid.org/0000-0002-9661-5450 CVLAC: https://scienti.
minciencias.gov.co/cvlac/visualizador/generarCurriculoCv.
do?cod_rh=0001336694
Cesar Osimani5
Ingeniero de telecomunicaciones Universidad Blas Pascal
(Córdoba -Argentina), Doctorado (C) en ciencias de las
ingeniería Universidad nacional de Córdoba (Argentina),
correo electrónico: cosimani@ubp.edu.ar ORCID: https://
orcid.org/0000-0003-0579-6231?lang=en
*Autor para correspondencia:
william.ruiz@ibero.edu.co
El caficultor
digital: una
apuesta por la
incursión de la
tecnología en el
agro
Resumen
La realidad del agro colombiano en relación a la difusión
y adopción de las tecnologías de la información y la
comunicación es casi inexistente, por lo que actualmente
procesos productivos relacionados con cultivos como el
café, se siguen realizando en forma empírica o manual;
Es por ello que en el presente trabajo presentamos un
acercamiento a lo que hemos denominado el “Caficultor
digital”, donde se busca que los caficultores de la
región puedan hacer uso de la tecnología para mejorar
las condiciones de sus cultivos, es por ello que nos
enfocamos por las redes inalámbricas de sensores (WSN)
permitiendo que el caficultor a través del uso de esta
herramienta se encuentre en capacidad de monitorear
las variables agroambientales más importantes para su
cultivo y mediante la aplicación de técnicas de aprendizaje
automático se puedan determinar la incidencia de dichas
variables en la proyección de futuras cosechas o en la
producción esperada.
Palabras clave: Agricultura de precisión,
Internet de las cosas, aprendizaje de
máquina, cultivos de café, redes inalámbricas
de sensores.
The digital coffee
farmer a bet for
the incursion of
technology in
agriculture
Abstract
The reality of Colombian agriculture in relation to
the dissemination and adoption of information and
communication technologies is almost non-existent, which
is why currently productive processes related to crops such
as coffee continue to be carried out empirically or manually;
That is why in the present work we present an approach to
what we have called the "Digital Coffee Farmer", where it
is sought that coffee farmers in the region can make use
of technology to improve the conditions of their crops,
which is why we focus on wireless sensor networks (WSN)
allowing the coffee farmer, through the use of this tool, to
be able to monitor the most important agro-environmental
variables for his crop and by applying automatic learning
techniques to determine the incidence of these variables
in the projection of future harvests or in the expected
production.
Keywords: Precision agriculture, Internet
of things, machine learning, coffee crops,
wireless sensor networks.
Introducción
En los tiempos actuales donde la transformación digital empieza a ser parte importante
de las empresas y en general de todos los sectores productivos, entre ellos uno de los
más importantes y el cual es objeto de estudio del presente documento es sin duda
el agro; Tomando como referentes los cuestionamientos anteriores podemos afirmar
que tecnologías como el IdC (Internet de las cosas) y la analítica de datos se presentan
como alternativas para impactar de forma positiva en el modelo de negocio de las
organizaciones de sectores productivos como la agricultura. La recolección y adquisición
de datos que reflejen el comportamiento de los distintos procesos en relación con
la siembra, recolección y producción, aun son llevados por los caficultores en forma
manual o muchas veces ni siquiera existen porque se manejan de forma empírica
teniendo como referente el conocimiento ancestral del agricultor. Es por ello que el
elegir soluciones e implementaciones de IdC (Internet de las cosas) se presentan como
una opción acorde a esta necesidad. Hoy en día podemos asegurar que, en el sector
de la agricultura las soluciones de IdC se han convertido en una estrategia ideal para la
adquisición y recolección de datos sobre cultivos, aplicación de fungicidas, pesticidas
y abonos entre otros. Esta creciente necesidad promueve el uso de tecnologías
que permitan la instalación de sensores, para la recolección permanente de datos,
combinando mediciones muy precisas y variadas, con valores en distintas magnitudes
y formatos. Es por ello que, al contar con un elevado volumen de datos, se requiere
de tecnologías que recolecten, preparen y procesen estos datos en forma adecuada,
para así obtener información que aporte valor y soporte a la toma de decisiones para el
agricultor y propender por minimizar la inversión y maximizar la ganancia sin sacrificar
la calidad. De acuerdo con [1], la agricultura moderna ha sido transformada mediante el
empleo de máquinas agrícolas inteligentes, control de plagas inteligentes, drones para
monitorizar los cultivos y el uso de estaciones que captan variables agroclimáticas que
han permitido la recolección y adquisición de grandes cantidades de datos críticos a
mínimos costos, lo que bien representa un proceso agrícola más enfocado a analizar
e interpretar la información para potenciar sus procesos hacia la productividad y la
eficiencia. Por otra parte, el tiempo es cada vez más impredecible, lo que complica el
control de las plagas, la aplicación de abonos y fungicidas y por lo tanto el control de las
variables agroambientales de todo tipo de cultivos.
Las implementaciones de soluciones IdC (Internet de las cosas), se pueden encargar
de brindar ayuda para alcanzar un mejor aprovechamiento y rendimiento del suelo,
además de minimizar el detrimento del medio ambiente. Desde otro punto de vista la
implementación adecuada de IdC (Internet de las cosas) permite disponer de información
valiosa para tomar decisiones que requieren del análisis de diversos aspectos, entre otros:
una correcta topología de red, sensores adecuados, conectividad óptima, sistema de
almacenamiento, estrategias para corregir desviaciones en los datos según [2], métodos
de procesamiento y análisis de información, algoritmos de Aprendizaje de maquina
William Ruiz-Martinez, Jaime Andrés Arévalo, Jorge Enrique Herrera-Rubio,
Cesar Osimani
(Machine Learning), además de métodos para realizar predicciones [3].Todos estos
avances en cuanto a sensorización y el uso de las nuevas tecnologías en la agricultura
enfocadas en mejorar la producción en relación a calidad y cantidad permiten la
reducción de costos y ayudan a minimizar el impacto ambiental y dar lugar al concepto de
agricultura inteligente. Es por ello que un agricultor requiere tomar decisiones acertadas
y para ello, necesita de información precisa y confiable. El escenario ideal es que el
agricultor disponga de un Dashboard (Tablero informativo) con la adecuada cantidad de
información posible, estos datos serán indispensables para tomar decisiones acertadas
en base a su propia experiencia, decisiones que posiblemente un algoritmo no esté en
capacidad de tomar, o tal vez porque el propio agricultor tema que automatizar esa toma
de decisiones, ya que son aspectos críticos que influyen en la estrategia de su negocio.
Llegamos al punto donde la principal necesidad de un agricultor sea la de conseguir la
mayor cantidad posible de su producto con la máxima calidad. Si nos colocamos en el
escenario de un cafetal, un caficultor desea obtener la máxima producción de granos
de café de la mejor calidad, sabiendo que esto influirá necesariamente en una mejor
comercialización de su producto.
Es valioso para el caficultor poder disponer de aquella información que le permita
decidir sobre los posibles cambios en hipotéticos escenarios que debe implementar en
las distintas fases del cultivo, de forma tal que se pueda maximizar la producción y por
tanto la calidad del grano. En este artículo se propone el diseño de una red experimental
IdC (Internet de las cosas) que le permita al caficultor recolectar información sobre las
variables agroambientales de un cultivo de café en la finca “Las Acacias”, del municipio
de Salento (Quindío), de forma tal que se pueda efectuar la recolección de datos sobre el
cultivo, y se puedan tomar decisiones sobre los parámetros presentados y sus posibles
desviaciones con respecto a los valores normales, asimismo el poder maximizar la
producción de café acorde con los parámetros de calidad que el mercado y el caficultor
demanda según los estándares nacionales e internacionales.
Materiales y Métodos
En esta sección se presenta la metodología para la elección de la tecnología IdC (Internet
de las cosas) que permita al caficultor adquirir los datos relevantes sobre el cultivo del
café. Se relaciona información obtenida directamente con el propietario y trabajadores
de campo en la finca “Las Acacias”, las cuales proporcionan una perspectiva valiosa
sobre los desafíos y oportunidades en relación con el cultivo del café. Estos datos y
conocimientos complementan el análisis y guían hacia una solución integral en torno a
la caficultura. La combinación entre tecnología y conocimiento empírico buscan mejorar
la eficiencia y calidad de los cultivos, permitiendo pronosticar un futuro prometedor para
el sector cafetalero.
Metodología de la investigación
La investigación se enmarca como aplicada con un enfoque experimental y descriptivo,
El caficultor digital: una apuesta por la incursión de la tecnología en el agro
ya que buscamos encontrar una forma más eficiente de recolectar y almacenar datos
sobre las variables agroambientales en un cultivo de café con la finalidad de disponer
de información real y precisa en cada momento con el objetivo de optimizar el proceso
de toma de decisiones ante comportamientos anómalos o inesperados en determinados
momentos o etapas del cultivo.
Metodología propuesta para la red experimental de sensores IdC
El proceso de la implementación de un sistema de monitoreo y control con tecnología
IoT para un cultivo de café se establece a través de la siguiente metodología estándar,
ya sea a, nivel industrial o experimental como se describe en la Fig. 1 distribuida en las
siguientes fases según [4].
A continuación, se hace una explicación más detallada de la metodología propuesta
para la red de sensores.
Identificación del problema
Es el trabajo de campo que se realiza para caracterizar el ambiente donde se encuentra
el cultivo de café con la finalidad de identificar las variables que se van a parametrizar
[5], para la obtención de la data que va a ser procesada, analizada y demás procesos,
en esta etapa se pueden utilizar instrumentos como observación directa, entrevistas a
caficultores, formato de encuestas, técnicas bibliométricas e investigación documental
según lo expuesto por [6] para representar la solución al problema.
William Ruiz-Martinez, Jaime Andrés Arévalo, Jorge Enrique Herrera-Rubio,
Cesar Osimani
Identificación de variables a sensar
En Esta etapa se deben identificar las variables agroambientales más importantes para
el cultivo que se desea sensorizar y resolver mediante una conversión análoga a formato
digital los datos que son recolectados a través de los diferentes tipos de sensores, en este
caso específico se busca identificar los aspectos críticos que deben ser monitoreados
y controlados en un cafetal a través del uso de la tecnología IdC (Internet de las cosas)
[7] como es el caso de: temperatura y humedad ambiental, temperatura y humedad del
suelo, índice pluviométrico, la luminosidad, la calidad del agua y características del suelo
entre otros según lo expuesto por [8].
Diseño de la red
En esta fase se lleva a cabo como primera actividad el análisis de requerimientos; el cual
nos permite establecer la cantidad de nodos sensores a implementar, la ubicación del
Gateway, la ubicación de los lotes de café a sensorizar, así como también determinar
la variedad del cafetal, por otra parte se determina el diseño lógico y físico de la red de
sensores, en la parte lógica se establece el diseño de la red de acuerdo a la topología
seleccionada, estrella en este caso por ser la topología más eficiente y más rápida de
implementar. a continuación, se procederá con el diseño físico donde se ubicarán cada
uno de los dispositivos en su lugar designado.
De igual forma dentro del entorno a analizar se debe tener en cuenta: el tipo de suelo,
clima, variedades de café, control de plagas y enfermedades, métodos de riego, cosecha
y procesamiento, condiciones estas que se deben monitorear y controlar para garantizar
que el café resultante sea de buena calidad [9]. Para el caso de los cultivos se puede
utilizar una matriz de decisión para evaluar y comparar diferentes opciones en función
de los criterios presentados por [10], cómo podemos observarlo en el ejemplo de la Tabla
1.
Selección y configuración de los sensores
Se consideran aspectos técnicos de los componentes electrónicos como: rango de
medición, exactitud, precio, consumo energético, entre otros; permitiendo así
seleccionar los dispositivos que mejor se adapten a los requerimientos para lograr un
funcionamiento óptimo e integral. En la tabla II podemos apreciar con más claridad las
principales características técnicas de los dispositivos seleccionados para el proyecto.
El caficultor digital: una apuesta por la incursión de la tecnología en el agro
Plataforma IoT
Es la infraestructura Backend que permiten la recolección y el análisis de datos en
tiempo real, las más populares son: Azure IoT, AWS IoT, Google Cloud IoT o en su defecto
la implementación de un servidor local o Web propietario. De acuerdo con [11], Para
que una plataforma IoT pueda considerarse como opción dentro del desarrollo de un
producto de este tipo, esta deberá poder gestionar de manera solvente la información,
esto quiere decir:
• Ser capaz de recoger la información enviada por el dispositivo.
• Ser capaz de almacenar y/o analizar la información.
• Ser capaz de representar o exponer la información de forma que el usuario pueda hacer
uso de esta.
Por lo tanto, una plataforma IoT debería estar constituida, al menos, por los siguientes
módulos o bloques [11]:
• Conectividad y normalización: Permitir la conexión mediante protocolos, y la recepción
de diferentes formatos de datos en una interfaz que garantice la precisa transmisión de
datos y la interacción con los dispositivos.
• Almacenamiento de datos: Los datos deben ser almacenados para un posterior
análisis, representación o integración con una herramienta propia o de terceros.
• Procesamiento y gestión de la acción: Los datos deben ser procesados para, según
un conjunto de normas reglas o disparadores, ejecutar acciones dependiendo del valor
resultante.
• Analítica y Visualización: Los datos deben de poder ser analizados y transformados,
para luego poder ser visualizados mediante gráficos o expuestos en APIs para
aplicaciones externas a la plataforma. En la figura 2. Podemos apreciar la arquitectura
de una plataforma IoT.
William Ruiz-Martinez, Jaime Andrés Arévalo, Jorge Enrique Herrera-Rubio,
Cesar Osimani
Recolección de datos
El primer paso, es el proceso de recolección de datos a través de los nodos sensores
instalados en el cultivo de café y que recolectaran los datos sobre las diferentes variables
agroambientales como: Temperatura y humedad ambiental, temperatura, humedad y
conductividad eléctrica del suelo, cuyo monitoreo es indispensable y donde se hace
presente el término “Agricultura de precisión” según [12]. Como Segundo paso los
datos son enviados en forma remota a la pasarela o Gateway [13], como tercer paso
los datos son conmutados desde el Gateway al router y de este dispositivo los datos
son enviados a una plataforma IoT en la nube cuya infraestructura puede ser diferente
segun el tipo de tecnología y cantidad de servicios de control y monitoreo que sean
necesarios, los componentes base lo conforman: los dispositivos IoT, El Gateway, la red
de comunicaciones inalámbrica y los protocolos de comunicación a utilizar [14], en la
figura 3. Podemos apreciar un diagrama de flujo simplificado del proceso anteriormente
descrito.
Procesamiento de los datos
Una vez que los datos son enviados a la plataforma IoT desde el router estos empiezan
a ser almacenados teniendo en cuenta la información enviada por cada uno de los
sensores que esta recolectando datos sobre una variable agroambiental en especial [15].
En la figura 4. podemos apreciar una medición arrojada por los sensores y almacenada
en la plataforma IoT en mención.
Análisis de datos
Los datos recolectados por los sensores deben ser analizados con la finalidad de detectar
patrones, tendencias y comportamientos que puedan ayudar a mejorar las características
más importantes de un cultivo, entre ellos tenemos: la producción y calidad del café,
épocas para abonar más idóneas, aplicación de funguicidas y agronutrientes entre
otros; Para ello se hace uso de técnicas de inteligencia artificial como es el caso de
aprendizaje automático. Desde el punto de vista de las herramientas disponibles para el
análisis de datos se tienen: Apache Hadoop: Framework de procesamiento distribuido
de grandes conjuntos de datos; Apache Spark: plataforma para el procesamiento de
datos en tiempo real; Tableau: herramienta gráfica para analizar grandes conjuntos de
datos; Microsoft Power BI: facilita la visualización de datos para graficar y visualizar
datos; KNIME: plataforma de código abierto que puede manejar el análisis de grandes
conjuntos de datos; MATLAB: Aplicación para el análisis de datos con técnicas de
aprendizaje automático, como también Rapid Miner y el lenguaje R de acuerdo con lo
presentado por [16].
Para el análisis de datos se debe aplicar el proceso ETL (extracción, transformación
y carga de datos), teniendo en cuenta que los datos arrojados por los sensores son
del tipo no estructurados, es decir que de acuerdo con [17], estos datos no tienen un
modelo predefinido que lo represente o que en caso de poseer uno sea fácilmente
utilizable por un programa de computadora. Retomando lo anterior, el proceso ETL, de
acuerdo con [18], se encarga de extraer datos de las fuentes de información, refuerza la
calidad y consistencia de estos y finalmente entrega los datos a un repositorio adecuado
(DataWarehouse), estos ya transformados en una presentación y formato adecuado
pueden ser utilizados en el proceso de toma de decisiones. En el caso de nuestra
propuesta la idea del proceso a realizar la podemos ver mejor plasmada en la figura 5.
De acuerdo con [19], las redes inalámbricas de sensores (WSN) se caracterizan porque
los nodos están conformados por microcontroladores que tienen una baja capacidad de
procesamiento, operan con baterías, a bajas velocidades de transmisión y son diseñadas
para estar operativas por largos períodos de tiempo. Un sistema WSN incorpora un
Gateway o puerta de enlace, que provee conectividad inalámbrica como complemento
de redes cableadas y nodos distribuidos. El protocolo inalámbrico que seleccione
depende en los requerimientos de la aplicación. Algunos de los estándares disponibles
incluyen radios de 2.4 GHz basados en los estándares IEEE 802.15.4 o IEEE 802.11
(Wifi) o radios propietarios, los cuales son regularmente de 900 MHz. La arquitectura
que se ha propuesto para el desarrollo del sistema de la red de sensores inalámbricos
(WSN), se encuentra compuesta por 2 nodos sensores y un Gateway con las siguientes
características técnicas y se puede visualizar en la tabla Nro. 3:
Arquitectura de la red inalámbrica de sensores
La arquitectura que se ha propuesto para el desarrollo del sistema de la red de sensores
inalámbricos (WSN) [20], se encuentra compuesta por 2 nodos sensores compuestos cada
uno de ellos por 1 sensor de temperatura y humedad ambiental LoRaWAN LSN50v2-S31
y un sensor de humedad y temperatura del suelo y EC con LoRaWAN- LSE01-AU915
, cada uno de estos sensores cuenta con su propio módulo de comunicación el cual
enviara los datos recolectados al Gateway. En la figura 6. Se puede apreciar con más
claridad la arquitectura propuesta.
El nodo 1 se encuentra a una distancia de 85 Metros con relación al Gateway y se
encuentra sembrado con un cultivo de café con variedad Castilla, el segundo nodo se
encuentra a una distancia de 250 metros y se encuentra sembrado igualmente con un
lote de café de variedad Castilla, en la figura 7. Se puede apreciar con más claridad la
ubicación tanto de los nodos sensores como del Gateway y router.
Características del cultivo a monitorear
A continuación, en la tabla IV, presentamos la ubicación y otros datos de interés sobre la
finca cafetera donde se realizará el estudio.
El caficultor digital: una apuesta por la incursión de la tecnología en el agro
El sistema productivo de la finca se enfoca en la producción de café, turismo, ganadería,
especie menores (conejos y gallinas) y elaboración de compostaje. La finca cuenta con
20.000 árboles productivos, distribuidos en 4,5 hectáreas, con una distancia de siembra
de 1,20 mts. entre árboles y 2,0 mts. entre calles. El 90% de la finca tiene una topografía
montañosa. Las variedades sembradas son: Castilla y Cenicafé. Los árboles de café en la
finca empiezan a producir a los tres años de sembrado, a diferencia del café sembrado a
menos altura que empieza a producir a los dos años. El caficultor en esta finca no lleva
un registro manual en relación con las condiciones climáticas, aunque conoce muy bien
los efectos que presentan los cambios de temperatura, al pasar de temperaturas altas
por el día a temperaturas muy bajas por las noches, generando quemaduras en las hojas,
como se observa en la Fig. 8. Cuando el árbol sufre esta quemaduras y que retrasa el
rebrote dos meses, afectando directamente la producción del cultivo.
Las épocas de cosecha donde se presenta la mayor parte de la producción se presentan
entre abril y junio. En esta finca hacen zoca (renovación del tronco del árbol del café)
cada 8 años. El caficultor no lleva registro de su producción. Es muy importante para un
caficultor conocer el rendimiento o fertilidad del suelo, y para ello es necesario realizar
los estudios correspondientes para mantener niveles adecuados de nutrimentos para
una óptima producción, incrementar la resistencia de las plantas y mejorar la calidad de
las cosechas. En la Finca Las Acacias se realizan estudios del suelo, y se muestran en la
Tabla V.
William Ruiz-Martinez, Jaime Andrés Arévalo, Jorge Enrique Herrera-Rubio,
Cesar Osimani
Leyenda: Estos estudios del suelo tienen las variables químicas, las cuales se pueden
medir cada uno o dos años, y la variables climáticas que se tienen que medir todos los
días.
El café y sus variables agroambientales
Existen más de 50 factores que afectan el crecimiento del cultivo y el potencial de
producción, algunos de ellos los podemos apreciar en la figura 9.
De acuerdo con lo expuesto por [21], pretendemos dar a conocer las características de
algunas variables de tipo agroambiental que de un modo u otro inciden en la siembra y
cultivo del café y posteriormente en su futura producción, veamos cada una de ellas a
continuación:
El caficultor digital: una apuesta por la incursión de la tecnología en el agro
Análisis de la situación
En esta sección se realiza la conjunción de lo expuesto anteriormente. Por un lado, la
metodología para la implementación de una solución IoT con la finalidad de recolectar
datos sobre un conjunto de variables agroambientales , y por otra parte establecer que
la principal contribución de este artículo se encuentra relacionada con la adopción de
tecnologías como el IdC(Internet de las cosas) para la recolección de los datos y la
posterior creación de un modelo de Machine Learning que simule la inteligencia del
caficultor humano. Con este modelo sería posible anticiparse a los sucesos y realizar
las acciones de prevención y precaución para que ciertos eventos no deseados influyan
negativamente sobre la producción del café, o por lo menos poder minimizar su impacto.
Modelo de aprendizaje propuesto
De acuerdo con lo presentado por [22],”la inteligencia artificial ha sido empleada para la
solución de problemas matemáticos bastante complejos”. Pero en realidad el verdadero
reto para esta ciencia consiste en manejar tareas sencillas, labores que los humanos
efectúan de forma automática, pero que en contexto resultan difíciles de explicar en
detalle; como las acciones generadas por intuición, el reconocimiento de rostros,
la interpretación de cierto tipo de gestos o las costumbres que presenta un grupo
poblacional, entre otros ejemplos. Las redes neuronales artificiales son en realidad un
modelo computacional que incorpora modelos de aprendizaje profundo para cumplir
tareas como clasificación y localización de objetos en imágenes. Las redes neuronales
artificiales se asemejan al funcionamiento del cerebro, ya que son unidades de memoria
básicas en las cuales se almacena un tipo de información y están interconectadas con
otras neuronas para poder hacer un procesamiento por medio del flujo de señales
entre ellas. Estas señales funcionan como un sistema de conexiones, las cuales llevan
información externa a las neuronas y también entre las neuronas que están en las
diferentes capas. Los modelos neuronales pueden ser de una sola neurona o la unión de
varias neuronas en varias capas [23].
En base a lo anteriormente expuesto concluimos que mediante la creación de un modelo
William Ruiz-Martinez, Jaime Andrés Arévalo, Jorge Enrique Herrera-Rubio,
Cesar Osimani
de red neuornal, podríamos replicar parte de las decisiones que toma un caficultor
humano en su propia finca. Basados en una serie de entrevistas con el caficultor dueño
de la finca, colaboradores y trabajadores del lugar, pudimos obtener la información en la
cual basan sus decisiones, cuáles son sus métodos de medición, de qué manera toma
acciones para la corrección de anomalías, cómo realizan sus estimaciones, y finalmente
de qué manera seleccionan y clasifican los granos de café. Dicho de otra manera, en
base a las entrevistas y visitas a las fincas, se obtuvo información de gran valor que
nos permitirá sintetizar la experiencia del caficultor para llevar adelante el proceso de
producción del café. Asumimos que un caficultor experto tiene la información más
valiosa y nadie mejor que él puede llevar adelante los procesos productivos en relación
con los cafetales en la finca.
Las decisiones que él puede tomar son las más adecuadas y oportunas, con la limitación
de que no dispone de grandes volúmenes de datos y no los puede tomar de forma
continua. Es decir, hablamos de un caficultor que no posee sensores de medición
automáticos y concentradores de datos, y que a pesar de ello realiza un muy buen análisis
de la información para tomar las acciones durante el cultivo. Por lo tanto, la inteligencia
humana de ese caficultor es sumamente valiosa.
En esta propuesta, queremos replicar esa inteligencia en un modelo que pueda estimar
las acciones, pero basado en grandes volúmenes de datos. A la hora de construir un
modelo es necesario disponer de un Dataset( Conjunto de datos), el cual está compuesto
por determinadas variables de entrada y los resultados obtenidos. Todo esto pensando
en una red neuronal artificial. La salida en nuestra propuesta es la calidad del café.
Este dato es obtenido luego de las entrevistas y centrado en una finca y en la clasificación
particular que realiza el caficultor entrevistado. De nuestras entrevistas, se requirió guiar
al caficultor para que nos pueda clasificar el café obtenido en su finca y que esta dato
sirva para confeccionar el Dataset (conjunto de datos) propuesto. Dicha clasificación es:
Café descartado, Café suave económico, Café suave premium, Café negro económico,
Café negro medio, Café negro premium. De las distintas épocas de cultivo, dependiendo
el clima que se da en todo el proceso, el caficultor puede predecir con 3 meses de
anticipación que el café que logrará en la próxima cosecha no será Café negro premium,
sino que sólo podrá alcanzar Café negro económico con seguridad y si toma las
decisiones adecuadas podrá también cosechar Café negro medio. Nuestra propuesta
intenta llevar a la inteligencia artificial basado en las redes neuronales artificiales. Por
otro lado, para la confección del Dataset necesitamos las variables de entrada, aquellas
variables que el propio caficultor utiliza para tomar las decisiones. Estas variables son:
pH medido una vez por semana, precipitaciones mensuales, promedio de temperatura
diaria. Basado en esta información extraída de las entrevistas, se decidirá colocar los
sensores para medir estas variables, con la diferencia que se realizará una medición
de manera continua. El caficultor también nos indica sus predicciones durante todo
el proceso de cultivo. Poder obtener esta información requirió de una comunicación
permanente con el caficultor. Con este modelo se desean realizar las predicciones sobre
El caficultor digital: una apuesta por la incursión de la tecnología en el agro
la calidad del café en base a los datos obtenidos por una red IoT. Esto permitirá tomar las
medidas adecuadas para corregir las desviaciones que no sean deseadas. Haciendo un
paralelismo con la realidad del caficultor, su experiencia le permite en ciertos momentos
corregir las desviaciones utilizando fertilizantes y nutrientes en la cantidad que el propio
caficultor determina. Justamente estas son las decisiones que toma el caficultor durante
la producción del café. Siempre sabiendo que la información que el caficultor dispone
es limitada, quizás por falta de sensorización en la finca, es decir, el caficultor hace lo
que puede con la información que tiene. Sin embargo, basados en las entrevistas, y la
comunicación permanente con el caficultor, también pudimos recabar la información de
los fertilizantes y nutrientes que se utilizaron, en qué cantidades y en qué momentos.
Esta información también es muy valiosa a la hora de confeccionar la arquitectura de la
red neuronal artificial para realizar las predicciones.
Resultados esperados
Se pudo determinar que los módulos de medición de temperatura y humedad ambiental
LoRaWAN LSN50v2-S31 y de temperatura, humedad y conductividad del suelo
LoRaWAN-LSE01-AU915 no necesitan de suministro de energía eléctrica ya que cuenta
internamente con una batería de Li-SOCI2 8500mAh la cual garantiza una medición de
datos en largos periodos de tiempo.
Se desarrollaron pruebas de distancia para determinar el alcance máximo de los módulos
inalámbricos LoRaWAN LSN50v2-S31 y LoRaWAN-LSE01-AU915 en relación con los
datos enviados al Gateway LoRaWAN PicoLG308N, de modo tal que se garantizara la
transmisión confiable de datos sin perdida y atenuación de la señal desde los nodos
sensores hacia la estación receptora encontrando que el alcance máximo está dentro
del límite establecido que es de 2 kilómetros en campo abierto. En la figura 10. podemos
apreciar el cálculo de evaluación de interferencias por difracción entre el nodo sensor
1 el cual se encuentra a 85 metros de la estación receptora (Gateway) en una banda de
operación de 915 MHz.
William Ruiz-Martinez, Jaime Andrés Arévalo, Jorge Enrique Herrera-Rubio,
Cesar Osimani
Con relación al nodo sensor 2, este se encuentra a 250 metros de la estación
receptora(Gateway) en la misma frecuencia de operación de 915 MHZ, podemos apreciar
el cálculo de evaluación de interferencias por difracción en la figura 11.
Cabe acotar que uno de los grandes limitantes del entrenamiento de la red ha sido el no
poder disponer de un Dataset con la cantidad de datos suficientes, por lo que ha tocado
trabajar con información climatología proveniente de sitios Web como Weather Spark, en
la figura 12. Podemos apreciar una grafica del clima en el municipio de Salento(Quindío)
en el mes de Julio de 2023.
Para el entrenamiento de la red neuronal se procedió a ajustar cada uno de los pesos
de las entradas de todas las neuronas que forman parte de la red neuronal, para que las
respuestas de la capa de salida se ajusten lo más posible a los datos que conocemos.
De igual forma se aclara que los datos obtenidos provienes de sitios Web de información
climatológica, al no contar con un Dataset(Conjunto de datos propio) para la recolección
de dichos datos. En la figura 13. Podemos apreciar el entrenamiento de un modelo
perceptrón multicapa similar al propuesto para este proyecto.
William Ruiz-Martinez, Jaime Andrés Arévalo, Jorge Enrique Herrera-Rubio,
Cesar Osimani
Una cuestión importante de resolver en el método de entrenamiento es el de establecer
de que forma se genera la población inicial. La forma más habitual de hacerlo en los
algoritmos genéticos es generar la población inicial aleatoriamente, con valores obtenidos
a través de una distribución uniforme definida dentro de un rango determinado. Los
resultados obtenidos para esta serie de experimentos permiten afirmar que el método
propuesto es menos dependiente de los valores iniciales que el algoritmo.
Mediante la adición de valores preseleccionados en la población inicial se logra que el
porcentaje de entrenamiento aumente en gran medida, para altos valores de inicialización.
Discusion y Conclusiones
Se evidencia que es necesario que la tecnología llegue los más rápido posible al agro
colombiano, ya que en muchas fincas y terrenos no se cuenta con información cuantitativa
de datos de producción, costos vs, beneficios y en general estadísticas que permitan
tener una mejor información sobre los terrenos y cultivos en determinada época del año.
Se hace necesario promover y difundir el uso de tecnologías como el IdC (Internet de
las cosas) y la agricultura de precisión con los caficultores. Se propone la realización de
conferencias o charlas informativas al respecto articulando los espacios con organismos
como la Federación Nacional de Cafeteros, Cenicafe y otros relacionados con las
actividades propias del proceso productivo del café.
Se pudo establecer que dentro de los factores fundamentales de los cultivos de café, se
encuentra la calidad del suelo donde se siembra el cultivo, ya que depende de la rapidez
de crecimiento y desarrollo de los árboles, el inicio de la producción, la cantidad y la
calidad de este, la resistencia al ataque de plagas y enfermedades y la duración de su
vida productiva.
En fincas como la del objeto de estudio por ser café de montaña, se da una sola cosecha
al año la cual se lleva a cabo entre los meses de Mayo y Junio.
Referencias
[1] M. Espinoza-Garcia, G. Alvarez-Martinez y D. Chora-Garcıa, «La perfecta combinacion
de la internet de las cosas y la agricultura de precision,» Killkana Tecnica, vol. 3, nº 2,
pp. 31-38, 2019.
[2] A. I. Montoya-Muñoz y O. M. Caicedo-Rendon, «An approach based on fog
computing for providing reliability in iot data collection: A case study in a colombian
coffee smart farm,» Applied Sciences, vol. 10, nº 24, 2020.
[3] S. K. Swami-Durai y M. D. Shamili, «Smart farming using machine learning and
deep learning techniques,» Decision Analytics Journal, vol. 3, nº 100041, 2022.
[4] J. Herrera y V. Ortiz, «Implementación de un sistema de monitoreo y control con
tecnología IoT para determinar el comportamiento de las variables ambientales en la
avicultura,» Investigación e innovación En Ingenierías, vol. 10, nº 1, pp. 30-41, 2022.
[5] I. D. D. López, J. F. Grass, A. Figueroa y J. C. Corrales, «A proposal for a multidomain data fusion strategy in a climate-smart agriculture context,» International
Transactions in Operational Research, vol. 30, nº 4, pp. 2049-2070, 2023.
[6] A. F. Jiménez, P. F. Cárdenas, F. Jiménez, A. Ruiz-Canales y A. López, «A cyberphysical intelligent agent for irrigation scheduling in horticultural crops,» Computers
and Electronics in Agriculture, vol. 178, nº 105777, 2020.
[7] M. Gutierrez- Hinestroza y S. . A. Iturralde-Kure, «Universidad Estatal Península
de Santa Elena,» [En línea]. Available: https://incyt.upse.edu.ec/libros/index.php/
upse/catalog/view/2/6/124-1. [Último acceso: 24 07 2023].
[8] E. C. Mantovani y C. Magdalena, «Procisur,» 24 03 2014. [En línea]. Available:
http://www.gisandbeers.com/RRSS/Publicaciones/Manual-Agricultura-Precision.
pdf. [Último acceso: 27 07 2023].
[9] H. Salazar y H. Duque, «Variables agronómicas determinantes de la productividad
del cultivo de café en fincas del departamento de caldas,» Revista Cenicafe, vol. 70,
pp. 81-92, 2019.
[10] J. E. Gutiérrez-Lopera, J. A. Toloza-Rangel, Á. J. Soto-Vergel, O. A. LópezBustamante y D. Guevara-Ibarra, «Sistema integrado de monitoreo inalámbrico de
variables agroambientales en un cultivo de tomate para la generación de mapas de
intensidad,» Revista UIS Ingenierıas, vol. 20, nº 2, pp. 163-180, 2021.
[11] R. Martínez Jacobson, Comparativa y estudio de plataformas IoT, Cataluña: Escola
Universitaria Politécnica de Mataro, 2017.
[12] V. Nundloll, B. Porter, B. Gordon S. , B. Emmett, J. Cosby, J. Davey L. , D. Chadwick,
B. Winterbourn, P. Beattie, . D. Graham, R. Shaw, W. Shelley, M. Brown y I. Ullah,
«The design and deployment of an end-to-end IoT infrastructure for the natural
environment,» Future Internet, vol. 11, nº 6, pp. 1-27, 2019.
[13] P. Sanjeevi, S. Prasanna, B. Siva Kumar, G. Gunasekaran, I. Alagiri y R. Vijay Anand,
«Precision agriculture and farming using internet of things based on wireless sensor
network,» Transactions on Emerging Telecommunications Technologies, vol. 12, p. 31,
2020.
[14] J. Jin, M. Yajie , Z. Yingcong y H. Qihui, «Design and implementation of an
agricultural IoT based on LORA,» de MATEC Web Conf, Malasya, 2018.
[15] M. Quiñones-Cuenca, V. González-Jaramillo, R. Torres y . M. Jumbo, «Sistema De
Monitoreo de Variables Medioambientales Usando Una Red de Sensores Inalámbricos
y Plataformas De Internet De Las Cosas,» ENFOQUE UTE, vol. 8, nº 1, pp. 329-343,
2017.
[16] H. Syed Zaeem, «aeris,» [En línea]. Available: https://www.aeris.com/resources/
aeris-intelligent-iot-network/. [Último acceso: 01 08 2023].
[17] J. Fernandez, N. Miranda, R. Guerrero y F. Piccoli, «Datos no Estructurados No
Textuales: Desarrollo de nuevas tecnologías,» de XII Workshop de Investigadores en
Ciencias de la Computación, San Luís , 2010.
[18] J. Villanueva Chávez, Marco de trabajo basado en ontologías para el proceso ETL
(Tesis de maestría), Mexico D.F.: Centro de Investigación y de Estudios avanzados del
IPN, 2011.
[19] C. Egas, D. Viracocha y J. Rivera, «Implementación de una red inalámbrica de
sensores para la gestión de luminarias utilizando IPv6,» Enfoque UTE, vol. 10, nº 4, pp.
45-56, 2019.
[20] . P. Fremantle, «WSO2,» [En línea]. Available: https://resources.wso2.com/
whitepapers/a-reference-architecture-for-the-internet-of-things. [Último acceso: 21
07 2023].
[21] J. Arcila Pulgarin, «Factores que determinan la productividad del
cafetal,» [En línea]. Available: https://www.cenicafe.org/es/documents/
LibroSistemasProduccionCapitulo3.pdf. [Último acceso: 02 08 2023].
[22] M. Nielsen, «Neural Networks and Deep Learning,» [En línea]. Available: http://
neuralnetworksanddeeplearning.com/about.html. [Último acceso: 06 08 2023].
[23] L. Bertona, Entrenamiento de Redes Neuronales Basado en Algoritmos (Tesis de
grado)., Buenos Aires: Universidad de Buenos Aires, 2005.
[24] «Weather Spark,» [En línea]. Available: https://es.weatherspark.com/m/22426/7/
Tiempo-promedio-en-julio-en-Salento-Colombia. [Último acceso: 06 08 2023].
[25] J. Egas Daza y A. F. Bravo Portilla, Calculando la disponibilidad de nitrógeno en
suelos establecidos con cultivos de café utilizando técnicas de aprendizaje automático
(Tesis de grado), Popayán : Universidad del Cauca, 2022.
