Machine learning como herramienta para mejorar la sostenibilidad y eficiencia en el cultivo de fresa en Colombia: Revisión de literatura

Abstract

Esta revisión de literatura consolida cómo se han aplicado el análisis de datos y el machine learning en el cultivo de fresa, con énfasis en los aportes más relevantes para la producción y la comercialización. Se identifican tres enfoques con mayor número de estudios: el análisis del fruto, orientado a evaluar calidad y rendimiento; el análisis del suelo y la planta, centrado en estimar nutrientes y vigor; y la detección de enfermedades y plagas mediante técnicas de visión e inteligencia artificial. Los otros estudios están enfocados a la gestión general del cultivo y se incluye un estudio basado en Twitter que demuestra el potencial del análisis de redes sociales para apoyar la comercialización. Los resultados muestran que estas tecnologías mejoran la precisión, permiten predicciones más rápidas y facilitan la detección temprana de problemas, aunque todavía enfrentan limitaciones relacionadas con disponibilidad de datos, validación en campo y dependencia de sensores especializados. En general, los estudios coinciden en que el machine learning puede contribuir de manera importante a optimizar el manejo agronómico y fortalecer la competitividad del cultivo. Se recomienda avanzar en la generación de datos locales para Colombia, validar modelos en diferentes regiones productoras y promover el uso de herramientas que integren análisis agronómicos y de mercado para mejorar la sostenibilidad y competitividad del cultivo de fresa.