Precision Agriculture Technologies for Irrigation and Agricultural Mechanization: Adaptability to the Cuban Context

Results and Discussion

⌅

Analysis of the selected articles confirms exponential growth in research on precision agriculture (PA) applied to irrigation, fertilization, and crop protection, especially since 2017. This coincides with the increased availability of low-cost technologies, such as IoT sensors and drones, and the rise of artificial intelligence techniques (Wolfert et al., 2017WOLFERT, S.; GE, L.; VERDOUW, C.; BOGAARDT, M.J.: “Big Data in Smart Farming-A Review”, Agricultural Systems, 153: 69-80, 2017, ISSN: 0308-521X, DOI: http://doi.org/10.1016/j.agsy.2017.01.023. ; Liakos et al., 2018LIAKOS, K.G.; BUSATO, P.; MOSHOU, D.; PEARSON, S.; BOCHTIS, D.: “Machine learning in agriculture: A review”, Sensors, 18(8): 2674, 2018, ISSN: 1424-8220, DOI: http://doi.org/10.3390/s18082674. ). Most studies focused on extensive crops such as maize, wheat, rice, and soybeans, which represent a large portion of the global agricultural area and have high input consumption.

State of the Art of Technologies

⌅

Smart Irrigation and Water Management

⌅

Smart irrigation systems have evolved from simple timer-based automation to complex, data-driven decision support systems (DSS). The fundamental component is soil moisture sensors, deployed on wireless network systems (WSNs) that use low-power protocols such as LoRaWAN, ZigBee, or NB-IoT to transmit data in real time (Ojha et al., 2015OJHA, T.; MISRA, S.; RAGHUWANSHI, N.S.: “Wireless sensor networks for agriculture: The state-of-the-art in practice and future challenges”, Computers and Electronics in Agriculture, 118: 66-84, 2015, ISSN: 0168-1699, DOI: http://doi.org/10.1016/j.compag.2015.08.011. ; Jawad et al., 2017JAWAD, H.M.; NORDIN, R.; GHARGHAN, S.K.; JAWAD, A.M.; ISMAIL, M.: “Energy efficient wireless sensor networks for precision agriculture: A review”, Sensors, 17(8): 1781, 2017, ISSN: 1424-8220, DOI: http://doi.org/10.3390/s17081781. ). Alongside these, automatic weather stations provide essential data for calculating reference evapotranspiration (ETo), a key parameter in water balance models (Liu et al., 2025LIU, X.; ZHAO, Z.; REZAEIPANAH, A.: “Intelligent and automatic irrigation system based on internet of things using fuzzy control technology”, Scientific Reports, 15: 14577, 2025, ISSN: 2045-2322, DOI: http://doi.org/10.1038/s41598-025-98137-2. ; Morchid et al., 2026MORCHID, A.; QJIDAA, H.; ALAMI, R.E.; MOBAYEN, S.; SKRUCH, P.; BOSSOUFI, B.: “Smart irrigation-based internet of things and cloud computing technologies for sustainable Farming”, Scientific Reports, 16: 5293, 2026, ISSN: 2045-2322, DOI: http://doi.org/10.1038/s41598-026-35810-0. ). The integration of these sensors with cloud platforms and AI algorithms enables precise remote irrigation management (Morchid et al., 2026MORCHID, A.; QJIDAA, H.; ALAMI, R.E.; MOBAYEN, S.; SKRUCH, P.; BOSSOUFI, B.: “Smart irrigation-based internet of things and cloud computing technologies for sustainable Farming”, Scientific Reports, 16: 5293, 2026, ISSN: 2045-2322, DOI: http://doi.org/10.1038/s41598-026-35810-0. ).

A significant advancement has been the integration of machine learning (ML) algorithms. Models such as Random Forest, Support Vector Machines (SVM), and especially Long Short-Term Memory (LSTM) recurrent neural networks are used to predict crop water requirements hours or days in advance, based on time series data from sensors and weather forecasts (Adeyemi et al., 2017ADEYEMI, O.; GROVE, I.; PEETS, S.; NORTON, T.: “Advanced monitoring and management systems for improving sustainability in precision irrigation”, Sustainability, 9(3): 353, 2017, ISSN: 2071-1050, DOI: http://doi.org/10.3390/su9030353. ; Goap et al., 2018GOAP, A.; SHARMA, D.; SHUKLA, A.K.; RAMA KRISHNA, C.: “An IoT based smart irrigation management system using machine learning and open source technologies”, Computers and Electronics in Agriculture, 155: 41-49, 2018, ISSN: 0168-1699, DOI: http://doi.org/10.1016/j.compag.2018.09.040. ). These predictive models outperform threshold-based methods because they can anticipate demand and optimize water use more dynamically (Chlingaryan et al., 2018CHLINGARYAN, A.; SUKKARIEH, S.; WHELAN, B.: “Machine learning approaches for crop yield prediction and nitrogen status estimation in precision agriculture: A review”, Computers and Electronics in Agriculture, 151: 61-69, 2018, ISSN: 0168-1699, DOI: http://doi.org/10.1016/j.compag.2018.05.012. ). Zhang et al. (2020)ZHANG, X.; CAO, Z.; DONG, W.: “Overview of edge computing in the agricultural internet of things: key technologies, applications, challenges”, IEEE Access, 8: 141748-141761, 2020, ISSN: 2169-3536, DOI: http://doi.org/10.1109/ACCESS.2020.3013005. demonstrated that LSTM models can predict soil water content with a root mean square error (RMSE) of less than 2-3%. Table 1 summarizes the most relevant findings in the area of smart irrigation and its potential for adaptation to the Cuban context.

Table 1. Smart Irrigation Applications: Results and Potential for Adaptation to Cuba

Aplicación / Tecnología	Result Obtained	Country/Region	Reference	Possibility of applying in Cuba	Challenges and Perspectives for its Introduction in Cuba
Sistema de riego autónomo con IoT y control difuso	Significant improvement in water savings and in the lifespan of the sensor network. Water savings of 61% compared to average methods.	China (simulation)	(Liu et al., 2025LIU, X.; ZHAO, Z.; REZAEIPANAH, A.: “Intelligent and automatic irrigation system based on internet of things using fuzzy control technology”, Scientific Reports, 15: 14577, 2025, ISSN: 2045-2322, DOI: http://doi.org/10.1038/s41598-025-98137-2. )	High performance, especially the low-cost version. The system is scalable and adaptable to different environments.	Field validation with local crops. Adaptation of the fuzzy algorithm to Cuban soil and climate conditions.
Low-cost IoT + cloud precision irrigation system	Precise environmental monitoring and optimal irrigation scheduling with an implementation cost of only $44 USD	Morocco (prototype)	(Morchid et al., 2026MORCHID, A.; QJIDAA, H.; ALAMI, R.E.; MOBAYEN, S.; SKRUCH, P.; BOSSOUFI, B.: “Smart irrigation-based internet of things and cloud computing technologies for sustainable Farming”, Scientific Reports, 16: 5293, 2026, ISSN: 2045-2322, DOI: http://doi.org/10.1038/s41598-026-35810-0. )	Very high. Low cost is crucial in the Cuban context.	Field trials with local crops and calibration of sensors for Cuban soils. Evaluation of long-term durability and performance under tropical conditions.
IoT + cloud smart irrigation system	Automation and real-time data analysis for optimal water management.	Morocco	(Elhoseny et al., 2026ELHOSENY, M.; JAHID, K.; LATIF, R.; SADDIK, A.; ATASSI, R.: “Recent advances in IoT-driven crop monitoring and precision irrigation: Technologies, models, and future challenges”, Scientific African, 2026, (en prensa), ISSN: 2468-2276, DOI: http://doi.org/10.1016/j.sciaf.2026.e03222. )	High. The cloud platform enables remote monitoring and centralized decision-making.	Need to improve internet connectivity in rural areas. Adaptation of the platform to local crops and conditions.
Integrated system: satellite + ML + fuzzy logic	Water savings of approximately 70% compared to traditional methods. Crop prediction with ML (97.35% accuracy).	Bangladesh	(Saha et al., 2025SAHA, S.; KUCHER, O.D.; UTKINA, A.O.; REBOUH, N.Y.: “Precision agriculture for improving crop yield predictions: a literature review”, Frontiers in Agronomy, 7: 1566201, 2025, ISSN: 2673-3218, DOI: http://doi.org/10.3389/fagro.2025.1566201. )	High, but requires advanced technical capabilities. The combination of satellites, ML, and fuzzy logic is very promising.	Lack of data infrastructure and trained personnel in machine learning and remote sensing. High initial computational cost.
Meta-analysis of crop protection technologies	Reduction of herbicide use by up to 97% through selective application systems.	Global	(Anastasiou et al., 2023ANASTASIOU, E.; FOUNTAS, S.; VOULGARAKI, M.; PSIROUKIS, V.; KOUTSIARAS, M.; KRIEZI, O.; LAZAROU, E.; VATSANIDOU, A.; FU, L.; DI BARTOLO, F.; JESUS BARREIRO, J.; MANUEL GOMEZ, J.: “Precision farming technologies for crop protection: A meta-analysis”, Smart Agricultural Technology, 5: 100323, 2023, ISSN: 2772-3755, DOI: http://doi.org/10.1016/j.atech.2023.100323. )	Potential for high-value crops. Input savings are very attractive, but the technology requires investment.	Cost of spot spraying equipment. Need to develop accurate prescription maps for local conditions.

Technologies for Precision Nutrient Management

⌅

Precision nutrient management aims to optimize fertilization by applying the correct dose at the right time and place, requiring a detailed understanding of the spatial and temporal variability of soil fertility and crop nutritional status. Sensors play a crucial role in this process. Soil nutrient sensors (for N, P, and K) allow for high-resolution spatial mapping of soil fertility (Islam et al., 2023ISLAM, M.R.; OLIULLAH, K.; KABIR, M.M.; ALOM, M.; MRIDHA, M.F.: “Machine learning enabled IoT system for soil nutrients monitoring and crop recommendation”, Journal of Agriculture and Food Research, 14: 100880, 2023, ISSN: 2666-1543, DOI: http://doi.org/10.1016/j.jafr.2023.100880. ). However, active optical sensors (such as the GreenSeeker or Crop Circle) are more common for real-time application and have become established as relatively low-cost, highly effective tools. These sensors, mounted on sprayers or drones, measure the reflectance of the crop canopy in specific spectral bands (red, red edge, near-infrared) to calculate vegetation indices such as the Normalized Difference Vegetation Index (NDVI) or the Normalized Difference Red Edge Vegetation Index (NDRE), which are correlated with chlorophyll content and crop vigor, and therefore with its nutrient requirements (Wolters et al., 2019WOLTERS, S.; SÖDERSTRÖM, M.; PIIKKI, K.; STENBERG, M.: “Near-real time winter wheat N uptake from a combination of proximal and remote optical measurements: How to refine Sentinel-2 satellite images for use in a precision agriculture decision support system”, Proceedings of the 12th European Conference on Precision Agriculture, Montpellier, France, 8-11 July 2019, Wageningen Academic Publishers, pp. 415-421, 2019, ISBN: 978-90-8686-337-2.; Karydas et al., 2023KARYDAS, C.; CHATZIANTONIOU, M.; STAMKOPOULOS, K.; IATROU, M.; VASSILIADIS, V.; MOURELATOS, S.: “Embedding a precision agriculture service into a farm management information system - ifarma/PreFer”, Smart Agricultural Technology, 4: 100175, 2023, ISSN: 2772-3755, DOI: http://doi.org/10.1016/j.atech.2023.100175. ).

In addition to optical sensors, electrochemical and near-infrared (NIR) spectroscopy sensors are gaining ground for in-situ soil nutrient monitoring. Although their use is more complex, they offer the possibility of creating high-resolution fertility maps (Adamchuk et al., 2004ADAMCHUK, V.I.; HUMMEL, J.W.; MORGAN, M.T.; UPADHYAYA, S.K.: “On-the-go soil sensors for precision agriculture”, Computers and electronics in agriculture, 44(1): 71-91, 2004, ISSN: 0168-1699.).

Variable rate technology (VRT) integrates real-time sensor data or prescription maps to adjust the amount of fertilizer applied to different areas of a field (Koch et al., 2004KOCH, B.; KHOSLA, R.; FRASIER, W.M.; WESTFALL, D.G.; INMAN, D.: “Economic feasibility of variable-rate nitrogen application utilizing site-specific management zones”, Agronomy Journal, 96(6): 1572-1580, 2004, ISSN: 0002-1962, DOI: http://doi.org/10.2134/agronj2004.1572. ; Schimmelpfennig & Ebel, 2016SCHIMMELPFENNIG, D.; EBEL, R.: “Sequential Adoption and Cost Savings from Precision Agriculture”, Journal of Agricultural and Resource Economics, 41(1): 97-115, 2016, ISSN: 1068-5502, DOI: http://doi.org/10.22004/ag.econ.230771. ). VRT systems for solid and liquid fertilizers are commercially available and connect to GPS-equipped tractors. Research shows that VRT can increase nitrogen use efficiency by more than 20% by applying fertilizer where it is most needed, reducing over-application in low-potential areas and under-application in high-potential areas (Karydas et al., 2023KARYDAS, C.; CHATZIANTONIOU, M.; STAMKOPOULOS, K.; IATROU, M.; VASSILIADIS, V.; MOURELATOS, S.: “Embedding a precision agriculture service into a farm management information system - ifarma/PreFer”, Smart Agricultural Technology, 4: 100175, 2023, ISSN: 2772-3755, DOI: http://doi.org/10.1016/j.atech.2023.100175. ).

The reviewed studies consistently demonstrate that precision fertilization can reduce total nitrogen fertilizer use by 10% to 30% without compromising yield, and in many cases even slightly increasing it (Colaço & Bramley, 2018COLAÇO, A.F.; BRAMLEY, R.G.: “Do crop sensors promote improved nitrogen management in grain crops?”, Field Crops Research, 218: 126-140, 2018, ISSN: 0378-4290, DOI: http://doi.org/10.1016/j.fcr.2018.01.017. ). This improved efficiency translates into significant economic and environmental savings by reducing nitrate leaching losses and greenhouse gas emissions (Diacono et al., 2013). The use of integrated platforms such as ifarma/PreFer, which combine sensor data, satellite imagery, and machine learning (ML) algorithms, allows for closing the precision fertilization loop by generating fertilizer prescription maps from multiple data sources, facilitating its implementation at the farm level (Karydas et al., 2023KARYDAS, C.; CHATZIANTONIOU, M.; STAMKOPOULOS, K.; IATROU, M.; VASSILIADIS, V.; MOURELATOS, S.: “Embedding a precision agriculture service into a farm management information system - ifarma/PreFer”, Smart Agricultural Technology, 4: 100175, 2023, ISSN: 2772-3755, DOI: http://doi.org/10.1016/j.atech.2023.100175. ).

Precision Machining and Agricultural Robotics

⌅

In the field of mechanization, innovations are focused on autonomous robotics and unmanned vehicles. Ground-based (UGV) and aerial (UAV) robots are transforming field operations, from planting to harvesting, offering unprecedented precision and addressing the growing labor shortage (Comparetti et al., 2025COMPARETTI, A.; FAGIOLINI, A.; FOUNTAS, S.; CASCIO, V.: “Field robots for precision agriculture”, AIMS Agriculture and Food, 10(4): 885-916, 2025, ISSN: 2471-2086, DOI: http://doi.org/10.3934/agrfood.2025046. ). Table 2 summarizes the most significant advances in this area.

Table 2. Precision Mechanization Applications: Results and Potential for Adaptation to Cuba

Aplicación / Tecnología	Result Obtained	Country / Region	Reference	Possibility of applying in Cuba	Challenges and Perspectives for its Introduction in Cuba
Field robots (UGVs) for precision agriculture	Classification of UGVs according to size and function. Their role in planting, crop protection, and fruit harvesting is noteworthy.	Global	(Comparetti et al., 2025COMPARETTI, A.; FAGIOLINI, A.; FOUNTAS, S.; CASCIO, V.: “Field robots for precision agriculture”, AIMS Agriculture and Food, 10(4): 885-916, 2025, ISSN: 2471-2086, DOI: http://doi.org/10.3934/agrfood.2025046. )	Low in the short term, potential in the medium term. Advanced robotics requires high investment and maintenance.	High acquisition and maintenance costs. Obsolescence of current machinery. Lack of specialized technical personnel in robotics.
Autonomous driving in agricultural machinery	Review of key technologies: navigation, perception, control, and fault tolerance. Commercial adoption limited by cost and lack of standardization.	Global	(Liu et al., 2025LIU, X.; ZHAO, Z.; REZAEIPANAH, A.: “Intelligent and automatic irrigation system based on internet of things using fuzzy control technology”, Scientific Reports, 15: 14577, 2025, ISSN: 2045-2322, DOI: http://doi.org/10.1038/s41598-025-98137-2. )	Short-term decline. Autonomous machinery is still expensive and requires modern tractors with compatible electronic systems.	The Cuban machinery fleet is mostly obsolete (over 30 years old). A thorough fleet renewal is needed.
Autonomous robots for mechanical weeding	Intelligent robotic row weeding system that combines deep learning with a selective weeding mode. High efficiency in weed removal.	China	(Quan et al., 2022QUAN, L.; JIANG, W.; LI, H.; LI, H.; WANG, Q.; CHEN, L.: “Intelligent intra-row robotic weeding system combining deep learning technology with a targeted weeding mode”, Biosystems Engineering, 216: 13-31, 2022, ISSN: 1537-5110, DOI: http://doi.org/10.1016/j.biosystemseng.2022.01.019. )	Potential for organic or high-value crops. Mechanical weeding reduces reliance on herbicides.	Robot cost. Validation of the technology in Cuban crops (e.g., vegetables, tobacco). Adaptation to different soil types and field conditions.
Autonomous harvesting robots	Harvesting robots for strawberries that address labor shortages, increasing productivity and accuracy.	USA	(McFadden et al., 2024McFADDEN, J.; ERICKSON, B.; LOWENBERG, J.; MILICS, G.: “Global Adoption of Precision Agriculture: An Update on Trends and Emerging Technologies”, en: Proceedings of the 16th International Conference on Precision Agriculture, Manhattan, Kansas, USA, 21-24 July 2024, pp. 1-16.)	Short-term price decrease. Technology still under development and with high costs, intended for high-value crops on large farms.	High-value Cuban crops (e.g., tobacco, fruits) could be niche applications, but the initial investment is prohibitive.
Unmanned aerial vehicles (UAVs/drones)	A consolidated tool for crop monitoring, creation of prescription maps (NDVI), and detection of water stress and diseases.	Global	(Tsouros et al., 2019TSOUROS, D.C.; BIBI, S.; SARIGIANNIDIS, P.G.: “A review on UAV-based applications for precision agriculture”, Information, 10(11): 349, 2019, ISSN: 2078-2489, DOI: http://doi.org/10.3390/info10110349. ; Velusamy et al., 2022VELUSAMY, P.; RAJENDRAN, S.; MAHENDRAN, R.K.; NASEER, S.; SHAFIQ, M.; CHOI, J.G.: “Unmanned Aerial Vehicles (UAV) in Precision Agriculture: Applications and Challenges”, Energies, 15(1): 217, 2022, ISSN: 1996-1073, DOI: http://doi.org/10.3390/en15010217. )	High, especially for monitoring. Low-cost commercial drones are accessible and can be operated with basic training.	Flight regulations. Need to process and interpret images to generate actionable agronomic recommendations (requires training).

AIoT Systems for Pest Detection and Management

⌅

The convergence of IoT and Deep Learning (AIoT) enables a shift from reactive, broad-spectrum pest management to predictive, precision management. IoT, through wireless sensor networks, weather stations, and smart traps, provides the layer for collecting massive amounts of real-time data on environmental conditions and pest presence (Elijah et al., 2018ELIJAH, O.; RAHMAN, T.A.; ORIKUMHI, I.; LEOW, C.Y.; HINDIA, M.N.: “An overview of Internet of Things (IoT) and data analytics in agriculture: Benefits and challenges”, IEEE Internet of Things Journal, 5(5): 3758-3773, 2018, ISSN: 2327-4662, DOI: http://doi.org/10.1109/JIOT.2018.2844296. ; Xu et al., 2022XU, J.; GU, B.; TIAN, G.: “Review of agricultural IoT technology”, Artificial Intelligence in Agriculture, 6: 10-22, 2022, ISSN: 2589-7217, DOI: http://doi.org/10.1016/j.aiia.2022.01.001. ). AI, and in particular Deep Learning (DL), equips systems with the ability to analyze these enormous amounts of data (images, time series) to identify subtle patterns, classify diseases, and predict outbreaks with unprecedented accuracy (Kamilaris & Prenafeta-Boldú, 2018KAMILARIS, A.; PRENAFETA-BOLDÚ, F.X.: “Deep learning in agriculture: A survey”, Computers and Electronics in Agriculture, 147: 70-90, 2018, ISSN: 0168-1699, DOI: http://doi.org/10.1016/j.compag.2018.02.016. ; Liakos et al., 2018LIAKOS, K.G.; BUSATO, P.; MOSHOU, D.; PEARSON, S.; BOCHTIS, D.: “Machine learning in agriculture: A review”, Sensors, 18(8): 2674, 2018, ISSN: 1424-8220, DOI: http://doi.org/10.3390/s18082674. ). Table 3 summarizes the most relevant advances in this area.

Table 3. AIoT Applications for Pest Detection: Results and Potential for Adaptation to Cuba

Aplicación / Tecnología	Result Obtained	Country / Region	Reference	Possibility of applying in Cuba	Challenges and Perspectives for its Introduction in Cuba
Disease detection with hyperspectral imaging	Detection of wheat yellow rust with 90-95% accuracy before visible symptoms.	China	(Huang et al., 2007HUANG, W.; LAMB, D.W.; NIU, Z.; ZHANG, Y.; LIU, L.; WANG, J.: “Identification of yellow rust in wheat using in-situ spectral reflectance measurements and airborne hyperspectral imaging”, Precision Agriculture, 8: 187-197, 2007, ISSN: 1385-2256, DOI: http://doi.org/10.1007/s11119-007-9038-9. )	Medium. Requires specialized equipment (hyperspectral cameras) and trained personnel.	High cost of equipment. Need to develop spectral libraries for local crops and diseases.
IoT smart traps for monitoringinsectos	Automatic counting and classification of insects with 90-96% accuracy.	Greece	(Potamitis et al., 2014POTAMITIS, I.; RIGAKIS, I.; FYSARAKIS, K.: “The electronic McPhail trap”, Sensors, 14(12): 22285-22299, 2014, ISSN: 1424-8220, DOI: http://doi.org/10.3390/s141222285. )	High. Relatively low-cost technology that can be replicated with local components.	Development of traps adapted to the main pests of Cuba. Field validation. Training for data interpretation.
Convolutional neural networks (CNNs) for disease classification.	CNN models (AlexNet, ResNet, YOLO) achieve >95% accuracy in foliar disease classification.	Global	(Singh & Gupta, 2018SINGH, S.; GUPTA, S.: “Apple scab and marsonina coronaria diseases detection in apple leaves using machine learning”, International Journal of Pure and Applied Mathematics, 118(9): 1151-1166, 2018, ISSN: 1311-8080.; Jiang et al., 2019JIANG, P.; CHEN, Y.; LIU, B.; HE, D.; LIANG, C.: “Real-time detection of apple leaf diseases using deep learning approach based on improved convolutional neural networks”, IEEE Access, 7: 59069-59080, 2019, ISSN: 2169-3536, DOI: http://doi.org/10.1109/ACCESS.2019.2914929. )	High, as an extension support tool. CNN-based mobile applications can be used by technicians and farmers.	Development of local databases of disease images. Adaptation of pre-trained models to Cuban conditions. Training in the use of applications.
Selective application systems (spot spraying).	Reduction of herbicide use by up to 90% through localized spraying.	USA	(Partel et al., 2019PARTEL, V.; CHARAN KAKARLA, S.; AMPATZIDIS, Y.: “Development and evaluation of a low-cost and smart technology for precision weed management utilizing artificial intelligence”, Computers and Electronics in Agriculture, 157: 339-350, 2019, ISSN: 0168-1699, DOI: http://doi.org/10.1016/j.compag.2018.12.048. )	Potential for high-value crops. Input savings may justify the investment.	Equipment costs. Need to develop accurate prescription maps. Validation under local conditions.
Autonomous mechanical weeding robots	Elimination of 80-90% of weeds in organic crops, reducing dependence on herbicides.	Europe	(Machleb et al., 2020MACHLEB, J.; PETEINATOS, G.G.; KOLLENDA, B.L.; ANDÚJAR, D.; GERHARDS, R.: “Sensor-based mechanical weed control: present state and prospects”, Computers and Electronics in Agriculture, 176: 105638, 2020, ISSN: 0168-1699, DOI: http://doi.org/10.1016/j.compag.2020.105638. )	Potential for urban and peri-urban agriculture, and for high-value organic crops.	Robot cost. Validation in Cuban crops (e.g., vegetables, tobacco). Adaptation to different soil types.
Release of biological control agents using drones.	Precise release of parasitoid wasps in affected areas, optimizing biological control.	USA	(Teske et al., 2019TESKE, A.L.; CHEN, G.; NANSEN, C.; KONG, Z.: “Optimised dispensing of predatory mites by multirotor UAVs in wind: a distribution pattern modelling approach for precision pest management”, Biosystems Engineering, 187: 226-238, 2019, ISSN: 1537-5110, DOI: http://doi.org/10.1016/j.biosystemseng.2019.09.009. )	Medium potential. Requires coordination between biological control programs and drone technology.	Flight regulations. Staff training. Integration with existing biological control programs in Cuba.

Technology Integration: AIoT, Agricultural Management Systems (FMIS) and Digital Twins

⌅

The true potential of digital agriculture is realized through the integration of all technologies on unified platforms. Integrated Farm Management Systems (IFMS) act as the brain of the operation, integrating data from sensors, satellites, and machinery to generate precise recommendations. Modern IFMS have evolved from simple logging tools to comprehensive cloud-based platforms that offer a wide range of functionalities: field and crop management, integration of data from multiple sources, traceability, economic analysis, and prescription map generation (Paraforos et al., 2017PARAFOROS, D.S.; VASSILIADIS, V.; KORTENBRUCK, D.; STAMKOPOULOS, K.; ZIOGAS, V.; SAPOUNAS, A.A.; GRIEPENTROG, H.W.: “Multi-level automation of farm management information systems”, Computers and Electronics in Agriculture, 142: 504-514, 2017, ISSN: 0168-1699, DOI: http://doi.org/10.1016/j.compag.2017.11.022. ; Comparetti et al., 2025COMPARETTI, A.; FAGIOLINI, A.; FOUNTAS, S.; CASCIO, V.: “Field robots for precision agriculture”, AIMS Agriculture and Food, 10(4): 885-916, 2025, ISSN: 2471-2086, DOI: http://doi.org/10.3934/agrfood.2025046. ).

The synergy between IFMS and VRT is clear: IFMS acts as the "brain" that integrates and analyzes data and generates prescriptions, which VRT, like the "arm," then executes in the field. In turn, the data generated during the VRT application (e.g., real-world application maps) feeds back into the FMIS, closing the loop and enabling continuous learning and improvement (Paraforos et al., 2017PARAFOROS, D.S.; VASSILIADIS, V.; KORTENBRUCK, D.; STAMKOPOULOS, K.; ZIOGAS, V.; SAPOUNAS, A.A.; GRIEPENTROG, H.W.: “Multi-level automation of farm management information systems”, Computers and Electronics in Agriculture, 142: 504-514, 2017, ISSN: 0168-1699, DOI: http://doi.org/10.1016/j.compag.2017.11.022. ; Karydas et al., 2023KARYDAS, C.; CHATZIANTONIOU, M.; STAMKOPOULOS, K.; IATROU, M.; VASSILIADIS, V.; MOURELATOS, S.: “Embedding a precision agriculture service into a farm management information system - ifarma/PreFer”, Smart Agricultural Technology, 4: 100175, 2023, ISSN: 2772-3755, DOI: http://doi.org/10.1016/j.atech.2023.100175. ).

Digital twins take this concept a step further, allowing for the simulation and optimization of scenarios before field implementation (Purcell & Neubauer, 2023PURCELL, W.; NEUBAUER, T.: “Digital Twins in Agriculture: A State-of-the-Art Review”, Smart Agricultural Technology, 3: 100094, 2023, ISSN: 2772-3755, DOI: http://doi.org/10.1016/j.atech.2022.100094. ; Escribà et al., 2024ESCRIBÀ, M.; LIANG, S.; VAN SCHALKWYK, P.; FISK, I.; LONG, N.V.D.; HESSEL, V.: “Digital twins in agriculture: orchestration and applications”, Journal of Agricultural and Food Chemistry, 72(19): 10737-10752, 2024, ISSN: 0021-8561, DOI: http://doi.org/10.1021/acs.jafc.4c01934. ). Table 4 summarizes the most relevant advances in this area.

Table 4. Technology Integration Applications (AIoT, FMIS, Digital Twins): Results and Potential for Adaptation to Cuba

Aplicación / Tecnología	Result Obtained	Country / Region	Reference	Possibility of applying in Cuba	Challenges and Perspectives for its Introduction in Cuba
Precision fertilization service (PreFer) integrated into FMIS (ifarma)	A system that combines sensor data, satellite imagery, and machine learning to generate fertilizer prescription maps. It demonstrates how data integration can close the precision agriculture cycle.	Greece	(Karydas et al., 2023KARYDAS, C.; CHATZIANTONIOU, M.; STAMKOPOULOS, K.; IATROU, M.; VASSILIADIS, V.; MOURELATOS, S.: “Embedding a precision agriculture service into a farm management information system - ifarma/PreFer”, Smart Agricultural Technology, 4: 100175, 2023, ISSN: 2772-3755, DOI: http://doi.org/10.1016/j.atech.2023.100175. )	Alta, as a model to follow. A similar system could be developed for Cuba, integrating local data.	Need for a national or regional FMIS. Requires data infrastructure and personnel trained in machine learning and remote sensing. Inter-institutional coordination.
Integrated systems architecture for smart agriculture	Integration of IoT sensors, cloud computing and AI/ML algorithms to optimize operations (irrigation, fertilization, spraying).	Global	(Padhiary et al., 2025PADHIARY, M.; KUMAR, A.; NARAYAN, L.: “Emerging technologies for smart and sustainable precision agriculture”, Discover Robotics, 1: 6, 2025, ISSN: 3004-9157, DOI: http://doi.org/10.1007/s44430-025-00006-0. )	Media, as a long-term vision. The proposed architecture is complex and requires advanced technological infrastructure.	Develop a simplified architecture adapted to Cuban conditions. Prioritize interoperability and the use of open standards.
Digital twins in agriculture	Virtual replicas of farms that allow simulating the impact of different management strategies (irrigation, fertilization, rotation) before implementing them.	Global	(Purcell & Neubauer, 2023PURCELL, W.; NEUBAUER, T.: “Digital Twins in Agriculture: A State-of-the-Art Review”, Smart Agricultural Technology, 3: 100094, 2023, ISSN: 2772-3755, DOI: http://doi.org/10.1016/j.atech.2022.100094. ; Escribà et al., 2024ESCRIBÀ, M.; LIANG, S.; VAN SCHALKWYK, P.; FISK, I.; LONG, N.V.D.; HESSEL, V.: “Digital twins in agriculture: orchestration and applications”, Journal of Agricultural and Food Chemistry, 72(19): 10737-10752, 2024, ISSN: 0021-8561, DOI: http://doi.org/10.1021/acs.jafc.4c01934. )	Low short-term price, long-term potential. Emerging technology that requires large volumes of data and high computing power.	Develop digital twins for strategic crops (e.g., sugarcane, rice, tobacco) in collaboration with research centers. Training staff in modeling and simulation is key.
Conversational assistants based on generative AI	They provide personalized agronomic advice to farmers, adapted to their specific conditions and in natural language.	Global (conceptual)	(Boscán & Boscán, 2025BOSCÁN BOSCÁN, A.C.; BOSCÁN BOSCÁN, A.J.: “Artificial intelligence in agriculture: A view from a sustainable development perspective”, Agrociencia Uruguay, 29: e1502, 2025, ISSN: 2730-5066, DOI: http://doi.org/10.31285/AGRO.29.1502. )	High potential in the medium term. Once the Cuban agronomic knowledge base is developed, this technology could be very useful for agricultural extension.	Create a digital knowledge base with local agronomic information (soils, crops, climate, practices). Train specialists in the use and development of these tools.

Analysis of Adaptability to the Cuban Context

⌅

The transfer of these technologies to Cuba faces significant barriers encompassing technical, economic, institutional, and social aspects. However, it also presents unique opportunities that can be leveraged for successful adaptation.

Barriers and Challenges

⌅

A key structural challenge is the obsolescence of the agricultural machinery fleet. It is estimated that more than 80% of tractors in Cuba are over 30 years old. This reality hinders the integration of automatic guidance systems, VRT, and sensors that require electronic compatibility and modern communication systems. The simple installation of an ISOBUS adaptation kit (international standard ISO 11783), for example, is not feasible on most of this equipment without a profound technological upgrade. This limitation is exacerbated by the lack of standardization and interoperability between different platforms and manufacturers, which generates isolated data repositories and hinders system integration (Gupta & Kumar, 2025GUPTA, G.; KUMAR, S.: “Applications of AI in precision agriculture”, Discover Agriculture, 3: 61, 2025, ISSN: 2731-9598, DOI: http://doi.org/10.1007/s44279-025-00220-9. ).

In the water sector, the inefficiency of irrigation systems is another major problem. Seventy percent of cultivated areas use surface irrigation with efficiencies below 50%, representing an annual loss of more than 1.2 billion cubic meters of water (MINAG, 2023MINAG: Anuario Estadístico Agropecuario 2022, Ministerio de la Agricultura, La Habana, Cuba, 2023.; Tejeda et al., 2025TEJEDA, V.; HERRERA, J.; RÍOS, A.; LÓPEZ, R.: “Agricultural Engineering in the System of the Cuban Agriculture, a Challenge in the Current Times”, Ingeniería Agrícola, 15, 2025, ISSN: 2227-8761.). This situation reflects not only a technological problem but also a lack of monitoring and control systems. The high investment costs for technologies such as precision sensors, high-end drones, and automated irrigation systems represent a significant economic barrier, especially for small and medium-sized farms (Pierpaoli et al., 2013PIERPAOLI, E.; CARLIA, G.; PIGNATTI, E.; CANAVARI, M.: CDrivers of precision agriculture technologies adoption: A literature review”, Procedia Technology, 8: 61-69, 2013, ISSN: 2212-0173, DOI: http://doi.org/10.1016/j.protcy.2013.11.010. ). Munz & Schuele (2022)MUNZ, J.; SCHUELE, H.: “Influencing the Success of Precision Farming Technology Adoption-A Model-Based Investigation of Economic Success Factors in Small-Scale Agriculture”, Agriculture, 12(11): 1773, 2022, ISSN: 2077-0472, DOI: http://doi.org/10.3390/agriculture12111773. demonstrate, through a sensitivity analysis, that the profitability of precision technologies like VRT is strongly influenced by farm size, which poses an additional challenge in the context of small and medium-sized agriculture, such as that of Cuba.

Added to this are infrastructure limitations, such as poor internet connectivity in rural areas, which affects the real-time transmission of data from sensors and IoT systems (Elijah et al., 2018ELIJAH, O.; RAHMAN, T.A.; ORIKUMHI, I.; LEOW, C.Y.; HINDIA, M.N.: “An overview of Internet of Things (IoT) and data analytics in agriculture: Benefits and challenges”, IEEE Internet of Things Journal, 5(5): 3758-3773, 2018, ISSN: 2327-4662, DOI: http://doi.org/10.1109/JIOT.2018.2844296. ; Bayih et al., 2022BAYIH, A.; MORALES, J.; ASSABIE, Y.; DE BY, R.: “Utilization of Internet of Things and Wireless Sensor Networks for Sustainable Smallholder Agriculture”, Sensors, 22(9): 3273, 2022, ISSN: 1424-8220, DOI: http://doi.org/10.3390/s22093273. ). Finally, the technical complexity and the need for specialized training to manage and interpret the generated data limit adoption (Aubert et al., 2012AUBERT, B.A.; SCHROEDER, A.; GRIMAUDO, J.: “IT as enabler of sustainable farming: An empirical analysis of farmers' adoption decision of precision agriculture technology”, Decision Support Systems, 54(1): 510-520, 2012, ISSN: 0167-9236, DOI: http://doi.org/10.1016/j.dss.2012.05.048. ). Simply acquiring a sensor is not enough; trained personnel are required to calibrate it, interpret its data, and integrate it into a decision-making system. The lack of this specialized human capital is a barrier common to all the technologies analyzed.

In the specific case of AIoT systems for pest detection, the generalizability of AI models remains a problem. A model trained in one geographic region or with a specific crop variety may not function correctly under other conditions (Anastasiou et al., 2023ANASTASIOU, E.; FOUNTAS, S.; VOULGARAKI, M.; PSIROUKIS, V.; KOUTSIARAS, M.; KRIEZI, O.; LAZAROU, E.; VATSANIDOU, A.; FU, L.; DI BARTOLO, F.; JESUS BARREIRO, J.; MANUEL GOMEZ, J.: “Precision farming technologies for crop protection: A meta-analysis”, Smart Agricultural Technology, 5: 100323, 2023, ISSN: 2772-3755, DOI: http://doi.org/10.1016/j.atech.2023.100323. ). The need for large amounts of labeled data for training is another limitation, although techniques such as semi-supervised and transfer learning are emerging to mitigate it (Li et al., 2021LI, Y.; CHAO, X.: “Semi-supervised few-shot learning approach for plant diseases recognition”, Plant Methods, 17: 68, 2021, ISSN: 1746-4811, DOI: http://doi.org/10.1186/s13007-021-00770-1. ; Benchallal et al., 2024BENCHALLAL, F.; HAFINE, A.; RAGOT, N.; CANALS, R.: “ConvNeXt based semi-supervised approach with consistency regularization for weeds classification”, Expert Systems with Applications, 239: 122222, 2024, ISSN: 0957-4174, DOI: http://doi.org/10.1016/j.eswa.2023.122222. ). Integrating heterogeneous data (images, weather, soil) remains a technical and computational challenge (Cravero & Sepúlveda, 2021CRAVERO, A.; SEPÚLVEDA, S.: “Use and adaptations of machine learning in big data-applications in real cases in agriculture”, Electronics, 10(5): 552, 2021, ISSN: 2079-9292, DOI: http://doi.org/10.3390/electronics10050552. ).

Needs and Opportunities

⌅

Despite the barriers, there are key opportunities that can be leveraged. First, there is the political will for modernization, as evidenced by the ONUDI (2024)ONUDI (Organización de las Naciones Unidas para el Desarrollo Industrial): Programa de modernización tecnológica y empresarial en el sector de producción de agroquímicos y maquinaria agrícola (Mejora y modernización industrial en Cuba, fase II), ID 230317, 51 p., 2024. and its alignment with the National Sustainable Development Plan 2030. Cuba has a qualified human capital in institutions such as the Institute of Agricultural Engineering Research (IAgric), the Agrarian University of Havana (UNAH), the National Institute of Agricultural Sciences (INCA), the University of Havana (UH), the Comprehensive Automation Company (CEDAI), etc., which possess extensive experience in agricultural engineering, irrigation (design, evaluation, and management of irrigation systems), and mechanization, necessary for the implementation of smart irrigation and precision agriculture (Kushwaha et al., 2024KUSHWAHA, M.; SINGH, S.; SINGH, V.; DWIVEDI, S.: “Precision Farming: A Review of Methods, Technologies, and Future Prospects”, International Journal of Environment, Agriculture and Biotechnology, 9(2), 2024, ISSN: 2456-1878, DOI: http://doi.org/10.22161/ijeab.92.27. ). This knowledge base can serve as the foundation for building local capacity in digital agriculture.

The availability of low-cost technologies is another crucial opportunity. The study by Elhoseny et al. (2026)ELHOSENY, M.; JAHID, K.; LATIF, R.; SADDIK, A.; ATASSI, R.: “Recent advances in IoT-driven crop monitoring and precision irrigation: Technologies, models, and future challenges”, Scientific African, 2026, (en prensa), ISSN: 2468-2276, DOI: http://doi.org/10.1016/j.sciaf.2026.e03222. demonstrates that it is possible to implement smart irrigation systems at a cost of only US$44, making them potentially accessible to producers with small farms. Likewise, access to free satellite data (such as that from the Sentinel-2 mission) allows for the generation of NDVI maps and the estimation of water requirements without a significant initial investment (Marques et al., 2020MARQUES, J.R.; TERRÓN, J.M.; DOMÍNGUEZ, F.J.; PAIXÃO, L.: “Agricultura de Precisión con Imágenes de Satélite”, en: Manual de Buenas Prácticas Agrícolas, cap. II, pp. 25-48, 2020, ISBN: 978-989-33-0549-2.; Saha et al., 2025SAHA, S.; KUCHER, O.D.; UTKINA, A.O.; REBOUH, N.Y.: “Precision agriculture for improving crop yield predictions: a literature review”, Frontiers in Agronomy, 7: 1566201, 2025, ISSN: 2673-3218, DOI: http://doi.org/10.3389/fagro.2025.1566201. ). International cooperation, such as that established through UNIDO and other agencies (FAO, UNDP), can provide a channel for technology and knowledge transfer, which should be leveraged to adapt global solutions to the local context.

For successful adaptation, the following prioritized needs are identified, with an emphasis on precision irrigation. Transition from inefficient irrigation systems to more efficient ones:

Diagnosis and basic modernization of irrigation systems: Evaluate the current state of irrigation systems to identify losses and opportunities for improvement, with an emphasis on the transition from surface irrigation to more efficient pressurized systems.
Introduction of low-cost soil moisture sensors with intermittent connectivity (offline/online): Implement low-cost sensors (Elhoseny et al., 2026ELHOSENY, M.; JAHID, K.; LATIF, R.; SADDIK, A.; ATASSI, R.: “Recent advances in IoT-driven crop monitoring and precision irrigation: Technologies, models, and future challenges”, Scientific African, 2026, (en prensa), ISSN: 2468-2276, DOI: http://doi.org/10.1016/j.sciaf.2026.e03222. ) in pilot areas. Given the connectivity limitations in rural areas, a practical first step is the use of sensors that operate with intermittent connectivity (local data recording with periodic download), subsequently progressing to hybrid systems that combine local storage with intermittent transmission, until real-time monitoring (continuous connection) is achieved. A complementary option is the development of robust, easy-to-use, and replaceable sensors for the spot and semi-instantaneous determination of soil moisture, linked to cell phones to allow farmers or technicians to make on-site decisions.
Training in efficient water management: Train technicians and farmers in irrigation scheduling based on reference evapotranspiration (ETo) and the interpretation of sensor data, even under conditions of limited connectivity.
Development of IoT-based automated irrigation systems: Implement systems that integrate sensors, weather stations, and fuzzy logic control algorithms (Liu et al., 2025LIU, X.; ZHAO, Z.; REZAEIPANAH, A.: “Intelligent and automatic irrigation system based on internet of things using fuzzy control technology”, Scientific Reports, 15: 14577, 2025, ISSN: 2045-2322, DOI: http://doi.org/10.1038/s41598-025-98137-2. ) to automate irrigation, prioritizing solutions that function with intermittent connectivity.
Strengthening FMIS platforms for integrated water management: Develop local platforms that integrate sensor data, soil moisture maps, and water requirements (Karydas et al., 2023KARYDAS, C.; CHATZIANTONIOU, M.; STAMKOPOULOS, K.; IATROU, M.; VASSILIADIS, V.; MOURELATOS, S.: “Embedding a precision agriculture service into a farm management information system - ifarma/PreFer”, Smart Agricultural Technology, 4: 100175, 2023, ISSN: 2772-3755, DOI: http://doi.org/10.1016/j.atech.2023.100175. ), with the capacity to operate offline/online and with periodic synchronization.
Training specialists in water requirements modeling: Train professionals in the use of water balance and evapotranspiration models, adapted to locally available data.
Developing irrigation prescription maps: Generate prescription maps based on satellite data, soil sensors, and crop models (Saha et al., 2025SAHA, S.; KUCHER, O.D.; UTKINA, A.O.; REBOUH, N.Y.: “Precision agriculture for improving crop yield predictions: a literature review”, Frontiers in Agronomy, 7: 1566201, 2025, ISSN: 2673-3218, DOI: http://doi.org/10.3389/fagro.2025.1566201. ), using tools that do not require continuous connectivity.
Implementing autonomous irrigation systems with AI: Introduce systems that integrate sensor data, climate forecasts, and satellite imagery (Liu et al., 2025LIU, X.; ZHAO, Z.; REZAEIPANAH, A.: “Intelligent and automatic irrigation system based on internet of things using fuzzy control technology”, Scientific Reports, 15: 14577, 2025, ISSN: 2045-2322, DOI: http://doi.org/10.1038/s41598-025-98137-2. ) in pilot projects, considering architectures that allow for local processing in case of disconnection.
Development of digital twins for irrigation optimization: Creating virtual replicas of irrigation systems to simulate climate scenarios and evaluate management strategies (Purcell & Neubauer, 2023PURCELL, W.; NEUBAUER, T.: “Digital Twins in Agriculture: A State-of-the-Art Review”, Smart Agricultural Technology, 3: 100094, 2023, ISSN: 2772-3755, DOI: http://doi.org/10.1016/j.atech.2022.100094. ), leveraging centralized computing centers.
Integration of renewable energies: Incorporating solar and wind pumping systems to reduce energy dependence and irrigation operating costs.
Automation of fertigation: Developing automated systems that integrate variable-rate application of water and fertilizers, optimizing both resources simultaneously.
Gradual implementation of automatic guidance systems: Adapting automatic guidance systems to existing machinery to reduce overlaps, improve application uniformity, and optimize fuel consumption (Vrchota et al., 2022VRCHOTA, J.; PECH, M.; ŠVEPEŠOVÁ, I.: “Precision Agriculture Technologies for Crop and Livestock Production in the Czech Republic”, Agriculture, 12(8): 1080, 2022, ISSN: 2077-0472, DOI: http://doi.org/10.3390/agriculture12081080. ; McFadden et al., 2023). Given the obsolescence of the machinery fleet (more than 80% of tractors are over 30 years old), a phased implementation strategy is proposed.

Gradual Implementation Strategy

⌅

Based on the identified needs, a three-phase, phased approach is proposed, prioritizing precision irrigation as a fundamental pillar and the introduction of low-cost, high-impact technologies.

Phase 1 (Immediate, 1 to 2 years): Introduction of low-cost, high-impact technologies

⌅

Prioritized actions

The desired outcome is the implementation of low-cost soil moisture sensors (Elhoseny et al., 2026ELHOSENY, M.; JAHID, K.; LATIF, R.; SADDIK, A.; ATASSI, R.: “Recent advances in IoT-driven crop monitoring and precision irrigation: Technologies, models, and future challenges”, Scientific African, 2026, (en prensa), ISSN: 2468-2276, DOI: http://doi.org/10.1016/j.sciaf.2026.e03222. ) in strategic crops (rice, corn, beans, vegetables, and tobacco) for real-time monitoring. However, a more practical first step in the current Cuban context is the use of sensors that operate with intermittent connectivity, subsequently progressing to hybrid systems that combine intermittent and continuous connectivity, ultimately achieving real-time monitoring (continuous connection).
Development of robust, easy-to-use, and replaceable sensors for determining point, discrete, and semi-instantaneous soil moisture, linked to cell phones for on-site decision-making.
Development of CNN-based mobile applications for disease diagnosis (Singh & Gupta, 2018SINGH, S.; GUPTA, S.: “Apple scab and marsonina coronaria diseases detection in apple leaves using machine learning”, International Journal of Pure and Applied Mathematics, 118(9): 1151-1166, 2018, ISSN: 1311-8080.) and irrigation management, capable of operating offline.
Intensive training in efficient water management for IAgric technicians and extension agents on irrigation scheduling based on ETo and sensor data.
Monitoring with drones equipped with multispectral and thermal cameras for detecting water stress and other crop problems (Tsouros et al., 2019TSOUROS, D.C.; BIBI, S.; SARIGIANNIDIS, P.G.: “A review on UAV-based applications for precision agriculture”, Information, 10(11): 349, 2019, ISSN: 2078-2489, DOI: http://doi.org/10.3390/info10110349. ; Velusamy et al., 2022VELUSAMY, P.; RAJENDRAN, S.; MAHENDRAN, R.K.; NASEER, S.; SHAFIQ, M.; CHOI, J.G.: “Unmanned Aerial Vehicles (UAV) in Precision Agriculture: Applications and Challenges”, Energies, 15(1): 217, 2022, ISSN: 1996-1073, DOI: http://doi.org/10.3390/en15010217. ).
Creation of a national Agricultural Management System (FMIS), adapted to local conditions, to serve as an integrating platform for all data (low-cost sensors, free satellite imagery, local weather forecasts), with the capacity for periodic synchronization in areas with limited connectivity.
Strengthening rural connectivity, prioritizing investments in connectivity infrastructure to progressively enable real-time data transmission.
Widespread use of solar and wind pumping systems to reduce dependence on fossil fuels and operating costs.
Gradual introduction of automated guidance systems for machinery (Vrchota et al., 2022VRCHOTA, J.; PECH, M.; ŠVEPEŠOVÁ, I.: “Precision Agriculture Technologies for Crop and Livestock Production in the Czech Republic”, Agriculture, 12(8): 1080, 2022, ISSN: 2077-0472, DOI: http://doi.org/10.3390/agriculture12081080. ; McFadden et al., 2023McFADDEN, J.; NJUKI, E.; GRIFFIN, T.: “Precision agriculture in the digital era: recent adoption on U.S. Farms”, Economic Information Bulletin No. 248, U.S. Department of Agriculture, Economic Research Service, 2023, Disponible en: https://www.ers.usda.gov/webdocs/publications/105894/eib-248.pdf [Consulta: 17 de abril de 2026].). As a first, very low-cost option, using the operator's mobile phone (with an appropriate app) as a navigation assistant to guide movement in the field, operating under intermittent connectivity conditions (without requiring a permanent internet connection, only a GPS signal). This solution allows for increased operating efficiency of aging machinery, reducing overlaps and fuel consumption.
Building local capacity around these technologies, transforming our technicians and agronomists into the specialists who adapt, calibrate, and operate these systems.

Expected results

Reduction in water consumption of 20-30% in pilot areas.
Decreased operating costs due to lower fuel consumption and reduced overlaps through the use of mobile phones as navigation assistants.
Building local capacity in sensor management (including offline/online operation), precision irrigation, basic mobile guidance, and drone monitoring.
Implementation of a national FMIS platform that integrates basic field data.

Phase 2 (Short/Medium Term - 3-5 years): Development and implementation of more complex systems. Prioritized actions

⌅

Prioritized actions

Development of IoT-based automated irrigation systems that integrate sensors, weather stations, and fuzzy logic control algorithms (Liu et al., 2025LIU, X.; ZHAO, Z.; REZAEIPANAH, A.: “Intelligent and automatic irrigation system based on internet of things using fuzzy control technology”, Scientific Reports, 15: 14577, 2025, ISSN: 2045-2322, DOI: http://doi.org/10.1038/s41598-025-98137-2. ), with the capacity to operate in hybrid mode (local + cloud).
Implementation of drip irrigation with variable flow control in crops with high water demand.
Strengthening an FMIS platform adapted to local conditions that integrates sensor data, soil moisture maps, and climate forecasts (Karydas et al., 2023KARYDAS, C.; CHATZIANTONIOU, M.; STAMKOPOULOS, K.; IATROU, M.; VASSILIADIS, V.; MOURELATOS, S.: “Embedding a precision agriculture service into a farm management information system - ifarma/PreFer”, Smart Agricultural Technology, 4: 100175, 2023, ISSN: 2772-3755, DOI: http://doi.org/10.1016/j.atech.2023.100175. ).
Development of irrigation prescription maps based on satellite data and soil sensors (Saha et al., 2025SAHA, S.; KUCHER, O.D.; UTKINA, A.O.; REBOUH, N.Y.: “Precision agriculture for improving crop yield predictions: a literature review”, Frontiers in Agronomy, 7: 1566201, 2025, ISSN: 2673-3218, DOI: http://doi.org/10.3389/fagro.2025.1566201. ).
Establishing partnerships with international centers for model validation.
Advancing the installation of automatic guidance systems on existing modern equipment in the country's main agricultural hubs and as the fleet is renewed.
Development and implementation of VRT systems for fertilization and pest control in high-value crops and in areas with high spatial variability of soils, based on prescription maps generated from free satellite data (such as Sentinel-2) and soil analysis, similar to the "PreFer" service (Karydas et al., 2023KARYDAS, C.; CHATZIANTONIOU, M.; STAMKOPOULOS, K.; IATROU, M.; VASSILIADIS, V.; MOURELATOS, S.: “Embedding a precision agriculture service into a farm management information system - ifarma/PreFer”, Smart Agricultural Technology, 4: 100175, 2023, ISSN: 2772-3755, DOI: http://doi.org/10.1016/j.atech.2023.100175. ).
Development of smart traps adapted to the main pests of Cuba (Potamitis et al., 2014POTAMITIS, I.; RIGAKIS, I.; FYSARAKIS, K.: “The electronic McPhail trap”, Sensors, 14(12): 22285-22299, 2014, ISSN: 1424-8220, DOI: http://doi.org/10.3390/s141222285. ). Development of image databases of local diseases and pests for training AI models.

Expected Results

Water consumption reduced by 30-40% in pilot areas and energy consumption reduced by 15-25% for pumping in selected areas.
Nitrogen fertilizer use decreased by 10-3.0% without affecting yield.
Validation of early warning systems for pests using smart traps.
Development of local capacities in modeling, remote sensing, and machine learning.

Phase 3 (Medium/Long Term - 5-10 years): Introduction of advanced technologies

⌅

Prioritized Actions

Implementation of AI-powered autonomous irrigation systems that integrate sensor data, weather forecasts, satellite imagery, and growth models (Liu et al., 2025LIU, X.; ZHAO, Z.; REZAEIPANAH, A.: “Intelligent and automatic irrigation system based on internet of things using fuzzy control technology”, Scientific Reports, 15: 14577, 2025, ISSN: 2045-2322, DOI: http://doi.org/10.1038/s41598-025-98137-2. ).
Automation of fertigation, integrating water and fertilizers.
Introduction of robotics and autonomous systems in pilot projects in cooperatives or larger-scale state-owned enterprises (Comparetti et al., 2025COMPARETTI, A.; FAGIOLINI, A.; FOUNTAS, S.; CASCIO, V.: “Field robots for precision agriculture”, AIMS Agriculture and Food, 10(4): 885-916, 2025, ISSN: 2471-2086, DOI: http://doi.org/10.3934/agrfood.2025046. ; Liu et al., 2025LIU, X.; ZHAO, Z.; REZAEIPANAH, A.: “Intelligent and automatic irrigation system based on internet of things using fuzzy control technology”, Scientific Reports, 15: 14577, 2025, ISSN: 2045-2322, DOI: http://doi.org/10.1038/s41598-025-98137-2. ).
Development of digital twins for strategic crops and integrated water resource management (Purcell & Neubauer, 2023PURCELL, W.; NEUBAUER, T.: “Digital Twins in Agriculture: A State-of-the-Art Review”, Smart Agricultural Technology, 3: 100094, 2023, ISSN: 2772-3755, DOI: http://doi.org/10.1016/j.atech.2022.100094. ).
Implementation of conversational assistants for agricultural extension (Boscán & Boscán, 2025).
Making AIoT technologies a common tool for increasing food sovereignty, optimizing water use, and improving the operation of agricultural machinery.

Expected results

Rationalization of irrigation and fertigation with a 40-50% reduction in water consumption.
Significant reduction of the energy and carbon footprint.
Implementation of digital twins for the simulation and improvement of crop management.
Positioning of Cuba as a regional leader in smart irrigation technologies.

Given the high costs, promoting collaborative business models, such as machinery cooperatives or "machinery-by-the-hour" rental services (Munz & Schuele, 2022MUNZ, J.; SCHUELE, H.: “Influencing the Success of Precision Farming Technology Adoption-A Model-Based Investigation of Economic Success Factors in Small-Scale Agriculture”, Agriculture, 12(11): 1773, 2022, ISSN: 2077-0472, DOI: http://doi.org/10.3390/agriculture12111773. ), can be a mechanism to overcome the economic and scale barriers that limit access to high-cost technologies, allowing the benefits of precision agriculture to reach small and medium-sized producers as well. The key will be adapting global technologies to local conditions, providing ongoing training for human resources, fostering sustained international collaboration, and developing business models that enable equitable access to technology. Therefore, the implementation of this strategy must be accompanied by a continuous training program for technicians and farmers, ensuring long-term sustainability.

Introducción

⌅

La agricultura enfrenta el desafío de aumentar su producción para alimentar a una población mundial en crecimiento (Zain et al., 2023ZAIN, M.; MA, H.; CHAUDHARY, S.; NURUZAMAN, M.; AZEEM, I.; MEHMOOD, F.; AIWANG, D.; SUN, C.: “Nanotechnology in precision agriculture: Advancing towards sustainable crop production”, Plant Physiology and Biochemistry, 2006: 108244, 2023, ISSN: 0981-9428, DOI: http://doi.org/10.1016/j.plaphy.2023.108244. ; Saha et al., 2025SAHA, S.; KUCHER, O.D.; UTKINA, A.O.; REBOUH, N.Y.: “Precision agriculture for improving crop yield predictions: a literature review”, Frontiers in Agronomy, 7: 1566201, 2025, ISSN: 2673-3218, DOI: http://doi.org/10.3389/fagro.2025.1566201. ), en un contexto de cambio climático, escasez hídrica y la necesidad de reducir su impacto ambiental, que incluye la degradación del suelo, la contaminación por agroquímicos y las emisiones de gases de efecto invernadero (Domínguez et al., 2024DOMÍNGUEZ, C.; MIRANDA, A.; GUILHERME DE ARAÚJO, A.; MOREJÓN, Y.; PANEQUE, P.: “Management of Agricultural Machinery in Cuba to Enhance Ecosystem Services and Mitigate Climate Change”, Agricultural Mechanization in Asia, Africa and Latin America, 55(3): 27-31, 2024, ISSN: 0084-5841., 2025DOMÍNGUEZ, C.; CISNEROS, E.; HERRERA, J.; RUIZ, M.; MIRANDA, A.; PANEQUE, P.; MARTIN, R.A.: “Enfoques para la gestión y uso eficiente del agua en el cultivo de arroz”, Revista Ciencias Técnicas Agropecuarias, 34: e03, 2025, ISSN: 2071-0054. ; Getahun et al., 2024GETAHUN, S.; KEFALE, H.; GELAYE, Y.: “Application of Precision Agriculture Technologies for Sustainable Crop Production and Environmental Sustainability: A Systematic Review”, The Scientific World Journal, 2024: 2126734, 2024, ISSN: 2356-6140, DOI: http://doi.org/10.1155/2024/2126734. ). La respuesta a este desafío puede estar en una transformación digital profunda del sector, avanzando hacia un modelo de agricultura de precisión (AP) y agricultura inteligente, que permita hacer más con menos (Guzmán et al., 2024GUZMÁN, J.G.; MATUZ, M.; ARANA, J.Y.; LÓPEZ, E.; GÓMEZ, V.; GONZÁLEZ, N.: “Advances and prospects of precision agriculture for agricultural sustainability”, XIKUA Boletín Científico de la Escuela Superior de Tlahuelilpan, 12(24): 01-06, 2024, ISSN: 2007-4940, DOI: http://doi.org/10.29057/xikua.v12i24.12790. ; Elhoseny et al., 2026ELHOSENY, M.; JAHID, K.; LATIF, R.; SADDIK, A.; ATASSI, R.: “Recent advances in IoT-driven crop monitoring and precision irrigation: Technologies, models, and future challenges”, Scientific African, 2026, (en prensa), ISSN: 2468-2276, DOI: http://doi.org/10.1016/j.sciaf.2026.e03222. ).

Dos pilares fundamentales de esta transformación son la gestión eficiente del agua mediante riego inteligente y la optimización de las labores agrícolas a través de la mecanización de precisión. El riego inteligente, habilitado por redes de sensores inalámbricos (WSN), el Internet de las Cosas (IoT) y algoritmos de Inteligencia Artificial (IA), permite programar el riego en función de las necesidades reales del cultivo y las condiciones edafoclimáticas en tiempo real, desplazando las prácticas tradicionales basadas en cronogramas fijos (Abioye et al., 2020ABIOYE, E.A.; ABIDIN, M.S.Z.; MAHMUD, M.S.A.; BUYAMIN, S.; ISHAK, M.H.I.; ABD RAHMAN, M.K.I.; OTUOZE, A.O.; ONOTU, P.; RAMLI, M.S.A.: “A review on monitoring and advanced control strategies for precision irrigation”, Computers and Electronics in Agriculture, 173: 105441, 2020, ISSN: 0168-1699.; Morchid et al., 2026MORCHID, A.; QJIDAA, H.; ALAMI, R.E.; MOBAYEN, S.; SKRUCH, P.; BOSSOUFI, B.: “Smart irrigation-based internet of things and cloud computing technologies for sustainable Farming”, Scientific Reports, 16: 5293, 2026, ISSN: 2045-2322, DOI: http://doi.org/10.1038/s41598-026-35810-0. ).

De igual forma, la mecanización de precisión, que integra la tecnología de dosis variable (VRT), sistemas de guiado autónomo y la robótica agrícola autónoma, optimiza el uso de insumos como fertilizantes, herbicidas y combustibles, al mismo tiempo que incrementa la eficiencia operativa y reduce la compactación del suelo (Schimmelpfennig, 2016SCHIMMELPFENNIG, D.; EBEL, R.: “Sequential Adoption and Cost Savings from Precision Agriculture”, Journal of Agricultural and Resource Economics, 41(1): 97-115, 2016, ISSN: 1068-5502, DOI: http://doi.org/10.22004/ag.econ.230771. ; Cortez et al., 2024CORTEZ, A.; PRO, L.; MAMANI, N.; LOZADA, P.; PARIONA, J.: “Precision agriculture: transforming traditional agriculture with technology”, Revista de Investigación de Sistemas e Informática, 17(2): 51-63, 2024, ISSN: 1816-3823, DOI: http://doi.org/10.15381/risi.v17i2.29917. ). La convergencia de IoT e IA, conocida como AIoT, está potenciando exponencialmente estas capacidades, creando sistemas más autónomos, predictivos y capaces de gestionar la complejidad inherente a los agroecosistemas (Bayih et al., 2022BAYIH, A.; MORALES, J.; ASSABIE, Y.; DE BY, R.: “Utilization of Internet of Things and Wireless Sensor Networks for Sustainable Smallholder Agriculture”, Sensors, 22(9): 3273, 2022, ISSN: 1424-8220, DOI: http://doi.org/10.3390/s22093273. ; Adli et al., 2023ADLI, H.K.; REMLI, M.A.; SALIHIN, W.; ISMAIL, N.A.; GONZÁLEZ, A.; CORCHADO, J.M.; MOHAMAD, M.S.: “Recent Advancements and Challenges of AIoT Application in Smart Agriculture: A Review”, Sensors, 23(7): 3752, 2023, ISSN: 1424-8220, DOI: http://doi.org/10.3390/s23073752. ).

Además del agua y los nutrientes, la sanidad vegetal es otro factor crítico para la productividad. Tradicionalmente, la detección de plagas y enfermedades se ha basado en la inspección visual en campo, un proceso laborioso, subjetivo y que a menudo detecta el problema cuando ya está avanzado (Mahlein, 2016MAHLEIN, A.K.: “Plant disease detection by imaging sensors - parallels and specific demands for precision agriculture and plant phenotyping”, Plant Disease, 100(2): 241-251, 2016, ISSN: 0191-2917, DOI: http://doi.org/10.1094/PDIS-03-15-0340-FE. ). El control, por su parte, se ha basado históricamente en la aplicación uniforme de plaguicidas en todo el campo, un enfoque que conlleva un uso ineficiente de productos químicos, altos costes económicos y graves impactos ambientales y para la salud humana (Aktar et al., 2009AKTAR, M.W.; SENGUPTA, D.; CHOWDHURY, A.: “Impact of pesticides use in agriculture: their benefits and hazards”, Interdisciplinary Toxicology, 2(1): 1-12, 2009, ISSN: 1337-6853, DOI: http://doi.org/10.2478/v10102-009-0001-7. ; Nicolopoulou et al., 2016NICOLOPOULOU-STAMATI, P.; MAIPAS, S.; KOTAMPASI, C.; STAMATIS, P.; HENS, L.: “Chemical pesticides and human health: the urgent need for a new concept in agriculture”, Frontiers in Public Health, 4: 148, 2016, ISSN: 2296-2565, DOI: http://doi.org/10.3389/fpubh.2016.00148. ). La integración de sistemas AIoT ofrece un cambio de paradigma hacia un manejo predictivo y de precisión, permitiendo la detección temprana y la actuación localizada.

El sector agrícola cubano no es ajeno a estos desafíos y oportunidades. Enfrenta problemas estructurales que limitan su productividad, como la obsolescencia tecnológica de la maquinaria agrícola, con más del 80% de los tractores que superan los 30 años de antigüedad (estimado a partir de datos de reportados por Suárez & Ríos, (2019)SUÁREZ, J.; RÍOS, A.: “A diagnosis on existence and use of agricultural machinery in Cuba”, Ingeniería Agrícola, 9(4): 69-77, 2019, ISSN: 2227-8761., y la baja eficiencia de los sistemas de riego, donde el 70 % de las áreas utilizan riego superficial con eficiencias inferiores al 50% (Tejeda et al., 2025TEJEDA, V.; HERRERA, J.; RÍOS, A.; LÓPEZ, R.: “Agricultural Engineering in the System of the Cuban Agriculture, a Challenge in the Current Times”, Ingeniería Agrícola, 15, 2025, ISSN: 2227-8761.). Estas ineficiencias resultan en pérdidas de agua que superan los 1,200 millones de metros cúbicos anuales y un uso ineficiente de fertilizantes, con pérdidas superiores al 40% (MINAG, 2023MINAG: Anuario Estadístico Agropecuario 2022, Ministerio de la Agricultura, La Habana, Cuba, 2023.). Ante esta realidad, la modernización tecnológica se erige como una prioridad estratégica nacional, reconocida en el "Programa de modernización tecnológica y empresarial en el sector de producción de agroquímicos y maquinaria agrícola" (ONUDI, 2024ONUDI (Organización de las Naciones Unidas para el Desarrollo Industrial): Programa de modernización tecnológica y empresarial en el sector de producción de agroquímicos y maquinaria agrícola (Mejora y modernización industrial en Cuba, fase II), ID 230317, 51 p., 2024.) y alineada con los objetivos del Plan Nacional de Desarrollo Económico y Social hasta 2030 (PNDES 2019PNDES (Plan Nacional de Desarrollo Económico y Social hasta 2030): Propuesta de Visión, Ejes y Sectores Estratégicos, La Habana, Cuba, Ministerio de Economía y Planificación (MEP), Resolución 30/2018 MINCEX, D-L 02/2019, 2019.).

El objetivo de este artículo es analizar el estado del arte de las tecnologías de riego inteligente, mecanización de precisión y sistemas de detección de plagas, y evaluar la posibilidad de adaptar estas tecnologías al contexto cubano, identificando barreras y oportunidades para una implementación exitosa.

Resultados y Discusión

⌅

El análisis de los artículos seleccionados confirma un crecimiento exponencial en la investigación sobre AP aplicada al riego, la fertilización y la protección de cultivos, especialmente a partir de 2017. Esto coincide con la mayor disponibilidad de tecnologías de bajo costo, como sensores IoT y drones, y el auge de las técnicas de inteligencia artificial (Wolfert et al., 2017WOLFERT, S.; GE, L.; VERDOUW, C.; BOGAARDT, M.J.: “Big Data in Smart Farming-A Review”, Agricultural Systems, 153: 69-80, 2017, ISSN: 0308-521X, DOI: http://doi.org/10.1016/j.agsy.2017.01.023. ; Liakos et al., 2018LIAKOS, K.G.; BUSATO, P.; MOSHOU, D.; PEARSON, S.; BOCHTIS, D.: “Machine learning in agriculture: A review”, Sensors, 18(8): 2674, 2018, ISSN: 1424-8220, DOI: http://doi.org/10.3390/s18082674. ). La mayoría de los estudios se centraron en cultivos extensivos como maíz, trigo, arroz y soya, que representan una gran parte de la superficie agrícola global y tienen un alto consumo de insumos.

Estado del Arte de las Tecnologías

⌅

Riego Inteligente y Gestión del Agua

⌅

Los sistemas de riego inteligente han evolucionado desde simples automatismos basados en temporizadores a complejos sistemas de soporte a la decisión (DSS) basados en datos. El componente fundamental son los sensores de humedad del suelo, desplegados en redes inalámbricas (WSN) que utilizan protocolos de bajo consumo como LoRaWAN, ZigBee o NB-IoT para transmitir datos en tiempo real (Ojha et al., 2015OJHA, T.; MISRA, S.; RAGHUWANSHI, N.S.: “Wireless sensor networks for agriculture: The state-of-the-art in practice and future challenges”, Computers and Electronics in Agriculture, 118: 66-84, 2015, ISSN: 0168-1699, DOI: http://doi.org/10.1016/j.compag.2015.08.011. ; Jawad et al., 2017JAWAD, H.M.; NORDIN, R.; GHARGHAN, S.K.; JAWAD, A.M.; ISMAIL, M.: “Energy efficient wireless sensor networks for precision agriculture: A review”, Sensors, 17(8): 1781, 2017, ISSN: 1424-8220, DOI: http://doi.org/10.3390/s17081781. ). Junto a ellos, las estaciones meteorológicas automáticas proveen datos esenciales para calcular la evapotranspiración de referencia (ETo), un parámetro clave en los modelos de balance hídrico (Liu et al., 2025LIU, X.; ZHAO, Z.; REZAEIPANAH, A.: “Intelligent and automatic irrigation system based on internet of things using fuzzy control technology”, Scientific Reports, 15: 14577, 2025, ISSN: 2045-2322, DOI: http://doi.org/10.1038/s41598-025-98137-2. ; Morchid et al., 2026MORCHID, A.; QJIDAA, H.; ALAMI, R.E.; MOBAYEN, S.; SKRUCH, P.; BOSSOUFI, B.: “Smart irrigation-based internet of things and cloud computing technologies for sustainable Farming”, Scientific Reports, 16: 5293, 2026, ISSN: 2045-2322, DOI: http://doi.org/10.1038/s41598-026-35810-0. ). La integración de estos sensores con plataformas en la nube y algoritmos de IA permite una gestión remota y precisa del riego (Morchid et al., 2026MORCHID, A.; QJIDAA, H.; ALAMI, R.E.; MOBAYEN, S.; SKRUCH, P.; BOSSOUFI, B.: “Smart irrigation-based internet of things and cloud computing technologies for sustainable Farming”, Scientific Reports, 16: 5293, 2026, ISSN: 2045-2322, DOI: http://doi.org/10.1038/s41598-026-35810-0. ).

Un avance significativo ha sido la integración de algoritmos de aprendizaje automático (ML). Modelos como Random Forest, Support Vector Machines (SVM) y, especialmente, las redes neuronales recurrentes LSTM (Long Short-Term Memory), se utilizan para predecir las necesidades de agua del cultivo con horas o días de antelación, basándose en series temporales de datos de sensores y previsiones meteorológicas (Adeyemi et al., 2017ADEYEMI, O.; GROVE, I.; PEETS, S.; NORTON, T.: “Advanced monitoring and management systems for improving sustainability in precision irrigation”, Sustainability, 9(3): 353, 2017, ISSN: 2071-1050, DOI: http://doi.org/10.3390/su9030353. ; Goap et al., 2018GOAP, A.; SHARMA, D.; SHUKLA, A.K.; RAMA KRISHNA, C.: “An IoT based smart irrigation management system using machine learning and open source technologies”, Computers and Electronics in Agriculture, 155: 41-49, 2018, ISSN: 0168-1699, DOI: http://doi.org/10.1016/j.compag.2018.09.040. ). Estos modelos predictivos superan a los métodos basados únicamente en umbrales, ya que pueden anticiparse a la demanda y optimizar el uso del agua de forma más dinámica (Chlingaryan et al., 2018CHLINGARYAN, A.; SUKKARIEH, S.; WHELAN, B.: “Machine learning approaches for crop yield prediction and nitrogen status estimation in precision agriculture: A review”, Computers and Electronics in Agriculture, 151: 61-69, 2018, ISSN: 0168-1699, DOI: http://doi.org/10.1016/j.compag.2018.05.012. ). Zhang et al. (2020)ZHANG, X.; CAO, Z.; DONG, W.: “Overview of edge computing in the agricultural internet of things: key technologies, applications, challenges”, IEEE Access, 8: 141748-141761, 2020, ISSN: 2169-3536, DOI: http://doi.org/10.1109/ACCESS.2020.3013005. demostraron que los modelos LSTM pueden predecir el contenido de agua en el suelo con un error cuadrático medio (RMSE) inferior al 2-3%. La Tabla 1 resume los hallazgos más relevantes en el área de riego inteligente y su potencial de adaptación al contexto cubano.

Tabla 1. Aplicaciones de Riego Inteligente: Resultados y Potencial de Adaptación a Cuba

Aplicación / Tecnología	Resultado Obtenido	País / Región	Referencia	Posibilidad de Aplicar en Cuba	Retos y Perspectivas para su Introducción en Cuba
Sistema de riego autónomo con IoT y control difuso	Mejora significativa en el ahorro de agua y en la vida útil de la red de sensores. Ahorro de agua del 61% respecto a métodos promedio.	China (simulación)	(Liu et al., 2025LIU, X.; ZHAO, Z.; REZAEIPANAH, A.: “Intelligent and automatic irrigation system based on internet of things using fuzzy control technology”, Scientific Reports, 15: 14577, 2025, ISSN: 2045-2322, DOI: http://doi.org/10.1038/s41598-025-98137-2. )	Alta, especialmente la versión de bajo costo. El sistema es escalable y adaptable a diferentes entornos.	Validación en campo con cultivos locales. Adaptación del algoritmo difuso a condiciones edafoclimáticas cubanas.
Sistema de riego de precisión IoT + nube de bajo costo	Monitoreo ambiental preciso y programación óptima del riego con un costo de implementación de solo 44 USD.	Marruecos (prototipo)	(Morchid et al., 2026MORCHID, A.; QJIDAA, H.; ALAMI, R.E.; MOBAYEN, S.; SKRUCH, P.; BOSSOUFI, B.: “Smart irrigation-based internet of things and cloud computing technologies for sustainable Farming”, Scientific Reports, 16: 5293, 2026, ISSN: 2045-2322, DOI: http://doi.org/10.1038/s41598-026-35810-0. )	Muy alta. El bajo costo es crucial para el contexto cubano.	Pruebas de campo con cultivos locales y calibración de sensores para los suelos cubanos. Evaluación de durabilidad y rendimiento a largo plazo en condiciones tropicales.
Sistema de riego inteligente IoT + nube	Automatización y análisis de datos en tiempo real para una gestión óptima del agua.	Marruecos	(Elhoseny et al., 2026ELHOSENY, M.; JAHID, K.; LATIF, R.; SADDIK, A.; ATASSI, R.: “Recent advances in IoT-driven crop monitoring and precision irrigation: Technologies, models, and future challenges”, Scientific African, 2026, (en prensa), ISSN: 2468-2276, DOI: http://doi.org/10.1016/j.sciaf.2026.e03222. )	Alta. La plataforma en la nube permite monitoreo remoto y toma de decisiones centralizada.	Necesidad de mejorar la conectividad a internet en zonas rurales. Adaptación de la plataforma a cultivos y condiciones locales.
Sistema integrado: satélite + ML + lógica difusa	Ahorro de agua de aproximadamente el 70% en comparación con métodos tradicionales. Predicción de cultivos con ML (97.35% precisión).	Bangladesh	(Saha et al., 2025SAHA, S.; KUCHER, O.D.; UTKINA, A.O.; REBOUH, N.Y.: “Precision agriculture for improving crop yield predictions: a literature review”, Frontiers in Agronomy, 7: 1566201, 2025, ISSN: 2673-3218, DOI: http://doi.org/10.3389/fagro.2025.1566201. )	Alta, pero requiere capacidades técnicas avanzadas. La combinación de satélites, ML y lógica difusa es muy prometedora.	Falta de infraestructura de datos y de personal capacitado en ML y teledetección. Alto costo computacional inicial.
Meta-análisis de tecnologías de protección de cultivos	Reducción del uso de herbicidas hasta en un 97% mediante sistemas de aplicación selectiva.	Global	(Anastasiou et al., 2023ANASTASIOU, E.; FOUNTAS, S.; VOULGARAKI, M.; PSIROUKIS, V.; KOUTSIARAS, M.; KRIEZI, O.; LAZAROU, E.; VATSANIDOU, A.; FU, L.; DI BARTOLO, F.; JESUS BARREIRO, J.; MANUEL GOMEZ, J.: “Precision farming technologies for crop protection: A meta-analysis”, Smart Agricultural Technology, 5: 100323, 2023, ISSN: 2772-3755, DOI: http://doi.org/10.1016/j.atech.2023.100323. )	Potencial para cultivos de alto valor. El ahorro de insumos es muy atractivo, pero la tecnología requiere inversión.	Costo de equipos de aplicación selectiva (spot spraying). Necesidad de desarrollar mapas de prescripción precisos para condiciones locales.

Tecnologías para la Gestión de Nutrientes de Precisión

⌅

La gestión de nutrientes de precisión busca optimizar la fertilización mediante la aplicación de la dosis correcta, en el momento y lugar adecuados, lo que requiere un conocimiento detallado de la variabilidad espacial y temporal de la fertilidad del suelo y del estado nutricional del cultivo. Para ello, los sensores desempeñan un papel crucial. Los sensores de nutrientes en suelo (para N, P, K) permiten mapear la fertilidad del suelo con alta resolución espacial (Islam et al., 2023ISLAM, M.R.; OLIULLAH, K.; KABIR, M.M.; ALOM, M.; MRIDHA, M.F.: “Machine learning enabled IoT system for soil nutrients monitoring and crop recommendation”, Journal of Agriculture and Food Research, 14: 100880, 2023, ISSN: 2666-1543, DOI: http://doi.org/10.1016/j.jafr.2023.100880. ). Sin embargo, los sensores ópticos activos (como el GreenSeeker o el Crop Circle) son más comunes para la dosificación en tiempo real y se han se han consolidado como herramientas de costo relativamente bajo y alta efectividad. Estos sensores, montados en pulverizadores o drones, miden la reflectancia del dosel del cultivo en bandas espectrales específicas (rojo, borde rojo, infrarrojo cercano) para calcular índices de vegetación como: el índice de vegetación de diferencia normalizada (NDVI) o índice de vegetación de diferencia normalizada de borde rojo (NDRE), que están correlacionados con el contenido de clorofila y el vigor del cultivo y, por lo tanto, con su necesidad de nutrientes (Wolters et al., 2019WOLTERS, S.; SÖDERSTRÖM, M.; PIIKKI, K.; STENBERG, M.: “Near-real time winter wheat N uptake from a combination of proximal and remote optical measurements: How to refine Sentinel-2 satellite images for use in a precision agriculture decision support system”, Proceedings of the 12th European Conference on Precision Agriculture, Montpellier, France, 8-11 July 2019, Wageningen Academic Publishers, pp. 415-421, 2019, ISBN: 978-90-8686-337-2.; Karydas et al., 2023KARYDAS, C.; CHATZIANTONIOU, M.; STAMKOPOULOS, K.; IATROU, M.; VASSILIADIS, V.; MOURELATOS, S.: “Embedding a precision agriculture service into a farm management information system - ifarma/PreFer”, Smart Agricultural Technology, 4: 100175, 2023, ISSN: 2772-3755, DOI: http://doi.org/10.1016/j.atech.2023.100175. ).

Además de los sensores ópticos, los sensores electroquímicos y de espectroscopía de infrarrojo cercano (NIR) están ganando terreno para el monitoreo in-situ de nutrientes en el suelo. Aunque su uso es más complejo, ofrecen la posibilidad de crear mapas de fertilidad de alta resolución (Adamchuk et al., 2004ADAMCHUK, V.I.; HUMMEL, J.W.; MORGAN, M.T.; UPADHYAYA, S.K.: “On-the-go soil sensors for precision agriculture”, Computers and electronics in agriculture, 44(1): 71-91, 2004, ISSN: 0168-1699.).

La tecnología de dosis variable (VRT) integra datos de los sensores (en tiempo real) o mapas de prescripción (previos) para ajustar la cantidad de fertilizante aplicada en diferentes zonas de la parcela (Koch et al., 2004KOCH, B.; KHOSLA, R.; FRASIER, W.M.; WESTFALL, D.G.; INMAN, D.: “Economic feasibility of variable-rate nitrogen application utilizing site-specific management zones”, Agronomy Journal, 96(6): 1572-1580, 2004, ISSN: 0002-1962, DOI: http://doi.org/10.2134/agronj2004.1572. ; Schimmelpfennig & Ebel, 2016SCHIMMELPFENNIG, D.; EBEL, R.: “Sequential Adoption and Cost Savings from Precision Agriculture”, Journal of Agricultural and Resource Economics, 41(1): 97-115, 2016, ISSN: 1068-5502, DOI: http://doi.org/10.22004/ag.econ.230771. ). Los sistemas VRT para fertilizantes sólidos y líquidos están comercialmente disponibles y se conectan a tractores equipados con GPS. La investigación muestra que la VRT puede aumentar la eficiencia en el uso del nitrógeno en más de un 20%, al aplicar el fertilizante donde es más necesario, reduciendo la sobre aplicación en zonas de bajo potencial y la sub-aplicación en zonas de alto potencial (Karydas et al., 2023KARYDAS, C.; CHATZIANTONIOU, M.; STAMKOPOULOS, K.; IATROU, M.; VASSILIADIS, V.; MOURELATOS, S.: “Embedding a precision agriculture service into a farm management information system - ifarma/PreFer”, Smart Agricultural Technology, 4: 100175, 2023, ISSN: 2772-3755, DOI: http://doi.org/10.1016/j.atech.2023.100175. ).

Los estudios revisados demuestran consistentemente que la fertilización de precisión puede reducir el uso total de fertilizantes nitrogenados entre un 10% y un 30% sin comprometer el rendimiento, e incluso en muchos casos aumentándolo ligeramente (Colaço & Bramley, 2018COLAÇO, A.F.; BRAMLEY, R.G.: “Do crop sensors promote improved nitrogen management in grain crops?”, Field Crops Research, 218: 126-140, 2018, ISSN: 0378-4290, DOI: http://doi.org/10.1016/j.fcr.2018.01.017. ). Esta mejora en la eficiencia se traduce en importantes ahorros económicos y ambientales, al reducir las pérdidas por lixiviación de nitratos y emisiones de gases de efecto invernadero (Diacono et al., 2013). El uso de plataformas integradas como ifarma/PreFer, que combinan datos de sensores, imágenes satelitales y algoritmos de aprendizaje automático ML, permite cerrar el ciclo de la AP al generar mapas de prescripción de fertilizantes a partir de múltiples fuentes de datos, facilitando su implementación a nivel de finca (Karydas et al., 2023KARYDAS, C.; CHATZIANTONIOU, M.; STAMKOPOULOS, K.; IATROU, M.; VASSILIADIS, V.; MOURELATOS, S.: “Embedding a precision agriculture service into a farm management information system - ifarma/PreFer”, Smart Agricultural Technology, 4: 100175, 2023, ISSN: 2772-3755, DOI: http://doi.org/10.1016/j.atech.2023.100175. ).

Mecanización de Precisión y Robótica Agrícola

⌅

En el ámbito de la mecanización, las innovaciones se centran en la robótica autónoma y los vehículos no tripulados. Los robots terrestres (UGV) y aéreos (UAV) están transformando las operaciones de campo, desde la siembra hasta la cosecha, ofreciendo una precisión sin precedentes y abordando la creciente escasez de mano de obra (Comparetti et al., 2025COMPARETTI, A.; FAGIOLINI, A.; FOUNTAS, S.; CASCIO, V.: “Field robots for precision agriculture”, AIMS Agriculture and Food, 10(4): 885-916, 2025, ISSN: 2471-2086, DOI: http://doi.org/10.3934/agrfood.2025046. ). La Tabla 2 resume los avances más significativos en esta área.

Tabla 2. Aplicaciones de Mecanización de Precisión: Resultados y Potencial de Adaptación a Cuba

Aplicación / Tecnología	Resultado Obtenido	País / Región	Referencia	Posibilidad de Aplicar en Cuba	Retos y Perspectivas para su Introducción en Cuba
Robots de campo (UGV) para agricultura de precisión	Clasificación de UGV según tamaño y función. Destacan su papel en siembra, protección de cultivos y cosecha de frutas.	Global	(Comparetti et al., 2025COMPARETTI, A.; FAGIOLINI, A.; FOUNTAS, S.; CASCIO, V.: “Field robots for precision agriculture”, AIMS Agriculture and Food, 10(4): 885-916, 2025, ISSN: 2471-2086, DOI: http://doi.org/10.3934/agrfood.2025046. )	Baja a corto plazo, potencial a medio plazo. La robótica avanzada requiere alta inversión y mantenimiento.	Altos costos de adquisición y mantenimiento. Obsolescencia de la maquinaria actual. Falta de personal técnico especializado en robótica.
Conducción autónoma en maquinaria agrícola	Revisión de tecnologías clave: navegación, percepción, control y tolerancia a fallos. Adopción comercial limitada por costos y falta de estandarización.	Global	(Liu et al., 2025LIU, X.; ZHAO, Z.; REZAEIPANAH, A.: “Intelligent and automatic irrigation system based on internet of things using fuzzy control technology”, Scientific Reports, 15: 14577, 2025, ISSN: 2045-2322, DOI: http://doi.org/10.1038/s41598-025-98137-2. )	Baja a corto plazo. La maquinaria autónoma es aún costosa y requiere tractores modernos con sistemas electrónicos compatibles.	El parque de maquinaria cubano es mayoritariamente obsoleto (más de 30 años). Sería necesaria una renovación profunda de la flota.
Robots autónomos para deshierbe mecánico	Sistema robótico inteligente para deshierbe en hileras que combina aprendizaje profundo con un modo de deshierbe selectivo. Alta eficiencia en la eliminación de malas hierbas.	China	(Quan et al., 2022QUAN, L.; JIANG, W.; LI, H.; LI, H.; WANG, Q.; CHEN, L.: “Intelligent intra-row robotic weeding system combining deep learning technology with a targeted weeding mode”, Biosystems Engineering, 216: 13-31, 2022, ISSN: 1537-5110, DOI: http://doi.org/10.1016/j.biosystemseng.2022.01.019. )	Potencial para cultivos orgánicos o de alto valor. El deshierbe mecánico reduce la dependencia de herbicidas.	Costo del robot. Validación de la tecnología en cultivos cubanos (ej. hortalizas, tabaco). Adaptación a diferentes tipos de suelo y condiciones de campo.
Robots de cosecha autónomos	Robots de cosecha para fresas que abordan la escasez de mano de obra, aumentando la productividad y la precisión.	Estados Unidos	(McFadden et al., 2024McFADDEN, J.; ERICKSON, B.; LOWENBERG, J.; MILICS, G.: “Global Adoption of Precision Agriculture: An Update on Trends and Emerging Technologies”, en: Proceedings of the 16th International Conference on Precision Agriculture, Manhattan, Kansas, USA, 21-24 July 2024, pp. 1-16.)	Baja a corto plazo. Tecnología aún en desarrollo y con altos costos, destinada a cultivos de alto valor en grandes explotaciones.	Cultivos cubanos de alto valor (ej. tabaco, frutas) podrían ser nichos de aplicación, pero la inversión inicial es prohibitiva.
Vehículos aéreos no tripulados (UAVs/drones)	Herramienta consolidada para monitorización de cultivos, creación de mapas de prescripción (NDVI) y detección de estrés hídrico y enfermedades.	Global	(Tsouros et al., 2019TSOUROS, D.C.; BIBI, S.; SARIGIANNIDIS, P.G.: “A review on UAV-based applications for precision agriculture”, Information, 10(11): 349, 2019, ISSN: 2078-2489, DOI: http://doi.org/10.3390/info10110349. ; Velusamy et al., 2022VELUSAMY, P.; RAJENDRAN, S.; MAHENDRAN, R.K.; NASEER, S.; SHAFIQ, M.; CHOI, J.G.: “Unmanned Aerial Vehicles (UAV) in Precision Agriculture: Applications and Challenges”, Energies, 15(1): 217, 2022, ISSN: 1996-1073, DOI: http://doi.org/10.3390/en15010217. )	Alta, especialmente para el monitoreo. Los drones comerciales de bajo costo son accesibles y pueden ser operados con capacitación básica.	Regulaciones de vuelo. Necesidad de procesar e interpretar las imágenes para generar recomendaciones agronómicas accionables (requiere capacitación).

Sistemas AIoT para Detección y Manejo de Plagas

⌅

La convergencia de IoT y DL (AIoT) permite pasar de un manejo de plagas reactivo y de amplio espectro a uno predictivo y de precisión. El IoT, a través de redes de sensores inalámbricos, estaciones meteorológicas y trampas inteligentes, proporciona la capa de recolección masiva de datos en tiempo real sobre las condiciones ambientales y la presencia de plagas (Elijah et al., 2018ELIJAH, O.; RAHMAN, T.A.; ORIKUMHI, I.; LEOW, C.Y.; HINDIA, M.N.: “An overview of Internet of Things (IoT) and data analytics in agriculture: Benefits and challenges”, IEEE Internet of Things Journal, 5(5): 3758-3773, 2018, ISSN: 2327-4662, DOI: http://doi.org/10.1109/JIOT.2018.2844296. ; Xu et al., 2022XU, J.; GU, B.; TIAN, G.: “Review of agricultural IoT technology”, Artificial Intelligence in Agriculture, 6: 10-22, 2022, ISSN: 2589-7217, DOI: http://doi.org/10.1016/j.aiia.2022.01.001. ). La IA, y en particular el aprendizaje profundo (Deep Learning, DL), dota a los sistemas de la capacidad de analizar estas enormes cantidades de datos (imágenes, series temporales) para identificar patrones sutiles, clasificar enfermedades y predecir brotes con una precisión sin precedentes (Kamilaris & Prenafeta-Boldú, 2018KAMILARIS, A.; PRENAFETA-BOLDÚ, F.X.: “Deep learning in agriculture: A survey”, Computers and Electronics in Agriculture, 147: 70-90, 2018, ISSN: 0168-1699, DOI: http://doi.org/10.1016/j.compag.2018.02.016. ; Liakos et al., 2018LIAKOS, K.G.; BUSATO, P.; MOSHOU, D.; PEARSON, S.; BOCHTIS, D.: “Machine learning in agriculture: A review”, Sensors, 18(8): 2674, 2018, ISSN: 1424-8220, DOI: http://doi.org/10.3390/s18082674. ). La Tabla 3 resume los avances más relevantes en esta área.

Tabla 3. Aplicaciones de AIoT para Detección de Plagas: Resultados y Potencial de Adaptación a Cuba

Aplicación / Tecnología	Resultado Obtenido	País / Región	Referencia	Posibilidad de Aplicar en Cuba	Retos y Perspectivas para su Introducción en Cuba
Detección de enfermedades con imágenes hiperespectrales	Detección de roya amarilla del trigo con precisión del 90-95% antes de síntomas visibles.	China	(Huang et al., 2007HUANG, W.; LAMB, D.W.; NIU, Z.; ZHANG, Y.; LIU, L.; WANG, J.: “Identification of yellow rust in wheat using in-situ spectral reflectance measurements and airborne hyperspectral imaging”, Precision Agriculture, 8: 187-197, 2007, ISSN: 1385-2256, DOI: http://doi.org/10.1007/s11119-007-9038-9. )	Media. Requiere equipos especializados (cámaras hiperespectrales) y personal capacitado.	Alto costo de equipos. Necesidad de desarrollar bibliotecas espectrales para cultivos y enfermedades locales.
Trampas inteligentes IoT para monitoreo de insectos	Conteo y clasificación automática de insectos con precisión del 90-96%.	Grecia	(Potamitis et al., 2014POTAMITIS, I.; RIGAKIS, I.; FYSARAKIS, K.: “The electronic McPhail trap”, Sensors, 14(12): 22285-22299, 2014, ISSN: 1424-8220, DOI: http://doi.org/10.3390/s141222285. )	Alta. Tecnología de costo relativamente bajo que puede ser replicada con componentes locales.	Desarrollo de trampas adaptadas a las principales plagas de Cuba. Validación en campo. Capacitación para interpretación de datos.
Redes neuronales convolucionales (CNN) para clasificación de enfermedades	Modelos CNN (AlexNet, ResNet, YOLO) alcanzan precisiones >95% en clasificación de enfermedades foliares.	Global	(Singh & Gupta, 2018SINGH, S.; GUPTA, S.: “Apple scab and marsonina coronaria diseases detection in apple leaves using machine learning”, International Journal of Pure and Applied Mathematics, 118(9): 1151-1166, 2018, ISSN: 1311-8080.; Jiang et al., 2019JIANG, P.; CHEN, Y.; LIU, B.; HE, D.; LIANG, C.: “Real-time detection of apple leaf diseases using deep learning approach based on improved convolutional neural networks”, IEEE Access, 7: 59069-59080, 2019, ISSN: 2169-3536, DOI: http://doi.org/10.1109/ACCESS.2019.2914929. )	Alta, como herramienta de apoyo a la extensión. Aplicaciones móviles basadas en CNN pueden ser utilizadas por técnicos y agricultores.	Desarrollo de bases de datos locales de imágenes de enfermedades. Adaptación de modelos pre-entrenados a condiciones cubanas. Capacitación en uso de aplicaciones.
Sistemas de aplicación selectiva (spot spraying)	Reducción del uso de herbicidas hasta en un 90% mediante pulverización localizada.	Estados Unidos	(Partelet al., 2019PARTEL, V.; CHARAN KAKARLA, S.; AMPATZIDIS, Y.: “Development and evaluation of a low-cost and smart technology for precision weed management utilizing artificial intelligence”, Computers and Electronics in Agriculture, 157: 339-350, 2019, ISSN: 0168-1699, DOI: http://doi.org/10.1016/j.compag.2018.12.048. )	Potencial para cultivos de alto valor. El ahorro de insumos puede justificar la inversión.	Costo de equipos. Necesidad de desarrollar mapas de prescripción precisos. Validación en condiciones locales.
Robots de deshierbe mecánico autónomos	Eliminación del 80-90% de malas hierbas en cultivos ecológicos, reduciendo dependencia de herbicidas.	Europa	(Machleb et al., 2020MACHLEB, J.; PETEINATOS, G.G.; KOLLENDA, B.L.; ANDÚJAR, D.; GERHARDS, R.: “Sensor-based mechanical weed control: present state and prospects”, Computers and Electronics in Agriculture, 176: 105638, 2020, ISSN: 0168-1699, DOI: http://doi.org/10.1016/j.compag.2020.105638. )	Potencial para agricultura urbana y periurbana, y para cultivos orgánicos de alto valor.	Costo del robot. Validación en cultivos cubanos (ej. hortalizas, tabaco). Adaptación a diferentes tipos de suelo.
Liberación de agentes de control biológico con drones	Liberación precisa de avispas parasitoides en zonas afectadas, optimizando el control biológico.	Estados Unidos	(Teske et al., 2019TESKE, A.L.; CHEN, G.; NANSEN, C.; KONG, Z.: “Optimised dispensing of predatory mites by multirotor UAVs in wind: a distribution pattern modelling approach for precision pest management”, Biosystems Engineering, 187: 226-238, 2019, ISSN: 1537-5110, DOI: http://doi.org/10.1016/j.biosystemseng.2019.09.009. )	Potencial medio. Requiere coordinación entre programas de control biológico y tecnología de drones.	Regulaciones de vuelo. Capacitación de personal. Integración con programas existentes de control biológico en Cuba.

Integración de Tecnologías: AIoT, Sistemas de Gestión Agrícola (FMIS) y Gemelos Digitales

⌅

El verdadero potencial de la agricultura digital se alcanza con la integración de todas las tecnologías en plataformas unificadas. Los Sistemas Integrados de Gestión Agrícola (FMIS) actúan como el cerebro de la operación, integrando datos de sensores, satélites y maquinaria para generar recomendaciones precisas. Los FMIS modernos han evolucionado de simples herramientas de registro a plataformas integrales basadas en la nube que ofrecen una amplia gama de funcionalidades: gestión de parcelas y cultivos, integración de datos de múltiples fuentes, trazabilidad, análisis económico y generación de mapas de prescripción (Paraforos et al., 2017PARAFOROS, D.S.; VASSILIADIS, V.; KORTENBRUCK, D.; STAMKOPOULOS, K.; ZIOGAS, V.; SAPOUNAS, A.A.; GRIEPENTROG, H.W.: “Multi-level automation of farm management information systems”, Computers and Electronics in Agriculture, 142: 504-514, 2017, ISSN: 0168-1699, DOI: http://doi.org/10.1016/j.compag.2017.11.022. ; Comparetti et al., 2025COMPARETTI, A.; FAGIOLINI, A.; FOUNTAS, S.; CASCIO, V.: “Field robots for precision agriculture”, AIMS Agriculture and Food, 10(4): 885-916, 2025, ISSN: 2471-2086, DOI: http://doi.org/10.3934/agrfood.2025046. ).

La sinergia entre FMIS y VRT es clara: los FMIS actúan como el "cerebro" que integra los datos, los analiza y genera las prescripciones que la VRT, como el "brazo", ejecuta en el campo. A su vez, los datos generados durante la aplicación VRT (por ejemplo, mapas de aplicación real) realimentan el FMIS, cerrando el ciclo y permitiendo un aprendizaje y mejora continua (Paraforos et al., 2017PARAFOROS, D.S.; VASSILIADIS, V.; KORTENBRUCK, D.; STAMKOPOULOS, K.; ZIOGAS, V.; SAPOUNAS, A.A.; GRIEPENTROG, H.W.: “Multi-level automation of farm management information systems”, Computers and Electronics in Agriculture, 142: 504-514, 2017, ISSN: 0168-1699, DOI: http://doi.org/10.1016/j.compag.2017.11.022. ; Karydas et al., 2023KARYDAS, C.; CHATZIANTONIOU, M.; STAMKOPOULOS, K.; IATROU, M.; VASSILIADIS, V.; MOURELATOS, S.: “Embedding a precision agriculture service into a farm management information system - ifarma/PreFer”, Smart Agricultural Technology, 4: 100175, 2023, ISSN: 2772-3755, DOI: http://doi.org/10.1016/j.atech.2023.100175. ).

Los gemelos digitales llevan este concepto un paso más allá, permitiendo simular y optimizar escenarios antes de implementarlos en el campo (Purcell & Neubauer, 2023PURCELL, W.; NEUBAUER, T.: “Digital Twins in Agriculture: A State-of-the-Art Review”, Smart Agricultural Technology, 3: 100094, 2023, ISSN: 2772-3755, DOI: http://doi.org/10.1016/j.atech.2022.100094. ; Escribà et al., 2024ESCRIBÀ, M.; LIANG, S.; VAN SCHALKWYK, P.; FISK, I.; LONG, N.V.D.; HESSEL, V.: “Digital twins in agriculture: orchestration and applications”, Journal of Agricultural and Food Chemistry, 72(19): 10737-10752, 2024, ISSN: 0021-8561, DOI: http://doi.org/10.1021/acs.jafc.4c01934. ). La Tabla 4 resume los avances más relevantes en esta área.

Tabla 4. Aplicaciones de Integración Tecnológica (AIoT, FMIS, Gemelos Digitales): Resultados y Potencial de Adaptación a Cuba

Aplicación / Tecnología	Resultado Obtenido	País / Región	Referencia	Posibilidad de Aplicar en Cuba	Retos y Perspectivas para su Introducción en Cuba
Servicio de fertilización de precisión (PreFer) integrado en FMIS (ifarma)	Sistema que combina datos de sensores, imágenes de satélite y ML para generar mapas de prescripción de fertilizantes. Demuestra cómo la integración de datos puede cerrar el ciclo de la AP.	Grecia	(Karydas et al., 2023KARYDAS, C.; CHATZIANTONIOU, M.; STAMKOPOULOS, K.; IATROU, M.; VASSILIADIS, V.; MOURELATOS, S.: “Embedding a precision agriculture service into a farm management information system - ifarma/PreFer”, Smart Agricultural Technology, 4: 100175, 2023, ISSN: 2772-3755, DOI: http://doi.org/10.1016/j.atech.2023.100175. )	Alta, como modelo a seguir. Un sistema similar podría desarrollarse para Cuba, integrando datos locales.	Necesidad de un FMIS nacional o regional. Requiere infraestructura de datos y personal capacitado en ML y teledetección. Coordinación interinstitucional.
Arquitectura de sistemas integrados para agricultura inteligente	Integración de sensores IoT, computación en la nube y algoritmos de IA/ML para optimizar operaciones (riego, fertilización, pulverización).	Global	(Padhiary et al., 2025PADHIARY, M.; KUMAR, A.; NARAYAN, L.: “Emerging technologies for smart and sustainable precision agriculture”, Discover Robotics, 1: 6, 2025, ISSN: 3004-9157, DOI: http://doi.org/10.1007/s44430-025-00006-0. )	Media, como visión a largo plazo. La arquitectura propuesta es compleja y requiere una infraestructura tecnológica avanzada.	Desarrollar una arquitectura simplificada y adaptada a las condiciones cubanas. Priorizar la interoperabilidad y el uso de estándares abiertos.
Gemelos digitales en agricultura	Réplicas virtuales de explotaciones que permiten simular el impacto de diferentes estrategias de manejo (riego, fertilización, rotación) antes de implementarlas.	Global	(Purcell & Neubauer, 2023PURCELL, W.; NEUBAUER, T.: “Digital Twins in Agriculture: A State-of-the-Art Review”, Smart Agricultural Technology, 3: 100094, 2023, ISSN: 2772-3755, DOI: http://doi.org/10.1016/j.atech.2022.100094. ; Escribà et al., 2024ESCRIBÀ, M.; LIANG, S.; VAN SCHALKWYK, P.; FISK, I.; LONG, N.V.D.; HESSEL, V.: “Digital twins in agriculture: orchestration and applications”, Journal of Agricultural and Food Chemistry, 72(19): 10737-10752, 2024, ISSN: 0021-8561, DOI: http://doi.org/10.1021/acs.jafc.4c01934. )	Baja a corto plazo, potencial a largo plazo. Tecnología emergente que requiere grandes volúmenes de datos y alta capacidad computacional.	Desarrollar gemelos digitales para cultivos estratégicos (ej. caña de azúcar, arroz, tabaco) en colaboración con centros de investigación. La formación de personal en modelación y simulación es clave
Asistentes conversacionales basados en IA generativa	Proporcionan asesoramiento agronómico personalizado a los agricultores, adaptado a sus condiciones específicas y en lenguaje natural.	Global (conceptual)	(Boscán & Boscán, 2025BOSCÁN BOSCÁN, A.C.; BOSCÁN BOSCÁN, A.J.: “Artificial intelligence in agriculture: A view from a sustainable development perspective”, Agrociencia Uruguay, 29: e1502, 2025, ISSN: 2730-5066, DOI: http://doi.org/10.31285/AGRO.29.1502. )	Alta a medio plazo. Una vez desarrollada la base de conocimiento agronómico cubano, esta tecnología podría ser muy útil para la extensión agrícola.	Crear una base de conocimiento digital con información agronómica local (suelos, cultivos, clima, prácticas). Capacitar a especialistas en el uso y desarrollo de estas herramientas.

Análisis de la Adaptabilidad al Contexto Cubano

⌅

La transferencia de estas tecnologías a Cuba enfrenta barreras significativas que abarcan aspectos técnicos, económicos, institucionales y sociales. Sin embargo, también presenta oportunidades únicas que pueden aprovecharse para una adaptación exitosa.

Barreras y Desafíos

⌅

Un desafío estructural clave es la obsolescencia del parque de maquinaria agrícola. Se estima que más del 80% de los tractores en Cuba tienen más de 30 años de antigüedad. Esta realidad dificulta la integración de sistemas de guiado automático, VRT y sensores que requieren compatibilidad electrónica y sistemas de comunicación modernos. La simple instalación de un kit de adaptación ISOBUS (norma internacional ISO 11783), por ejemplo, no es viable en la mayoría de estos equipos sin una renovación tecnológica profunda. Esta limitación se ve agravada por la falta de estandarización e interoperabilidad entre diferentes plataformas y fabricantes, lo que genera depósitos de datos aislados y dificulta la integración de sistemas (Gupta & Kumar, 2025GUPTA, G.; KUMAR, S.: “Applications of AI in precision agriculture”, Discover Agriculture, 3: 61, 2025, ISSN: 2731-9598, DOI: http://doi.org/10.1007/s44279-025-00220-9. ).

En el ámbito del agua, la ineficiencia de los sistemas de riego es otro problema mayor. El 70% de las áreas cultivadas utilizan riego superficial con eficiencias inferiores al 50%, lo que representa una pérdida anual de más de 1,200 millones de metros cúbicos de agua (MINAG, 2023MINAG: Anuario Estadístico Agropecuario 2022, Ministerio de la Agricultura, La Habana, Cuba, 2023.; Tejeda et al., 2025TEJEDA, V.; HERRERA, J.; RÍOS, A.; LÓPEZ, R.: “Agricultural Engineering in the System of the Cuban Agriculture, a Challenge in the Current Times”, Ingeniería Agrícola, 15, 2025, ISSN: 2227-8761.). Esta situación refleja no solo un problema tecnológico, sino también una falta de sistemas de monitoreo y control. Los altos costos de inversión para tecnologías como los sensores de precisión, drones de alta gama y sistemas de riego automatizado representan una barrera económica significativa, especialmente para la pequeña y mediana agricultura (Pierpaoli et al., 2013PIERPAOLI, E.; CARLIA, G.; PIGNATTI, E.; CANAVARI, M.: CDrivers of precision agriculture technologies adoption: A literature review”, Procedia Technology, 8: 61-69, 2013, ISSN: 2212-0173, DOI: http://doi.org/10.1016/j.protcy.2013.11.010. ). Munz & Schuele (2022)MUNZ, J.; SCHUELE, H.: “Influencing the Success of Precision Farming Technology Adoption-A Model-Based Investigation of Economic Success Factors in Small-Scale Agriculture”, Agriculture, 12(11): 1773, 2022, ISSN: 2077-0472, DOI: http://doi.org/10.3390/agriculture12111773. demuestran, mediante un análisis de sensibilidad, que la rentabilidad de las tecnologías de precisión como la VRT está fuertemente influenciada por el tamaño de la explotación, lo que supone un desafío adicional en un contexto de pequeña y mediana agricultura, como el de Cuba.

A esto se suman limitaciones de infraestructura, como la conectividad deficiente a internet en zonas rurales, que afecta la transmisión de datos en tiempo real desde sensores y sistemas IoT (Elijah et al., 2018ELIJAH, O.; RAHMAN, T.A.; ORIKUMHI, I.; LEOW, C.Y.; HINDIA, M.N.: “An overview of Internet of Things (IoT) and data analytics in agriculture: Benefits and challenges”, IEEE Internet of Things Journal, 5(5): 3758-3773, 2018, ISSN: 2327-4662, DOI: http://doi.org/10.1109/JIOT.2018.2844296. ; Bayih et al., 2022BAYIH, A.; MORALES, J.; ASSABIE, Y.; DE BY, R.: “Utilization of Internet of Things and Wireless Sensor Networks for Sustainable Smallholder Agriculture”, Sensors, 22(9): 3273, 2022, ISSN: 1424-8220, DOI: http://doi.org/10.3390/s22093273. ). Finalmente, la complejidad técnica y la necesidad de capacitación especializada para manejar e interpretar los datos generados limitan la adopción (Aubert et al., 2012AUBERT, B.A.; SCHROEDER, A.; GRIMAUDO, J.: “IT as enabler of sustainable farming: An empirical analysis of farmers' adoption decision of precision agriculture technology”, Decision Support Systems, 54(1): 510-520, 2012, ISSN: 0167-9236, DOI: http://doi.org/10.1016/j.dss.2012.05.048. ). No basta con adquirir un sensor; se requiere personal capacitado para calibrarlo, interpretar sus datos e integrarlos en un sistema de toma de decisiones. La falta de este capital humano especializado es una barrera transversal a todas las tecnologías analizadas.

En el caso específico de los sistemas AIoT para detección de plagas, la generalización de los modelos de IA sigue siendo un problema. Un modelo entrenado en una región geográfica o con una variedad de cultivo específica puede no funcionar correctamente en otras condiciones (Anastasiou et al., 2023ANASTASIOU, E.; FOUNTAS, S.; VOULGARAKI, M.; PSIROUKIS, V.; KOUTSIARAS, M.; KRIEZI, O.; LAZAROU, E.; VATSANIDOU, A.; FU, L.; DI BARTOLO, F.; JESUS BARREIRO, J.; MANUEL GOMEZ, J.: “Precision farming technologies for crop protection: A meta-analysis”, Smart Agricultural Technology, 5: 100323, 2023, ISSN: 2772-3755, DOI: http://doi.org/10.1016/j.atech.2023.100323. ). La necesidad de grandes cantidades de datos etiquetados para el entrenamiento es otra limitación, aunque están surgiendo técnicas como el aprendizaje semi-supervisado y por transferencia para mitigarlo (Li et al., 2021LI, Y.; CHAO, X.: “Semi-supervised few-shot learning approach for plant diseases recognition”, Plant Methods, 17: 68, 2021, ISSN: 1746-4811, DOI: http://doi.org/10.1186/s13007-021-00770-1. ; Benchallal et al., 2024BENCHALLAL, F.; HAFINE, A.; RAGOT, N.; CANALS, R.: “ConvNeXt based semi-supervised approach with consistency regularization for weeds classification”, Expert Systems with Applications, 239: 122222, 2024, ISSN: 0957-4174, DOI: http://doi.org/10.1016/j.eswa.2023.122222. ). La integración de datos heterogéneos (imágenes, clima, suelo) sigue siendo un reto técnico y computacional (Cravero & Sepúlveda, 2021CRAVERO, A.; SEPÚLVEDA, S.: “Use and adaptations of machine learning in big data-applications in real cases in agriculture”, Electronics, 10(5): 552, 2021, ISSN: 2079-9292, DOI: http://doi.org/10.3390/electronics10050552. ).

Necesidades y Oportunidades

⌅

A pesar de las barreras, existen oportunidades clave que pueden aprovecharse. En primer lugar, hay la voluntad política para la modernización, como se evidencia en el proyecto ONUDI (2024)ONUDI (Organización de las Naciones Unidas para el Desarrollo Industrial): Programa de modernización tecnológica y empresarial en el sector de producción de agroquímicos y maquinaria agrícola (Mejora y modernización industrial en Cuba, fase II), ID 230317, 51 p., 2024. y su alineación con el PNDES 2030PNDES (Plan Nacional de Desarrollo Económico y Social hasta 2030): Propuesta de Visión, Ejes y Sectores Estratégicos, La Habana, Cuba, Ministerio de Economía y Planificación (MEP), Resolución 30/2018 MINCEX, D-L 02/2019, 2019.. Cuba cuenta con un capital humano calificado en instituciones como el Instituto de Investigaciones de Ingeniería Agrícola (IAgric), la Universidad Agraria de la Habana (UNAH), el Instituto Nacional de Ciencias Agrícolas (INCA), la Universidad de la Habana (UH), la Empresa de Automatización Integral (CEDAI), etc., que poseen vasta experiencia en ingeniería agrícola, riego (diseño, evaluación y manejo de sistemas de riego) y mecanización, necesaria para la implementación del riego inteligente y la agricultura de precisión (Kushwaha et al., 2024KUSHWAHA, M.; SINGH, S.; SINGH, V.; DWIVEDI, S.: “Precision Farming: A Review of Methods, Technologies, and Future Prospects”, International Journal of Environment, Agriculture and Biotechnology, 9(2), 2024, ISSN: 2456-1878, DOI: http://doi.org/10.22161/ijeab.92.27. ). Esta base de conocimiento puede ser la base para la creación de capacidades locales en agricultura digital.

La disponibilidad de tecnologías de bajo costo es otra oportunidad decisiva. El estudio de Elhoseny et al. (2026)ELHOSENY, M.; JAHID, K.; LATIF, R.; SADDIK, A.; ATASSI, R.: “Recent advances in IoT-driven crop monitoring and precision irrigation: Technologies, models, and future challenges”, Scientific African, 2026, (en prensa), ISSN: 2468-2276, DOI: http://doi.org/10.1016/j.sciaf.2026.e03222. demuestra que es posible implementar sistemas de riego inteligente con un costo de solo 44 USD, lo que los hace potencialmente accesibles para productores con pequeñas áreas. Asimismo, el acceso a datos satelitales gratuitos (como los de la misión Sentinel-2) permite generar mapas de NDVI y estimar requerimientos hídricos sin una inversión inicial significativa (Marques et al., 2020MARQUES, J.R.; TERRÓN, J.M.; DOMÍNGUEZ, F.J.; PAIXÃO, L.: “Agricultura de Precisión con Imágenes de Satélite”, en: Manual de Buenas Prácticas Agrícolas, cap. II, pp. 25-48, 2020, ISBN: 978-989-33-0549-2.; Saha et al., 2025SAHA, S.; KUCHER, O.D.; UTKINA, A.O.; REBOUH, N.Y.: “Precision agriculture for improving crop yield predictions: a literature review”, Frontiers in Agronomy, 7: 1566201, 2025, ISSN: 2673-3218, DOI: http://doi.org/10.3389/fagro.2025.1566201. ). La cooperación internacional, como la establecida a través de ONUDI y otros organismos (FAO, PENUD) puede proporcionar un canal para la transferencia de tecnología y conocimiento, que debe ser aprovechado para adaptar soluciones globales al contexto local.

Para una adaptación exitosa, se identifican las siguientes necesidades priorizadas, con énfasis en el riego de precisión. Transición de sistemas de riego de baja eficiencia en el uso del agua a otros más eficientes:

Diagnóstico y modernización básica de sistemas de riego: Evaluar el estado actual de los sistemas de riego para identificar pérdidas y oportunidades de mejora, con énfasis en la transición de riego superficial a sistemas presurizados más eficientes
Introducción de sensores de humedad de suelo de bajo costo con operación en semidesconexión: Implementar sensores de bajo costo (Elhoseny et al., 2026ELHOSENY, M.; JAHID, K.; LATIF, R.; SADDIK, A.; ATASSI, R.: “Recent advances in IoT-driven crop monitoring and precision irrigation: Technologies, models, and future challenges”, Scientific African, 2026, (en prensa), ISSN: 2468-2276, DOI: http://doi.org/10.1016/j.sciaf.2026.e03222. ) en áreas piloto. Dadas las limitaciones de conectividad en zonas rurales, un primer paso práctico es el uso de sensores que operen en semidesconexión (registro local de datos con descarga periódica), para posteriormente avanzar hacia sistemas híbridos que combinen almacenamiento local con transmisión intermitente, hasta alcanzar el monitoreo en tiempo real (conexión continua). Una opción complementaria es el desarrollo de sensores robustos, de fácil uso y reemplazo, para la determinación puntual y semiinstantánea de la humedad del suelo, vinculados a teléfonos celulares que permitan la toma de decisiones in situ por parte del agricultor o técnico.
Capacitación en manejo eficiente del agua: Formar a técnicos y agricultores en programación de riego basada en la evapotranspiración de referencia (ETo) y la interpretación de datos de sensores, incluso en condiciones de conectividad limitada.
Desarrollo de sistemas de riego automatizado basados en IoT: Implementar sistemas que integren sensores, estaciones meteorológicas y algoritmos de control difuso (Liu et al., 2025LIU, X.; ZHAO, Z.; REZAEIPANAH, A.: “Intelligent and automatic irrigation system based on internet of things using fuzzy control technology”, Scientific Reports, 15: 14577, 2025, ISSN: 2045-2322, DOI: http://doi.org/10.1038/s41598-025-98137-2. ) para automatizar el riego, priorizando soluciones que funcionen con conectividad intermitente.
Fortalecimiento de plataformas FMIS para gestión integral del agua: Desarrollar plataformas locales que integren datos de sensores, mapas de humedad y requerimientos hídricos (Karydas et al., 2023KARYDAS, C.; CHATZIANTONIOU, M.; STAMKOPOULOS, K.; IATROU, M.; VASSILIADIS, V.; MOURELATOS, S.: “Embedding a precision agriculture service into a farm management information system - ifarma/PreFer”, Smart Agricultural Technology, 4: 100175, 2023, ISSN: 2772-3755, DOI: http://doi.org/10.1016/j.atech.2023.100175. ), con capacidad de operar en modo semidesconectado y sincronización periódica.
Formación de especialistas en modelación de requerimientos hídricos: Capacitar a profesionales en el uso de modelos de balance hídrico y evapotranspiración, adaptados a datos disponibles localmente.
Desarrollo de mapas de prescripción de riego: Generar mapas de prescripción basados en datos satelitales, sensores de suelo y modelos de cultivo (Saha et al., 2025SAHA, S.; KUCHER, O.D.; UTKINA, A.O.; REBOUH, N.Y.: “Precision agriculture for improving crop yield predictions: a literature review”, Frontiers in Agronomy, 7: 1566201, 2025, ISSN: 2673-3218, DOI: http://doi.org/10.3389/fagro.2025.1566201. ), utilizando herramientas que no requieran conectividad continua.
Implementación de sistemas de riego autónomos con IA: Introducir sistemas que integren datos de sensores, pronósticos climáticos e imágenes satelitales (Liu et al., 2025LIU, X.; ZHAO, Z.; REZAEIPANAH, A.: “Intelligent and automatic irrigation system based on internet of things using fuzzy control technology”, Scientific Reports, 15: 14577, 2025, ISSN: 2045-2322, DOI: http://doi.org/10.1038/s41598-025-98137-2. ) en proyectos piloto, considerando arquitecturas que permitan el procesamiento local en casos de desconexión.
Desarrollo de gemelos digitales para optimización del riego: Crear réplicas virtuales de sistemas de riego para simular escenarios climáticos y evaluar estrategias de manejo (Purcell & Neubauer, 2023PURCELL, W.; NEUBAUER, T.: “Digital Twins in Agriculture: A State-of-the-Art Review”, Smart Agricultural Technology, 3: 100094, 2023, ISSN: 2772-3755, DOI: http://doi.org/10.1016/j.atech.2022.100094. ), aprovechando centros de cómputo centralizados.
Integración de energías renovables: Incorporar sistemas de bombeo solar y eólico para reducir la dependencia energética y los costos operativos del riego.
Automatización de la fertirrigación: Desarrollar sistemas automatizados que integren la aplicación variable de agua y fertilizantes, optimizando ambos recursos simultáneamente.
Implementación gradual de sistemas de guiado automático: Adaptar sistemas de guiado automático en la maquinaria existente para reducir solapes, mejorar la uniformidad de aplicación y optimizar el consumo de combustible (Vrchota et al., 2022VRCHOTA, J.; PECH, M.; ŠVEPEŠOVÁ, I.: “Precision Agriculture Technologies for Crop and Livestock Production in the Czech Republic”, Agriculture, 12(8): 1080, 2022, ISSN: 2077-0472, DOI: http://doi.org/10.3390/agriculture12081080. ; McFadden et al., 2023McFADDEN, J.; NJUKI, E.; GRIFFIN, T.: “Precision agriculture in the digital era: recent adoption on U.S. Farms”, Economic Information Bulletin No. 248, U.S. Department of Agriculture, Economic Research Service, 2023, Disponible en: https://www.ers.usda.gov/webdocs/publications/105894/eib-248.pdf [Consulta: 17 de abril de 2026].). Dada la obsolescencia del parque de maquinaria (más del 80% de los tractores superan los 30 años), se propone una estrategia escalonada.

Estrategia de Implementación Gradual

⌅

Basado en las necesidades identificadas, se propone un enfoque gradual de implementación en tres fases con énfasis en el riego de precisión como pilar fundamental, la introducción de tecnologías de bajo costo y alto impacto inmediato.

Fase 1 (Inmediata de 1 a 2 años): Introducción de tecnologías de bajo costo y alto impacto inmediato

⌅

Acciones priorizadas

Implementación de sensores de humedad de suelo de bajo costo (Elhoseny et al., 2026ELHOSENY, M.; JAHID, K.; LATIF, R.; SADDIK, A.; ATASSI, R.: “Recent advances in IoT-driven crop monitoring and precision irrigation: Technologies, models, and future challenges”, Scientific African, 2026, (en prensa), ISSN: 2468-2276, DOI: http://doi.org/10.1016/j.sciaf.2026.e03222. ) en cultivos estratégicos (arroz, maíz, frijol, hortalizas y tabaco) para monitoreo en tiempo real, es lo deseado. Sin embargo, un primer paso más práctico en la realidad cubana actual es el uso de sensores que operen en semidesconexión, y posteriormente avanzar hacia sistemas híbridos que combinen semidesconexión con conexión continua, hasta alcanzar el monitoreo en tiempo real (conexión continua).
Desarrollo de sensores robustos, de fácil uso y reemplazo, para la determinación de la humedad puntual, discreta y semiinstantánea, vinculados a teléfonos celulares para la toma de decisión in situ.
Desarrollo de aplicaciones móviles basadas en CNN para diagnóstico de enfermedades (Singh & Gupta, 2018SINGH, S.; GUPTA, S.: “Apple scab and marsonina coronaria diseases detection in apple leaves using machine learning”, International Journal of Pure and Applied Mathematics, 118(9): 1151-1166, 2018, ISSN: 1311-8080.) y la gestión del riego, con capacidad de operar sin conexión a internet.
Capacitación intensiva en manejo eficiente del agua para técnicos del IAgric y extensionistas en programación de riego basada en ETo y datos de sensores.
Monitoreo con drones equipados con cámaras multiespectrales y térmicas para detección de estrés hídrico y otros problemas de los cultivos (Tsouros et al., 2019TSOUROS, D.C.; BIBI, S.; SARIGIANNIDIS, P.G.: “A review on UAV-based applications for precision agriculture”, Information, 10(11): 349, 2019, ISSN: 2078-2489, DOI: http://doi.org/10.3390/info10110349. ; Velusamy et al., 2022VELUSAMY, P.; RAJENDRAN, S.; MAHENDRAN, R.K.; NASEER, S.; SHAFIQ, M.; CHOI, J.G.: “Unmanned Aerial Vehicles (UAV) in Precision Agriculture: Applications and Challenges”, Energies, 15(1): 217, 2022, ISSN: 1996-1073, DOI: http://doi.org/10.3390/en15010217. ).
Creación de un Sistema de Gestión Agrícola (FMIS) nacional, adaptado a las condiciones locales, que sirva como plataforma integradora de todos los datos (sensores de bajo costo, imágenes satelitales gratuitas, pronósticos meteorológicos locales), con capacidad de sincronización periódica en zonas con conectividad limitada.
Fortalecimiento de la conectividad rural, priorizando inversiones en infraestructura de conectividad para permitir progresivamente la transmisión de datos en tiempo real.
Masificación del uso de sistemas de bombeo solar y eólico para reducir la dependencia de combustibles fósiles y los costos operativos.
Introducción gradual de sistemas de guiado automático para la maquinaria (Vrchota et al., 2022VRCHOTA, J.; PECH, M.; ŠVEPEŠOVÁ, I.: “Precision Agriculture Technologies for Crop and Livestock Production in the Czech Republic”, Agriculture, 12(8): 1080, 2022, ISSN: 2077-0472, DOI: http://doi.org/10.3390/agriculture12081080. ; McFadden et al., 2023McFADDEN, J.; NJUKI, E.; GRIFFIN, T.: “Precision agriculture in the digital era: recent adoption on U.S. Farms”, Economic Information Bulletin No. 248, U.S. Department of Agriculture, Economic Research Service, 2023, Disponible en: https://www.ers.usda.gov/webdocs/publications/105894/eib-248.pdf [Consulta: 17 de abril de 2026].). Como primera opción de muy bajo costo, utilizar el teléfono móvil del operador (con una APK apropiada) como asistente de navegación para guiar el traslado en el campo, operando en condiciones de semidesconexión (sin requerir internet permanente, solo señal GPS). Esta solución permite incrementar la eficiencia de operación de la maquinaria envejecida, reduciendo solapes y consumo de combustible.
Creación de capacidades locales en torno a estas tecnologías, convirtiendo a nuestros técnicos y agrónomos en los especialistas que adaptan, calibran y operan estos sistemas.

Resultados esperados

Reducción del consumo de agua entre un 20-30% en áreas piloto.
Disminución de costos operativos por menor uso de combustible y reducción de solapes mediante el uso del teléfono móvil como asistente de navegación.
Creación de capacidades locales en manejo de sensores (incluyendo operación en semidesconexión), riego de precisión, guiado básico con celular y monitoreo con drones.
Implementación de una plataforma FMIS nacional que integre datos básicos de campo.

Fase 2 (Corto/Medio Plazo - 3-5 años): Desarrollo e implementación de sistemas más complejos

⌅

Acciones priorizadas

Desarrollo de sistemas de riego automatizado IoT que integren sensores, estaciones meteorológicas y algoritmos de control difuso (Liu et al., 2025LIU, X.; ZHAO, Z.; REZAEIPANAH, A.: “Intelligent and automatic irrigation system based on internet of things using fuzzy control technology”, Scientific Reports, 15: 14577, 2025, ISSN: 2045-2322, DOI: http://doi.org/10.1038/s41598-025-98137-2. ), con capacidad de operar en modo híbrido (local + nube).
Implementación de riego por goteo con control de flujo variable en cultivos de alta demanda hídrica.
Fortalecimiento de una plataforma FMIS adaptada a las condiciones locales que integre datos de sensores, mapas de humedad y pronósticos climáticos (Karydas et al., 2023KARYDAS, C.; CHATZIANTONIOU, M.; STAMKOPOULOS, K.; IATROU, M.; VASSILIADIS, V.; MOURELATOS, S.: “Embedding a precision agriculture service into a farm management information system - ifarma/PreFer”, Smart Agricultural Technology, 4: 100175, 2023, ISSN: 2772-3755, DOI: http://doi.org/10.1016/j.atech.2023.100175. ).
Desarrollo de mapas de prescripción de riego basados en datos satelitales y sensores de suelo (Saha et al., 2025SAHA, S.; KUCHER, O.D.; UTKINA, A.O.; REBOUH, N.Y.: “Precision agriculture for improving crop yield predictions: a literature review”, Frontiers in Agronomy, 7: 1566201, 2025, ISSN: 2673-3218, DOI: http://doi.org/10.3389/fagro.2025.1566201. ).
Establecimiento de alianzas con centros internacionales para la validación de modelos.
Avanzar en la instalación de sistemas de guiado automático en el equipamiento moderno existente en los principales polos agrícolas del país y en la medida que se renueve la flota.
Desarrollo e implementación de sistemas VRT para fertilización y control de plagas en cultivos de alto valor y en áreas con alta variabilidad espacial de suelos, basados en mapas de prescripción generados a partir de datos satelitales gratuitos (como Sentinel-2) y análisis de suelos, similar al servicio "PreFer" (Karydas et al., 2023KARYDAS, C.; CHATZIANTONIOU, M.; STAMKOPOULOS, K.; IATROU, M.; VASSILIADIS, V.; MOURELATOS, S.: “Embedding a precision agriculture service into a farm management information system - ifarma/PreFer”, Smart Agricultural Technology, 4: 100175, 2023, ISSN: 2772-3755, DOI: http://doi.org/10.1016/j.atech.2023.100175. ).
Desarrollo de trampas inteligentes adaptadas a las principales plagas de Cuba (Potamitis et al., 2014POTAMITIS, I.; RIGAKIS, I.; FYSARAKIS, K.: “The electronic McPhail trap”, Sensors, 14(12): 22285-22299, 2014, ISSN: 1424-8220, DOI: http://doi.org/10.3390/s141222285. ).
Programas de capacitación en ML y teledetección para personal técnico.
Desarrollar bases de datos de imágenes de enfermedades y plagas locales para entrenamiento de modelos de IA.

Resultados esperados

Reducción del consumo de agua entre un 30-40% en áreas piloto y reducción del consumo de energía por bombeo entre un 15-25% en zonas seleccionadas.
Disminución del uso de fertilizantes nitrogenados en un 10-3.0% sin afectar el rendimiento.
Validación de sistemas de alerta temprana para plagas mediante trampas inteligentes.
Desarrollo de capacidades locales en modelación, teledetección y aprendizaje automático.

Fase 3 (Medio/Largo Plazo - 5-10 años): Introducción de tecnologías avanzadas.

⌅

Acciones priorizadas

Implementación de sistemas de riego autónomos con IA que integren datos de sensores, pronósticos climáticos, imágenes satelitales y modelos de crecimiento (Liu et al., 2025LIU, X.; ZHAO, Z.; REZAEIPANAH, A.: “Intelligent and automatic irrigation system based on internet of things using fuzzy control technology”, Scientific Reports, 15: 14577, 2025, ISSN: 2045-2322, DOI: http://doi.org/10.1038/s41598-025-98137-2. ).
Automatización de la fertirrigación, integrando agua y fertilizantes.
Introducción de robótica y sistemas autónomos en proyectos piloto en cooperativas o empresas estatales de mayor escala (Comparetti et al., 2025COMPARETTI, A.; FAGIOLINI, A.; FOUNTAS, S.; CASCIO, V.: “Field robots for precision agriculture”, AIMS Agriculture and Food, 10(4): 885-916, 2025, ISSN: 2471-2086, DOI: http://doi.org/10.3934/agrfood.2025046. ; Liu et al., 2025LIU, X.; ZHAO, Z.; REZAEIPANAH, A.: “Intelligent and automatic irrigation system based on internet of things using fuzzy control technology”, Scientific Reports, 15: 14577, 2025, ISSN: 2045-2322, DOI: http://doi.org/10.1038/s41598-025-98137-2. ).
Desarrollo de gemelos digitales para cultivos estratégicos y la gestión integrada de los recursos hídricos (Purcell & Neubauer, 2023PURCELL, W.; NEUBAUER, T.: “Digital Twins in Agriculture: A State-of-the-Art Review”, Smart Agricultural Technology, 3: 100094, 2023, ISSN: 2772-3755, DOI: http://doi.org/10.1016/j.atech.2022.100094. ).
Implementación de asistentes conversacionales para extensión agrícola (Boscán & Boscán, 2025BOSCÁN BOSCÁN, A.C.; BOSCÁN BOSCÁN, A.J.: “Artificial intelligence in agriculture: A view from a sustainable development perspective”, Agrociencia Uruguay, 29: e1502, 2025, ISSN: 2730-5066, DOI: http://doi.org/10.31285/AGRO.29.1502. ).
Lograr que las tecnologías AIoT sean una herramienta común para aumentar la soberanía alimentaria, optimizar el uso del agua y la explotación de la maquinaria agrícola.

Resultados esperados

Racionalización del riego y la fertiirrigación con reducción del consumo de agua del 40-50%.
Reducción significativa de la huella energética y de carbono.
Implementación de gemelos digitales para la simulación y mejora de la gestión de cultivos.
Posicionamiento de Cuba como referente regional en tecnologías de riego inteligente.

Dados los altos costos, fomentar modelos de negocio colaborativos, como cooperativas de maquinaria o servicios de alquiler de "maquinaria por horas" (Munz & Schuele, 2022MUNZ, J.; SCHUELE, H.: “Influencing the Success of Precision Farming Technology Adoption-A Model-Based Investigation of Economic Success Factors in Small-Scale Agriculture”, Agriculture, 12(11): 1773, 2022, ISSN: 2077-0472, DOI: http://doi.org/10.3390/agriculture12111773. ), puede ser un mecanismo para superar las barreras económicas y de escala que limitan el acceso a tecnologías de alto costo, permitiendo que los beneficios de la agricultura de precisión lleguen también a los pequeños y medianos productores. La clave estará en la adaptación de las tecnologías globales a las condiciones locales, la formación continua de los recursos humanos, la colaboración internacional sostenida y el desarrollo de modelos de negocio que permitan el acceso equitativo a la tecnología, por lo que la implementación de esta estrategia debe ir acompañada de un programa de formación continua para técnicos y agricultores, asegurando la sostenibilidad a largo plazo.

Introduction

Materials and Methods

Search and Selection

Extraction, Synthesis, and Contextual Analysis

Results and Discussion

State of the Art of Technologies

Smart Irrigation and Water Management

Technologies for Precision Nutrient Management

Precision Machining and Agricultural Robotics

AIoT Systems for Pest Detection and Management

Technology Integration: AIoT, Agricultural Management Systems (FMIS) and Digital Twins

Analysis of Adaptability to the Cuban Context

Barriers and Challenges

Needs and Opportunities

Gradual Implementation Strategy

Phase 1 (Immediate, 1 to 2 years): Introduction of low-cost, high-impact technologies

Phase 2 (Short/Medium Term - 3-5 years): Development and implementation of more complex systems. Prioritized actions

Phase 3 (Medium/Long Term - 5-10 years): Introduction of advanced technologies

Conclusions

References

Tecnologías de Agricultura de Precisión para Riego y Mecanización Agrícola: Adaptabilidad al Contexto Cubano

Introducción

Materiales y Métodos

Estrategia de búsqueda y selección

Extracción, síntesis y análisis contextual

Resultados y Discusión

Estado del Arte de las Tecnologías

Riego Inteligente y Gestión del Agua

Tecnologías para la Gestión de Nutrientes de Precisión

Mecanización de Precisión y Robótica Agrícola

Sistemas AIoT para Detección y Manejo de Plagas

Integración de Tecnologías: AIoT, Sistemas de Gestión Agrícola (FMIS) y Gemelos Digitales

Análisis de la Adaptabilidad al Contexto Cubano

Barreras y Desafíos

Necesidades y Oportunidades

Estrategia de Implementación Gradual

Fase 1 (Inmediata de 1 a 2 años): Introducción de tecnologías de bajo costo y alto impacto inmediato

Fase 2 (Corto/Medio Plazo - 3-5 años): Desarrollo e implementación de sistemas más complejos

Fase 3 (Medio/Largo Plazo - 5-10 años): Introducción de tecnologías avanzadas.

Conclusiones