Sensores y aplicaciones de IoT en entornos
agrícolas: mapeo sistemático
IoT Sensors and Applications in Agricultural Environments:
Systematic Mapping
Recibido: 24/03/2025 - Aceptado: 26/06/2025
Gardyn Olivera Ruiz
https://orcid.org/0000-0002-7200-6124
gardyn.olivera@unas.edu.pe
Universidad Nacional Agraria de la Selva. Tingo María, Perú
Giovanni Kuennen Perez Espinoza
https://orcid.org/0000-0002-4702-2413
giovanni.perez@unas.edu.pe
Universidad Nacional Agraria de la Selva. Tingo María, Perú
Resumen
La presente investigación realizó un mapeo sistemático de la literatura científica sobre sensores y aplicaciones
de IoT en la agricultura, con el objetivo de identificar las principales líneas de desarrollo, sus beneficios y las
barreras para su adopción. Se aplicó la metodología de Petersen y Kitchenham, utilizando el marco PICOC para
diseñar la búsqueda en bases de datos como Scopus, IEEE Xplore, Taylor & Francis y Sage Journals,
considerando estudios originales publicados entre 2019 y 2024. De 1,862 registros iniciales, se seleccionaron 59
artículos tras aplicar criterios de inclusión relacionados con descripción técnica, análisis de ventajas y limitaciones,
e impacto en sostenibilidad. El análisis bibliométrico mostró un crecimiento constante en las publicaciones, con
Asia y Europa como principales focos. La síntesis temática reveló que los sistemas de riego inteligente concentran
el 28 % de las contribuciones, seguidos por el monitoreo de cultivos (17 %) y los sistemas de alerta temprana (10
%). En contraste, áreas como fertilización inteligente y conservación de la biodiversidad están poco exploradas.
Los estudios reportan mejoras significativas en eficiencia hídrica y energética, y reducción de la huella ambiental.
Sin embargo, persisten limitaciones técnicas como la vida útil limitada de baterías, calibraciones frecuentes y
heterogeneidad de protocolos, además de escasa evaluación socioeconómica. En conclusión, aunque el IoT tiene
un gran potencial para una agricultura más sostenible y resiliente, su impacto a gran escala requiere avances en
autonomía energética, estandarización de comunicaciones y estudios costo-beneficio que faciliten su adopción
en pequeñas explotaciones rurales.
Palabras clave: agricultura de precisión, desarrollo sostenible, sensores.
Abstract
This research systematically mapped the scientific literature on IoT sensors and applications in agriculture, aiming
to identify the main lines of development, their benefits, and barriers to adoption. The Petersen and Kitchenham
methodology was applied, using the PICOC framework to design the search in databases such as Scopus, IEEE
Xplore, Taylor & Francis, and Sage Journals, considering original studies published between 2019 and 2024. From
1,862 initial records, 59 articles were selected after applying inclusion criteria related to technical description,
analysis of advantages and limitations, and impact on sustainability. The bibliometric analysis showed a steady
growth in publications, with Asia and Europe as the main focuses. The thematic synthesis revealed that smart
irrigation systems account for 28% of contributions, followed by crop monitoring (17%) and early warning systems
(10%). In contrast, areas such as smart fertilization and biodiversity conservation are little explored. Studies report
significant improvements in water and energy efficiency, and a reduction in the environmental footprint. However,
technical limitations persist, such as limited battery life, frequent calibrations, and protocol heterogeneity, in
addition to limited socioeconomic evaluation. In conclusion, although IoT has great potential for more sustainable
and resilient agriculture, its large-scale impact requires advances in energy autonomy, communications
standardization, and cost-benefit studies to facilitate its adoption in small rural farms.
Keywords: precision agriculture, sustainable development, sensors.
2
Introducción
La agricultura contemporánea enfrenta desafíos significativos, como el cambio climático, la escasez de
recursos y el aumento constante de la demanda alimentaria (FAO, 2020). En este escenario, el Internet de las
Cosas (IoT) se presenta como una herramienta fundamental para mejorar la eficiencia y sostenibilidad del sector.
A través de sensores, algoritmos inteligentes y arquitecturas digitales, es posible optimizar el uso de agua, energía
y fertilizantes, incrementando la productividad y reduciendo el impacto ambiental (Baljon, 2024; Kumar et al.,
2024). Tecnologías como el riego inteligente ya han demostrado resultados positivos, especialmente en regiones
áridas (Florea et al., 2024).
No obstante, la implementación del IoT en la agricultura enfrenta diversas barreras, entre ellas la
conectividad limitada, los altos costos iniciales y la falta de capacitación técnica adecuada (Lavanya & Muthu
Mayil, 2019). Aunque innovaciones como los gemelos digitales (Mummaneni et al., 2024) y los drones agrícolas
(Holtorf et al., 2023) muestran un gran potencial, su adopción aún es restringida. Por ello, resulta necesario
realizar un análisis sistemático que permita identificar las tecnologías más relevantes, así como sus limitaciones
y oportunidades futuras.
En este contexto, el presente estudio lleva a cabo un mapeo sistemático de la literatura científica sobre
IoT en la agricultura, con el objetivo de identificar los tipos de sensores y aplicaciones más utilizados, evaluar sus
beneficios y limitaciones, y analizar su impacto en la sostenibilidad. Para ello, se emplearon las metodologías de
Petersen et al. (2015), Kitchenham & Charters (2007), y el marco PICOC (Frandsen et al., 2020), analizando 59
estudios seleccionados de un total inicial de 1,862 publicaciones.
Los resultados resaltan el potencial del riego inteligente, el uso emergente de gemelos digitales y la
creciente adopción de drones y vehículos autónomos. Este trabajo ofrece una visión integral del estado actual del
IoT en la agricultura y busca contribuir a su adopción efectiva y sostenible, especialmente en contextos diversos
y desafiantes.
Metodología
El mapeo sistemático realizado en esta investigación siguió un enfoque estructurado basado en las
metodologías propuestas por Petersen et al. (2015), Kitchenham & Charters (2007).
Figura 1
Metodología de investigación
A. Fase preparatoria
El presente estudio tuvo como propósito realizar un mapeo sistemático que identificara y evaluara los
estudios más relevantes sobre el uso de sensores y aplicaciones de IoT en la agricultura. Para ello, se analizaron
las principales tecnologías, los tipos de sensores empleados, sus ventajas y limitaciones, así como su contribución
a la sostenibilidad del sector agrícola.
Preguntas de investigación
Se formularon cuatro preguntas bibliométricas para guiar el análisis de la producción científica (véase
Tabla 1).
3
Tabla 1
Preguntas Bibliométricas
ID
Preguntas bibliométricas
PB1
¿Cuál es la tendencia y evolución de la investigación sobre sensores y aplicaciones de
IoT en la agricultura?
PB3
¿Quiénes son los principales autores que realizan investigaciones sobre sensores y
aplicaciones de IoT en la agricultura?
PB4
¿Cuáles son los trabajos más influyentes en la investigación sobre sensores y
aplicaciones de IoT en la agricultura?
También se plantearon 5 preguntas de investigación que guiaron este mapeo sistemático (Tabla 2).
Tabla 2
Preguntas de investigación
Nro.
Preguntas de Investigación
PI1
¿Cuáles son los tipos principales de sensores y aplicaciones de IoT utilizados en la
agricultura?
PI2
¿Cuáles son las ventajas y limitaciones de cada tipo de sensor y aplicación de IoT
identificados?
PI3
¿Cuál es la frecuencia de uso y relevancia de estos sensores y aplicaciones de IoT en
estudios y casos de cultivos agrícolas?
PI4
¿Cuál es el impacto de los sensores y aplicaciones de IoT en la sostenibilidad de los
sistemas agrícolas?
PI5
¿Qué métodos de investigación se utilizan en los estudios sobre sensores y aplicaciones
de IoT en la agricultura?
B. Estrategia de búsqueda
Para llevar a cabo el mapeo sistemático sobre el uso de tecnologías IoT y sensores en la agricultura, se
seleccionaron repositorios clave como Scopus, IEEE Xplore, Taylor & Francis y Sage Journals, debido a su amplia
relevancia y cobertura en literatura científica especializada. La investigación se guió mediante el marco PICOC
(Población, Intervención, Comparación, Resultados y Contexto), lo que permitió definir claramente los elementos
esenciales y construir cadenas de búsqueda robustas y precisas (Frandsen et al., 2020). Esta estrategia facilitó
la identificación de estudios pertinentes, asegurando una revisión exhaustiva y estructurada del estado actual del
conocimiento en el área.
Tabla 3
Términos de búsqueda basado en el marco PICOC
Elemento
Términos de búsqueda
Población
agriculture OR farming
Intervención
sensor AND ("Internet of Things" OR IoT OR "IoT technology" OR "IoT applications")
Comparación
N/A
Resultados
impact OR efficiency OR productivity OR sustainability
Contexto
"case studies" OR research OR analysis NOT review NOT urban
C. Criterios de inclusión y exclusión
La Tabla 4 presenta los criterios de inclusión (CI) y exclusión (CE) utilizados en el mapeo sistemático.
4
Tabla 4
Criterios de Inclusión y Exclusión
Tipo
ID
Criterio
CI
CI1
Estudios publicados en inglés entre 2019 y 2024.
CI2
Investigaciones provenientes de fuentes de información primaria (originales y empíricas).
CI3
Estudios enfocados en el uso de sensores y aplicaciones IoT en cultivos agrícolas.
CI4
Investigaciones que aborden ventajas y limitaciones de las tecnologías IoT.
CI5
Estudios que incluyan detalles técnicos específicos sobre sensores y sus aplicaciones IoT.
CI6
Estudios que consideren el impacto de las tecnologías IoT en la sostenibilidad agrícola.
CE
CE1
Eliminación de artículos duplicados.
CE2
Exclusión de capítulos de libros, editoriales, erratas, artículos retractados y revisiones sistemáticas.
CE3
Exclusión de estudios que no fueran de acceso abierto.
CE4
Eliminación de artículos con enlaces rotos, textos incompletos o retractados.
CE5
Exclusión de estudios que no respondieran claramente a las preguntas de investigación.
D. Fase de ejecución
El proceso de selección realizado en este mapeo sistemático se presenta en la Figura 2. En una primera
etapa, se identificaron 1,862 artículos en las bases de datos seleccionadas (Scopus, IEEE Xplore, Taylor & Francis
y Sage Journals). Posteriormente, estos documentos fueron sometidos a un exhaustivo filtrado en diversas fases,
aplicando criterios de inclusión y exclusión, hasta obtener un total de 59 estudios relevantes. La trazabilidad
completa de este proceso está documentada en una hoja de cálculo, la cual puede consultarse en el siguiente
enlace:
https://docs.google.com/spreadsheets/d/1ejnNMM0yBQXCCuNk9icvUcxypRJ6DdXJ/edit?usp=sharing&ouid=10
0997038000658880122&rtpof=true&sd=true
5
Figura 2
Flujograma de ejecución del Mapeo Sistemático
6
Resultados
Este apartado corresponde a la fase de documentación, donde se registran y analizan los principales
hallazgos obtenidos, dando respuesta a las preguntas de investigación propuestas en la etapa de planificación.
PB1 ¿Cuál es la tendencia y evolución de la investigación sobre sistemas de gestión energética basados
en IoT?
Evolución temporal
La evolución de las investigaciones durante el periodo seleccionado para el mapeo se presenta en la
Figura 3.
Figura 3
Evolución temporal
Tendencia geográfica
La distribución geográfica de las investigaciones sobre IoT en la agricultura se presenta en la figura
siguiente.
Figura 4
Tendencia geográfica
7
6
11
7
11
28
0
5
10
15
20
25
30
[2019-2020> [2020-2021> [2021-2022> [2022-2023> [2023-2024> [2024-2025>
Publicaciones por año
7
PB2 ¿Quiénes son los principales autores que realizan investigaciones sobre sensores y aplicaciones de
IoT en la agricultura?
La Tabla 5 presenta a los autores más destacados en investigaciones sobre sensores e IoT aplicados a
la agricultura. Estos investigadores han realizado contribuciones significativas en áreas como la agricultura de
precisión, el monitoreo avanzado de cultivos y el desarrollo de redes IoT especializadas. Sus aportes se respaldan
en indicadores académicos relevantes, incluyendo índices h, número de citas y cantidad de publicaciones, que
reflejan su influencia y liderazgo en el campo.
Tabla 5
Principales autores con enfoque en sistemas de gestión energética basados en IoT
Autor
ORCID
Citas
Índice h
Ahmad Almogren
0000-0002-8253-9709
8701
51
Ikram Ud Din
0000-0001-8896-547X
4664
39
Khalid Haseeb
0000-0001-6657-9308
2256
26
Pedro Sebastião
0000-0001-7729-4033
1016
18
PB4 ¿Cuáles son los trabajos más influyentes en la investigación sobre sensores y aplicaciones de IoT
en la agricultura?
La Tabla 6 presenta los cinco trabajos más influyentes en la investigación sobre sensores y aplicaciones
de IoT en la agricultura, destacando su impacto a través del número de citas y sus contribuciones en áreas clave
como la sostenibilidad, el monitoreo inteligente y la eficiencia energética.
Tabla 6
Trabajos más influyentes en la investigación sobre sensores y aplicaciones de IoT en la agricultura
Título
Veces
Citadas
Referencia
An energy efficient and secure IoT-based WSN framework: An application
to smart agriculture
192
(Haseeb et al., 2020)
Advanced UAV–WSN system for intelligent monitoring in precision
agriculture
162
(Popescu et al., 2020)
Machine learning-based fog computing for early lameness detection in dairy
cattle
93
(Taneja et al., 2020)
Energy-Efficient Edge-Fog-Cloud Architecture for IoT-Based Smart
Agriculture Environment
65
(Alharbi & Aldossary,
2021)
Lora communications as an enabler for internet of drones towards large-
scale livestock monitoring
62
(Behjati et al., 2021)
PI1 ¿Cuáles son los tipos principales de aplicaciones de IoT utilizados en la agricultura?
Los principales tipos de aplicaciones de IoT utilizadas en la agricultura, clasificadas según su enfoque, se
presentan en la Tabla 7.
Tabla 7
Clasificación de estudios según el tipo de enfoque
Categoría
Referencias
Sistemas de Riego
Inteligente
(Kumar et al., 2024), (Baljon, 2024), (Ibn Dahou Idrissi et al., 2024), (Florea et al., 2024),
(Levin, 2024), (Arafa et al., 2024), (Kaur et al., 2024), (Dong et al., 2024), (Abdelmoneim
et al., 2024), (Pham et al., 2021),(Glória et al., 2021), (Ullah et al., 2021), (Mohammed et
al., 2021),(Alharbi & Aldossary, 2021), (Munaganuri & Rao, 2024), (Jia et al., 2019)
8
Monitoreo del Crecimiento
de Cultivos
(Lavanya & Muthu Mayil, 2019), (Corbari et al., 2022), (Effah et al., 2024), (Priya et al.,
2023), (Yin et al., 2023), (Arunachalam & Andreasson, 2022), (Jadhav et al., 2024),
(Pineda-Castro et al., 2024), (Ting & Chan, 2024), (Alghazzawi et al., 2021)
Control de Plagas y
Enfermedades
(Mummaneni et al., 2024), (Mishra et al., 2023)
Drones para Agricultura de
Precisión
(Holtorf et al., 2023), (Ammad Uddin et al., 2019), (Behjati et al., 2021), (Popescu et al.,
2020), (Chittoor et al., 2023), (Chittoor et al., 2023), (Tiurlikova et al., 2019), (Liang &
Juang, 2022)
Gestión Inteligente del
Almacenamiento de
Cosechas
(Pérez-Pons et al., 2021)
Monitoreo de la Salud del
Suelo
(Taparci et al., 2024), (Irwanto et al., 2024), (Ayu Nuning Farida Afiatna & Muflihah,
2024), (Prasad et al., 2023), (Postolache et al., 2023), (Nieman et al., 2024)
Monitoreo de Nutrientes y
la Fertilización Inteligente
(Dash & Kumar, 2024), (Setyawan et al., 2024), (Islam et al., 2023b)
Sistemas de Monitoreo y
Alerta Temprana
(Yau et al., 2025), (Zito et al., 2024), (Sajak et al., 2024), (Satra et al., 2024), (Wibisono &
Jayadi, 2024), (Putri et al., 2024), (Abid et al., 2024), (Kuang et al., 2020), (Taneja et al.,
2020), (Armiento et al., 2023), (Haseeb et al., 2020), (Zhang & Liu, 2019)
Vehículos Autónomos para
la Agricultura
(Ram et al., 2020)
PI2 ¿Cuáles son las ventajas y limitaciones de cada tipo de sensor y aplicación de IoT identificados?
Se llevó a cabo un análisis detallado de las ventajas y limitaciones de los sensores y aplicaciones IoT en
la agricultura mediante la herramienta Cruz de Malta. Este estudio permitió identificar sensores clave, como los
de humedad del suelo y temperatura ambiental, que resultan esenciales para una gestión eficiente del agua, la
optimización del riego y el monitoreo climático. Entre las principales ventajas se destacan el uso eficiente de los
recursos y la capacidad de monitoreo en tiempo real. Sin embargo, también se evidenciaron limitaciones
importantes, tales como la dependencia de baterías, la necesidad de calibraciones frecuentes y la sensibilidad a
diversas condiciones ambientales. En consecuencia, se subraya la urgencia de innovar en aspectos relacionados
con el diseño, la conectividad y la gestión energética para superar estos retos. Los detalles completos del análisis
están disponibles en: Análisis de la Cruz de Malta para IoT en Agricultura.
PI3 ¿Cuál es la frecuencia de uso y relevancia de estos sensores y aplicaciones de IoT en estudios
Agrícolas?
La Figura 5 muestra la frecuencia de uso de las aplicaciones IoT en estudios agrícolas agrupadas por
enfoque.
9
Figura 5
Frecuencia porcentual agrupado por enfoque de aplicación IoT
PI4 ¿Cuál es el impacto de los sensores y aplicaciones de IoT en la sostenibilidad de los sistemas
agrícolas?
El impacto de los sensores y aplicaciones de IoT en la sostenibilidad agrícola se presenta en la Figura 6.
Figura 6
Referencias por impacto en la sostenibilidad
PI5 ¿Cuáles son los principales métodos de investigación se utilizan en los estudios sobre sensores y
aplicaciones de IoT en la agricultura?
El porcentaje de métodos de investigación utilizados en estudios sobre sensores y aplicaciones IoT en la
agricultura se presenta en la Figura 7.
10%
21%
28%
5%
17%
3%
12%
2%
2%
Monitoreo de la Salud del Suelo
Sistemas de monitoreo y alerta temprana
Sistemas de Riego Inteligente
Monitoreo de Nutrientes y Fertilización Inteligente
Monitoreo del Crecimiento de Cultivos
Control de Plagas y Enfermedades
Drones para Agricultura de Precisión
Gestión Inteligente del Almacenamiento de Cosechas
Vehículos Autónomos para la Agricultura
28
26
10
39
10
7
5
16
2
9
13
0
10
20
30
40
Optimización energética
Mejora en la productividad
Reducción de la huella de carbono
Eficiencia en el uso del agua
Reducción del uso de fertilizantes y
pesticidas
Reducción de emisiones de GEIConserbacion de la Biodiversidad
Mejora de la Rentabilidad
Seguridad Alimentaria
Reducción de la carga laboral
Sostenibilidad del suelo
10
Figura 7
Distribución de estudios sobre sensores y aplicaciones IoT en agricultura según su enfoque
Discusión
El análisis evidencia un panorama de investigación claramente dominado por el riego inteligente, que
concentra el 28 % de los estudios y reporta reducciones en el consumo hídrico superiores al 25 % en viveros
controlados, tal como lo demuestra Florea et al. (2024). En contraste, la fertilización inteligente apenas representa
el 5 %, lo que revela una agenda temática desequilibrada, según lo documentado por Islam et al. (2023). Este
sesgo se ve reforzado por la concentración geográfica de los trabajos en países como India y China, donde los
programas estatales de digitalización agrícola facilitan la adopción de arquitecturas edge–fog–cloud y sensores
de bajo costo, como detalla Kumar et al. (2024). Por otro lado, la difusión de estas tecnologías en América Latina
es limitada debido a deficiencias en conectividad y financiamiento, situación descrita por Pérez-Pons et al. (2021).
Desde el punto de vista técnico, la autonomía energética continúa siendo el principal desafío. Por ejemplo,
tensiómetros económicos presentan desviaciones de calibración superiores al 5 % tras 90 días de operación
continua, según Arafa et al. (2024). Además, la coexistencia de protocolos inalámbricos heterogéneos genera
congestión y pérdida de datos en redes LoRa-Wi-Fi, tal como reporta Behjati et al. (2021). Sin embargo, las
plataformas NB-IoT aplicadas al riego han logrado disminuir el consumo eléctrico hasta en un 21 %, de acuerdo
con Ullah et al. (2021).
No obstante, solo el 16 % de los estudios valida sus prototipos en condiciones reales de campo, lo que
dificulta la estimación del retorno de inversión para pequeños productores. Effah et al. (2024) subrayan esta
carencia y la necesidad de realizar evaluaciones costo-beneficio rigurosas. En conjunto, estos hallazgos
confirman el potencial del IoT para mejorar la eficiencia agrícola, pero también resaltan la urgencia de desarrollar
nodos autoalimentados, estandarizar protocolos abiertos y ampliar la investigación hacia dimensiones
socioeconómicas y temáticas poco exploradas, con el fin de lograr una adopción equitativa y sostenible.
Conclusiones
El análisis de 59 estudios sobre IoT en la agricultura confirma avances significativos en la optimización
de recursos, el monitoreo de cultivos y la eficiencia energética, con Asia —especialmente India, Arabia Saudita y
China— liderando el desarrollo. Investigadores como Ahmad Almogren, Ikram Ud Din y Khalid Haseeb se
destacan como referentes en redes IoT y agricultura de precisión. Sin embargo, persisten brechas importantes
en infraestructura y financiamiento en regiones como América Latina y Europa, lo que limita una adopción
equitativa y resalta la necesidad de clasificar las aplicaciones de IoT para identificar vacíos de investigación.
El mapeo revela tres ejes temáticos predominantes: riego inteligente (28 %), monitoreo de cultivos (17 %)
y salud del suelo o control de plagas. En contraste, áreas emergentes como la fertilización inteligente (5 %) y
otras tecnologías disruptivas basadas en aprendizaje automático y gemelos digitales permanecen poco
exploradas. Además, el uso de drones, vehículos autónomos y sistemas de alerta temprana amplía el alcance del
IoT hacia la poscosecha y la gestión de riesgos, aunque su implementación aún enfrenta desafíos prácticos.
Caso de Estudio
16%
Experimental
84%
11
Entre las principales barreras técnicas se encuentran la ubicación fija de sensores, la limitada duración
de las baterías, la sensibilidad a condiciones ambientales y la necesidad de recalibraciones frecuentes. Superar
estos obstáculos requiere el desarrollo de nodos energéticamente autónomos, diseños más robustos y soluciones
adaptativas. Asimismo, el enfoque actual en eficiencia hídrica y energética contrasta con la menor atención hacia
la sostenibilidad del suelo y la seguridad alimentaria, lo que demanda un abordaje más equilibrado.
Finalmente, el predominio de estudios experimentales (84 %) frente a casos de campo (16 %) dificulta la
estimación de beneficios reales y el retorno de inversión para pequeños productores. Por ello, equilibrar
validaciones controladas con pilotos en terreno resulta fundamental para replicar y escalar soluciones IoT que
impulsen una agricultura verdaderamente sostenible y resiliente.
Referencias
Abdelmoneim, A. A., Khadra, R., Elkamouh, A., Derardja, B., & Dragonetti, G. (2024). Towards affordable precision
irrigation: An experimental comparison of weather-based and soil water potential-based irrigation using
low-cost IoT-tensiometers on drip irrigated lettuce. Sustainability, 16(1),
306. https://doi.org/10.3390/su16010306
Abid, M. A., Amjad, M., Munir, K., Siddique, H. U. R., & Jurcut, A. D. (2024). IoT-based smart biofloc monitoring
system for fish farming using machine learning. IEEE Access, 12, 86333–
86345. https://doi.org/10.1109/ACCESS.2024.3384263
Alghazzawi, D., Bamasaq, O., Bhatia, S., Kumar, A., Dadheech, P., & Albeshri, A. (2021). Congestion control in
cognitive IoT-based WSN network for smart agriculture. IEEE Access, 9, 151401–
151420. https://doi.org/10.1109/ACCESS.2021.3124791
Alharbi, H. A., & Aldossary, M. (2021). Energy-efficient edge-fog-cloud architecture for IoT-based smart agriculture
environment. IEEE Access, 9, 110480–110492. https://doi.org/10.1109/ACCESS.2021.3101397
Alves, R., & Matos, P. (2023). A solution to prevent and minimize the consequences of accidents with farm tractors
in the context of mountainous regions with low population density. Sensors, 23(18),
7811. https://doi.org/10.3390/s23187811
Ammad Uddin, M., Ayaz, M., Aggoune, E. H. M., Mansour, A., & Le Jeune, D. (2019). Affordable broad agile farming
system for rural and remote area. IEEE Access, 7, 127098–
127116. https://doi.org/10.1109/ACCESS.2019.2937881
Arafa, Y., El-Gindy, A. G. M., El-Shirbeny, M., Bourouah, M., Abd-ElGawad, A. M., Rashad, Y. M., Hafez, M., &
Youssef, M. A. (2024). Improving the spatial deployment of the soil moisture sensors in smart irrigation
systems using GIS. Cogent Food and Agriculture, 10(1),
2361124. https://doi.org/10.1080/23311932.2024.2361124
Armiento, S., Meder, F., & Mazzolai, B. (2023). Device for simultaneous wind and raindrop energy harvesting
operating on the surface of plant leaves. IEEE Robotics and Automation Letters, 8(4), 2269–
2276. https://doi.org/10.1109/LRA.2023.3250006
Arunachalam, A., & Andreasson, H. (2022). RaspberryPi-Arduino (RPA) powered smart mirrored and
reconfigurable IoT facility for plant science research. Internet Technology Letters, 5(1),
e272. https://doi.org/10.1002/itl2.272
Ayu Nuning Farida Afiatna, F., & Muflihah, N. (2024). The monitoring system of soil pH factor using IoT-webserver-
android and machine learning: A case study. Int. J. Adv. Sci. Eng. Inf. Technol., 14(1), 118–130.
https://doi.org/10.18517/ijaseit.14.1.18745
Baljon, M. (2024). Revolutionizing Saudi Arabia’s agriculture: The IoT transformation of water
management. Journal of Advanced Research in Applied Sciences and Engineering Technology, 36(1),
217–240. https://doi.org/10.37934/araset.36.1.217240
Behjati, M., Mohd Noh, A. B., Alobaidy, H. A. H., Zulkifley, M. A., Nordin, R., & Abdullah, N. F. (2021). LoRa
communications as an enabler for internet of drones towards large-scale livestock monitoring in rural
farms. Sensors, 21(15), 5044. https://doi.org/10.3390/s21155044
Chittoor, P. K., Chokkalingam, B., Verma, R., & Mihet-Popa, L. (2023). An assessment of shortest prioritized path-
based bidirectional wireless charging approach toward smart agriculture. IEEE Access, 11, 123742–
123755. https://doi.org/10.1109/ACCESS.2023.3329976
Corbari, C., Paciolla, N., Ben Charfi, I., Skokovic, D., Sobrino, J. A., & Woods, M. (2022). Citizen science
supporting agricultural monitoring with hundreds of low-cost sensors in comparison to remote sensing
data. European Journal of Remote Sensing, 55(1), 388–
408. https://doi.org/10.1080/22797254.2022.2084643
12
Dash, S. S., & Kumar, P. (2024). Farmers’ toolkit: Deep learning in weed detection and precision crop & fertilizer
recommendations. BIO Web of Conferences, 82, 05012. https://doi.org/10.1051/bioconf/20248205012
Debangshi, U. (2021). Drone-applications in agriculture. https://doi.org/10.5281/zenodo.5554734
Dong, Y., Werling, B., Cao, Z., & Li, G. (2024). Implementation of an in-field IoT system for precision irrigation
management. Frontiers in Water, 6, 1353597. https://doi.org/10.3389/frwa.2024.1353597
Effah, E., Thiare, O., & Wyglinski, A. M. (2024). Hardware evaluation of cluster-based agricultural IoT
network. IEEE Access, 12, 33628–33651. https://doi.org/10.1109/ACCESS.2024.3370230
FAO. (s.f.). El futuro de la alimentación y la agricultura: Tendencias y desafíos. Panorama
General. www.fao.org/faostat/es/#home
Florea, A., Popa, D. I., Morariu, D., Maniu, I., Berntzen, L., & Fiore, U. (2024). Digital farming based on a smart
and user-friendly IoT irrigation system: A conifer nursery case study. IET Cyber-Physical Systems: Theory
and Applications, 9(2), 150–168. https://doi.org/10.1049/cps2.12054
Frandsen, T. F., Bruun Nielsen, M. F., Lindhardt, C. L., & Eriksen, M. B. (2020). Using the full PICO model as a
search tool for systematic reviews resulted in lower recall for some PICO elements. Journal of Clinical
Epidemiology, 127, 69–75. https://doi.org/10.1016/j.jclinepi.2020.07.005
Glória, A., Cardoso, J., & Sebastião, P. (2021). Sustainable irrigation system for farming supported by machine
learning and real-time sensor data. Sensors, 21(9), 3079. https://doi.org/10.3390/s21093079
Haseeb, K., Din, I. U., Almogren, A., & Islam, N. (2020). An energy efficient and secure IoT-based WSN framework:
An application to smart agriculture. Sensors, 20(7), 2081. https://doi.org/10.3390/s20072081
Holtorf, L., Titov, I., Daschner, F., & Gerken, M. (2023). UAV-based wireless data collection from underground
sensor nodes for precision agriculture. AgriEngineering, 5(1), 338–
354. https://doi.org/10.3390/agriengineering5010022
Ibn Dahou Idrissi, A., Abouabdillah, A., Chikhaoui, M., & Bouabid, R. (2024). Low-cost IoT-based monitoring
system for precision agriculture. E3S Web of Conferences, 492,
01003. https://doi.org/10.1051/e3sconf/202449201003
Irwanto, F., Hasan, U., Lays, E. S., De La Croix, N. J., Mukanyiligira, D., Sibomana, L., & Ahmad, T. (2024). IoT
and fuzzy logic integration for improved substrate environment management in mushroom
cultivation. Smart Agricultural Technology, 7, 100427. https://doi.org/10.1016/j.atech.2024.100427
Islam, M. R., Oliullah, K., Kabir, M. M., Alom, M., & Mridha, M. F. (2023a). Machine learning enabled IoT system
for soil nutrients monitoring and crop recommendation. Journal of Agriculture and Food Research, 14,
100880. https://doi.org/10.1016/j.jafr.2023.100880
Islam, M. R., Oliullah, K., Kabir, M. M., Alom, M., & Mridha, M. F. (2023b). Machine learning enabled IoT system
for soil nutrients monitoring and crop recommendation. Journal of Agriculture and Food Research, 14,
100880. https://doi.org/10.1016/j.jafr.2023.100880
Jadhav, N., Rajnivas, B., Subapriya, V., Sivaramakrishnan, S., Premalatha, S., & Poongodi, P. (2024). Enhancing
crop growth efficiency through IoT-enabled smart farming system. EAI Endorsed Transactions on Internet
of Things, 10. https://doi.org/10.4108/eetiot.4604
Jia, X., Huang, Y., Wang, Y., & Sun, D. (2019). Research on water and fertilizer irrigation system of tea
plantation. International Journal of Distributed Sensor
Networks, 15(3). https://doi.org/10.1177/1550147719840182
Jimale, A. D., Abdullahi, M. O., Ahmed, Y. A., & Nageye, A. Y. (2023). Towards sustainable farming in Somalia:
Integrating IoT for improved resource management. SSRG International Journal of Electrical and
Electronics Engineering, 10(9), 95–101. https://doi.org/10.14445/23488379/IJEEE-V10I9P109
Kaur, A., Bhatt, D. P., & Raja, L. (2024). Developing a hybrid irrigation system for smart agriculture using IoT
sensors and machine learning in Sri Ganganagar, Rajasthan. Journal of Sensors, 2024,
6676907. https://doi.org/10.1155/2024/6676907
Kitchenham, B. & Charters, S. (2007) Guidelines for Performing Systematic Literature Reviews in Software
Engineering, Technical Report EBSE 2007-001, Keele University and Durham University Joint Report.
https://www.researchgate.net/publication/302924724_Guidelines_for_performing_Systematic_Literature
_Reviews_in_Software_Engineering
Kuang, L., Shi, P., Hua, C., Chen, B., & Zhu, H. (2020). An enhanced extreme learning machine for dissolved
oxygen prediction in wireless sensor networks. IEEE Access, 8, 198730–
198739. https://doi.org/10.1109/ACCESS.2020.3033455
Kumar, G. K., Bangare, M. L., Bangare, P. M., Kumar, C. R., Raj, R., Arias-Gonzáles, J. L., Omarov, B., & Mia, M.
S. (2024). Internet of things sensors and support vector machine integrated intelligent irrigation system for
agriculture industry. Discover Sustainability, 5(1), 6. https://doi.org/10.1007/s43621-024-00179-5
13
Lavanya, P., & Muthu Mayil, K. (2019). IoT-based wireless sensors for agriculture monitoring. International Journal
of Recent Technology and Engineering, 8(2), 177–181. https://doi.org/10.35940/ijrte.B1033.0782S419
Levin, S. (2024). Intelligent monitoring and management in the agro-industrial complex. E3S Web of
Conferences, 539, 02016. https://doi.org/10.1051/e3sconf/202453902016
Liang, W. Y., & Juang, J. G. (2022). Application of image identification to UAV control for cage culture. Science
Progress, 105(4). https://doi.org/10.1177/00368504221135450
Mishra, S., Volety, D. R., Bohra, N., Alfarhood, S., & Safran, M. (2023). A smart and sustainable framework for
millet crop monitoring equipped with disease detection using enhanced predictive intelligence. Alexandria
Engineering Journal, 83, 298–306. https://doi.org/10.1016/j.aej.2023.10.041
Mohammed, M., Riad, K., & Alqahtani, N. (2021). Efficient IoT-based control for a smart subsurface irrigation
system to enhance irrigation management of date palm. Sensors, 21(12),
3942. https://doi.org/10.3390/s21123942
Mummaneni, S., Sappa, T. S., & Katakam, V. G. D. (2024). Enhancing crop health through digital twin for disease
monitoring and nutrient balance. Informatyka, Automatyka, Pomiary w Gospodarce i Ochronie
Srodowiska, 14(1), 57–62. https://doi.org/10.35784/iapgos.5626
Munaganuri, R. K., & Rao, Y. N. (2024). PAMICRM: Improving precision agriculture through multimodal image
analysis for crop water requirement estimation using multidomain remote sensing data samples. IEEE
Access, 12, 52815–52836. https://doi.org/10.1109/ACCESS.2024.3386552
Nieman, B., Johnson, C. S., Pearce, M., Marcrum, T., Thorne, M. C., Ashby, C., & Van Neste, C. W. (2024). Through
the soil long range wireless power transfer for agricultural IoT networks. IEEE Transactions on Industrial
Electronics, 71(2), 2090–2099. https://doi.org/10.1109/TIE.2023.3250743
Pérez-Pons, M. E., Plaza-Hernández, M., Alonso, R. S., Parra-Domínguez, J., & Prieto, J. (2021). Increasing
profitability and monitoring environmental performance: A case study in the agri-food industry through an
edge-IoT platform. Sustainability, 13(1), 1–16. https://doi.org/10.3390/su13010283
Petersen, K., Vakkalanka, S., & Kuzniarz, L. (2015). Guidelines for conducting systematic mapping studies in
software engineering: An update. Information and Software Technology, 64, 1–
18. https://doi.org/10.1016/J.INFSOF.2015.03.007
Pham, V. B., Diep, T. T., Fock, K., & Nguyen, T. S. (2021). Using the Internet of Things to promote alternate wetting
and drying irrigation for rice in Vietnam’s Mekong Delta. Agronomy for Sustainable Development, 41(3),
43. https://doi.org/10.1007/s13593-021-00705-z
Pineda-Castro, D., Diaz, H., Soto, J., & Urban, M. O. (2024). LysipheN: A gravimetric IoT device for near real-time
high-frequency crop phenotyping: A case study on common beans. Plant Methods, 20(1),
39. https://doi.org/10.1186/s13007-024-01170-x
Popescu, D., Stoican, F., Stamatescu, G., Ichim, L., & Dragana, C. (2020). Advanced UAV–WSN system for
intelligent monitoring in precision agriculture. Sensors, 20(3), 817. https://doi.org/10.3390/s20030817
Postolache, S., Sebastião, P., Viegas, V., Postolache, O., & Cercas, F. (2023). IoT-based systems for soil nutrients
assessment in horticulture. Sensors, 23(1), 403. https://doi.org/10.3390/s23010403
Prasad, R., Tiwari, R., & Srivastava, A. K. (2023). Internet of Things-based fuzzy logic controller for smart soil
health monitoring: A case study of semi-arid regions of India. Engineering Proceedings, 58(1),
85. https://doi.org/10.3390/ecsa-10-16208
Priya, G. L., Baskar, C., Deshmane, S. S., Adithya, C., & Das, S. (2023). Revolutionizing holy-basil cultivation with
AI-enabled hydroponics system. IEEE Access, 11, 82624–
82639. https://doi.org/10.1109/ACCESS.2023.3300912
Putri, R. E., Lestari, N. U., Ifmalinda, Arlius, F., Putri, I., & Hasan, A. (2024). Monitoring and controlling system of
smart mini greenhouse based on Internet of Things (IoT) for spinach plant (Amaranthus sp.). International
Journal on Advanced Science, Engineering and Information Technology, 14(1), 131–
136. https://doi.org/10.18517/ijaseit.14.1.18408
Ram, C. R. S., Ravimaran, S., Krishnan, R. S., Julie, E. G., Robinson, Y. H., Kumar, R., Son, L. H., Thong, P. H.,
Thanh, N. Q., & Ismail, M. (2020). Internet of green things with autonomous wireless wheel robots against
greenhouses and farms. International Journal of Distributed Sensor
Networks, 16(6). https://doi.org/10.1177/1550147720923477
Sajak, A. A. B., Ahmad, M. N. I., & Dao, H. (2024). Green IoT based on tropical weather: The impact of energy
harvesting in wireless sensor network. Journal of Advanced Research in Applied Sciences and
Engineering Technology, 40(1), 35–44. https://doi.org/10.37934/araset.40.1.3544
14
Satra, R., Hadi, M. S., Sujito, Febryan, Fattah, M. H., & Busaeri, S. R. (2024). IoAT: Internet of aquaculture things
for monitoring water temperature in tiger shrimp ponds with DS18B20 sensors and WeMos D1 R2. Journal
of Robotics and Control (JRC), 5(1), 62–71. https://doi.org/10.18196/jrc.v5i1.18470
Setyawan, D. Y., Warsito, Marjunus, R., & Sumaryo. (2024). A novel controlling system for smart farming-based
Internet of Things (IoT). International Journal of Advanced Computer Science and Applications, 15(5),
630–641. https://doi.org/10.14569/IJACSA.2024.0150563
Sharma, A., Jain, A., Gupta, P., & Chowdary, V. (2021). Machine learning applications for precision agriculture: A
comprehensive review. IEEE Access, 9, 4843–4873. https://doi.org/10.1109/ACCESS.2020.3048415
Tagarakis, A. C., Kateris, D., Berruto, R., & Bochtis, D. (2021). Low-cost wireless sensing system for precision
agriculture applications in orchards. Applied Sciences, 11(13), 5858. https://doi.org/10.3390/app11135858
Taneja, M., Byabazaire, J., Jalodia, N., Davy, A., Olariu, C., & Malone, P. (2020). Machine learning based fog
computing assisted data-driven approach for early lameness detection in dairy cattle. Computers and
Electronics in Agriculture, 171, 105286. https://doi.org/10.1016/J.COMPAG.2020.105286
Taparci, E., Olcay, K., Akmandor, M. O., Kabakulak, B., Sarioglu, B., & Gokdel, Y. D. (2024). A mathematical
programming approach for IoT-enabled, energy-efficient heterogeneous wireless sensor network design
and implementation. Sensors, 24(5), 1457. https://doi.org/10.3390/s24051457
Ting, Y. T., & Chan, K. Y. (2024). Optimising performances of LoRa based IoT enabled wireless sensor network for
smart agriculture. Journal of Agriculture and Food Research, 16,
101093. https://doi.org/10.1016/j.jafr.2024.101093
Tiurlikova, A., Stepanov, N., & Mikhaylov, K. (2019). Wireless power transfer from unmanned aerial vehicle to low-
power wide area network nodes: Performance and business prospects for LoRaWAN. International
Journal of Distributed Sensor Networks, 15(11). https://doi.org/10.1177/1550147719888165
Ullah, R., Abbas, A. W., Ullah, M., Khan, R. U., Khan, I. U., Aslam, N., & Aljameel, S. S. (2021). EEWMP: An IoT-
based energy-efficient water management platform for smart irrigation. Scientific Programming, 2021,
5536884. https://doi.org/10.1155/2021/5536884
Wibisono, A. B., & Jayadi, R. (2024). Experimental IoT system to maintain water quality in catfish
pond. International Journal of Advanced Computer Science and Applications, 15(3), 393–
399. https://doi.org/10.14569/IJACSA.2024.0150340
Wu, Y., Yang, Z., & Liu, Y. (2023). Internet-of-things-based multiple-sensor monitoring system for soil information
diagnosis using a smartphone. Micromachines, 14(7), 1395. https://doi.org/10.3390/mi14071395
Yau, S. R., Jalani, J., Sadun, A. S., Rejab, S. M., & John, J. (2025). Development of an aquaponics farming
technology system using Arduino based on Internet of Things. Journal of Advanced Research in Applied
Sciences and Engineering Technology, 45(2), 11–24. https://doi.org/10.37934/araset.45.2.1124
Yin, D., Wang, Y., & Huang, Y. (2023). Predicting soil moisture content of tea plantation using support vector
machine optimized by arithmetic optimization algorithm. Journal of Algorithms and Computational
Technology, 17. https://doi.org/10.1177/17483026221151198
Zhang, C., & Liu, Z. (2019). Application of big data technology in agricultural Internet of Things. International
Journal of Distributed Sensor Networks, 15(10). https://doi.org/10.1177/1550147719881610
Zito, F., Giannoccaro, N. I., Serio, R., & Strazzella, S. (2024). Analysis and development of an IoT system for an
agrivoltaics plant. Technologies, 12(7), 106. https://doi.org/10.3390/technologies12070106