Aplicaciones del Aprendizaje Automático y el Aprendizaje Profundo para la Deficiencia Nutricional Foliar: Una Revisión Sistemática

La detección automática de deficiencias nutricionales foliares mediante visión por computadora representa una alternativa prometedora dentro de las prácticas de agricultura de precisión, reduciendo la dependencia de análisis de laboratorio y la subjetividad asociada con la inspección visual. Esta revisión sistemática mapea y compara la aplicación de técnicas de aprendizaje automático (ML) y aprendizaje profundo (DL) para el diagnóstico nutricional en diferentes cultivos, destacando tendencias metodológicas, barreras para la adopción de modelos en condiciones de campo y brechas de investigación existentes. Siguiendo las directrices PRISMA (PRISMA-P y PRISMA-2020), se realizaron búsquedas en las bases de datos Scopus, IEEE Xplore y Web of Science, usando un marco temporal definido y criterios explícitos de inclusión y exclusión, resultando en 200 artículos incluidos (2012–2026; última búsqueda el 2 de febrero de 2026). Los resultados indican un predominio de enfoques basados en DL e imágenes RGB, con aplicaciones concentradas en cultivos como el arroz y en macronutrientes, principalmente nitrógeno (N), fósforo (P) y potasio (K), reportando un marcado aumento en las publicaciones desde 2020 en adelante. Aunque muchos estudios reportan alto desempeño, la evidencia se basa en gran medida en ambientes controlados y conjuntos de datos propietarios, lo cual limita la comparabilidad, reproducibilidad y generalización de los modelos a escenarios reales. En consecuencia, las principales brechas de investigación incluyen la validación limitada bajo condiciones de campo, identificada como la principal barrera práctica; la subrepresentación de micronutrientes y el diagnóstico de deficiencias múltiples; y la necesidad de arquitecturas livianas adecuadas para su implementación en aplicaciones móviles y de computación en el borde. Se concluye que las técnicas de ML y DL ofrecen alternativas prometedoras para el diagnóstico nutricional automatizado; sin embargo, son esenciales avances en la estandarización de datos, conjuntos de datos de acceso abierto y validación en condiciones reales de campo para consolidar estas tecnologías en aplicaciones prácticas.