Mario Fernando Cerón-Muñoz

The adoption of emerging information and communication technologies (ICTs) in agriculture can significantly boost productivity and crop sustainability, yet integration remains challenging due to multiple influencing factors. Existing literature is fragmented, with studies examining specific technologies, contexts, or factors in isolation, limiting a comprehensive understanding of adoption drivers, barriers, and impacts. This chapter presents a systematic literature review following PRISMA guidelines, addressing four research questions: (1) which variables are most relevant for adopting emerging agricultural technologies; (2) what are the main obstacles and challenges; (3) what are the main advantages and prospects; and (4) to what extent has information technology been applied, which tools have been used, and on what type of farm. A taxonomy is proposed to structure the analysis and classify the reviewed literature according to each research question. Results show that adoption is influenced by prior knowledge, educational level, access to credit, and government support. Key obstacles include high acquisition costs, limited knowledge, inadequate infrastructure, institutional restrictions, and youth migration from rural areas. Benefits identified include greater productive efficiency, predictive analytics for decision-making, and the generation of new projects. The most widely used technologies are crop yield mapping, precision irrigation systems, soil and environmental sensors, and precision seeding. The review suggests future research should account for external factors such as market trends, political changes, and global events. Notably, most technological advances and institutional support remain concentrated in developed countries. Overall, this review offers an integrative overview of the key characteristics, advantages, and limitations of emerging technology adoption in agriculture.

El estudio de la adopción de innovaciones en contextos rurales ha cobrado relevancia debido a su papel en la sostenibilidad productiva y el desarrollo territorial. En este contexto, el objetivo de este artículo fue evaluar la adopción de innovaciones en familias productoras de cacao vinculadas a los Laboratorios Territoriales (LT) de Necoclí y Caucasia, Antioquia, mediante el cálculo del Índice de Adopción de Innovaciones (IAI) y la Tasa de Cambio de Adopción de Innovaciones (TCAI) entre los años 2019 y 2025. Se desarrolló un estudio con enfoque cuantitativo, descriptivo y comparativo, basado en una encuesta estructurada aplicada a 41 productores. Los indicadores se organizaron en cinco dimensiones: (técnica, ambiental, empresarial, social y familiar), evaluadas en una escala de 0 a 100. El análisis incluyó estadística descriptiva, comparación de tendencias territoriales y estimación de trayectorias de cambio Los resultados evidenciaron diferencias significativas entre los territorios. Necoclí presentó una trayectoria de adopción más homogénea y sostenida, con avances en las dimensiones técnica, social y familiar. En contraste, Caucasia mostró un comportamiento más irregular, con rezagos persistentes en las dimensiones empresarial y familiar La TCAI confirmó que, aunque ambos municipios incrementaron su nivel de adopción, la intensidad y estabilidad del cambio fueron mayores en Necoclí. Se concluye que la adopción de innovaciones responde a dinámicas sociotécnicas diferenciadas, condicionadas por factores técnicos, organizativos y culturales propios de cada territorio. La integración del IAI y la TCAI se constituye como una herramienta robusta para monitorear procesos de cambio, identificar brechas y orientar estrategias de extensión rural más contextualizadas. La originalidad del estudio radica en el uso conjunto de indicadores multidimensionales y análisis longitudinales comparado en contextos rurales contrastantes.

La evaluación de los parámetros químicos del suelo constituye un elemento fundamental en la planificación sostenible del cultivo de cacao. Desconocer las propiedades del suelo conlleva al uso inadecuado de enmiendas y fertilizantes, lo que incrementa los costos de producción y genera un impacto negativo en el medio ambiente. El objetivo de este estudio fue describir la variabilidad espacial de la capacidad de intercambio catiónico (CIC), el nitrógeno total (NT) y la materia orgánica del suelo (MOS) en suelos destinados a la producción de cacao en Antioquia, Colombia, mediante modelos de predicción. Se analizaron 439 muestras de suelo recolectadas en ocho subregiones productoras de cacao, mediante química húmeda. Los datos fueron ajustados mediante modelos aditivos generalizados (GAM) con distribución de Poisson, considerando como covariables la longitud, la latitud, la altitud, el pH, la textura y el contenido de arena y arcilla. A partir de los valores predichos se generaron mapas de distribución espacial para cada parámetro. Se evidenció que la mayoría de los suelos presentaron valores de CIC inferiores a 5 cmol.kg⁻¹, contenidos de MOS alrededor de 2,5 % y niveles de NT cercanos a 0,30 %. Las subregiones con mayor producción de cacao registraron los valores más bajos. Se concluye que los suelos cacaoteros de Antioquia presentan deficiencias en su composición química, especialmente, en las zonas de mayor producción, lo que resalta la necesidad de implementar planes de fertilización y enmiendas, que mejoren la calidad edáfica y la sostenibilidad productiva de los sistemas de cacao.

Las relaciones establecidas entre los distintos nutrientes del suelo pueden influir en las condiciones para el crecimiento de las plantas. En este caso, las producciones ganaderas dependen de la biomasa de los pastos para alimentar a los animales. Se determinó la relación del carbono orgánico (CO), el nitrógeno (N) total empleando modelos aditivos generalizados (GAM), por medio de análisis de regresiones y suavizados, en suelos dedicados a la producción bovina de leche, carne y doble propósito. En los modelos se incluyeron nutrientes presentes en el suelo y efectos del ambiente, como la ubicación. Se determinó el ajuste por medio de la Devianza y el R2 y se realizó un análisis descriptivo de las relaciones entre las variables incluidas en los modelos y sus distribuciones espaciales para cada tipo de producción. El CO se relacionó con variables del suelo, como la densidad aparente (DA), la capacidad de intercambio catiónico (CIC), el pH y el N total. El N total se relacionó con el CO, la arcilla, el potasio y el zinc. Los suelos del Norte y Oriente del departamento, dedicados a la producción de leche, registraron niveles más altos de CO, mientras que el Urabá y Magdalena Medio, dedicados a la producción de carne, registraron valores más bajos. Para el N total, el Norte y el Oriente presentaron valores menores que las demás regiones. Las relaciones carbono/nitrógeno (C/N) encontradas para las producciones no presentaron una relación lineal; los valores de dichas relaciones dependen del contenido de N total del suelo.

Soil texture is a crucial property that can provide insight into its productive capacity. However, determining soil texture can be a complex and time-consuming process. To address this challenge, we aimed to develop machine learning (ML) models that could predict the composition of sand, clay, and silt in soil based on hyperspectral imaging (HSI) data. We collected and analyzed 500 soil samples and processed the HSI data by masking samples with reflectance and transforming the texture variables with Box-Cox. We also employed various techniques, such as moving average, Savitzky–Golay filtering (SG), first and second derivatives (FD and SD), gap-segment (GS) with FD and SD, standard normal variate (SNV), SNV with detrending (DT), SNV-SG, multiplicative scatter correction (MSC), and GS-DT for the covariates. We applied cubist models (CUB), principal component regression (PCR), partial least squares regression (PLSR), and artificial neural networks (ANN). A total of 1240 models were obtained. For clay, the models with the best performance in the TRAIN and TEST sets were a CUB-tuned model, where R²-TEST = 0.93 and the test root-mean-square error (RMSE-TEST) = 3.63%. For silt and sand, CUB models without refinement were selected, with R²-TEST values of 0.63 and 0.61 and RMSE-TEST of 5.55 and 8.65%, respectively. In conclusion, clay prediction with HSI is feasible if purified spectra are used, with outlier detection techniques, evaluation in the overlap zone, and transformations such as GS-FD. The models for silt and sand prediction are not recommended due to their low performance.

The aim of this study was to describe the texture of soils on farms with agricultural production systems in the subregions of the department of Antioquia, Colombia. In total, 1729 soil samples were taken in the nine subregions of the department, of which 415, 622, 376 and 316 belonged to cocoa, beef livestock, specialized dairy and dual-purpose livestock production systems, respectively. The variables of interest were the percentages of sand, silt, and clay, from which the textures of the soils were determined. The statistical analysis included generalized additive models with effects such as geographical position, altitude, tropical level, type of production system, municipality and region. The best models were selected based on the highest coefficient of determination and the highest deviance value. In the soils, the textural classes clay (Ar), loam (F), clay loam (F-Ar), sandy clay loam (F-Ar-A), sandy loam (F-A) and sandy clay (Ar-A) were found. In the low tropics, soils with fine and moderately fine textures (F-Ar-A, F-Ar and Ar) predominated. In the middle tropics there was a greater distribution of textural classes, with fine to medium textures predominating and coarse textures predominating (F-Ar-A, F-Ar, Ar, F, F-A and Ar-A); and in the high tropics the presence of soils with medium and moderately coarse textures (F-A and F) was found.

The research studies variables for agro-ecotourism development in the municipality of Jardín. Applied Multiplication Cross-Impact Matrix (MICMAC) analysis and scenario analysis through expert judgment were used. The results showed seven key variables such as rural development, community agro-ecotourism development, income, community organization, community empowerment, positive impacts of agro-ecotourism on local identity, and diversification of agro-ecotourism destinations. In conclusion, this research provides planning guidelines for each of the key variables that were identified, which will serve as input for the strengthening of community-based agro-ecotourism development policies built from the territory.