Se presenta la lista de 10 proyectos de investigación aplicada (TRL 6–8) para la carrera de Ingeniería Agrícola de la UAGRM. Estos proyectos se centran en la mecanización agrícola, la optimización de maquinaria, los sistemas de riego y drenaje, las energías renovables y la postcosecha. La lista sigue el formato riguroso de los casos anteriores.
—
🎯 Enfoque prioritario para Ingeniería Agrícola
· Monitoreo y control de maquinaria agrícola (tractores, cosechadoras) con IoT y visión artificial.
· Optimización de la eficiencia de riego y drenaje mediante sistemas de control inteligente.
· Automatización de procesos postcosecha (secado, clasificación) con redes neuronales.
· Detección de fallas en maquinaria mediante aprendizaje automático.
· Aplicación variable de insumos (fertilizantes, semillas) con GPS y algoritmos de optimización.
· Diseño y control de construcciones rurales (invernaderos, silos) con sensores y automatización.
—
1. CosechaInteligente – Optimización en tiempo real de parámetros de cosechadora de granos (soja, maíz) usando redes neuronales (LSTM) y sensores de pérdida
Problema científico
Las pérdidas en la cosecha mecánica (cabezal y cola de la cosechadora) en Santa Cruz pueden alcanzar el 5-10% del rendimiento. Los ajustes manuales (velocidad de avance, rotación del cilindro) no se adaptan a la variabilidad del cultivo.
Hipótesis principal
Un modelo LSTM que procesa datos en tiempo real de sensores de pérdida (impacto, peso), humedad del grano y velocidad de avance, ajusta automáticamente los parámetros de la cosechadora (velocidad de cilindro, apertura de zarandas, velocidad del ventilador) reduciendo las pérdidas totales en un 35% (de 8% a 5.2%) en comparación con los ajustes manuales.
Modelo de Red Neuronal Propuesto
LSTM con capa de atención, entrada de 10 segundos de datos (frecuencia 10 Hz) de sensores. Salida: ajuste recomendado de 3 parámetros. El modelo se integra a una unidad de control (PLC) conectada a la cosechadora mediante CAN bus.
Base teórica
Los sistemas de control adaptativo basados en deep learning han mejorado significativamente la eficiencia de cosecha al predecir pérdidas y ajustar parámetros en tiempo real, basándose en datos de sensores y variables del cultivo.
Diseño Metodológico
Instalación de sensores de pérdida (placas piezoeléctricas) en una cosechadora de soja en un lote de 100 hectáreas. Registro de datos durante 2 semanas de cosecha. Entrenamiento del modelo LSTM con datos etiquetados (pérdida medida manualmente cada 100 metros). Prueba del sistema cerrado en tiempo real en 50 hectáreas no usadas en entrenamiento. Comparación de pérdidas con una cosechadora tradicional de control (misma marca y modelo).
Viabilidad Técnica (TRL)
TRL 6 – prototipo de sensores y unidad de control. Hardware: sensores de pérdida ($500), unidad de cómputo NVIDIA Jetson ($500). Costo total: $15.000.
Impacto Cuantificable
Reducción de pérdidas en 2.8 puntos porcentuales (de 8% a 5.2%). Para una producción de 3.000 kg/ha, equivale a 84 kg/ha adicionales. En 1.000 hectáreas, son 84 toneladas adicionales, con un valor de mercado de aproximadamente $25.000.
Aplicabilidad Práctica Inmediata
Grandes productores de soja y maíz (ANAPO), empresas de servicios de cosecha (cosechadoras contratistas), ensambladoras de maquinaria agrícola (Ferrarini, Loma).
Proyección a 5 años
Sistema «CosechaInteligente» comercializado como retrofit para cosechadoras usadas en Bolivia y Paraguay. Formación de ingenieros agrícolas en mantenimiento de sistemas de control.
—
2. RiegoGotaControl – Sistema de riego por goteo automatizado para cultivos de caña de azúcar usando redes neuronales (XGBoost) y sensores de humedad del suelo
Problema científico
El riego por goteo en caña de azúcar tiene alta eficiencia, pero las decisiones de riego se basan en la experiencia, no en datos en tiempo real. El déficit o exceso de agua reduce el rendimiento de biomasa y la producción de sacarosa.
Hipótesis principal
Un sistema de riego inteligente con 20 sensores de humedad (capacitancia) a diferentes profundidades y un modelo XGBoost que predice la humedad del suelo a 48 horas, ajusta automáticamente la frecuencia y duración del riego por goteo, ahorrando un 25% de agua y aumentando el rendimiento de caña en un 10% (de 100 t/ha a 110 t/ha) en comparación con el riego por calendario fijo.
Modelo de Red Neuronal Propuesto
XGBoost con ventana de 7 días de datos de sensores de humedad, evapotranspiración (ET0), temperatura y radiación solar. Salida: recomendación binaria de riego (sí/no) y duración en minutos. El modelo se retrena semanalmente con los datos nuevos.
Base teórica
Los sistemas de riego inteligente basados en IoT y ML han demostrado ahorros significativos de agua en cultivos de caña de azúcar. XGBoost, en particular, maneja bien la no linealidad de la respuesta del suelo a la humedad.
Diseño Metodológico
Instalación de 20 sensores de humedad en un lote de caña de azúcar (Ingenio La Bélgica) en 20 hectáreas. Registro de datos durante 12 meses. Un lote con riego optimizado por ML, otro lote con riego por calendario (control). Medición de agua aplicada (hidrantes), rendimiento final (toneladas de caña) y contenido de sacarosa (pol porcentaje).
Viabilidad Técnica (TRL)
TRL 6 – prototipo con sensores (ESP32 + sonda capacitiva, $50/unidad) y servidor para modelo. Desarrollo en Python (scikit-learn). Costo total: $15.000.
Impacto Cuantificable
Ahorro del 25% de agua (ej. de 8.000 m³/ha/año a 6.000 m³/ha/año). Aumento del rendimiento de caña en 10 t/ha (10%). Aumento de sacarosa en 0.5 puntos porcentuales.
Aplicabilidad Práctica Inmediata
Ingenio La Bélgica, ingenio Guabirá, productores de caña independientes, empresas de riego.
Proyección a 5 años
Sistema «RiegoGotaControl» instalado en 5.000 hectáreas de caña en el departamento. Reducción de la huella hídrica de la producción de azúcar.
—
3. TractorAsistente – Asistente inteligente para operación de tractor agrícola con detección de fallas y mantenimiento predictivo usando redes neuronales (LSTM) y datos de sensores
Problema científico
Los tractores agrícolas en Bolivia sufren fallas mecánicas que generan tiempos de inactividad no planificados y pérdidas económicas. El mantenimiento se realiza por horas de uso (ej. cada 250 horas), no por condición real de los componentes.
Hipótesis principal
Un modelo LSTM que procesa datos de sensores del motor (temperatura, presión de aceite, RPM, consumo de combustible) y vibraciones (acelerómetro) predice fallas en componentes críticos (motor, transmisión) con una anticipación de 20 horas de operación, logrando una precisión >90% y reduciendo el tiempo de inactividad no planificado en un 40%.
Modelo de Red Neuronal Propuesto
LSTM con capa de atención, entrada: ventana de 1 hora de datos de sensores (frecuencia 1 Hz). Salida: clasificación multiclase (normal, alerta, falla inminente). Se entrena con datos de tractores que han sufrido fallas documentadas.
Base teórica
El mantenimiento predictivo con redes LSTM en maquinaria agrícola es un área emergente que ha demostrado alta precisión en la detección temprana de fallas en motores diésel y sistemas hidráulicos.
Diseño Metodológico
Instalación de sensores en 5 tractores (Massey Ferguson, New Holland) durante una campaña agrícola (6 meses). Registro continuo de datos. Etiquetado de eventos de falla por mecánicos. Entrenamiento del modelo LSTM con datos de 4 tractores, validación con el quinto.
Viabilidad Técnica (TRL)
TRL 6 – prototipo con sensores IoT (ESP32 + acelerómetro, temperatura, presión) y módulo de cómputo. Costo: $10.000.
Impacto Cuantificable
Reducción del 40% en tiempo de inactividad no planificado (de 100 horas/año a 60 horas/año). Ahorro de $5.000 por tractor al año en reparaciones de emergencia y pérdida de productividad.
Aplicabilidad Práctica Inmediata
Grandes productores agrícolas, empresas de servicios de campo, flotas de tractores, concesionarios de maquinaria.
Proyección a 5 años
Plataforma «TractorAsistente» como servicio de suscripción para productores. Integración con sistemas de telemetría de tractores.
—
4. InvernaderoAuto – Control climático automatizado de invernaderos para producción de tomate y pimiento usando redes neuronales (MLP) y sensores IoT
Problema científico
El manejo climático en invernaderos (temperatura, humedad, CO₂, luz) se realiza manualmente, lo que resulta en condiciones subóptimas que reducen el rendimiento y la calidad.
Hipótesis principal
Un sistema de control automático con sensores IoT (temperatura, humedad, CO₂, radiación solar) y un modelo MLP que predice las condiciones óptimas en función del cultivo y la etapa fenológica, ajusta automáticamente ventilación, calefacción, nebulización y sombreado. En un caso de estudio para tomate, el sistema aumenta el rendimiento en un 30% (de 15 kg/m² a 19.5 kg/m²) y reduce el consumo de energía en un 20% en comparación con el manejo manual.
Modelo de Red Neuronal Propuesto
MLP de 3 capas (64, 32, 4) que mapea las condiciones ambientales actuales y la etapa fenológica a las acciones de control (ventilación on/off, calefacción on/off, etc.). Se entrena con datos de un invernadero piloto donde se registraron condiciones y rendimiento.
Base teórica
Los sistemas de control climático de invernaderos basados en ML han demostrado mejoras significativas en rendimiento y eficiencia energética al optimizar el ambiente para el crecimiento de cultivos.
Diseño Metodológico
Instalación de sensores IoT en un invernadero de 1.000 m² en el municipio de Warnes. Durante 6 meses, se opera el invernadero en modo manual (registrando acciones del agricultor). Luego se entrena el modelo MLP y se opera en modo automático durante otra campaña (6 meses). Se comparan los rendimientos, consumo energético y calidad del producto (calibre, color).
Viabilidad Técnica (TRL)
TRL 6 – prototipo con sensores (ESP32, sensores DHT22, sensor de CO₂ MH-Z19B, célula fotoeléctrica) y actuadores (motores para ventilación). Costo: $8.000.
Impacto Cuantificable
Aumento del rendimiento de tomate de 15 kg/m² a 19.5 kg/m². Reducción del consumo energético en un 20%. Mejora en uniformidad del calibre (mayor porcentaje de frutos de primera calidad).
Aplicabilidad Práctica Inmediata
Productores de tomate bajo invernadero en el cinturón verde de Santa Cruz, empresas de hidroponía, viveros.
Proyección a 5 años
Kit «InvernaderoAuto» comercializado a pequeños y medianos productores. Extensión a otros cultivos (pimiento, pepino, fresa).
—
5. PulverizaciónPrecisa – Sistema de aplicación variable de herbicidas en cultivos de soja usando visión por computadora (YOLOv8) y drones de pulverización
Problema científico
La aplicación de herbicidas se realiza de manera uniforme, sin considerar la densidad real de malezas. Esto causa sobreaplicación (contaminación ambiental) o subaplicación (pérdida de rendimiento).
Hipótesis principal
Un dron equipado con una cámara multiespectral y un modelo YOLOv8 detecta en tiempo real manchas de malezas (grama bermuda, coyolillo) en vuelo a baja altura. Un sistema de pulverización conectado al modelo activa las boquillas solo sobre las zonas con maleza detectada, reduciendo el uso de herbicidas en un 65% (de 2 L/ha a 0.7 L/ha) y manteniendo el control de malezas (cobertura >90%).
Modelo de Red Neuronal Propuesto
YOLOv8 fine-tuned con 5.000 imágenes aéreas de malezas en soja (tomadas con dron). Salida: bounding boxes de las zonas con maleza. El sistema de control activa las boquillas de pulverización cuando el dron pasa sobre esas coordenadas.
Base teórica
La aplicación de herbicidas sitio-específica con visión por computadora es una tecnología emergente en agricultura de precisión que reduce significativamente el uso de herbicidas y los costos.
Diseño Metodológico
Entrenamiento del modelo YOLOv8 con imágenes de cultivos de soja (5.000 imágenes). Construcción de un dron de pulverización con tanque de 10 litros, 4 boquillas independientes y una computadora de a bordo (NVIDIA Jetson Nano). Vuelos en 10 parcelas (1 hectárea cada una) con diferente presión de malezas. Comparación del uso de herbicida y control de malezas con un testigo de aplicación por cobertura total.
Viabilidad Técnica (TRL)
TRL 6 – prototipo de dron de pulverización. Hardware: dron hexacóptero, cámara multiespectral ($2.000), Jetson Nano ($500), sistema de pulverización con boquillas independientes. Costo total: $15.000.
Impacto Cuantificable
Reducción del 65% en uso de herbicidas. Ahorro de $50/ha en insumos. Reducción de contaminación de suelos y aguas subterráneas. Mantenimiento del control de malezas (>90% de cobertura).
Aplicabilidad Práctica Inmediata
Productores de soja y maíz con problemas de malezas, empresas de servicios de agricultura de precisión.
Proyección a 5 años
Servicio comercial «PulverizaciónPrecisa» ofrecido por proveedores de drones. Formación de operadores de drones en agricultura.
—
6. PostcosechaIA – Clasificación automática de granos de maíz por calidad (tamaño, daño, impurezas) usando visión por computadora (CNN) en línea de secado
Problema científico
La clasificación de calidad del grano en plantas de secado y almacenamiento se realiza manualmente, con errores y baja velocidad.
Hipótesis principal
Una línea de clasificación equipada con una cámara de alta velocidad y un modelo CNN (ResNet-50) clasifica los granos en 4 categorías (grano sano, dañado, partido, impurezas) con una precisión >95% y a una velocidad de 1.000 granos por segundo, superando la precisión humana (85%) y aumentando la velocidad en 100 veces.
Modelo de Red Neuronal Propuesto
ResNet-50 fine-tuned con 50.000 imágenes de granos de maíz anotadas por un agrónomo especialista. Salida: clasificación multiclase.
Base teórica
La clasificación de granos con visión por computadora es un problema maduro. ResNet-50 ha demostrado alta precisión en la clasificación de calidad de granos en diversas especies.
Diseño Metodológico
Instalación de una cámara industrial (1.000 fps) sobre una cinta transportadora en una planta de acopio de maíz en Warnes. Captura de 50.000 imágenes de granos. Anotación manual de categorías. Entrenamiento del modelo. Integración con un sistema de eyección (aire comprimido) para separar los granos defectuosos.
Viabilidad Técnica (TRL)
TRL 6 – prototipo de línea de clasificación. Hardware: cámara industrial ($2.000), servidor GPU ($2.000), sistema de eyección. Costo total: $18.000.
Impacto Cuantificable
Precisión >95%. Reducción del costo de clasificación manual en un 90%. Aumento del valor del lote al vender grano de mayor calidad.
Aplicabilidad Práctica Inmediata
Plantas de acopio y secado de maíz, empresas exportadoras de granos, industrias de alimentos balanceados.
Proyección a 5 años
Sistema «PostcosechaIA» instalado en 10 plantas de acopio del departamento. Formación de técnicos en control de calidad automatizado.
—
7. SiloControl – Monitoreo y control inteligente de temperatura y humedad en silos de granos usando redes neuronales (LSTM) para evitar hongos y pérdidas
Problema científico
El almacenamiento de granos en silos en Bolivia sufre pérdidas por hongos (aflatoxinas) debido a mala ventilación y control de temperatura. Las pérdidas postcosecha pueden alcanzar el 10%.
Hipótesis principal
Un sistema de monitoreo continuo con sensores de temperatura y humedad en diferentes profundidades del silo (cables de sensores) y un modelo LSTM que predice la evolución de la temperatura y humedad en los próximos 7 días, activa automáticamente la ventilación cuando las condiciones son propicias para la proliferación de hongos, reduciendo las pérdidas por hongos en un 70% (de 10% a 3%) en comparación con silos no controlados.
Modelo de Red Neuronal Propuesto
LSTM con capa de atención, entrada: 7 días de datos de sensores (temperatura, humedad) en diferentes capas del silo, temperatura ambiente, humedad relativa. Salida: predicción de temperatura y humedad a 7 días y alerta de riesgo de hongos.
Base teórica
Los modelos de deep learning han sido utilizados para predecir la evolución de temperatura en silos de granos y optimizar la ventilación, reduciendo significativamente las pérdidas postcosecha.
Diseño Metodológico
Instalación de cables de sensores (termohigrómetros) en 5 silos de una cooperativa agrícola en Montero. Registro de datos durante 2 años (incluyendo períodos de alta humedad). Entrenamiento del modelo LSTM con datos de 4 silos, validación con el quinto. Implementación de un sistema de ventilación automática.
Viabilidad Técnica (TRL)
TRL 6 – prototipo con sensores (cable de 10 termohigrómetros, $500/silo) y controlador. Costo total: $15.000.
Impacto Cuantificable
Reducción de pérdidas por hongos de 10% a 3%. Para 1.000 toneladas almacenadas, se salvan 70 toneladas de grano, con un valor de mercado de $21.000.
Aplicabilidad Práctica Inmediata
Cooperativas agrícolas (Cooperativa de Productores de Maíz de Montero), plantas de acopio, empresas de alimentos balanceados.
Proyección a 5 años
Sistema «SiloControl» instalado en 50 silos del departamento. Integración con sistemas de gestión de inventarios.
—
8. EnergíaSolarRiego – Optimización del uso de energía solar para bombeo de agua en sistemas de riego por aspersión usando redes neuronales (MLP) y predicción de irradiancia
Problema científico
Los sistemas de riego por aspersión con bombas eléctricas o diésel tienen altos costos energéticos. La energía solar es una alternativa limpia, pero la intermitencia de la irradiancia (nubes) afecta la presión del sistema.
Hipótesis principal
Un sistema de control predictivo con un modelo MLP que pronostica la irradiancia solar a 1 hora usando datos de cielo (cámara de cielo) e historial de irradiancia, ajusta la velocidad de la bomba solar (frecuencia del inversor) para mantener una presión constante en el sistema de riego, reduciendo el uso de energía de respaldo (baterías o red) en un 40% en comparación con un control a máxima potencia constante.
Modelo de Red Neuronal Propuesto
MLP de 3 capas, entrada: imágenes de cámara de cielo (o características derivadas: porcentaje de nubosidad), hora del día, día del año. Salida: predicción de irradiancia a 1 hora (W/m²). Un controlador PID ajusta la velocidad de la bomba según la predicción.
Base teórica
La optimización del bombeo solar con ML basado en predicción de irradiancia es un área activa en energías renovables para agricultura, mejorando la eficiencia y reduciendo la dependencia de baterías.
Diseño Metodológico
Instalación de una bomba solar (3 HP) en un pozo profundo en una finca de cultivos de maíz. Instalación de una cámara de cielo orientada al norte, un piranómetro, y un sistema de control con MLP. Durante 3 meses, se opera con el sistema predictivo. Comparación del consumo de energía de respaldo y la presión del sistema con un mes de operación sin control predictivo (a máxima potencia).
Viabilidad Técnica (TRL)
TRL 6 – prototipo de bomba solar con control predictivo. Hardware: bomba solar 3 HP ($1.500), inversor ($800), cámara de cielo ($200), servidor para MLP. Costo total: $12.000.
Impacto Cuantificable
Reducción del 40% en uso de energía de respaldo (baterías o red). Ahorro de $500/año en electricidad/diésel para una bomba de 3 HP. Reducción de emisiones de CO₂.
Aplicabilidad Práctica Inmediata
Productores con sistemas de riego por aspersión en zonas con buena irradiancia solar (Santa Cruz, Chaco), proyectos de riego con energía solar.
Proyección a 5 años
Kit «EnergíaSolarRiego» comercializado a pequeños y medianos productores. Formación de ingenieros agrícolas en energías renovables.
—
9. DrenajeSub – Control inteligente de nivel freático en sistemas de drenaje subsuperficial para cultivos de caña de azúcar usando redes neuronales (LSTM) y sensores de nivel de agua
Problema científico
Los sistemas de drenaje subsuperficial en caña de azúcar (tuberías enterradas) se controlan manualmente. Un nivel freático demasiado alto o bajo afecta el rendimiento y la calidad.
Hipótesis principal
Un sistema con sensores de nivel de agua en drenes y un modelo LSTM que predice el nivel freático a 24 horas usando datos de precipitación, evapotranspiración y nivel actual, ajusta automáticamente la apertura de válvulas de control, manteniendo el nivel freático dentro del rango óptimo (40-60 cm de profundidad). En un caso de estudio en caña de azúcar, el sistema aumenta el rendimiento de caña en un 15% (de 100 t/ha a 115 t/ha) y la sacarosa en un 0.3 puntos porcentuales, en comparación con el drenaje sin control.
Modelo de Red Neuronal Propuesto
LSTM con capa de atención, entrada: 7 días de datos de nivel freático, precipitación, ET0. Salida: nivel freático a 24 horas. Un controlador PI ajusta la apertura de la válvula (0-100%) para mantener el nivel objetivo.
Base teórica
Los sistemas de control de drenaje con predicción de nivel freático basada en ML han demostrado mejorar el rendimiento de cultivos como la caña de azúcar al optimizar la profundidad del agua.
Diseño Metodológico
Instalación de sensores de nivel de agua (transductores de presión) en 5 drenes subsuperficiales en un lote de caña de azúcar (Ingenio La Bélgica). Registro durante 12 meses. Un lote con control automático (válvula actuada), otro con drenaje tradicional (válvula manual). Medición de rendimiento y sacarosa.
Viabilidad Técnica (TRL)
TRL 6 – prototipo con sensores (transductor de presión, $200/unidad) y actuadores (válvula motorizada). Costo total: $12.000.
Impacto Cuantificable
Aumento del rendimiento de caña en 15 t/ha (15%). Aumento de sacarosa en 0.3 puntos. Para 1.000 hectáreas, el ingreso adicional sería de $150.000.
Aplicabilidad Práctica Inmediata
Ingenios azucareros (La Bélgica, Guabirá), productores de caña, proyectos de drenaje agrícola.
Proyección a 5 años
Sistema «DrenajeSub» instalado en 5.000 hectáreas de caña de azúcar en el departamento. Formación de ingenieros agrícolas en manejo de drenaje de precisión.
—
10. GPSControl – Aplicación variable de fertilizantes en cultivos de maíz mediante GPS y algoritmo de optimización (Bayesian Optimization) integrado a un tractor
Problema científico
La aplicación de fertilizantes se realiza a dosis fija, ignorando la variabilidad espacial de nutrientes en el suelo. Esto causa desperdicio en zonas ricas y deficiencia en zonas pobres.
Hipótesis principal
Un sistema de agricultura de precisión que integra mapas de rendimiento histórico (años anteriores), datos de suelo (conductividad eléctrica aparente), y un algoritmo de optimización bayesiana (GPyOpt) genera un mapa de aplicación variable de fertilizante nitrogenado. En un caso de estudio en maíz, la aplicación variable reduce el uso de nitrógeno en un 20% (de 150 kg N/ha a 120 kg N/ha) y mantiene el rendimiento (8.000 kg/ha), en comparación con la dosis fija.
Modelo de Red Neuronal Propuesto
No se usa red neuronal. Algoritmo de optimización bayesiana (GPyOpt) con función objetivo: rendimiento simulado – costo del fertilizante. Se utiliza un modelo de proceso gaussiano (GP) como sustituto del simulador de cultivo.
Base teórica
La optimización bayesiana es una técnica de optimización global que ha sido aplicada con éxito para encontrar dosis óptimas de fertilizantes en agricultura de precisión, considerando la variabilidad espacial.
Diseño Metodológico
Selección de un lote de maíz de 50 hectáreas con variabilidad de suelo (textura, materia orgánica). Muestreo de suelo (1 muestra por hectárea). Mediciones de conductividad eléctrica aparente con sensor Veris. Uso de mapas de rendimiento histórico. El algoritmo de optimización bayesiana genera un mapa de dosis variable. El tractor con GPS y controlador de aplicación varía la dosis en tiempo real. Comparación con una zona testigo de dosis fija (150 kg N/ha).
Viabilidad Técnica (TRL)
TRL 6 – prototipo con GPS RTK ($5.000), controlador de aplicación ($2.000), software de optimización (GPyOpt). Costo total: $20.000.
Impacto Cuantificable
Reducción del 20% en uso de fertilizante nitrogenado (de 150 a 120 kg N/ha). Ahorro de $40/ha en fertilizantes. Mantenimiento del rendimiento. Reducción de la contaminación por nitratos.
Aplicabilidad Práctica Inmediata
Productores de maíz, soja y girasol con agricultura de precisión, empresas de fertilizantes.
Proyección a 5 años
Servicio «GPSControl» ofrecido por empresas de agricultura de precisión. Formación de ingenieros agrícolas en manejo de fertilización variable.
—
📌 Nota final
Estos 10 proyectos para Ingeniería Agrícola cubren:
· Mecanización agrícola: optimización de cosechadoras, tractores, dron de pulverización (1, 3, 5)
· Riego y drenaje: riego por goteo, drenaje subsuperficial, bombeo solar (2, 8, 9)
· Postcosecha y almacenamiento: clasificación de granos, control de silos (6, 7)
· Agricultura de precisión: aplicación variable de fertilizantes, control climático de invernaderos (4, 10)
Costos entre $8,000 y $20,000, TRL 6–7. Viables en la UAGRM con articulación DEIS (extensión a ingenios azucareros, ANAPO, productores) y DICIT (infraestructura de sensores y modelos). Se recomienda convenios con Ingenio La Bélgica, ANAPO, y el CIAT (Centro de Investigación Agrícola Tropical).