Rev. Cient. Sist. Inform. 2(2), e386, doi: 10.51252/rcsi.v2i2.386
Artículo de revisón
Review article
Jul-Dic, 2022
https://revistas.unsm.edu.pe/index.php/rcsi
e-ISSN: 2709-992X
Este es un artículo de acceso abierto distribuido bajo los términos de la licencia de atribución de Creative Commons, que permite el uso sin restricciones, distribución y
reproducción en cualquier medio, siempre que se cite debidamente la obra original.
Algoritmos y su efecto en la agricultura: automatización de
procesos
Algorithms and their effect on agriculture: process automation
Sánchez-Calle, Jeison Elí 1*
Castillo-Armas, Gian Poll1
1Universidad Peruana Unión, Tarapoto, Perú
Recibido: 22 May. 2022 | Aceptado: 23 Jun. 2022 | Publicado: 20 Jul. 2022
Autor de correspondencia*: jeisonsanchez@upeu.edu.pe
Cómo citar este artículo: Sánchez-Calle, J. E. & Castillo-Armas, G. P. (2022). Algoritmos y su efecto en la agricultura:
automatización de procesos. Revista Científica de Sistemas e Informática, 2(2), e386. https://doi.org/10.51252/rcsi.v2i2.386
RESUMEN
La Inteligencia Artificial emerge como parte esencial de la evolución tecnológica de la agroindustria, teniendo
como objetivo brindar al productor información precisa para la toma de decisiones. El propósito del artículo de
revisión bibliográfica es dar a conocer cuáles son los algoritmos aplicados en diversos estudios y analizar su
efecto en la agricultura, teniendo en cuenta evidencias empíricas de diversas investigaciones. Se revisaron
artículos científicos publicados en las bases de datos Scopus, Scielo, Directory of Open Access Journals (DOAJ),
ScienceDirect, Latindex y Google académico, utilizando el gestor de búsqueda de referencias Mendeley. Se
seleccionaron 40 artículos basados en los criterios de relación con el tema, nivel de impacto y año de publicación
en los últimos cinco años. Se concluye que países como India, Colombia y Perú implementaron la inteligencia
artificial inmersos en sus políticas orientadas a la producción agrícola, con las cuales han logrado posicionarse
como referentes con altos niveles de productividad y competitividad.
Palabras clave: agricultura; automatización; algoritmos; inteligencia artificial; TI
ABSTRACT
Artificial Intelligence emerges as an essential part of the technological evolution of agribusiness, with the
objective of providing the producer with accurate information for decision making. The purpose of the
bibliographic review article is to present the algorithms applied in various studies and analyze their effect on
agriculture, taking into account empirical evidence from various investigations. Scientific articles published in
the Scopus, Scielo, Directory of Open Access Journals (DOAJ), ScienceDirect, Latindex and Google Scholar
databases were reviewed, using the Mendeley reference search engine. 40 articles were selected based on the
criteria of relationship with the topic, level of impact and year of publication in the last five years. It is concluded
that countries such as India, Colombia and Peru implemented artificial intelligence immersed in their policies
aimed at agricultural production, with which they have managed to position themselves as benchmarks with
high levels of productivity and competitiveness.
Keywords: farming; automation; algorithms; artificial intelligence; IT
Sánchez-Calle, J. E. & Castillo-Armas, G. P.
2 Rev. Cient. Sist. Inform. 2(2): e386; (jul-dic, 2022). e-ISSN: 2709-992X
1. INTRODUCCIÓN
La agricultura es el pilar fundamental de la economía mundial, entre ellos Perú (Del Carpio Gallegos &
Miralles, 2019). Factores como el cambio climático y el crecimiento de la población impulsan buscar
soluciones innovadoras que mejoren el rendimiento de los cultivos (Calle Yunis et al., 2020; León et al.,
2020). La Inteligencia Artificial emerge como parte esencial de la evolución tecnológica de la agroindustria
(Armas Morales, 2021), teniendo como objetivo brindar al productor información precisa para la toma de
decisiones (Parody Zuleta & Zapata Sanjuan, 2018). Las nuevas tecnologías son parte de la solución para
lograr la productividad (Ribeiro de Oliveira et al., 2019), al procesar variables, interpretar los escenarios,
simular contextos y realizar prospectivas logrando así hacer el uso más eficiente de los recursos (Ramírez
Gómez, 2020).
La Inteligencia artificial logrará que el sector agrario duplique su producción de manera sustentable
(Oliveira Ivo et al., 2020), teniendo como estrategia clave el agrupamiento de la biotecnología, la robótica,
el Big Data, la simulación y la geoestadística (Cuberlo de la Rosa et al., 2018; Rodriguez et al., 2021).
La clasificación de aprendizaje automático se ha convertido en un foco principal de la teledetección
(Bonilla-Castillo et al., 2018; Bonilla Paz et al., 2018; Larios-Francia, 2017). En definición, para Narciso
Horna & Manzano Ramos (2021), los algoritmos son bloques de código que exploran y analizan conjuntos
de datos complejos y buscan significado en ellos. Cada algoritmo sigue un proceso de instrucciones para
lograr un objetivo (Luo et al., 2015), es decir, establecen y detectan patrones para hacer predicciones y
clasificar información (Chucos Baquerizo & Vega Ventoncilla, 2022; Mejia et al., 2018; Mejía González et al.,
2021).
Los algoritmos más utilizados en el sector agrícola son: árboles de decisión, máquinas de soporte vectorial,
métodos bayesianos, redes neuronales y métodos de regresión (Perret et al., 2020; Porras-Rivera &
Rodríguez-Pulido, 2019 & Rodriguez et al., 2021). Ejemplo de ello, para encontrar tipos de suelos, tipos de
peces o plantas. Las técnicas más utilizadas son: algoritmo K-means para análisis de clustering, algoritmo
Apriori para la creación de reglas de asociación y correlaciones para el análisis de factores (Paccioretti et
al., 2020; Zárate M. et al., 2018).
En Perú, la exportación del arándano es una de las actividades agroindustriales que más ha crecido en la
última década (Piñeiro Antelo et al., 2018). Sin embargo, las empresas locales aún presentan dificultades
con la automatización de sus procesos (Cervantes-Santiago et al., 2015; Sierralta Chichizola et al., 2016;
Martínez-Yáñez et al., 2018), destacando entre ellos la deficiencia en la selección de las frutas, la cual de
realizarse inadecuadamente generaría pérdidas en la producción (Rubin de Celis et al., 2021).
La presente revisión tuvo como objetivo identificar cuáles son los algoritmos aplicados en diversos estudios
y analizar su efecto en la agricultura, teniendo en cuenta evidencias empíricas de diversas investigaciones,
con la finalidad de recopilar información relevante, y generar un artículo con base científica que pueda ser
de gran ayuda para que cualquier investigador, tenga en cuenta y pueda implantar soluciones informáticas.
2. MATERIALES Y MÉTODOS
La revisión bibliográfica se realizó a partir de la combinación de operadores booleanos y almacenamiento
de artículos de revistas de alto impacto en Scopus, Scielo, Directory of Open Access Journals (DOAJ),
ScienceDirect, Latindex y Google académico. Se utilizó el gestor de búsqueda de referencias bibliográficas
Mendeley, se seleccionaron 40 artículos basados en los criterios de relación con el tema, nivel de impacto
y año de publicación en los últimos 5 años.
Sánchez-Calle, J. E. & Castillo-Armas, G. P.
3 Rev. Cient. Sist. Inform. 2(2): e386; (jul-dic, 2022). e-ISSN: 2709-992X
En la Tabla 1 se presenta la distribución de los artículos consultados por año y palabra clave, en las
columnas se describen las 5 palabras clave utilizadas: random forest, KNN y decision Tree, SVM y naive
bayes, j48, REP y LMT, y en las filas, los años de publicación.
Tabla 1. Distribución de artículos consultados por año y palabra clave
Año de
publicación
Random
forest
KNN y Decision
Tree
SVM y naive
bayes
J48, REP,
LMT
2022
3
3
2
2
2021
3
2
3
2
2020
2
2
2
-
2019
-
3
2
2
2018
2
-
3
2
Totales
10
10
12
8
3. RESULTADOS Y DISCUSIÓN
Los resultados de la búsqueda se dispusieron en un orden relacionado con los algoritmos y su efecto en la
agricultura, sin que necesariamente tengan un vínculo con su ponderación.
3.1. Inteligencia artificial en el Perú
En el 2020, la Presidencia del Consejo de Ministros (PCM) junto con un grupo de expertos inició la
elaboración de la estrategia nacional para aprovechar y usar la inteligencia artificial en el desarrollo del
país (Zafra Trelles et al., 2018). No obstante, aún hay muchos retos y brechas por superar. Algunos de los
principales desafíos que deben superarse son la reducida oferta laboral en comparación con otros países,
bajos incentivos salarial (Herrera, 2017).
3.2 Algoritmos eficientes en la agricultura
Con el fin de realizar una evaluación sistemática, se ha elaborado la tabla 2, en la que se hace una
recopilación de las investigaciones que han utilizado determinados algoritmos y cuál ha sido su efecto en
la agricultura.
Tabla 2. Algoritmos y su efecto en la agricultura
País
Algoritmo
Metodología
Efecto en la agricultura
Perú
Random forest (León
et al., 2020)
Implementación de visión por
computador con imágenes
captadas por un drone Mavic2 Zoom.
Utilizó librerías, como: OpenCV, que
contiene algoritmos para la detección
de objetos y segmentación; Numpy,
para el análisis matricial y Machine
Learning, para su clasificación.
Se clasificó y verificó el estado de
infestación de plagas en las hojas
de palto, obteniendo un
porcentaje promedio de precisión
de 100%; se implementó la visión
artificial y se detectó la
infestación de plagas bicho de
cesto y arañita roja.
Colombia
KNN y Decision Tree
(Ramirez Gómez,
2020)
Propone un modelo de Machine
Learning para predecir el estado de la
cosecha a partir de información de
consumo de pesticidas y otras variables
del cultivo, para lo cual se sigue la
metodología de machine Learning, la
cual consiste en cuatro pasos que son:
Pre procesamiento y análisis de la
información, separación de los datos de
entrenamiento, test y validación;
Al comparar los dos métodos el
árbol de decisión presenta un
mejor desempeño ya que logra
obtener un mejor ajuste,
adicionalmente, lo logra con un
coste computacional
significativamente menor por lo
cual se puede decir que es el
mejor modelo para la predicción
durante esta primera ronda de
comparación.
Sánchez-Calle, J. E. & Castillo-Armas, G. P.
4 Rev. Cient. Sist. Inform. 2(2): e386; (jul-dic, 2022). e-ISSN: 2709-992X
Perú
SVM y naive bayes
(Baquerizo & Vega
Ventocilla, 2022)
Desarrollar un modelo de Machine
Learning para clasificación de imágenes
satelitales en la amazonia peruana.
Realizar el entrenamiento del modelo
de clasificación, configurando en el
entorno de Python en Jupyter
Notebook, evaluar la precisión de los
modelos en cada caso de clasificación
Kmeans, no garantiza una
clasificación robusta y tiene
limitaciones en la clasificación de
coberturas en imágenes
satelitales. Algoritmo SVM y naive
bayes presentaron mejor
precisión de 0.909 en
comparación con el algoritmo de
árbol de decisión 0.864 y kmeans.
India
J48, Random forest,
REP, LMT (Espinoza
Mina, 2018)
Implementación del sistema de
predicción del rendimiento de los
cultivos mediante el uso de técnicas de
minería de datos.
Naïve Bayes es el algoritmo más
utilizado por los autores de los
estudios valorados de la
herramienta Weka, le sigue J48,
en menor proporción, pero con
buenos resultados en su uso.
En el caso específico del sector agrícola peruano, que carece de tecnología en sus procesos (Angón et al.,
2019); según Chucos Baquerizo & Vega Ventoncilla (2022), son escasas las empresas que utilizan
inteligencia artificial o tecnología relacionada a ello; razón por la cual Armas Morales (2021), enfatiza que
amerita la incorporación de estas tecnologías, primordialmente en la costa de Perú donde se centra la
mayor cantidad de empresas industriales (Crispín-Sánchez et al., 2019). Es importante recalcar que la
incorporación de la inteligencia artificial ha permitido a grandes países posicionarse como pioneros en el
sector con altos índices de producción (Ramírez Gómez, 2020; Rojas-Vilcahuaman et al., 2019).
En base a la tabla 2, podemos afirmar que existen algoritmos que son eficientes en la agricultura, puesto
que optimizan los procesos y permiten lograr que la producción sea más eficiente (Parody Zuleta & Zapata
Sanjuan, 2018).
Tomando en consideración los estudios de la Tabla 2, el área agrícola busca en la Inteligencia artificial una
alternativa para mejorar los métodos y estrategias de cultivo (León et al., 2020). Naive Bayes es el algoritmo
más utilizado por los autores, le sigue J48, en menor proporción, pero con buenos resultados. En su uso
también se destacan los algoritmos decision Tree, random forest y Support Vector Machine (SMV).
4. CONCLUSIONES
A partir de esta revisión, se encontró que a nivel mundial países como India, Colombia y Perú
implementaron la inteligencia artificial inmersos en sus políticas orientadas a la producción agrícola, con
las cuales han logrado posicionarse como referentes con altos niveles de productividad y competitividad.
El presente estudio sostiene que algoritmos como: Naive Bayes, J48, decisión Tree, random forest y Support
Vector Machine son los más utilizados en investigaciones agrícolas dado a su eficiencia y efectividad. Sin
duda, estos algoritmos analizados fueron exitosos dado a su previo análisis antes de su implementación; es
decir, analizar el campo y objeto de estudio a fin de asegurar el éxito en su implementación.
FINANCIAMIENTO
Ninguno.
CONFLICTO DE INTERESES
No existe ningún tipo de conflicto de interés relacionado con la materia del trabajo.
Sánchez-Calle, J. E. & Castillo-Armas, G. P.
5 Rev. Cient. Sist. Inform. 2(2): e386; (jul-dic, 2022). e-ISSN: 2709-992X
CONTRIBUCIÓN DE LOS AUTORES
Conceptualización: Sánchez-Calle, J. E.; Castillo-Armas, G. P.
Curación de datos: Sánchez-Calle, J. E.; Castillo-Armas, G. P.
Análisis formal: Sánchez-Calle, J. E.
Investigación: Sánchez-Calle, J. E.; Castillo-Armas, G. P.
Metodología: Sánchez-Calle, J. E.; Castillo-Armas, G. P.
Supervisión: Castillo-Armas, G. P.
Redacción - borrador original: Sánchez-Calle, J. E.; Castillo-Armas, G. P.
Redacción - revisión y edición: Sánchez-Calle, J. E.
REFERENCIAS BIBLIOGRÁFICAS
Angón, E., Castillejo, L., Rodríguez, J., González, A., Molina, D., Cueva, T., & García, A. (2019). Fry growth
modelling in Cichlasoma festae (Cichlidae) with Biobloc technology (BFT). Ciencia Veterinaria, 21(2),
43–54. https://doi.org/10.19137/cienvet-201921203
Armas Morales, C. E. (2021). La Inteligencia Artificial en empresas peruanas e impactos laborales en los
trabajadores. Iberoamerican Business Journal, 5(1), 83–105.
https://doi.org/10.22451/5817.ibj2021.vol5.1.11053
Baquerizo, N. C., & Vega Ventocilla, E. (2022). Evaluación de algoritmos de machine learning en la
clasificación de imágenes satelitales multiespectrales , caso : Amazonia Peruana Evaluation of
machine learning algorithms in the classification of multispectral satellite images , case : Peruvian
Amazon. Ciencia Latina, 6(1), 4946–4963.
https://doi.org/https://doi.org/10.37811/cl_rcm.v6i1.1843
Bonilla-Castillo, C. A., Córdoba, E. A., Gómez, G., & Duponchelle, F. (2018). Population dynamics of
Prochilodus nigricans (Characiformes: Prochilodontidae) in the Putumayo River. Neotropical
Ichthyology, 16(2). https://doi.org/10.1590/1982-0224-20170139
Bonilla Paz, B. L., Montoya Bonilla, B., Gómez, J., & Caja, Á. (2018). Efecto de la Temperatura sobre el
Crecimiento de Tilapia (Oreochromis sp) en Mamá Lombriz, Vereda Rio Blanco, Popayán, Colombia.
Teknos Revista Científica, 24–30. https://doi.org/10.25044/25392190.922
Calle Yunis, C. R., Salas López, R., Cruz, S. M. O., Barboza Castillo, E., Silva López, J. O., Iliquín Trigoso, D., &
Briceño, N. B. R. (2020). Land Suitability for Sustainable Aquaculture of Rainbow Trout
(Oncorhynchus mykiss) in Molinopampa (Peru) Based on RS, GIS, and AHP. ISPRS International
Journal of Geo-Information, 9(1), 28. https://doi.org/10.3390/ijgi9010028
Cervantes-Santiago, A., Hernández-Vergara, M. P., & Pérez-Rostro, C. I. (2015). Aprovechamiento de
metabolitos nitrogenados del cultivo de tilapia en un sistema acuapónico. Ecosistemas y Recursos
Agropecuarios, 3(7), 63–73. https://doi.org/10.19136/ERA.A3N7.667
Chucos Baquerizo, N., & Vega Ventoncilla, E. J. (2022). Evaluación de algoritmos de machine learning en la
clasificación de imágenes satelitales multiespectrales, caso: Amazonia Peruana. Ciencia Latina
Revista Científica Multidisciplinar, 6(1), 4946–4963. https://doi.org/10.37811/cl_rcm.v6i1.1843
Crispín-Sánchez, F., Porturas, R., & Vásquez, W. (2019). Effect of organic acids on the presence of
Salmonella spp. in fishmeal. Agroindustrial Science, 9(2), 139–144.
https://doi.org/10.17268/agroind.sci.2019.02.06
Cuberlo de la Rosa, M., Piñeiro Morejon, I., & Ramos Miranda, F. E. (2018). La gestión del conocimiento
Sánchez-Calle, J. E. & Castillo-Armas, G. P.
6 Rev. Cient. Sist. Inform. 2(2): e386; (jul-dic, 2022). e-ISSN: 2709-992X
como base de la innovación tecnológica: la creación de nuevos productos en la Empresa Pesquera
Industrial de Cienfuegos. La Gestión Del Conocimiento Como Base de La Innovación Tecnológica: La
Creación de Nuevos Productos En La Empresa Pesquera Industrial de Cienfuegos, 10(4), 227–230.
https://rus.ucf.edu.cu/index.php/rus/article/view/1017
Del Carpio Gallegos, J. F., & Miralles, F. (2019). Análisis cualitativo de los determinantes de la innovación
en una economía emergente. Retos, 9(17), 161–175. https://doi.org/10.17163/ret.n17.2019.10
Herrera, J. (2017). Pobreza y desigualdad económica en el Perú durante el boom de crecimiento: 2004-
2014. Revue Internationale de Politique de Développement, 9. https://doi.org/10.4000/poldev.2518
Larios-Francia, R. P. (2017). Estado actual de las mipymes del sector textil de la confección en Lima.
Ingeniería Industrial, 035, 113. https://doi.org/10.26439/ing.ind2017.n035.1795
León, R., Díaz, M., & Rodríguez, L. (2020b). Management of an artificial vision system for the detection of
damage caused by pests in avocado crop using a drone. Revista Ciencia y Tecnología, 16(4), 145–151.
https://doi.org/10.17268/rev.cyt.2020.04.14
Luo, S., Li, X., Wang, D., Li, J., & Sun, C. (2015). Automatic Fish Recognition and Counting in Video Footage
of Fishery Operations. 2015 International Conference on Computational Intelligence and
Communication Networks (CICN), 296–299. https://doi.org/10.1109/CICN.2015.66
Martínez-Yáñez, A. del R., Albertos-Alpuche, P. J., Guzman-Mendoza, R., Robaina-Robaina, L. E., Alvarez-
Gonzalez, A., & Diaz-Plascencia, D. (2018). Production and chemical composition of hydrophytes
cultivated in aquaponics. Ecosistemas y Recursos Agropecuarios, 5(14), 247–257.
https://doi.org/10.19136/era.a5n14.1447
Mejia, B., Salas, A., & Kemper, G. (2018). An Automatic System Oriented to Counting and Measuring the
Geometric Dimensions of Gray Tilapia Fingerlings Based on Digital Image Processing. 2018 IEEE XXV
International Conference on Electronics, Electrical Engineering and Computing (INTERCON), 1–4.
https://doi.org/10.1109/INTERCON.2018.8526426
Mejía González, J. J., Zapata Gil, S. A., León Serna, S., Buriticá Isaza, N., González Jaramillo, D. A., & Zamora
Vélez, J. M. (2021). Construcción de prototipo de CANSAT para toma de imágenes aéreas para
detección de zonas de vegetación en agricultura de precisión. Ciencia y Poder Aéreo, 16(2), 11–28.
https://doi.org/10.18667/cienciaypoderaereo.709
Narciso Horna, W. A., & Manzano Ramos, E. A. (2021). Sistema de visión artificial basado en redes
neuronales convolucionales para la selección de arándanos según estándares de exportación.
Campus, 26(32), 155–166. https://doi.org/10.24265/campus.2021.v26n32.01
Oliveira Ivo, I., Sacardi Biudes, M., Gomes Machado, N., Fabricio dos Santos, L. O., & Lopes Pedreira Junior,
A. (2020). Parâmetros Biofísicos de Diferentes Tipos de Cobertura do Solo em uma área de Cerrado
no Sul de Mato Grosso. Revista Brasileira de Meteorologia, 35(1), 111–122.
https://doi.org/10.1590/0102-7786351021
Paccioretti, P., Córdoba, M., & Balzarini, M. (2020). Desarrollo de un software para mapeo de variabilidad
espacial en agricultura y ambiente. AgriScientia, 37(1), 75–84.
https://doi.org/10.31047/1668.298x.v37.n1.27863
Parody Zuleta, A. M., & Zapata Sanjuan, E. de J. (2018). Agricultura de precisión en Colombia utilizando
teledetección de alta resolución. Suelos Ecuatoriales, 48(1–2), 41–49.
http://unicauca.edu.co/revistas/index.php/suelos_ecuatoriales/article/view/94
Sánchez-Calle, J. E. & Castillo-Armas, G. P.
7 Rev. Cient. Sist. Inform. 2(2): e386; (jul-dic, 2022). e-ISSN: 2709-992X
Perret, J., Villalobos Leandro, J. E., Abdalla Bolaños, K., Fuentes Fallas, C. L., Cuarezma Espinoza, K. M.,
Macas Amaya, E. N., López Maietta, M. T., & Drewry, D. (2020). Desarrollo de métodos de análisis de
espectroscopia y algoritmos de aprendizaje automático para la evaluación de algunas propiedades
del suelo en Costa Rica. Agronomía Costarricense. https://doi.org/10.15517/rac.v44i2.43108
Piñeiro Antelo, M. de los Á., Durán Villa, F. R., & Santos, X. M. (2018). Inmigración peruana y pesca en el
puerto de Cambados (Galicia): una perspectiva de género. Boletín de La Asociación de Geógrafos
Españoles, 76, 218. https://doi.org/10.21138/bage.2521
Porras-Rivera, G., & Rodríguez-Pulido, J. A. (2019). Comparación y Caracterización Morfométrica del
Híbrido (Pseudoplatystoma metaense x Leiarius marmoratus) y sus Parentales (Siluriformes:
Pimelodidae). International Journal of Morphology, 37(4), 1409–1415.
https://doi.org/10.4067/S0717-95022019000401409
Ramírez Gómez, C. A. (2020). Aplicación del machine learning en agricultura de precisión. Revista CINTEX,
25(2), 14–27. https://doi.org/10.33131/24222208.356
Ribeiro de Oliveira, F., Braga França, S. L., & Duncan Rangel, L. A. (2019). Princípios de economia circular
para o desenvolvimento de produtos em arranjos produtivos locais. Interações (Campo Grande),
1179–1193. https://doi.org/10.20435/inter.v20i4.1921
Rodriguez, D., Lisboa Rocha, M., De queiroz Trevisan, D. M., De Castro Jorge, L. A., Ferreira, E. J., Prado
Osco, L., & Melgaço Barbosa, R. (2021). Aplicando Mineração de Imagens na Agricultura de Precisão.
Revista Cereus, 13(3), 283–301. http://ojs.unirg.edu.br/index.php/1/article/view/3572/
Rojas-Vilcahuaman, S., Solano, S. A. ., Camayo-Lermo, K. N. ., Vicente-Ramos, W. E. ., & Mejia, C. R. (2019).
Innovación Disruptiva: Generación de una encuesta para la medición del potencial y nivel según las
características de las empresas exportadoras en 5 departamentos del Perú. Espacios, 40(11).
https://cris.continental.edu.pe/en/publications/innovación-disruptiva-generación-de-una-
encuesta-para-la-medición
Rubin de Celis, E., Cruz Burga, Z. A., Rosot, N. C., Dalla Corte, A. P., & Araki, H. (2021). Cambio de uso de la
tierra en la amazonía peruana mediante algoritmos de inteligencia artificial. Journal of Biotechnology
and Biodiversity, 9(1), 073–084. https://doi.org/10.20873/jbb.uft.cemaf.v9n1.celis
Sierralta Chichizola, V., Mayta Huatuco, E., & León Quispe, J. (2016). Primer Registro de Plesiomonas
shigelloides como Patógeno Oportunista de Tilapia Oreochromis niloticus (Linnaeus, 1758) en una
Piscigranja de Lima, Perú. Revista de Investigaciones Veterinarias Del Perú, 27(3), 565.
https://doi.org/10.15381/rivep.v27i3.11996
Zafra Trelles, A. M., Diaz Barboza, M. E., Davila Gil, F. A., Vela Alva, K. A., & Colchado Colchado, J. P. E.
(2018). Catálogo de peces ornamentales en Trujillo, La Libertad-Perú. Arnaldoa, 25(2), 757–786.
https://doi.org/10.22497/ARNALDOA.252.25221
Zárate M., I., Sánchez P., C., Palomino C., H., & Smith D., C. (2018). Caracterización de la crianza de trucha
arcoíris (Oncorhynchus mykiss) en la provincia de Chincheros, Apurímac, Perú. Revista de
Investigaciones Veterinarias Del Perú, 29(4), 1310–1314.
https://doi.org/10.15381/rivep.v29i4.15196
