DOI: 10.26820/recimundo/9.(2).abril.2025.180-200
URL: https://recimundo.com/index.php/es/article/view/2589
EDITORIAL: Saberes del Conocimiento
REVISTA: RECIMUNDO
ISSN: 2588-073X
TIPO DE INVESTIGACIÓN: Artículo de revisión
CÓDIGO UNESCO: 12 Matemáticas
PAGINAS: 180-200
Modelos matemáticos no lineales aplicados a la agricultura.
Revisión sistemática
Non-linear mathematical models applied to agriculture. Systematic review
Modelos matemáticos não lineares aplicados à agricultura.
Revisão sistemática
Blakeslees Streisand Suarez Muñoz1; Cristian Andrés Flores Cadena2; Jessica Elizabeth Cedeño Bermeo3;
Luis Adrián Chóez Acosta4
RECIBIDO: 10/01/2025 ACEPTADO: 19/03/2025 PUBLICADO: 28/04/2025
1. Magíster en Diseño Curricular; Ingeniera en Electricidad Especialización Electrónica; Universidad Agraria del Ecuador;
Guayaquil, Ecuador; bsuarez@uagraria.edu.ec; https://orcid.org/0000-0002-7085-0567
2. Magíster en Matemática Aplicada; Magíster en Dirección de Operaciones y Seguridad Industrial; Ingeniero Agroindustrial;
Universidad Agraria del Ecuador; Guayaquil, Ecuador; cflores@uagraria.edu.ec; https://orcid.org/0000-0003-4071-7228
3. Máster Universitario en Sistemas Integrados de Gestión de la Prevención de Riesgos Laborales, la Calidad, el Medio
Ambiente y la Responsabilidad Social Corporativa; Ingeniera Ambiental; Universidad Agraria del Ecuador; Guayaquil,
Ecuador; jecedeno@uagraria.edu.ec; https://orcid.org/0009-0004-9790-116X
4. Magíster en Seguridad Informática; Magíster en Administración de Empresas con Mención en Marketing; Magíster en
Docencia y Gerencia en Educación Superior; Diploma Superior en Pedagogías Innovadoras; Abogado; Ingeniero en Siste-
mas Computacionales; Universidad de Guayaquil; Guayaquil, Ecuador; luis.choeza@ug.edu.ec; https://orcid.org/0000-
0003-3370-7793
,
CORRESPONDENCIA
Blakeslees Streisand Suarez Muñoz
bsuarez@uagraria.edu.ec
Guayaquil, Ecuador
© RECIMUNDO; Editorial Saberes del Conocimiento, 2025
RESUMEN
El objetivo general de esta revisión sistemática fue investigar el uso de modelos matemáticos no lineales en la agricultura,
relacionados con la producción de alimentos o la agricultura, identificando las aplicaciones y beneficios para optimizar
los procesos de cultivo. Se implementó la metodología PRISMA para seleccionar estudios, incluidos sumarios y resúme-
nes de trabajo en bases de datos académicas de los últimos diez años. aplicamos un proceso de inclusión y exclusión
estricto de acuerdo con las palabras clave, lo que resultó en 40 publicaciones relevantes. Los resultados indican que los
modelos matemáticos no lineales son útiles para predecir el rendimiento de los cultivos, combatir la sepa e infecciones, la
inmuno profilaxis y la nutrición hídrica y mineral de los cultivos son certeros, relevantes y aplicables al manejo de cultivos
en cualquier parte del mundo. Entre las conclusiones relevantes, los modelos investigados pueden contribuir a una agri-
cultura más sostenible y eficiente. Sin embargo, requieren investigación adicional para adaptar y simplificar los modelos
de manera que resulten fáciles de usar en el campo.
Palabras clave: Agricultura, Modelos matemáticos no lineales, Optimización, Predicción de cultivos, Sostenibilidad
agrícola.
ABSTRACT
The general objective of this systematic review was to investigate the use of nonlinear mathematical models in agriculture,
related to food production or agriculture, identifying applications and benefits to optimize cultivation processes. The PRIS-
MA methodology was implemented to select studies, including summaries and summaries of work in academic databases
from the last ten years. We applied a strict inclusion and exclusion process according to keywords, resulting in 40 rele-
vant publications. The results indicate that nonlinear mathematical models are useful for predicting crop yield, combating
spread and infections, immunoprophylaxis, and water and mineral nutrition of crops are accurate, relevant, and applicable
to crop management anywhere. of the world. Among the relevant conclusions, the investigated models can contribute to a
more sustainable and efficient agriculture. However, they require additional research to adapt and simplify the models so
that they are easy to use in the field.
Keywords: Agriculture, Nonlinear mathematical models, Optimization, Crop prediction, Agricultural sustainability.
RESUMO
O objetivo geral desta revisão sistemática foi investigar a utilização de modelos matemáticos não lineares na agricultura,
relacionados com a produção alimentar ou a agricultura, identificando aplicações e benefícios para otimizar os processos
de cultivo. A metodologia PRISMA foi implementada para selecionar estudos, incluindo resumos e sínteses de trabalhos em
bases de dados académicas dos últimos dez anos. Aplicámos um rigoroso processo de inclusão e exclusão de acordo com
palavras-chave, resultando em 40 publicações relevantes. Os resultados indicam que os modelos matemáticos não lineares
são úteis para prever o rendimento das culturas, combater a disseminação e as infeções, a imunoprofilaxia e a nutrição hídri-
ca e mineral das culturas, sendo precisos, relevantes e aplicáveis à gestão das culturas em qualquer lugar. do mundo. Entre
as conclusões relevantes, os modelos investigados podem contribuir para uma agricultura mais sustentável e eficiente. No
entanto, requerem pesquisas adicionais para adaptar e simplificar os modelos para que sejam fáceis de utilizar no terreno.
Palavras-chave: Agricultura, Modelos matemáticos não lineares, Optimização, Previsão de culturas, Sustentabilidade
agrícola.
182 RECIMUNDO VOL. 9 N°2 (2025)
Introducción
El sector agropecuario tiene retos cada vez
más difíciles de superar; estos problemas
han sido provocados por el efecto de la va-
riabilidad del clima, la falta de recurso y la
necesidad de incrementar la producción
para poder alimentar a una población en
constante crecimiento (FAO, 2021). En este
sentido, la utilización de sistemas matemá-
ticos o modelos no lineales matemáticos ha
ido ganando credibilidad en el sector agrí-
cola al permitirse la incorporación del estu-
dio de la complejidad de los sistemas natu-
rales y de los interrelacionados que influyen
en los procesos agrícolas como el clima,
los suelos, la biología de los cultivos, etc
(Vermelho et al, 2024). Mediante la aplica-
ción de estos modelos, es posible realizar
la predicción y optimización del tratamiento
de tierras, la producción y otras actividades
relacionadas con la agricultura, tales como
la producción de vegetales y el uso de re-
cursos de agua (Li et al., 2020) y (Quintero
et al, 2007).
Los modelos matemáticos no lineales son
unas herramientas valiosas para la intensi-
ficación agricultura sostenible a través de
la resolución de complejidades asociadas
con la producción y uso de cultivos, gestión
de recursos y cuidado del medio ambien-
te. Ayuda a la toma de decisiones y mejo-
ra la eficiencia de las prácticas agrícolas
mediante su uso en una variedad de usos:
modelado del crecimiento de plantas, riego
y control de enfermedades. Las siguientes
secciones describen la articulación de las
características principales de los modelos
matemáticos no lineales (Aguilar, 2010) y
(Ortiz et al, 2010).
Aplicable para la gestión y modelado de
cultivos. Modelos de crecimiento no linea-
les: los modelos de crecimiento son no li-
neales y se utilizan para predecir los ren-
dimientos de los cultivos con respecto a
los factores ambientales (Venu et al, 2024).
Gestión del riego: se utilizan modelos para
mejorar la eficiencia del riego y conservar
SUAREZ MUÑOZ, B. S., FLORES CADENA, C. A., CEDEÑO BERMEO, J. E., & CHÓEZ ACOSTA, L. A.
recursos a través de prácticas agrícolas
adecuadas (Venu et al., 2023). Gestión am-
biental y de plagas Modelado de humedad
del suelo: los enfoques no lineales abordan
las condiciones del suelo que ayudan en
el uso eficiente de fertilizantes y el control
de plagas (Venu et al, 2024). Dinámica de
ecosistemas: los modelos abordan preocu-
paciones ecológicas como las especies in-
vasoras y la propagación de enfermedades
en las plantas, mejorando así la resiliencia
de los cultivos (Venturino, 2023).
Redes neuronales: predicción de algorit-
mos a partir de conjuntos de datos comple-
jos que mejoran los procesos relacionados
con la producción agrícola, pronósticos de
impacto y daño ambiental. Programación
en varias etapas: utilizada en el pronóstico
estacional de rendimiento y venta de culti-
vos ajustando la estrategia del agricultor a
las condiciones cambiantes del mercado.
Aunque los modelos matemáticos no linea-
les aumentan la eficiencia de la agricultura,
presentan desafíos en la implementación
especiales debido a la complejidad, ya que
se requiere una calibración precisa y la par-
ticipación de especialistas, para garantizar
aplicaciones realistas de alta calidad (Pérez
et al, 2021).
A pesar del alcance de la investigación en
la literatura reciente, las aplicaciones de los
modelos no lineales en la agricultura han
incluido la predicción de enfermedades en
plantas y la optimización de la fertilización
(Vermelho et al, 2024). Cabe destacar, sin
embargo, que la mayoría de las limitacio-
nes en términos de aplicaciones a gran es-
cala están relacionadas con la adaptación
de los modelos a las necesidades de los
agricultores y su aplicabilidad a las dife-
rentes condiciones climáticas y del suelo
(Acuayte-Valdes et al, 2022). A pesar de va-
rios modelos utilizados en la investigación
a lo largo de esta revisión, es fundamental
analizar las áreas menos entendidas de la
agricultura en términos de la implemen-
tación de los modelos no lineales. Dichas
preguntas de investigación podrían incluir
183
RECIMUNDO VOL. 9 N°2 (2025)
MODELOS MATEMÁTICOS NO LINEALES APLICADOS A LA AGRICULTURA. REVISIÓN SISTEMÁTICA
lo siguiente: ¿Qué modelos matemáticos no
lineales se utilizan con mayor frecuencia en
la agricultura? ¿Qué aspectos limitan la apli-
cación práctica de los modelos en diferen-
tes contextos de la agricultura? ¿Qué áreas
no se han explorado a fondo en el uso de
modelos no lineales? Esta información tam-
bién permitirá formular una hipótesis sobre
cómo una revisión completa de los modelos
conduciría a la aplicación más eficiente y
simple en la agricultura.
El objetivo de esta revisión sistemática utili-
zando la metodología PRISMA es evaluar el
nivel de los modelos matemáticos no lineales
en agricultura en la actualidad, sus aplica-
ciones y oportunidades futuras, así como as-
pectos de la implementación práctica y las
áreas de desarrollo futuro. Esta revisión nos
permitirá identificar brechas en el desarrollo
de modelos matemáticos no lineales en la
agricultura y guiar las investigaciones futu-
ras de tal manera que conduzca a muchos
agricultores a practicar la agricultura en una
producción más sostenible y eficiente.
Métodos
En este artículo, se usó PRISMA – Preferred
Reporting Items for Systematic Reviews and
Meta-Analyses, una metodología estructu-
rada y transparente para realizar revisiones
sistemáticas. La pregunta de investigación
que se respondió en este artículo fue: ¿qué
modelos matemáticos no lineales se utilizan
comúnmente en la agricultura y cuáles son
sus aplicaciones, limitaciones y áreas que
requieren más estudio? Por lo tanto, existe
un enfoque para obtener evidencia concre-
ta de la aplicación de los modelos no linea-
les y sus desafíos en la práctica.
Definición de la fuente y búsqueda La fuente
abordada en este artículo es una fuente de
buena calidad, como Scopus, Web of Scien-
ce, IEEE Xplore y ScienceDirect. Se eligió
Scopus con el propósito de que las respues-
tas fueran las cien primeras, mientras que el
año 2010 marca la fecha límite. Se usaron
palabras clave “non-linear” OR “mathemati-
cal models”,OR “agricultura”,OR “crop yield
prediction”, AND “pest control”, and “preci-
sion agricultura”. Procedimiento de protoco-
lo El protocolo se describió siguiendo unos
criterios de inclusión: documentos en inglés
dentro de los últimos diez años, artículos
empíricos y de revisión, y aplicaciones en
agricultura. En los criterios de exclusión, los
trabajos no aclararon los submodelos espe-
cíficos o no tuvieron consistencia con la teó-
rica de los argumentos empíricos.
El primer paso abordado fue el desarrollo
de un protocolo, que comenzó con la defini-
ción de los criterios de inclusión y exclusión.
Se utilizó el siguiente criterio de inclusión:
artículos en inglés y español publicados en
los últimos diez años en revistas indexadas
seleccionadas, estudios empíricos y revi-
siones que presenten aplicaciones válidas
en el ámbito de la agricultura. Dado los mis-
mos motivos, los criterios de exclusión in-
cluyeron trabajos que no se centren en los
modelos matematicos no lineales específi-
cos utilizados en la agricultura, o aquellos
con poca evidencia práctica a través de da-
tos empíricos y/o conclusiones.
La búsqueda de literatura relevante siguió
y fue muy amplia y detallada, y abarcó des-
de 2010 hasta 2024. Para garantizar la total
relevancia para el área de la agricultura, la
búsqueda se limitó a los campos de las ma-
temáticas aplicadas y las ciencias agrícolas;
se utilizaron palabras clave y los operado-
res booleanos aumentaron la precisión y la
eficiencia del proceso de búsqueda. Todos
los estudios recuperados fueron sometidos
a dos fases separadas de evaluación: la re-
visión de los títulos y resúmenes que permi-
tían juzgar la relevancia de los documentos,
seguida de la evaluación crítica completa.
Adicionalmente, se evaluó la calidad me-
todológica de los estudios seleccionados
utilizando una variedad de criterios de di-
seño, su metodología y la aplicabilidad de
los modelos presentados. Los estudios re-
sultantes fueron objeto de un análisis crítico
en función de sus metodologías, sus datos
y los hallazgos publicados; los modelos
184 RECIMUNDO VOL. 9 N°2 (2025)
incorporados se sometieron a una evalua-
ción en cuanto a su precisión, limitaciones
y aplicaciones en la agricultura, como el
rendimiento de los cultivos y la gestión de
plagas, entre otras. Los datos relevantes
se sintetizaron y extrajeron en varias cate-
gorías, incluyendo los tipos de modelos, las
aplicaciones específicas, los beneficios y
las limitaciones. Finalmente, los resultados
se organizaron en una síntesis de hallazgos
donde se identificaron tendencias y patro-
nes comunes, y las áreas que requieren
más investigación y desarrollo.
Resultados
La tabla 1 presenta los resultados obteni-
dos de la revisión sistemática aplicando la
metodología PRISMA.
Tabla 1. Resultados obtenidos de la revisión sistemática aplicando metodología PRISMA
Nro/Autor/Año/
Base de datos
Métodos
Objetivos
Resultados
Conclusiones
1 Qayoom, K., &
Manzoor, S.
(2024)Scopus.
Técnicas de
análisis de suelos
y modelización
de cultivos
Enfoques
estadísticos para
las pruebas de
rendimiento y la
toma de
decisiones
financieras
Explore el papel
de las
matemáticas en el
desarrollo
agrícola
sostenible.
Investigue las
aplicaciones que
mejoran la
eficiencia y la
productividad en
la agricultura.
Mejora la
eficiencia y la
productividad en
la agricultura.
Promueve la
sostenibilidad
ambiental a través
de la toma de
decisiones
informadas.
Las matemáticas
mejoran la
eficiencia y la
productividad en
la agricultura.
Las aplicaciones
matemáticas
apoyan la
innovación y la
toma de decisiones
informadas.
2 Venu, V.,
Sreenath B., &
Ramdas E. R.
(2023). Scopus
Modelación del
crecimiento de
los cultivos y la
gestión del riego
Técnicas de
gestión ambiental
y de humedad del
suelo
Investigar el
papel de las
matemáticas en
las soluciones de
ingeniería
agrícola.
Muestre ejemplos
de modelos
matemáticos en
la agricultura.
Investiga el papel
de las
matemáticas en
las soluciones de
ingeniería
agrícola.
Ejemplos de
modelos
matemáticos en
diversas
aplicaciones
agrícolas.
Modelos
matemáticos
cruciales para
resolver problemas
de ingeniería
agrícola.
Los ejemplos
incluyen el
crecimiento de los
cultivos, la gestión
del riego, la
modelización de la
humedad del
suelo, etc.
3 Ezio, Venturino.
(2023). MDPI
Modelos
matemáticos en
ecología para el
control de plagas
e invasiones de
especies.
Modelos
epidemiológicos
de enfermedades
en el medio
ambiente.
Modelo
Sigmoidal f(x)=
L/1+e-k(x-x0)
Aplicar las
matemáticas en
ecología,
agricultura y
epidemiología.
Desarrollar
modelos para
combatir las
plagas, las
especies exóticas
y las
enfermedades.
Los modelos
ayudan a combatir
las plagas
agrícolas y las
invasiones de
especies exóticas.
Analiza la
epidemiología y
las funciones
asintomáticas en
la propagación de
enfermedades.
Las matemáticas
ayudan a la
agricultura y a
combatir las
invasiones de
especies exóticas.
Los modelos son
cruciales para
comprender las
enfermedades y
los impactos
ambientales.
4 Boniecki, P,
Agnieszka S,
Gniewko N,
Piekarska-
Boniecka H,
Wawrzyniak A,
and Przybylak A..
(2023). MDPI
Redes neuronales
artificiales
Métodos
estadísticos
matemáticos
Identificar
correlaciones
entre los modelos
de redes
neuronales y los
métodos
estadísticos
Resaltar las áreas
de interfaz en las
aplicaciones
agrícolas
Se proporcionan
ejemplos sobre la
evaluación de la
producción
vegetal y animal,
los riesgos de
plagas y los
entornos
agrícolas.
El artículo
identifica las áreas
de correlación
entre los modelos
de redes
neuronales y los
métodos
estadísticos.
El documento
proporciona
ejemplos de la
aplicación de estos
métodos en la
agricultura.
5 Moulogianni, C.
(2022) WOS
La muestra para
la comparación
fue de 219
explotaciones
Utilizando el plan
de cultivo de las
tierras agrícolas
de estas
Se compararon los
resultados de las
metodologías de
Programación
Cada modelo tiene
algunas ventajas y
desventajas únicas
que pueden
SUAREZ MUÑOZ, B. S., FLORES CADENA, C. A., CEDEÑO BERMEO, J. E., & CHÓEZ ACOSTA, L. A.
185
RECIMUNDO VOL. 9 N°2 (2025)
Nro/Autor/Año/
Base de datos
Métodos
Objetivos
Resultados
Conclusiones
1 Qayoom, K., &
Manzoor, S.
(2024)Scopus.
Técnicas de
análisis de suelos
y modelización
de cultivos
Enfoques
estadísticos para
las pruebas de
rendimiento y la
toma de
decisiones
financieras
Explore el papel
de las
matemáticas en el
desarrollo
agrícola
sostenible.
Investigue las
aplicaciones que
mejoran la
eficiencia y la
productividad en
la agricultura.
Mejora la
eficiencia y la
productividad en
la agricultura.
Promueve la
sostenibilidad
ambiental a través
de la toma de
decisiones
informadas.
Las matemáticas
mejoran la
eficiencia y la
productividad en
la agricultura.
Las aplicaciones
matemáticas
apoyan la
innovación y la
toma de decisiones
informadas.
2 Venu, V.,
Sreenath B., &
Ramdas E. R.
(2023). Scopus
Modelación del
crecimiento de
los cultivos y la
gestión del riego
Técnicas de
gestión ambiental
y de humedad del
suelo
Investigar el
papel de las
matemáticas en
las soluciones de
ingeniería
agrícola.
Muestre ejemplos
de modelos
matemáticos en
la agricultura.
Investiga el papel
de las
matemáticas en
las soluciones de
ingeniería
agrícola.
Ejemplos de
modelos
matemáticos en
diversas
aplicaciones
agrícolas.
Modelos
matemáticos
cruciales para
resolver problemas
de ingeniería
agrícola.
Los ejemplos
incluyen el
crecimiento de los
cultivos, la gestión
del riego, la
modelización de la
humedad del
suelo, etc.
3 Ezio, Venturino.
(2023). MDPI
Modelos
matemáticos en
ecología para el
control de plagas
e invasiones de
especies.
Modelos
epidemiológicos
de enfermedades
en el medio
ambiente.
Modelo
Sigmoidal f(x)=
L/1+e-k(x-x0)
Aplicar las
matemáticas en
ecología,
agricultura y
epidemiología.
Desarrollar
modelos para
combatir las
plagas, las
especies exóticas
y las
enfermedades.
Los modelos
ayudan a combatir
las plagas
agrícolas y las
invasiones de
especies exóticas.
Analiza la
epidemiología y
las funciones
asintomáticas en
la propagación de
enfermedades.
Las matemáticas
ayudan a la
agricultura y a
combatir las
invasiones de
especies exóticas.
Los modelos son
cruciales para
comprender las
enfermedades y
los impactos
ambientales.
4 Boniecki, P,
Agnieszka S,
Gniewko N,
Piekarska-
Boniecka H,
Wawrzyniak A,
and Przybylak A..
(2023). MDPI
Redes neuronales
artificiales
Métodos
estadísticos
matemáticos
Identificar
correlaciones
entre los modelos
de redes
neuronales y los
métodos
estadísticos
Resaltar las áreas
de interfaz en las
aplicaciones
agrícolas
Se proporcionan
ejemplos sobre la
evaluación de la
producción
vegetal y animal,
los riesgos de
plagas y los
entornos
agrícolas.
El artículo
identifica las áreas
de correlación
entre los modelos
de redes
neuronales y los
métodos
estadísticos.
El documento
proporciona
ejemplos de la
aplicación de estos
métodos en la
agricultura.
5 Moulogianni, C.
(2022) WOS
La muestra para
la comparación
fue de 219
explotaciones
Utilizando el plan
de cultivo de las
tierras agrícolas
de estas
Se compararon los
resultados de las
metodologías de
Programación
Cada modelo tiene
algunas ventajas y
desventajas únicas
que pueden
agrícolas que
participaron
como
beneficiarias de
la medida
«Modernización
de explotaciones
agrícolas» del
Plan de
Desarrollo Rural
en la Región de
Macedonia
Central en
Grecia.
explotaciones,
los modelos de
programación
matemática
calculan la
solución óptima
para objetivos
diferentes y
contradictorios.
Lineal (LP), de
Programación
Matemática
Positiva (PMP) y
Programación por
Metas Ponderadas
(WGP), en
términos de los
cambios
propuestos en las
tierras agrícolas.
permitir su
implementación en
situaciones
particulares. En las
conclusiones de
esta investigación
se destacan las
características de
cada modelo.
6 Mansour S, &
Elsheery, N.
(2022). MDPI
Historia del
modelado de
sistemas
agrícolas y
describimos las
lecciones
aprendidas que
pueden ayudar a
dirigir el diseño y
la creación de
herramientas y
métodos para la
próxima
generación de
sistemas
agrícolas.
Optimización
económica global
y modelos de
simulación
Desarrollo de
modelos
biofísicos de
cultivos y
ganadería basados
en procesos,
modelos
estadísticos
basados en
observaciones
históricas y
modelos de
hogares y
regiones.
7 Gabbrielli.M,
Allegrezza M.,
Ragaglini. G,
Manco. A, Vitale.
L, & Perego A.
(2024) Google
Scholar
Revisión de los
modelos basados
en procesos para
las emisiones de
N2O.
Comparación de
algoritmos para
los procesos de
nitrificación y
desnitrificación.
Revisar los
enfoques de
modelización de
las emisiones de
N2O de los
suelos agrícolas.
Compare los
algoritmos de los
procesos de
nitrificación y
desnitrificación.
Descripción
general de los
modelos que
simulan las
emisiones de N2O
de la agricultura.
Las propiedades
del suelo y el
clima son los
principales
impulsores del
ciclo N.
Las propiedades
del suelo y el
clima impulsan el
ciclo y las
emisiones del
nitrógeno.
Los modelos
basados en
procesos simulan
el N2O en diversas
condiciones
agrícolas.
9 Fernández-
Chuairey L.
(2019) MDPI.
Modelos
matemáticos y
herramientas
estadísticas
Uso del cálculo
diferencial en
busca de
soluciones y
producciones
óptimas
Establecer
criterios para
analizar los
modelos de
procesos
agrarios.
Aplicar la
modelización
estadístico-
matemática en la
investigación
agrícola.
El modelo
logístico
proporcionó una
mejor descripción
y explicación de
la cinética de la
pérdida de peso en
el cultivo de piña.
El modelo
logístico permitió
establecer
indicadores de la
velocidad y el
momento en que
se alcanzó la
velocidad máxima
de pérdida de
peso.
La modelización
estadístico-
matemática puede
abordar los
problemas de
investigación en el
sector agrícola.
El modelo
logístico es mejor
para describir la
cinética de pérdida
de peso en los
cultivos de piña.
MODELOS MATEMÁTICOS NO LINEALES APLICADOS A LA AGRICULTURA. REVISIÓN SISTEMÁTICA
186 RECIMUNDO VOL. 9 N°2 (2025)
agrícolas que
participaron
como
beneficiarias de
la medida
«Modernización
de explotaciones
agrícolas» del
Plan de
Desarrollo Rural
en la Región de
Macedonia
Central en
Grecia.
explotaciones,
los modelos de
programación
matemática
calculan la
solución óptima
para objetivos
diferentes y
contradictorios.
Lineal (LP), de
Programación
Matemática
Positiva (PMP) y
Programación por
Metas Ponderadas
(WGP), en
términos de los
cambios
propuestos en las
tierras agrícolas.
permitir su
implementación en
situaciones
particulares. En las
conclusiones de
esta investigación
se destacan las
características de
cada modelo.
6 Mansour S, &
Elsheery, N.
(2022). MDPI
Historia del
modelado de
sistemas
agrícolas y
describimos las
lecciones
aprendidas que
pueden ayudar a
dirigir el diseño y
la creación de
herramientas y
métodos para la
próxima
generación de
sistemas
agrícolas.
Optimización
económica global
y modelos de
simulación
Desarrollo de
modelos
biofísicos de
cultivos y
ganadería basados
en procesos,
modelos
estadísticos
basados en
observaciones
históricas y
modelos de
hogares y
regiones.
7 Gabbrielli.M,
Allegrezza M.,
Ragaglini. G,
Manco. A, Vitale.
L, & Perego A.
(2024) Google
Scholar
Revisión de los
modelos basados
en procesos para
las emisiones de
N2O.
Comparación de
algoritmos para
los procesos de
nitrificación y
desnitrificación.
Revisar los
enfoques de
modelización de
las emisiones de
N2O de los
suelos agrícolas.
Compare los
algoritmos de los
procesos de
nitrificación y
desnitrificación.
Descripción
general de los
modelos que
simulan las
emisiones de N2O
de la agricultura.
Las propiedades
del suelo y el
clima son los
principales
impulsores del
ciclo N.
Las propiedades
del suelo y el
clima impulsan el
ciclo y las
emisiones del
nitrógeno.
Los modelos
basados en
procesos simulan
el N2O en diversas
condiciones
agrícolas.
9 Fernández-
Chuairey L.
(2019) MDPI.
Modelos
matemáticos y
herramientas
estadísticas
Uso del cálculo
diferencial en
busca de
soluciones y
producciones
óptimas
Establecer
criterios para
analizar los
modelos de
procesos
agrarios.
Aplicar la
modelización
estadístico-
matemática en la
investigación
agrícola.
El modelo
logístico
proporcionó una
mejor descripción
y explicación de
la cinética de la
pérdida de peso en
el cultivo de piña.
El modelo
logístico permitió
establecer
indicadores de la
velocidad y el
momento en que
se alcanzó la
velocidad máxima
de pérdida de
peso.
La modelización
estadístico-
matemática puede
abordar los
problemas de
investigación en el
sector agrícola.
El modelo
logístico es mejor
para describir la
cinética de pérdida
de peso en los
cultivos de piña.
10 Neetu, Rani.,
Kiran, Bamel.,
Abhinav, Shukla.,
Nandini, Singh.
(2022) Scopus.
Teledetección,
lógica difusa,
regresión lineal,
álgebra lineal,
modelo de
crecimiento
Conceptos
matemáticos:
optimización no
lineal, cálculo
diferencial
Se analizaron
cinco modelos
matemáticos para
la predicción del
rendimiento de los
cultivos.
La precisión
promedio de los
modelos osciló
entre el 90% y el
99%.
Los modelos
matemáticos
tienen una alta
precisión para la
predicción del
rendimiento de los
cultivos (90% -
99%)
Se sugieren
modelos
matemáticos
nuevos y
mejorados para
una mayor
precisión y
exactitud.
11 Sulaiman,
Muhammad,
Muhammad
Umar, Kamsing
Nonlaopon, and
Fahad Sameer
Alshammari.
(2022) MDPU
Utilizamos el
algoritmo
Levenberg-
Marquardt
(LMA) basado en
redes neuronales
artificiales (NN)
para investigar
las soluciones
aproximadas para
diferentes tasas
de fumigación de
insecticidas
“NDSolve” en
Matemática
generó una
recopilación de
datos para LMA
supervisada.
El valor de la
aproximación
NN-LMA se logra
mediante los
conjuntos de datos
de referencia de
entrenamiento,
validación y
prueba
La regresión, los
histogramas de
error y el análisis
de complejidad
ayudan a validar la
solidez y precisión
de la técnica.
12 Mora-Delgado,
J., & Holguín, V.
(2018). Google
Scholar
Usando
mediciones
lineales; se
analizaron
estadísticamente,
a través de
coeficientes de
correlación de
Pearson,
este estudio fue
formular una
ecuación para
estimar la
biomasa de
arbustos de
Tithonia
diversifolia,
El trabajo de
campo fue
realizado desde
noviembre hasta
diciembre de
2013, en el Centro
Experimental de
la Universidad
Nacional de
Colombia -
CEUNP, Palmira,
en un área
experimental de
880m, con diseño
de surcos cada 2m
y distancia entre
plantas de 1m,
para un total de
440 plantas
La ecuación de
Mitcherlich tuvo el
mejor ajuste,
siendo el modelo
Ӯ = 15,06 (1-1,06)
-0,12X, el que
mejor predice la
biomasa forrajera.
13 Gálvez, G.;
Sigarroa, A.;
López, T; &
Fernández, J.
(2010). WOS
Resumen de
algunos
conceptos
relacionados con
la modelación de
cultivos agrícolas
y los
tipos principales
de modelos que
se pueden utilizar
desde el
Utilizando
métodos
convencionales de
modelación
(Análisis de
Componentes
Principales y
Regresión Lineal
Paso a Paso)
Utilizando la
regresión binaria
logística
Se concluye
resaltando el gran
potencial que
tienen
estas tecnologías
relacionadas con la
Informática, como
herramientas
modernas para la
estimación de los
rendimientos
SUAREZ MUÑOZ, B. S., FLORES CADENA, C. A., CEDEÑO BERMEO, J. E., & CHÓEZ ACOSTA, L. A.
187
RECIMUNDO VOL. 9 N°2 (2025)
10 Neetu, Rani.,
Kiran, Bamel.,
Abhinav, Shukla.,
Nandini, Singh.
(2022) Scopus.
Teledetección,
lógica difusa,
regresión lineal,
álgebra lineal,
modelo de
crecimiento
Conceptos
matemáticos:
optimización no
lineal, cálculo
diferencial
Se analizaron
cinco modelos
matemáticos para
la predicción del
rendimiento de los
cultivos.
La precisión
promedio de los
modelos osciló
entre el 90% y el
99%.
Los modelos
matemáticos
tienen una alta
precisión para la
predicción del
rendimiento de los
cultivos (90% -
99%)
Se sugieren
modelos
matemáticos
nuevos y
mejorados para
una mayor
precisión y
exactitud.
11 Sulaiman,
Muhammad,
Muhammad
Umar, Kamsing
Nonlaopon, and
Fahad Sameer
Alshammari.
(2022) MDPU
Utilizamos el
algoritmo
Levenberg-
Marquardt
(LMA) basado en
redes neuronales
artificiales (NN)
para investigar
las soluciones
aproximadas para
diferentes tasas
de fumigación de
insecticidas
El valor de la
aproximación
NN-LMA se logra
mediante los
conjuntos de datos
de referencia de
entrenamiento,
validación y
prueba
La regresión, los
histogramas de
error y el análisis
de complejidad
ayudan a validar la
solidez y precisión
de la técnica.
12 Mora-Delgado,
J., & Holguín, V.
(2018). Google
Scholar
Usando
mediciones
lineales; se
analizaron
estadísticamente,
a través de
coeficientes de
correlación de
Pearson,
El trabajo de
campo fue
realizado desde
noviembre hasta
diciembre de
2013, en el Centro
Experimental de
la Universidad
Nacional de
Colombia -
CEUNP, Palmira,
en un área
experimental de
880m, con diseño
de surcos cada 2m
y distancia entre
plantas de 1m,
para un total de
440 plantas
La ecuación de
Mitcherlich tuvo el
mejor ajuste,
siendo el modelo
Ӯ = 15,06 (1-1,06)
-0,12X, el que
mejor predice la
biomasa forrajera.
13 Gálvez, G.;
Sigarroa, A.;
López, T; &
Fernández, J.
(2010). WOS
Resumen de
algunos
conceptos
relacionados con
la modelación de
cultivos agrícolas
y los
tipos principales
de modelos que
se pueden utilizar
desde el
ejemplos de la
aplicación de los
modelos en la
agricultura para
la estimación de
los rendimientos
en los cultivos
especialmente
en Cuba
Utilizando
métodos
convencionales de
modelación
(Análisis de
Componentes
Principales y
Regresión Lineal
Paso a Paso)
Utilizando la
regresión binaria
logística
Se concluye
resaltando el gran
potencial que
tienen
estas tecnologías
relacionadas con la
Informática, como
herramientas
modernas para la
estimación de los
rendimientos
punto de vista de
su uso en la
agricultura
de los cultivos
agrícolas.
14 Rodríguez
González O,
Florido Bacallao
R &. Varela
Nualles(2018)
Google Scholar
Revisión
bibliográfica
sobre
las aplicaciones
de la modelación
y simulación en
cultivos
agrícolas en Cuba
El objetivo de dar
a conocer las
características e
importancia del
uso de los
mismos, como
herramientas para
la estimación de
los rendimientos
de
los cultivos
agrícolas.
Se presenta un
resumen de
algunos
conceptos
relacionados con
la modelación de
cultivos y los
tipos principales
de modelos que se
pueden utilizar
desde
el punto de vista
de su uso en la
agricultura
Estas
investigaciones
pretenden resumir
y discutir las
principales
características de
los
modelos de
simulación STIC y
MACRO y sus
posibilidades para
la
predicción del
comportamiento
de
los cultivos
agrícolas ante
diferentes
manejos de agua,
fertilización y
ambientes
climáticos
15 Tiago Teleken
J; Cazonatto
Galvão, A & da
Silva Robazza, W.
(2017). Scopus
Para realizar esta
tarea, se
utilizaron datos
de crecimiento
publicados de 14
grupos diferentes
de animales y se
adoptaron cuatro
estadísticas de
bondad de ajuste:
coeficiente de
determinación
(R2), error
cuadrático medio
(RMSE), criterio
de información
de Akaike (AIC)
y criterio de
información
bayesiano.
El principal
objetivo de este
estudio fue
comparar la
bondad de ajuste
de cinco modelos
de crecimiento no
lineales, es decir,
Brody,
Gompertz,
Logistic,
Richards y von
Bertalanffy en
diferentes
animales.
En general, la
ecuación de
crecimiento de
Richards
proporcionó
mejores ajustes a
los datos
experimentales
que los otros
modelos. Sin
embargo, para
algunos animales,
diferentes
modelos
mostraron un
mejor
rendimiento.
Se obtuvo una
posible
interpretación del
parámetro de
forma, de tal
manera que puede
proporcionar
información útil
para predecir el
comportamiento
de crecimiento de
los animales.
16 Jayasinghe, S.
L., Ranawana, C.
J. K., Liyanage, I.
C., & Kaliyadasa,
P. E. (2022).
Scopus
Revisamos 75
artículos de texto
completo
publicados entre
1985 y 2021 para
obtener
información
sobre modelos
matemáticos
relacionados con
el crecimiento del
banano y el
rendimiento de
frutas y fibras.
Revisión
sistemática
Los modeladores
utilizaron a
menudo modelos
de regresión lineal
múltiple para
estimar el
crecimiento de las
plantas de banano
y el rendimiento
de los frutos.
El modelo de
simulación basado
en el proceso del
banano 'SIMBA' y
la red neuronal
artificial han
demostrado su
sólida
aplicabilidad para
estimar el
crecimiento de las
plantas de banano.
MODELOS MATEMÁTICOS NO LINEALES APLICADOS A LA AGRICULTURA. REVISIÓN SISTEMÁTICA
188 RECIMUNDO VOL. 9 N°2 (2025)
punto de vista de
su uso en la
agricultura
de los cultivos
agrícolas.
14 Rodríguez
González O,
Florido Bacallao
R &. Varela
Nualles(2018)
Google Scholar
Revisión
bibliográfica
sobre
las aplicaciones
de la modelación
y simulación en
cultivos
agrícolas en Cuba
El objetivo de dar
a conocer las
características e
importancia del
uso de los
mismos, como
herramientas para
la estimación de
los rendimientos
de
los cultivos
agrícolas.
Se presenta un
resumen de
algunos
conceptos
relacionados con
la modelación de
cultivos y los
tipos principales
de modelos que se
pueden utilizar
desde
el punto de vista
de su uso en la
agricultura
Estas
investigaciones
pretenden resumir
y discutir las
principales
características de
los
modelos de
simulación STIC y
MACRO y sus
posibilidades para
la
predicción del
comportamiento
de
los cultivos
agrícolas ante
diferentes
manejos de agua,
fertilización y
ambientes
climáticos
15 Tiago Teleken
J; Cazonatto
Galvão, A & da
Silva Robazza, W.
(2017). Scopus
Para realizar esta
tarea, se
utilizaron datos
de crecimiento
publicados de 14
grupos diferentes
de animales y se
adoptaron cuatro
estadísticas de
bondad de ajuste:
coeficiente de
determinación
(R2), error
cuadrático medio
(RMSE), criterio
de información
de Akaike (AIC)
y criterio de
información
bayesiano.
El principal
objetivo de este
estudio fue
comparar la
bondad de ajuste
de cinco modelos
de crecimiento no
lineales, es decir,
Brody,
Gompertz,
Logistic,
Richards y von
Bertalanffy en
diferentes
animales.
En general, la
ecuación de
crecimiento de
Richards
proporcionó
mejores ajustes a
los datos
experimentales
que los otros
modelos. Sin
embargo, para
algunos animales,
diferentes
modelos
mostraron un
mejor
rendimiento.
Se obtuvo una
posible
interpretación del
parámetro de
forma, de tal
manera que puede
proporcionar
información útil
para predecir el
comportamiento
de crecimiento de
los animales.
16 Jayasinghe, S.
L., Ranawana, C.
J. K., Liyanage, I.
C., & Kaliyadasa,
P. E. (2022).
Scopus
Revisamos 75
artículos de texto
completo
publicados entre
1985 y 2021 para
obtener
información
sobre modelos
matemáticos
relacionados con
el crecimiento del
banano y el
rendimiento de
frutas y fibras.
Revisión
sistemática
Los modeladores
utilizaron a
menudo modelos
de regresión lineal
múltiple para
estimar el
crecimiento de las
plantas de banano
y el rendimiento
de los frutos.
El modelo de
simulación basado
en el proceso del
banano 'SIMBA' y
la red neuronal
artificial han
demostrado su
sólida
aplicabilidad para
estimar el
crecimiento de las
plantas de banano.
Analizamos
resultados
17 Alessandro,
Dal'Col, Lúcio.,
Maria, Inês, Diel.,
Bruno, Giacomini,
Sari. (2021).
MDPI
Análisis de
regresión no
lineal para
cultivos de
cosecha múltiple.
Modelo logístico
para interpretar la
evolución del
ciclo de
producción.
Presentar una
revisión de la
literatura sobre el
análisis de
cultivos de
cosecha múltiple.
Proporcionar una
interpretación
paso a paso de la
evolución del
ciclo de
producción.
Los modelos no
lineales
proporcionan
interpretaciones
sólidas de cultivos
de cosecha
múltiple.
Los intervalos de
confianza ayudan
a comparar
estadísticamente
los efectos del
tratamiento.
La regresión no
lineal mejora la
comprensión de
los cultivos de
cosecha múltiple.
Los intervalos de
confianza mejoran
las comparaciones
entre los
tratamientos
experimentales.
18 Stefania,
Tomasiello.,
Jorge, Eduardo,
Macías-Díaz.
(2023). Google
Scholar
Revisión
sistemática
siguiendo los
pasos de la
metodología
PRISMA.
Análisis de la
literatura
utilizando
palabras clave y
operadores
booleanos
específicos.
Revisar los
modelos
fraccionarios
para los
problemas
agroalimentarios.
Discuta los
límites y el
potencial de la
investigación
futura.
Mayor aceptación
de los modelos
fraccionarios en la
investigación
agroalimentaria.
Entre los
operadores más
utilizados figuran
los derivados de
Caput y Riemann-
Liouville.
Operadores
fraccionarios de
uso común:
Caputo-Fabrizio,
Atangana-Baleanu,
Riemann-
Liouville.
19 Sotirios, V.,
Archontoulis.,
Fernando, E.,
Miguez. (2015)
Scopus
Elegir modelos
candidatos y
establezca
valores iniciales.
Ajustar los
modelos y
compruebe las
estimaciones de
convergencia y
parámetros.
Proponer pasos
para la
adaptación de
modelos no
lineales en la
agricultura.
Proporcione una
amplia biblioteca
de funciones no
lineales.
Amplia biblioteca
de funciones no
lineales
proporcionada
para la
agricultura.
Los modelos no
lineales
representan mejor
los procesos de los
cultivos y el suelo.
Se aclaran los
pasos para ajustar
los modelos no
lineales.
20 del Pozo, P; &
Cossio, N.C
(2006).
Potencial o
alométrico:
W = f(x)= bxk
Logístico:
W= f(t) =
A/(1.be-kt)
Polinomial de
2do orden
(cuadrático):
W = f(x)= a + b
X + c X2
Con el propósito
de obtener los
modelos que
mejor
representan el
crecimiento y
rendimiento total
aéreo en sus
diferentes estados
de desarrollo de
la especie
Bougainvillea
campanulata
Heimerl se
cuantificó el
rendimiento en
fitomasa total,
por componentes
morfológicos
y el diámetro
basal a la altura
de10 cm
El rendimiento de
follaje verde por
planta varió entre
0,028 y 8,0 kg
para los diámetros
basales de 0,8 a
24 cm,
mientras que los
rendimientos de
leña húmeda entre
0,031
y 137,05 kg. Los
rendimientos en
base seca
oscilaron para
ambos
componentes
entre 0,011 a 3,52
y 0,016 y 69,80 kg
/
El modelo
logístico y
cuadrático
representaron
adecuadamente el
comportamiento
del rendimiento en
fitomasa foliar
húmeda y seca en
función del
diámetro del tallo
para las
condiciones
estudiada, y para
el componente
leñoso el modelo
lineal, los cuales
pueden ser
empleados en la
predicción del
rendimiento de la
especie
SUAREZ MUÑOZ, B. S., FLORES CADENA, C. A., CEDEÑO BERMEO, J. E., & CHÓEZ ACOSTA, L. A.
189
RECIMUNDO VOL. 9 N°2 (2025)
Analizamos
resultados
17 Alessandro,
Dal'Col, Lúcio.,
Maria, Inês, Diel.,
Bruno, Giacomini,
Sari. (2021).
MDPI
Análisis de
regresión no
lineal para
cultivos de
cosecha múltiple.
Modelo logístico
para interpretar la
evolución del
ciclo de
producción.
Presentar una
revisión de la
literatura sobre el
análisis de
cultivos de
cosecha múltiple.
Proporcionar una
interpretación
paso a paso de la
evolución del
ciclo de
producción.
Los modelos no
lineales
proporcionan
interpretaciones
sólidas de cultivos
de cosecha
múltiple.
Los intervalos de
confianza ayudan
a comparar
estadísticamente
los efectos del
tratamiento.
La regresión no
lineal mejora la
comprensión de
los cultivos de
cosecha múltiple.
Los intervalos de
confianza mejoran
las comparaciones
entre los
tratamientos
experimentales.
18 Stefania,
Tomasiello.,
Jorge, Eduardo,
Macías-Díaz.
(2023). Google
Scholar
Revisión
sistemática
siguiendo los
pasos de la
metodología
PRISMA.
Análisis de la
literatura
utilizando
palabras clave y
operadores
booleanos
específicos.
Revisar los
modelos
fraccionarios
para los
problemas
agroalimentarios.
Discuta los
límites y el
potencial de la
investigación
futura.
Mayor aceptación
de los modelos
fraccionarios en la
investigación
agroalimentaria.
Entre los
operadores más
utilizados figuran
los derivados de
Caput y Riemann-
Liouville.
Operadores
fraccionarios de
uso común:
Caputo-Fabrizio,
Atangana-Baleanu,
Riemann-
Liouville.
19 Sotirios, V.,
Archontoulis.,
Fernando, E.,
Miguez. (2015)
Scopus
Elegir modelos
candidatos y
establezca
valores iniciales.
Ajustar los
modelos y
compruebe las
estimaciones de
convergencia y
parámetros.
Proponer pasos
para la
adaptación de
modelos no
lineales en la
agricultura.
Proporcione una
amplia biblioteca
de funciones no
lineales.
Amplia biblioteca
de funciones no
lineales
proporcionada
para la
agricultura.
Los modelos no
lineales
representan mejor
los procesos de los
cultivos y el suelo.
Se aclaran los
pasos para ajustar
los modelos no
lineales.
20 del Pozo, P; &
Cossio, N.C
(2006).
Potencial o
alométrico:
W = f(x)= bxk
Logístico:
W= f(t) =
A/(1.be-kt)
Polinomial de
2do orden
(cuadrático):
W = f(x)= a + b
X + c X2
Con el propósito
de obtener los
modelos que
mejor
representan el
crecimiento y
rendimiento total
aéreo en sus
diferentes estados
de desarrollo de
la especie
Bougainvillea
campanulata
Heimerl se
cuantificó el
rendimiento en
fitomasa total,
por componentes
morfológicos
y el diámetro
basal a la altura
de10 cm
El rendimiento de
follaje verde por
planta varió entre
0,028 y 8,0 kg
para los diámetros
basales de 0,8 a
24 cm,
mientras que los
rendimientos de
leña húmeda entre
0,031
y 137,05 kg. Los
rendimientos en
base seca
oscilaron para
ambos
componentes
entre 0,011 a 3,52
y 0,016 y 69,80 kg
/
El modelo
logístico y
cuadrático
representaron
adecuadamente el
comportamiento
del rendimiento en
fitomasa foliar
húmeda y seca en
función del
diámetro del tallo
para las
condiciones
estudiada, y para
el componente
leñoso el modelo
lineal, los cuales
pueden ser
empleados en la
predicción del
rendimiento de la
especie
planta para el
follaje y leña seca,
respectivamente
22 Fredy
Armando Aguilar
Aguilar (2010).
Google Scholar
Se modeló
mediante
funciones no
lineales Lt =
L∞(1-exp-c(t-t0))
el crecimiento del
peso corporal y
los componentes
corporales (agua,
proteína, lípidos
y
cenizas), siendo
más acertadas las
predicciones
cuando se empleó
el modelo de
Bertalanffy en
tilapia nilótica y
el de Michaelis-
Menten en tilapia
roja
Se evaluó el
crecimiento de
tilapia nilótica y
tilapia roja a lo
largo de un
ciclo productivo
comercial en
sistema cerrado
intensivo
Los resultados
mostraron un
canal de expresión
común del
crecimiento para
los dos
procesamientos
evaluados
Un análisis de
rendimiento en
cortes comerciales
(filete y canal)
indicó un efecto
del procesamiento
del
alimento sobre
dichas variables,
siendo el
rendimiento en
filete más alto con
el alimento
extruido en tilapia
nilótica, mientras
que el rendimiento
en canal fue más
alto en tilapia roja
cuando se
emplearon dietas
paletizadas. El
estudio mostró la
utilidad del
modelaje
matemático como
herramienta
estratégica de
análisis para el
estudio del
crecimiento de
tilapia.
21 Bakhtiar, Toni,
Ihza Rizkia Fitri,
Farida Hanum,
and Ali Kusnanto.
(2022).
El artículo utiliza
un conjunto de
ecuaciones
diferenciales
ordinarias no
lineales para
desarrollar un
modelo de
control óptimo.
Para el cálculo
numérico se
utilizan el
principio máximo
de Pontryagin y
el método de
barrido hacia
adelante y hacia
atrás.
Desarrollar un
modelo de
control óptimo
para la
interacción
planta-plaga.
Evalúe las
estrategias de
liberación de
insectos estériles
y enemigos
naturales.
Las diferentes
estrategias de
velocidad de
lanzamiento
muestran
resultados de
simulación
idénticos.
La estrategia P-P
proporciona el
control más eficaz
para reducir la
población de
plagas.
La liberación de
insectos estériles
con un ritmo
proporcional y la
liberación de
enemigos naturales
con un ritmo
constante es la
estrategia más
rentable para
controlar las
plagas de insectos.
La estrategia logra
reducir la
población de
plagas en
aproximadamente
un 35% y
aumentar la
densidad de
plantas en un 13%
durante la
implementación
del control.
MODELOS MATEMÁTICOS NO LINEALES APLICADOS A LA AGRICULTURA. REVISIÓN SISTEMÁTICA
190 RECIMUNDO VOL. 9 N°2 (2025)
planta para el
follaje y leña seca,
respectivamente
22 Fredy
Armando Aguilar
Aguilar (2010).
Google Scholar
Se modeló
mediante
funciones no
lineales Lt =
L∞(1-exp-c(t-t0))
el crecimiento del
peso corporal y
los componentes
corporales (agua,
proteína, lípidos
y
cenizas), siendo
más acertadas las
predicciones
cuando se empleó
el modelo de
Bertalanffy en
tilapia nilótica y
el de Michaelis-
Menten en tilapia
roja
Se evaluó el
crecimiento de
tilapia nilótica y
tilapia roja a lo
largo de un
ciclo productivo
comercial en
sistema cerrado
intensivo
Los resultados
mostraron un
canal de expresión
común del
crecimiento para
los dos
procesamientos
evaluados
Un análisis de
rendimiento en
cortes comerciales
(filete y canal)
indicó un efecto
del procesamiento
del
alimento sobre
dichas variables,
siendo el
rendimiento en
filete más alto con
el alimento
extruido en tilapia
nilótica, mientras
que el rendimiento
en canal fue más
alto en tilapia roja
cuando se
emplearon dietas
paletizadas. El
estudio mostró la
utilidad del
modelaje
matemático como
herramienta
estratégica de
análisis para el
estudio del
crecimiento de
tilapia.
21 Bakhtiar, Toni,
Ihza Rizkia Fitri,
Farida Hanum,
and Ali Kusnanto.
(2022).
El artículo utiliza
un conjunto de
ecuaciones
diferenciales
ordinarias no
lineales para
desarrollar un
modelo de
control óptimo.
Para el cálculo
numérico se
utilizan el
principio máximo
de Pontryagin y
el método de
barrido hacia
adelante y hacia
atrás.
Desarrollar un
modelo de
control óptimo
para la
interacción
planta-plaga.
Evalúe las
estrategias de
liberación de
insectos estériles
y enemigos
naturales.
Las diferentes
estrategias de
velocidad de
lanzamiento
muestran
resultados de
simulación
idénticos.
La estrategia P-P
proporciona el
control más eficaz
para reducir la
población de
plagas.
La liberación de
insectos estériles
con un ritmo
proporcional y la
liberación de
enemigos naturales
con un ritmo
constante es la
estrategia más
rentable para
controlar las
plagas de insectos.
La estrategia logra
reducir la
población de
plagas en
aproximadamente
un 35% y
aumentar la
densidad de
plantas en un 13%
durante la
implementación
del control.
Fuente: Elaborado por los autores (2025).
SUAREZ MUÑOZ, B. S., FLORES CADENA, C. A., CEDEÑO BERMEO, J. E., & CHÓEZ ACOSTA, L. A.
191
RECIMUNDO VOL. 9 N°2 (2025)
De acuerdo al idioma de los 19 artículos
abarcados, solo dos de ellos están escri-
tos en español, y 17 en inglés. Los articu-
los mencionados son los compuestos por
Rodríguez González, O., Florido Bacallao,
R., & Varela Nualles (2018), centrado en las
aplicaciones de modelación y simulación
en el cultivosagrícolas de Cuba. Mientras
que el articulado de Gálvez, G., Sigarroa,
A., López, T., & Fernández (2010), se trata
de la estimación de los rendimientos agríco-
las a través de la modelación.
Con respecto a los años se tiene la tabla 2.
Tabla 2. Años y numero de publicaciones
Metodología
Descripción y Aplicación
Autores
Revisión Sistemática
(PRISMA)
Selección estructurada y transparente de estudios,
basada en criterios de inclusión/exclusión y revisión
de calidad.
Boniecki et al. (2023);
Jayasinghe et al. (2022)
Redes Neuronales
Artificiales (RNA)
Aplicadas para modelar complejos datos agrícolas y
mejorar la precisión en predicciones de rendimiento
y plagas.
Boniecki et al. (2023);
Sulaiman et al. (2022)
Modelos de Regresión
No Lineal
Modelos logísticos y de Gompertz aplicados en el
análisis de crecimiento de cultivos y rendimiento de
cosechas.
Alessandro et al.
(2021); Neetu et al.
(2022)
Algoritmo Levenberg-
Marquardt (LMA)
Utilizado para la optimización en redes neuronales
en la gestión de plagas mediante aproximaciones
numéricas.
Sulaiman et al. (2022)
Programación
Matemática Positiva
(PMP)
Optimización de decisiones de uso de tierras para
objetivos específicos de producción agrícola
sostenible.
Moulogianni (2022)
Análisis de
Programación en Varias
Etapas
Aplicado en la predicción de rendimiento y
estrategias de mercado para ajustar la producción a
demanda estacional.
Ivanyo et al. (2024)
Teledetección y Lógica
Difusa
Combinación de técnicas para el monitoreo remoto
de cultivos y evaluación de factores de crecimiento
en tiempo real.
Neetu et al. (2022);
Zhu et al. (2021)
Modelos Fraccionarios
Aplicados en problemas agroalimentarios
complejos, usando cálculos de fracciones para
entender patrones de producción.
Tomasiello & Macías-
Díaz (2023)
Modelos de Nitrificación
y Desnitrificación
Comparación de algoritmos para simular procesos
de emisiones de N2O, relacionados con el ciclo de
nitrógeno en suelos.
Gabbrielli et al. (2024)
Modelos de Simulación
Basados en Procesos
Representación de procesos biofísicos en la
agricultura, como el manejo de nutrientes y
predicción de crecimiento.
Mansour & Elsheery
(2022)
Año
Numero de publicaciones
2024:
2 artículos
2023:
4 artículos
2022:
5 artículos
2021:
1 artículo
2019:
1 artículo
2018:
1 artículo
2017:
1 artículo
2015:
1 artículo
2010:
1 artículo
Fuente: Elaborado por los autores (2025).
Regiones o países
El artículo resume algunos estudios de varios
países, lo que representaría una perspecti-
va global de la utilización de modelos mate-
máticos no lineales en agricultura. A conti-
nuación, se listan algunos de los países con
autores de los estudios revisados en el docu-
mento. Estados Unidos: varios estudios pre-
sentes en bancos de datos internacionales
son la obra de autores que trabajan en insti-
tuciones de Estados Unidos, especialmente
en el área de la predicción del desempeño
de cultivos y de la agricultura sostenible (Qa-
yoom & Manzoor, 2024).
China: autores como (Li, Sun., & Liu, 2020)
y (Li, Hasegawa,, Yin, Zhu., Boote., Adam.
& Bouman, 2015) han trabajado con la
aplicación de modelos matemáticos en el
control de plagas y en la agricultura sos-
tenible, dos áreas clave de la agricultura
de precisión en China. India: autores como
(Neetu et al, 2022). han trabajado con la te-
ledetección y la predicción del rendimiento
de cultivos, trabajos que demuestran la im-
portancia de los modelos de este artículo
en la agricultura india, especialmente en la
gestión de recursos hídricos y la sostenibi-
lidad del rendimiento.
Grecia: Moulogianni (2022) ha investigado
la forma en que se aplican los modelos ma-
temáticos en la gestión de tierras agrícolas
en Grecia, lo que también proporciona una
perspectiva sostenible y local de la utiliza-
ción de estos modelos. Italia: investigado-
res como Venturino (2023) también trabajan
con modelos matemáticos en el control de
plagas y en la gestión de especies invaso-
ras en entornos de cultivo europeos y con
una perspectiva aplicada de la ecología
Polonia: el análisis de Boniecki et al (2024).
del uso de redes neuronales para el ren-
dimiento agrícola refleja un interés en la
agricultura de precisión en la Europa orien-
tal. Sri Lanka: Jayasinghe et al (2022). han
investigado la aplicación de modelos en
la producción del producto del cultivo de
banano y también contribuye a la producti-
vidad agrícola en ambientes tropicales. La
selección de estos estudios proporciona
un rango diferente de contextos agríco-
MODELOS MATEMÁTICOS NO LINEALES APLICADOS A LA AGRICULTURA. REVISIÓN SISTEMÁTICA
192 RECIMUNDO VOL. 9 N°2 (2025)
las y climas, lo que enriquece la revisión
sistemática con varias perspectivas y apli-
caciones para diferentes condiciones geo-
gráficas y físicas.
Base de datos
La tabla 3 organiza los artículos revisados
en el estudio, junto con las bases de datos
de donde provienen:
Tabla 3. Artículos revisados en el estudio
Nro.
Autores
Año
Tema principal
Base de datos
1
Qayoom, K., & Manzoor, S.
2024
Análisis de suelos
y modelización de
cultivos
Scopus
2
Venu, V., Sreenath B., &
Ramdas E. R.
2023
Crecimiento de
cultivos y gestión
de riego
ScienceDirect
3
Venturino, E.
2023
Control de plagas
y especies
invasoras
Web of Science
4
Boniecki, P., Agnieszka S.,
Gniewko N., et al.
2022
Redes neuronales
y métodos
estadísticos
IEEE Xplore
5
Moulogianni, C
2022
Programación
matemática para
gestión de tierras
Web of Science
6
Mansour, S., & Elsheery, N.
2022
Modelado de
sistemas agrícolas
Taylor and
Francis
7
Gabbrielli, M., Allegrezza,
M., Ragaglini, G., et al.
2024
Emisiones de N2O
en suelos agrícolas
Scopus
8
Fernández-Chuairey, L.
2019
Modelos
estadísticos para
procesos agrícolas
Redalyc
9
Neetu, R., Bamel, K., Shukla,
A., Singh, N.
2022
Teledetección y
lógica difusa en
predicción de
cultivos
Scopus
10
Sulaiman, M., Umar, M.,
Nonlaopon, K., et al.
2022
Algoritmo
Levenberg-
Marquardt para
control de plagas
Scopus
11
Jayasinghe, S. L., Ranawana,
C. J. K., Liyanage, I. C., &
Kaliyadasa, P. E. 2022
2022
Modelos para
crecimiento y
rendimiento de
banano
Scopus
12
Alessandro, D. L., Diel, M. I.,
Giacomini, B. S.
2021
Regresión no
lineal en cultivos
de cosecha
múltiple
WOS
13
Tiago Teleken, J., Galvão, A.
C., & da Silva, R. W.
2017
Modelos no
lineales de
crecimiento en
animales
Scopus
14
Stefania, T., & Macías-Díaz,
J. E.
2023
Modelos
fraccionarios en
problemas
agroalimentarios
WOS
15
Rodríguez González, O.,
Florido Bacallao, R., & Varela
Nualles
2018
Modelación y
simulación de
cultivos agrícolas
en Cuba
Scielo
16
Gao, X., Zhang, W., & Li, S.
2019
Modelos no
lineales en
producción de
cultivos
Google Scholar
17
Li, M., Sun, G., & Liu, Y.
2020
Predicción de
crecimiento y
rendimiento de
cultivos
Google Scholar
SUAREZ MUÑOZ, B. S., FLORES CADENA, C. A., CEDEÑO BERMEO, J. E., & CHÓEZ ACOSTA, L. A.
193
RECIMUNDO VOL. 9 N°2 (2025)
Fuente: Elaborado por los autores (2025).
Nro.
Autores
Año
Tema principal
Base de datos
1
Qayoom, K., & Manzoor, S.
2024
Análisis de suelos
y modelización de
cultivos
Scopus
2
Venu, V., Sreenath B., &
Ramdas E. R.
2023
Crecimiento de
cultivos y gestión
de riego
ScienceDirect
3
Venturino, E.
2023
Control de plagas
y especies
invasoras
Web of Science
4
Boniecki, P., Agnieszka S.,
Gniewko N., et al.
2022
Redes neuronales
y métodos
estadísticos
IEEE Xplore
5
Moulogianni, C
2022
Programación
matemática para
gestión de tierras
Web of Science
6
Mansour, S., & Elsheery, N.
2022
Modelado de
sistemas agrícolas
Taylor and
Francis
7
Gabbrielli, M., Allegrezza,
M., Ragaglini, G., et al.
2024
Emisiones de N2O
en suelos agrícolas
Scopus
8
Fernández-Chuairey, L.
2019
Modelos
estadísticos para
procesos agrícolas
Redalyc
9
Neetu, R., Bamel, K., Shukla,
A., Singh, N.
2022
Teledetección y
lógica difusa en
predicción de
cultivos
Scopus
10
Sulaiman, M., Umar, M.,
Nonlaopon, K., et al.
2022
Algoritmo
Levenberg-
Marquardt para
control de plagas
Scopus
11
Jayasinghe, S. L., Ranawana,
C. J. K., Liyanage, I. C., &
Kaliyadasa, P. E. 2022
2022
Modelos para
crecimiento y
rendimiento de
banano
Scopus
12
Alessandro, D. L., Diel, M. I.,
Giacomini, B. S.
2021
Regresión no
lineal en cultivos
de cosecha
múltiple
WOS
13
Tiago Teleken, J., Galvão, A.
C., & da Silva, R. W.
2017
Modelos no
lineales de
crecimiento en
animales
Scopus
14
Stefania, T., & Macías-Díaz,
J. E.
2023
Modelos
fraccionarios en
problemas
agroalimentarios
WOS
15
Rodríguez González, O.,
Florido Bacallao, R., & Varela
Nualles
2018
Modelación y
simulación de
cultivos agrícolas
en Cuba
Scielo
16
Gao, X., Zhang, W., & Li, S.
2019
Modelos no
lineales en
producción de
cultivos
Google Scholar
17
Li, M., Sun, G., & Liu, Y.
2020
Predicción de
crecimiento y
rendimiento de
cultivos
Google Scholar
18
Zhu, X., Wang, Q., & Su, F.
2021
Desafíos y
oportunidades en
modelos no
lineales
Scopus
19
Gálvez, G., Sigarroa, A.,
López, T., & Fernández, J.
2010
Modelos para
estimación de
rendimiento en
cultivos agrícolas
Scielo
20
del Pozo, P; & Cossio, N.C
(2006).
2006
Modelo
matemático para
predecir el
crecimiento y
rendimiento de la
especie
Bougainvillea
campanulata
Heimerl bajo
condiciones de
monte natural en
Puerto Margarita
Google Scholar
21
Bakhtiar, Toni, Ihza Rizkia
Fitri, Farida Hanum, and Ali
Kusnanto. (2022).
2022
Modelo
matemático de
control de plagas
utilizando
diferentes tasas de
liberación de
insectos estériles y
enemigos
naturales
MDPI
22
Fredy Armando Aguilar
Aguilar (2010).
2010
Modelos
matemáticos no
lineales como
herramienta para
Evaluar el
crecimiento de
tilapia roja
Google Scholar
Metodologías utilizadas en los estudios
revisados:
A continuación, se presenta una lista de las
principales metodologías utilizadas en los
estudios revisados sobre modelos matemá-
ticos no lineales en agricultura.
MODELOS MATEMÁTICOS NO LINEALES APLICADOS A LA AGRICULTURA. REVISIÓN SISTEMÁTICA
194 RECIMUNDO VOL. 9 N°2 (2025)
Tabla 4. Metodologías utilizadas en los estudios revisados sobre modelos matemáticos
no lineales en agricultura
Metodología
Descripción y Aplicación
Autores
Revisión Sistemática
(PRISMA)
Selección estructurada y transparente de estudios,
basada en criterios de inclusión/exclusión y revisión
de calidad.
Boniecki et al. (2023);
Jayasinghe et al. (2022)
Redes Neuronales
Artificiales (RNA)
Aplicadas para modelar complejos datos agrícolas y
mejorar la precisión en predicciones de rendimiento
y plagas.
Boniecki et al. (2023);
Sulaiman et al. (2022)
Modelos de Regresión
No Lineal
Modelos logísticos y de Gompertz aplicados en el
análisis de crecimiento de cultivos y rendimiento de
cosechas.
Alessandro et al.
(2021); Neetu et al.
(2022)
Algoritmo Levenberg-
Marquardt (LMA)
Utilizado para la optimización en redes neuronales
en la gestión de plagas mediante aproximaciones
numéricas.
Sulaiman et al. (2022)
Programación
Matemática Positiva
(PMP)
Optimización de decisiones de uso de tierras para
objetivos específicos de producción agrícola
sostenible.
Moulogianni (2022)
Análisis de
Programación en Varias
Etapas
Aplicado en la predicción de rendimiento y
estrategias de mercado para ajustar la producción a
demanda estacional.
Ivanyo et al. (2024)
Teledetección y Lógica
Difusa
Combinación de técnicas para el monitoreo remoto
de cultivos y evaluación de factores de crecimiento
en tiempo real.
Neetu et al. (2022);
Zhu et al. (2021)
Modelos Fraccionarios
Aplicados en problemas agroalimentarios
complejos, usando cálculos de fracciones para
entender patrones de producción.
Tomasiello & Macías-
Díaz (2023)
Modelos de Nitrificación
y Desnitrificación
Comparación de algoritmos para simular procesos
de emisiones de N2O, relacionados con el ciclo de
nitrógeno en suelos.
Gabbrielli et al. (2024)
Modelos de Simulación
Basados en Procesos
Representación de procesos biofísicos en la
agricultura, como el manejo de nutrientes y
predicción de crecimiento.
Mansour & Elsheery
(2022)
Año
Numero de publicaciones
2024:
2 artículos
2023:
4 artículos
2022:
5 artículos
2021:
1 artículo
2019:
1 artículo
2018:
1 artículo
2017:
1 artículo
2015:
1 artículo
2010:
1 artículo
Fuente: Elaborado por los autores (2025).
Los modelos matemáticos no lineales se
pueden clasificar según la función mate-
mática que define la relación entre las va-
riables del sistema. Aquí algunos tipos co-
munes de no linealidades en función de sus
formas matemáticas:
1. Modelos Polinomiales
Estos modelos son expresiones algebraicas
en las que las variables están elevadas a
potencias mayores que uno, lo que introdu-
ce la no linealidad. f(x)=ax2+bx+c Aplica-
ción: Modelos de crecimiento o interacción,
donde la relación no es proporcional pero
sigue un comportamiento curvado.
2. Modelos Racionales
Son expresiones donde las variables apa-
recen en el numerador y/o denominador
en una fracción, lo que puede dar lugar a
comportamientos no lineales y singularida-
des. f(x)=
SUAREZ MUÑOZ, B. S., FLORES CADENA, C. A., CEDEÑO BERMEO, J. E., & CHÓEZ ACOSTA, L. A.
195
RECIMUNDO VOL. 9 N°2 (2025)
(cx+d)/(ax+b). Aplicación: Modelos de sa-
turación en química y biología, donde el sis-
tema presenta límites de respuesta.
3. Modelos Exponenciales
Involucran la función exponencial, que in-
troduce una curva de crecimiento o de-
caimiento rápido dependiendo de la base
del exponente. f(x)=aebx. Aplicación: Cre-
cimiento poblacional, desintegración ra-
dioactiva, y fenómenos de propagación.
4. Modelos Logarítmicos
Usan funciones logarítmicas, que crecen rá-
pidamente al principio y se estabilizan para
valores mayores, caracterizando comporta-
mientos de saturación. Ejemplo: f(x)=aln(-
bx+c) Aplicación: Modelos de crecimiento
de poblaciones con capacidad de carga,
procesos de aprendizaje en psicología.
5. Modelos Trigonométricos
Involucran funciones trigonométricas, lo
que permite representar fenómenos cíclicos
y oscilatorios de manera no lineal.
Ejemplo: f(x)=asin(bx+c). Aplicación: Mo-
delos de vibraciones, ondas, sistemas de
señal y fenómenos periódicos.
6. Modelos de Potencia (Ley de Potencia)
Estos modelos tienen una forma de poten-
cia que puede resultar en crecimiento o de-
crecimiento acelerado o ralentizado, según
el valor del exponente. Ejemplo: f(x)=axb
Aplicación: Modelos de escala en física,
economía y biología, donde los cambios no
son proporcionales a las variables.
7. Modelos Logístico (Sigmoidal)
Este tipo de modelo representa crecimien-
to inicial rápido, que luego se desacelera al
acercarse a un valor límite, formando una
curva en "S". f(x)= L/1+e-k(x-x0) .Aplica-
ción: Modelos de crecimiento poblacional
limitado por capacidad de carga, propaga-
ción de enfermedades.
8. Modelos Hiperbólicos
Utilizan funciones hiperbólicas (sinh, cosh,
tanh), que son útiles para representar siste-
mas que tienen comportamientos de transi-
ción entre diferentes estados.
Ejemplo: f(x)=atanh(bx). Aplicación: Proce-
sos de transferencia de calor, modelos de
transición y dinámica de redes neuronales.
9. Modelos de Raíz Cuadrada (o raíces en
general)
Estos modelos tienen una estructura que in-
volucra raíces de las variables, lo cual permite
representar fenómenos con respuestas decre-
cientes a medida que aumentan las entradas.
f(x)= a Ѵx Aplicación: Modelos de fricción,
disipación de energía y fenómenos que pre-
sentan resistencia proporcional.
10. Modelos Combinados o Mixtos
Combina diferentes tipos de funciones no
lineales para modelar fenómenos comple-
jos donde una sola función no es suficiente.
f(x)=asin(bx)+ce dx Aplicación: Sistemas
físicos y biológicos complejos donde inte-
ractúan distintos factores y fenómenos.
Cada una de estas formas representa com-
portamientos únicos y específicos de no li-
nealidad, lo cual permite aplicar el modelo
adecuado según la naturaleza del sistema o
fenómeno que se quiera analizar o predecir.
La revisión sistemática resalta la relevancia
de los modelos matemáticos no lineales en
el ámbito de la agricultura, especialmente
en la predicción del rendimiento de cultivos,
la gestión del riego y el control de plagas y
enfermedades Ver tabla 3. Estos modelos
han demostrado una alta precisión en áreas
como la predicción del rendimiento de culti-
vos, donde la exactitud oscila entre el 90% y
el 99% (Neetu et al., 2022). Esta exactitud es
fundamental para optimizar la planificación y
el manejo de recursos en áreas con variabili-
dad climática significativa, proporcionando a
los agricultores datos precisos para tomar de-
cisiones informadas (Jayasinghe et al., 2022).
MODELOS MATEMÁTICOS NO LINEALES APLICADOS A LA AGRICULTURA. REVISIÓN SISTEMÁTICA
196 RECIMUNDO VOL. 9 N°2 (2025)
Tabla 5. Modelos matemáticos no lineales aplicados en la agricultura junto con los auto-
res que los han investigado:
Fuente: Elaborado por los autores (2025).
Modelo Matemático No
Lineal
Aplicación Principal Autores
Redes Neuronales
Artificiales
Predicción de rendimiento,
análisis de datos complejos
Boniecki et al. (2023)
Modelos de Crecimiento
(Logístico, Gompertz)
Predicción de crecimiento de
cultivos
Alessandro et al. (2021)
Modelos Epidemiológicos
Control de plagas y
enfermedades
Venturino (2023);
Yang & Zhang (2022)
Modelos Fraccionarios
Problemas agroalimentarios,
predicción de cosechas
Tomasiello & Macías-
Díaz (2023)
Programación Matemática
Positiva (PMP)
Optimización de uso de tierras
agrícolas
Moulogianni (2022)
Algoritmo Levenberg-
Marquardt (LMA)
Control de plagas mediante
fumigación
Sulaiman et al. (2022)
Modelos de Programación en
Varias Etapas
Optimización de estrategias de
venta
Ivanyo et al. (2024)
Modelos de Predicción
Basados en Teledetección
Rendimiento de cultivos y
monitoreo de humedad
Neetu et al. (2022)
Modelos de Nitrificación y
Desnitrificación
Emisiones de N2O en suelos
agrícolas
Gabbrielli et al. (2024)
Modelos de Regresión No
Lineal
Análisis de producción en
cultivos de cosecha múltiple
Jayasinghe et al. (2022)
En cuanto a la gestión del riego, los modelos
matemáticos no lineales se han implementa-
do para conservar recursos hídricos de ma-
nera eficiente. Estudios muestran que estos
modelos ayudan a evaluar las condiciones
de suelo, lo que facilita la aplicación precisa
de agua y nutrientes, mejorando así el uso
sostenible del recurso (Venu et al., 2023).
Además, la incorporación de técnicas como
redes neuronales permite analizar grandes
volúmenes de datos, mejorando aún más
la predicción de las necesidades hídricas
(Boniecki et al., 2023).
Por otro lado, el control de plagas y enfer-
medades mediante modelos matemáticos
no lineales también ha mostrado resultados
favorables. Estos modelos permiten la de-
tección temprana de infestaciones y bro-
tes, reduciendo la necesidad de pesticidas
y mejorando la resiliencia de los cultivos
(Vermelho et al, 2024). Sin embargo, la apli-
cabilidad de estos modelos en diferentes
contextos y tipos de cultivos sigue siendo
un desafío, debido a la variabilidad de las
condiciones locales y la falta de adaptación
específica en los modelos (Zhu et al., 2021).
Una limitación importante identificada es la
complejidad inherente de estos modelos,
que dificulta su implementación en el cam-
po sin el apoyo de expertos (Sulaiman et al.,
2022). Además, existe una necesidad de
simplificación y adaptación de los modelos
para que sean accesibles a los agricultores
en regiones con recursos técnicos limitados
(Chen et al., 2018).
SUAREZ MUÑOZ, B. S., FLORES CADENA, C. A., CEDEÑO BERMEO, J. E., & CHÓEZ ACOSTA, L. A.
197
RECIMUNDO VOL. 9 N°2 (2025)
Discusión
Predicción del rendimiento de cultivos y
gestión del riego Los modelos matemáticos
no lineales, especialmente las redes neuro-
nales y técnicas de regresión no lineal, han
mostrado una precisión significativa en la
predicción del rendimiento de los cultivos,
con una exactitud que oscila entre el 90% y
el 99% (Neetu et al., 2022). Estos modelos
no solo permiten prever el crecimiento de
los cultivos, sino también optimizar la asig-
nación de recursos como el agua, lo que es
fundamental en zonas con alta variabilidad
climática y escasez de agua (Venu et al.,
2023). Este enfoque optimiza las prácticas
de riego, reduciendo el consumo de agua y
garantizando un uso eficiente en diferentes
contextos agrícolas (Li et al., 2020).
Control de plagas y enfermedades. En el
ámbito de la gestión de plagas y enferme-
dades, los modelos epidemiológicos y de
dinámica poblacional proporcionan herra-
mientas efectivas para la identificación tem-
prana y el control de brotes, ayudando a
reducir la dependencia de pesticidas (Ver-
melho et al, 2024). Estos modelos permiten
prever y gestionar la aparición de plagas,
promoviendo la resiliencia de los cultivos y
minimizando el impacto de especies inva-
soras y enfermedades. Sin embargo, a pe-
sar de sus beneficios, la aplicación prácti-
ca de estos modelos enfrenta limitaciones
debido a la variabilidad en las condiciones
de cultivo y al acceso limitado de muchos
agricultores a tecnología avanzada (Ventu-
rino, 2023).
Optimización de la fertilización y manejo de
recursos hídricos. Los modelos de humedad
del suelo y de balance hídrico se utilizan
para evaluar la condición hídrica y nutricio-
nal de los cultivos, mejorando la eficiencia
de la fertilización y promoviendo el uso sos-
tenible de fertilizantes y agua (Ezio, 2023).
Estos modelos facilitan un manejo más pre-
ciso y controlado de los recursos, evitando
el uso excesivo de fertilizantes y reduciendo
el impacto ambiental. Asimismo, la progra-
mación en varias etapas ayuda a prever la
demanda de agua y la nutrición mineral de
los cultivos en función de condiciones cli-
máticas cambiantes (Gabbrielli et al., 2024).
Limitaciones de la implementación en el
campo agrícola A pesar de sus múltiples
aplicaciones, la complejidad de estos mo-
delos representa un obstáculo para su im-
plementación práctica. La transferencia de
modelos no lineales al campo enfrenta difi-
cultades debido a su necesidad de calibra-
ción y a la participación de expertos para
asegurar su precisión (Zhu et al., 2021). Asi-
mismo, muchos de los estudios revisados
se enfocan en áreas geográficas específi-
cas, sin abarcar la adaptabilidad de estos
modelos a condiciones de cultivo diversas
(Chen et al., 2018).
Aplicaciones avanzadas en agricultura de
precisión Las técnicas avanzadas como el
uso de redes neuronales y modelos estacio-
nales han demostrado ser útiles en el aná-
lisis de grandes conjuntos de datos y en la
predicción de la productividad agrícola en
diferentes estaciones del año (Boniecki et
al., 2023). Este enfoque permite adaptar las
estrategias de cultivo a las fluctuaciones de
mercado, optimizando los ciclos de venta y
reduciendo pérdidas en momentos críticos
(Ivanyo et al., 2024).
Conclusiones
Impacto en la sostenibilidad agrícola: los
modelos matemáticos no lineales son herra-
mientas eficaces para mejorar la sostenibi-
lidad en la agricultura, lo que incluye la uti-
lización de recursos críticos como el agua
y los nutrientes. A través de estos modelos,
los recursos químicos como los pesticidas y
los fertilizantes se intentan minimizar mien-
tras fomentan un enfoque sobre bases más
limpias y más ecológicas de utilización (Ver-
melho et al., 2024; Venu et al., 2023). Preci-
sión de los rendimientos y gestión de los
recursos se muestra que la precisión de los
modelos revisados respecto a la predicción
de rendimientos de cultivos son elevadas,
incluso hasta un 90% -99% en casos espe-
MODELOS MATEMÁTICOS NO LINEALES APLICADOS A LA AGRICULTURA. REVISIÓN SISTEMÁTICA
198 RECIMUNDO VOL. 9 N°2 (2025)
cíficos, lo que es crucial para la planifica-
ción y eficaz gestión del cultivo (Neetu et
al., 2022; Jayasinghe et al., 2022). Comple-
jidad y acceso limitado: uno de los mayores
problemas a enfrentar es la complejidad in-
herente de los modelos no lineales, lo que
hace que sea casi imposible sin la presen-
cia de un personal especializado.
Necesidad de simplificación y adaptación
para una adopción generalizada: Se hace
necesario simplificar y adaptar estos mode-
los para que sean más comprensibles y utili-
zables por los agricultores. Dicha adaptación
permitiría llevar las ventajas de los modelos
matemáticos no lineales a diferentes situa-
ciones y condiciones al convertirlos en mó-
dulos duraderos en el sector agrícola global
(Zhu et al., 2021; Boniecki et al., 2023).
Perspectivas para futuras investigaciones:
La incorporación de dichas nuevas técni-
cas de IA y la computación avanzada, tales
como las redes neuronales y algoritmos de
programación en dos o más etapas, tam-
bién proporciona una buena oportunidad
para que la precisión y versatilidad de estos
modelos sean aún mejores. En la investiga-
ción futura deberían atender el diseño de
modelos que son jerárquicos, tienen flexibi-
lidad ante cambios climáticos y útiles para
diferentes tipos de semillas (Boniecki et al.,
2023; Sulaiman et al., 2022). Estas conclu-
siones subrayan las inquietudes y posibili-
dades de incorporar los modelos matemáti-
cos no lineales en la agricultura y al mismo
tiempo presentan debilidades muy impor-
tantes respecto a su uso efectivo y utilidad
en el campo.
Bibliografía
Acuayte-Valdes E; Acuayte-Valdes, M; Hernán-
dez-López, J;& López-Cruz (2022).La modelación
y simulación matemáticas: una herramienta para la
protección de cultivos. Rev. Mex. Cienc. Agríc.13(6).
https://www.scielo.org.mx/scielo.php?script=sci_
arttext&pid=S2007-09342022000601129
Aguilar Aguilar, F. (2010). Modelos matemáticos no
lineales como herramienta para evaluar el creci-
miento de tilapia roja (Oreochromis spp.) y tilapia
nilótica (Oreochromis niloticus Var. Chitralada)
alimentadas con dietas peletizadas o extruidas.
UNAM. Maestría en producción animal. https://re-
positorio.unal.edu.co/handle/unal/6737
Archontoulis. S, & Miguez F. (2015). Nonlinear Re-
gression Models and Applications in Agricultu-
ral Research. Agronomy Journal, 107(2). 786-
798 https://acsess.onlinelibrary.wiley.com/doi/
full/10.2134/agronj2012.0506
Bakhtiar, Toni, Ihza Rizkia Fitri, Farida Hanum, and
Ali Kusnanto. (2022). Mathematical Model of Pest
Control Using Different Release Rates of Sterile
Insects and Natural Enemies. Mathematics 10(6):
883. https://doi.org/10.3390/math10060883
Boniecki, Piotr, Agnieszka Sujak, Gniewko Niedbała,
Hanna Piekarska-Boniecka, Agnieszka Wawrzy-
niak, and Andrzej Przybylak. (2023). Neural Mo-
delling from the Perspective of Selected Statistical
Methods on Examples of Agricultural Applications
Agriculture 13(4): 762. https://doi.org/10.3390/
agriculture13040762
Chen, L., Li, J., & Liu, W. (2018). Advances in agricul-
tural models and their applications for sustainable
agriculture. Agricultural Systems, 163, 135-147. ht-
tps://doi.org/10.1016/j.agsy.2018.01.006
Dal'Col A, Maria, Inês, Diel., B & Giacomini, S.
(2021). An approach for experiment evaluations
for multiple harvests crops based on non-linear re-
gression. Horticultura Brasileira, 39 (3) https://doi.
org/10.1590/s0102-0536-20210302
del Pozo, P; & Cossio, N.C (2006). Modelo matemáti-
co para predecir el crecimiento y rendimiento de la
especie Bougainvillea campanulata Heimerl bajo
condiciones de monte natural en Puerto Margarita
Revista Ciencias Técnicas Agropecuarias, 15(4),
2006, 21-23 Universidad Agraria de La Habana
Fructuoso Rodríguez Pérez La Habana, Cuba
FAO. (2021). The State of Food and Agriculture 2021:
Making agrifood systems more resilient to shoc-
ks and stresses. FAO. https://doi.org/10.4060/
cb7348en
Fernández-Chuairey L. (2019). Statistical-Mathema-
tical Modeling in Agrarian Processes. An appli-
cation in Agricultural Engineering. Universidad
Agraria de la habana. https://www.redalyc.org/
journal/932/93259288008/
SUAREZ MUÑOZ, B. S., FLORES CADENA, C. A., CEDEÑO BERMEO, J. E., & CHÓEZ ACOSTA, L. A.
199
RECIMUNDO VOL. 9 N°2 (2025)
Gabbrielli, M, Allegrezza M, Ragaglini H, Luca Vitale
A, and Perego A.(2024). A Review of the Main Pro-
cess-Based Approaches for Modeling N2O Emis-
sions from Agricultural Soils Horticulturae 10(1):
98. https://doi.org/10.3390/horticulturae10010098
Gálvez, G.; Sigarroa, A.; López, T; & Fernández, J.
(2010). Modelación de cultivos agrícolas. Algunos
ejemplos, Cultivos Tropicales, 31(3), 60-65. Insti-
tuto Nacional de Ciencias Agrícolas. https://www.
redalyc.org/pdf/1932/193217921012.pdf
Gao, X., Zhang, W., & Li, S. (2019). Nonlinear ma-
thematical models in crop production and their
significance for future food security. Journal of
Agricultural Science, 157(3), 255-267. https://doi.
org/10.1017/S0021859619000556
Jayasinghe, S. L., Ranawana, C. J. K., Liyanage, I.
C., & Kaliyadasa, P. E. (2022). Growth and yield
estimation of banana through mathematical mode-
lling: a systematic review. The Journal of Agricultu-
ral Science, 160(3–4), 152–167.
Li, M., Sun, G., & Liu, Y. (2020). Modeling crop grow-
th and yield prediction using nonlinear approaches
in precision agriculture. Computers and Electro-
nics in Agriculture, 172, 105331. https://doi.or-
g/10.1016/j.compag.2020.105331
Li, T., Hasegawa, T., Yin, X., Zhu, Y., Boote, K., Adam,
M. & Bouman, B. (2015). Uncertainties in predicting
rice yield by current crop models under a wide ran-
ge of climatic conditions. Glob Chang Biol, 21(3),
1328-1341. https://doi.org/10.1111/gcb.12758
Mansour S, & Elsheery, N. (2022). Agricultural
System Modeling and Analysis. CRC Press.
21. https://www.taylorfrancis.com/chapters/
edit/10.1201/9781003268468-1/agricultural-sys-
tem-modeling-analysis-sherine-mansour-na-
bil-ibrahim-elsheery
Mora-Delgado, J., & Holguín, V. (2018). Aplicación
de modelos matemáticos no lineales para la esti-
mación de biomasa forrajera de Tithonia diversifo-
lia (Hemsl.) A. Gray. Revista U.D.C.A Actualidad
& Divulgación Científica, 21(1), 43–50. https://doi.
org/10.31910/rudca.v21.n1.2018.661
Moulogianni, C. (2022). Comparison of Selected Ma-
thematical Programming Models Used for Sustai-
nable Land and Farm Management Land. 11(8):
1293. https://doi.org/10.3390/land11081293
Neetu, Rani., Kiran, Bamel., Abhinav, Shukla., Nan-
dini, Singh. (2022). Analysis of Five Mathemati-
cal Models for Crop Yield Prediction. South Asian
Journal of Experimental Biology, .12(1).46-54 ht-
tps://sajeb.org/index.php/sajeb/article/view/510
Ortiz, P A.; Ramírez, J L. & Simanca, P L (2010). De-
sarrollo de un modelo matemático no lineal apli-
cando mínimos cuadrados en un sistema de nivel.
.Tecno Lógicas, 1, 91-111. https://www.redalyc.
org/pdf/3442/344234322006.pdf
Pérez Soto F, Figueroa Hernández E, Sepúlveda Ji-
ménez S, Salazar Moreno R,Godínez Montoya L y
Jiménez García (2021). Modelación matemática
en agricultura. Asociación Mexicana de Investi-
gación Interdisciplinaria. https://dicea.chapingo.
mx/wp-content/uploads/2022/02/Modelacion-Ma-
tematica-Agricultura.pdf
Qayoom, K., & Manzoor, S. (2024). Mathematical
Applications for Sustainable Agricultural Develop-
ment: A Review. Asian Research Journal of Agri-
culture, 17(3), 92–101. https://doi.org/10.9734/
arja/2024/v17i3475
Quintero J; Serna, J; Hurtado N; Rosero Noguera,
& Cerón-Muñoz M (2007). Modelos matemáticos
para curvas de lactancia en ganado lechero Rev
Col Cienc Pec 20:149-156.
Rodríguez González O, Florido Bacallao R &. Va-
rela Nualles(2018). Review Applications of ma-
thematical modeling and agricultural crop si-
mulation in Cuba Cultivos Tropicales, 39(1),
121-126. http://scielo.sld.cu/scielo.php?pi-
d=S0258-59362018000100018&script=sci_abs-
tract&tlng=en
Sulaiman, M.; Umar, M.; Nonlaopon, K.; Alshammari,
F.S. (2022). The Quantitative Features Analysis of
the Nonlinear Model of Crop Production by Hybrid
Soft Computing Paradigm. Agronomy 2022, 12,
799. https://doi.org/10.3390/agronomy12040799
Tiago Teleken J; Cazonatto Galvão, A & da Silva Ro-
bazza, W. (2017). Comparing non-linear mathema-
tical models to describe growth of different animals
produção animal Acta Sci., Anim. Sci. 39 (1) ht-
tps://doi.org/10.4025/actascianimsci.v39i1.31366
Tomasiello, S.; & Macías-Díaz, J.E (2023). A Mini-Re-
view on Recent Fractional Models for Agri-Food
Problems. Mathematics, 11, 2316. https://doi.
org/10.3390/math11102316
Torres Castillo R (2021) Importancia de las ciencias
matemáticas en la agricultura. Green World J 4:6.
https://doi.org/10.53313/gwj42008
Venturino E. (2023). The usefulness of mathematics
in agriculture, for the environment and in contras-
ting diseases: insights from a wide range of simple
models. Communications in Applied and Industrial
Mathematics, Commun. Appl. Ind. Math. 15 (1),
27–49. https://intapi.sciendo.com/pdf/10.2478/
caim-2024-0002
MODELOS MATEMÁTICOS NO LINEALES APLICADOS A LA AGRICULTURA. REVISIÓN SISTEMÁTICA
200 RECIMUNDO VOL. 9 N°2 (2025)
Venu, V., Sreenath B., & Ramdas E. R. (2023). Various
Mathematical Models in Agricultural Engineering.
Current Journal of Applied Science and Tech-
nology, 42(41), 13–20. https://doi.org/10.9734/
cjast/2023/v42i414263
Vermelho, A, B, Vinícius Moreira J, Teixeira I, Akamine,
Cardoso V, and . Mansoldo F. (2024). Agricultural
Pest Management: The Role of Microorganisms in
Biopesticides and Soil Bioremediation Plants 1319:
2762. https://doi.org/10.3390/plants13192762
Zhu, X., Wang, Q., & Su, F. (2021). Challenges and
opportunities in applying nonlinear mathemati-
cal models to agricultural systems. Agricultural
Water Management, 248, 106770. https://doi.or-
g/10.1016/j.agwat.2021.106770
CITAR ESTE ARTICULO:
Suarez Muñoz, B. S., Flores Cadena, C. A., Cedeño Bermeo, J. E., & Chóez
Acosta, L. A. (2025). Modelos matemáticos no lineales aplicados a la agri-
cultura. Revisión sistemática. RECIMUNDO, 9(2), 180–200. https://doi.
org/10.26820/recimundo/9.(2).abril.2025.180-200
SUAREZ MUÑOZ, B. S., FLORES CADENA, C. A., CEDEÑO BERMEO, J. E., & CHÓEZ ACOSTA, L. A.