Vermicomposting is a sustainable biotechnological process that transforms organic waste through the synergistic activity of earthworms, such as Eisenia fetida, and their associated microbiota. This study evaluated bacterial and physicochemical dynamics during the vermicomposting of bovine manure by analyzing the microbial composition of the substrate and the gut of E. fetida at three time points (weeks 0, 6, and 12). The V3–V4 region of the 16S rRNA gene was sequenced, and microbial diversity was characterized using QIIME2. Significant differences in alpha diversity (observed features, Shannon index, and phylogenetic diversity) and beta diversity indicated active microbial succession. Proteobacteria, Bacteroidota, and Actinobacteriota were the dominant phyla, with abundances varying across habitats and over time. A significant enrichment of Proteobacteria, Bacteroidota, and the genera Chryseolinea, Flavobacterium, and Sphingomonas was observed in the manure treatments. In contrast, Actinobacteriota, Firmicutes, and the genera Methylobacter, Brevibacillus, Enhygromyxa, and Bacillus, among others, were distinctive of the gut samples and contributed to their dissimilarity from the manure treatments. Simultaneously, the physicochemical parameters indicated progressive substrate stabilization and nutrient enrichment. Notably, the organic matter and total organic carbon contents decreased (from 79.47% to 47.80% and from 46.10% to 27.73%, respectively), whereas the total nitrogen content increased (from 1.70% to 2.23%); these effects reduced the C/N ratio, which is a recognized indicator of maturity, from 27.13 to 12.40. The macronutrient contents also increased, with final values of 1.41% for phosphorus, 1.50% for potassium, 0.89% for magnesium, and 2.81% for calcium. These results demonstrate that vermicomposting modifies microbial communities and enhances substrate quality, supporting its use as a biofertilizer for sustainable agriculture, soil restoration, and agrochemical reduction.

El análisis de contaminantes atmosféricos mediante datos satelitales ha cobrado gran relevancia en los estudios ambientales actuales; sin embargo, el manejo y procesamiento de grandes volúmenes de información geoespacial continúa siendo un desafío. En este contexto, Google Earth Engine (GEE) se ha consolidado como una plataforma eficaz para el procesamiento de datos en la nube, basada en una arquitectura distribuida que permite el análisis de grandes colecciones de datos mediante programación en lenguaje Python, sin requerimientos de infraestructura computacional local de alto rendimiento. El objetivo de este estudio fue evaluar la aplicabilidad de GEE para el procesamiento y análisis de datos del satélite Sentinel-5P, el cual proporciona información global sobre contaminantes atmosféricos con su sensor TROPOMI. Se implementó un flujo de trabajo que incluyó la selección del área de estudio, filtrado temporal, procesamiento de imágenes y generación de composiciones temporales mediante scripts reproducibles. Los resultados muestran que GEE permite el manejo eficiente de grandes volúmenes de datos satelitales; el procesamiento de información correspondiente a cuatro años se completó en aproximadamente una semana, evidenciando una optimización significativa en los tiempos de análisis en comparación con métodos tradicionales basados en procesamiento local. Asimismo, la plataforma facilitó el análisis multitemporal y la generación de resultados reproducibles. Estos hallazgos evidencian el potencial de GEE como una herramienta confiable para el análisis de información atmosférica, contribuyendo al monitoreo ambiental y apoyando la toma de decisiones en materia de calidad del aire a diferentes escalas espaciales.

La estimación precisa de la evapotranspiración del cultivo (ETc) es fundamental para el manejo eficiente del agua en la agricultura. En este estudio se evaluó la relación entre el índice de vegetación de diferencia normalizada (NDVI) y la ETc mediante el método de dos pasos, utilizando datos de sensores satelitales y de vehículo aéreo no tripulado (UAV). Se emplearon imágenes del satélite Sentinel-2 y un sensor multiespectral Parrot Sequoia, además de datos de evapotranspiración de referencia (ET₀) obtenidos de una estación meteorológica localizada en el sitio de estudio. El NDVI se transformó a coeficiente de cultivo (Kc) mediante una relación lineal, y posteriormente se estimó la ETc. Los resultados mostraron que el NDVI derivado del sensor UAV fue consistentemente mayor que el obtenido de Sentinel-2, con diferencias promedio entre 15% y 30%, lo que se reflejó en valores superiores de Kc y ETc, alcanzando diferencias de hasta 1.5 mm día⁻¹. Asimismo, se observó una correlación moderada entre ambas fuentes de datos (r = 0.61), lo que indica una concordancia general en la detección del vigor del cultivo, aunque con un sesgo sistemático atribuible a la resolución espacial y a la heterogeneidad del dosel vegetal. Se concluye que el uso de sensores UAV permite una mejor representación de la variabilidad espacial del cultivo, lo que impacta significativamente en la estimación de la evapotranspiración. Estos resultados destacan la importancia de la resolución espacial en aplicaciones de agricultura de precisión y manejo hídrico.

This project evaluated the effect of vermicompost leachate on pecan trees and soil using a splitplot design with five treatments: T1 (one year of application), T2 (two years), T3 (six years), T4 (seven years), and a control with no application. The doses applied were 300 L ha⁻¹ during flood irrigation, 200 L ha⁻¹ in the first auxiliary irrigation, and 100 L ha⁻¹ in the third and fourth auxiliary irrigations. In plants, N, organic matter (OM), kernel percentage, and yield were analyzed, while in soil, N, OM, pH, electrical conductivity (EC), texture, and bulk density were evaluated. Using ANOVA and Tukey's test (p = 0.05), T3 and T4 showed higher soil N (0.17% and 0.15%) and OM (2.4% and 2.5%). In plants, T1 had the highest OM (15.8%) and N (2.4%), while T3 achieved the greatest nut weight (6.72 g) and kernel percentage (59.67%). Vermicompost leachate improves nutrients with regular applications.

Agro-Industry 4.0 integrates advanced digital technologies in agriculture to improve efficiency and productivity through process automation and real-time data collection. This research applies information and communication technologies (ICT) to automate agricultural processes. Using Python, an application was developed to process images from sensors like SENTINEL, LANDSAT, and SEQUOIA to calculate vegetation indices, which help estimate chlorophyll content in plants. These indices are crucial for assessing crop nutritional status and support decision-making in crop management, optimizing development and improving agricultural performance.