Fuente: Oleo Esto permite, por ejemplo, mejorar los sistemas de riego mediante IoT (Massaoudi et al., 2022) o predecir el contenido de nitrógeno en las hojas a partir de datos hiperespectrales (Rubio-Delgado et al., 2021), reduciendo costes y minimizando el impacto ambiental.• Control de enfermedades: modelos basados en aprendizaje profundo (deep learning) pueden ayudar a controlar enfermedades de forma más eficaz (Ksibi et al., 2022), y sensores electroquímicos avanzados permiten detectar compuestos clave para la calidad, como la oleuropeína (Albu et al., 2024).• Integración de datos para decisiones estratégicas: la combinación de datos de diferentes fuentes (sensores, drones, satélites) en Sistemas de Información Geográfica (SIG) facilita la evaluación de la idoneidad de una parcela para el cultivo o la gestión del estrés hídrico a gran escala (Sghaier et al., 2022).La inteligencia artificial: el cerebro del olivar modernoLa inteligencia artificial (IA) y su subcampo, el aprendizaje automático (Machine Learning, ML), actúan como el motor analítico que convierte la ingente cantidad de datos recopilados en conocimiento útil.