Los datos generados en las operaciones agrícolas modernas son proporcionados por diversos elementos, lo que permite una mejor comprensión de las condiciones dinámicas del cultivo, suelo y clima, lo que indica que estos procesos serán cada vez más impulsados por los datos. Big Data y Machine Learning (ML) han surgido como tecnologías de computación de alto rendimiento para crear nuevas oportunidades para desentrañar, cuantificar y comprender los procesos agrícolas a través de datos. Sin embargo, existen muchos desafíos para lograr la integración de estas tecnologías. Implica hacer algunas adaptaciones a ML para usarlo con Big Data. Estas adaptaciones deben considerar el creciente volumen de datos, su variedad y los problemas de velocidad de transmisión. Este documento proporciona información sobre el uso de Big Data y ML para la agricultura, identificando desafíos, adaptaciones y el diseño de arquitecturas para estos sistemas. Realizamos una Revisión Sistemática de la Literatura (SLR), que nos permitió analizar 34 casos reales aplicados en la agricultura. Esta revisión puede ser de interés para científicos de la computación o datos e ingenieros electrónicos o de software. Los resultados muestran que manipular grandes volúmenes de datos ya no es un desafío debido a las tecnologías en la nube. Todavía existen desafíos en cuanto a (1) la velocidad de procesamiento debido al poco control de los datos en sus diferentes etapas, datos crudos, semiprocesados y procesados (datos de valor); (2) sistemas de visualización de información, que soportan datos técnicos poco comprendidos por los agricultores.