El aprendizaje automático (ML) ha revolucionado la gestión de recursos en la agricultura al analizar vastas cantidades de datos y crear modelos predictivos precisos. La agricultura de precisión mejora la productividad y rentabilidad agrícola al tiempo que reduce costos e impacto ambiental. Sin embargo, la implementación de ML enfrenta desafíos como la gestión de grandes volúmenes de datos y una infraestructura adecuada. A pesar de los avances significativos en las aplicaciones de ML en la agricultura sostenible, todavía existe una falta de comprensión profunda y sistemática en varias áreas. Los desafíos incluyen la integración de fuentes de datos y la adaptación de modelos a condiciones locales. Esta investigación tiene como objetivo identificar tendencias de investigación y actores clave asociados con el uso de ML en la agricultura sostenible.