Show simple item record

Impacto transformador de la inteligencia artificial y aprendizaje autónomo en la producción agropecuaria: un enfoque en la sostenibilidad y eficiencia.

dc.contributor.authorHoyos Patiño, Johann Fernando
dc.contributor.authorVelásquez Carrasca, Blanca Liliana
dc.contributor.authorRico Bautista, Dewar
dc.contributor.authorGarcía Díaz, Noel
dc.coverage.spatialColombiaen_US
dc.date.accessioned2025-10-03T19:46:10Z
dc.date.available2025-10-03T19:46:10Z
dc.date.issued2023-08-29
dc.identifier.issn2805-9832en_US
dc.identifier.urihttps://repositorioinstitucional.ufpso.edu.co/xmlui/handle/20.500.14167/5659
dc.description.abstractLa aplicación de herramientas 4.0 en el sector agropecuario se muestra como una estrategia prometedora para mejorar los procesos productivos. En este estudio, se llevó a cabo un mapeo sistemático de literatura con el propósito de explorar la viabilidad de la Inteligencia Artificial (IA) y el Aprendizaje Automático (ML) en el ámbito agropecuario. Para ello, se seleccionaron cuatro palabras clave: "Inteligencia artificial", "Aprendizaje Automático", "Sector agropecuario" y "Sostenibilidad", realizando búsqueda en cuatro bases de datos, obteniendo un total de 99 documentos. Después de aplicar criterios de inclusión (I) y exclusión (E), se identificó que solo 66 de ellos cumplían con los parámetros establecidos. Posteriormente, los estudios se clasificaron en cuatro categorías según sus objetivos de investigación: General, Producción animal, Producción Vegetal y Sostenibilidad. Los resultados muestran que la aplicación de estas herramientas conlleva beneficios económicos, ambientales y sociales, lo que permite optimizar recursos y reducir el impacto de la producción agropecuaria. En conclusión, la incorporación de la Inteligencia Artificial y el Aprendizaje Automático en el sector agropecuario tiene un gran potencial para impulsar la sostenibilidad y eficiencia en el campoen_US
dc.language.isospaen_US
dc.relationhttps://formacionestrategica.com/index.php/foes/article/view/111/80en_US
dc.titleImpacto transformador de la inteligencia artificial y aprendizaje autónomo en la producción agropecuaria: un enfoque en la sostenibilidad y eficiencia.en_US
dc.title.translatedTransformative impact of artificial intelligence and autonomous learning in agricultural production: a focus on sustainability and efficiencyen_US
dc.contributor.cvlacJohann Fernando Hoyos Patiño [0000926124]en_US
dc.contributor.cvlacBlanca Liliana Velásquez Carrascal [0000103191]en_US
dc.contributor.cvlacDewar Rico Bautista [0000255815]en_US
dc.contributor.googlescholarJohann Fernando Hoyos Patiño [E6IXJj4AAAAJ]en_US
dc.contributor.googlescholarDewar Rico Bautista [q_ZtKjsAAAAJ]en_US
dc.contributor.googlescholarBlanca Liliana Velásquez Carrascal [GF8zZfQAAAAJ]en_US
dc.contributor.googlescholarNoel García Díaz [LWXTcE4AAAAJ]en_US
dc.contributor.orcidJohann Fernando Hoyos Patiño [0000-0002-0377-4664]en_US
dc.contributor.orcidBlanca Liliana Velásquez Carrascal [0000-0001-7718-853X]en_US
dc.contributor.orcidDewar Rico Bautista [0000-0002-1808-3874]en_US
dc.contributor.orcidNoel García Díaz [0000-0002-7078-0941]en_US
dc.contributor.researchgateJohann Fernando Hoyos Patiño [Johann-Hoyos-Patino]en_US
dc.contributor.researchgateBlanca Liliana Velásquez Carrascal [Blanca-Velasquez-Carrascal]en_US
dc.contributor.researchgateDewar Rico Bautista [Dewar-Rico-Bautista]en_US
dc.contributor.researchgateNoel García Díaz [Noel-Garcia-Diaz]en_US
dc.description.abstractenglishThe application of 4.0 tools in the agricultural sector is a promising strategy for improving production processes. In this study, a systematic literature review was conducted to explore the viability of Artificial Intelligence (AI) and Machine Learning (ML) in the agricultural sector. To this end, four keywords were selected: “Artificial Intelligence,” “Machine Learning,” “Agricultural Sector,” and “Sustainability,” searching four databases and obtaining a total of 99 documents. After applying inclusion (I) and exclusion (E) criteria, only 66 of them were found to meet the established parameters. The studies were then classified into four categories according to their research objectives: General, Animal Production, Plant Production, and Sustainability. The results show that the application of these tools brings economic, environmental, and social benefits, allowing for the optimization of resources and reduction of the impact of agricultural production. In conclusion, the incorporation of Artificial Intelligence and Machine Learning in the agricultural sector has great potential to promote sustainability and efficiency in the field.en_US
dc.subject.proposalAgricultura de precisiónen_US
dc.subject.proposalDesarrollo sostenibleen_US
dc.subject.proposalE-agriculturaen_US
dc.subject.proposalInteligencia artificialen_US
dc.subject.proposalToma de decisionesen_US
dc.subject.proposalZootecnia de precisiónen_US
dc.subject.keywordsPrecision agricultureen_US
dc.subject.keywordsSustainable developmenten_US
dc.subject.keywordsE-agricultureen_US
dc.subject.keywordsArtificial intelligenceen_US
dc.subject.keywordsDecision-makingen_US
dc.subject.keywordsPrecision animal husbandryen_US
dc.publisher.facultyFacultad ingenieríasen_US
dc.type.redcolhttp://purl.org/redcol/resource_type/ARTen_US
dc.relation.referencesArencibia Pardo, F. R., Peña Rodríguez, B., & Pardo García, A. .(2020). El falso conteo de las revoluciones industriales: de la 1 a la 5. Productividad y mano de obra. Fin del paradigma, comienzo de la ética.Aglala,11(1), 95–106. Recuperado a partir de https://revistas.curn.edu.co/index.php/aglala/article/view/1562en_US
dc.relation.referencesAlianza. (2019, August 12). La inteligencia artificial ayuda a los productores de banano a proteger la fruta favorita del planeta | Alliance Bioversity International -CIAT.https://alliancebioversityciat.org/es/node/18015en_US
dc.relation.referencesArda, A. (2016). Automated Monitoring Systems to Assess Gait Score and Feed Intake of Broilers -KU Leuven.en_US
dc.relation.referencesAsencio Beltran, L. S. (2022). DISEÑO DE UN MODELO PREDICTIVO DE APRENDIZAJE AUTOMÁTICO SUPERVISADO PARA DETERMINAR PRECIOS DINÁMICOS DE INSUMOS AGRÍCOLAS DE LA REGIÓN COSTA DEL ECUADOR . Universidad de Guayaquilen_US
dc.relation.referencesBarrientos Monsalve, E. J., Velásquez Carrasca, B. L., & Hoyos Patiño, J. F. (2021). Contemporaneidad de las corrientes del pensamiento en los paradigmas de investigación | Aglala. Aglala, 12(s1), 163–181.en_US
dc.relation.referencesBarrientos-Avendaño, E., Coronel-Rojas, L. A., Cuesta-Quintero, F., & Rico-Bautista, D. (2020). Store-to-store sales management system: Applying artificial intelligence techniques [Sistema de administración de ventas tienda a tienda: Aplicando técnicas de inteligencia artificial]. RISTI -Revista Iberica de Sistemas e Tecnologias de Informacao, 2020(E27), 677–689. https://www.scopus.com/inward/record.uri?eid=2-s2.0-85080989924&partnerID=40&md5=af078c48936a0a6b415d8af335c9a80ben_US
dc.relation.referencesBarrientos-Avendaño, E., Rico-Bautista, D., Coronel-Rojas, L. A., & Cuesta-Quintero, F. R. (2019). Smart farm: Defining of infrastructure based on internet of things, IpV6 and software defined networks [Granja inteligente: Definición de infraestructura basada en internet de las cosas, IpV6 y redes definidas por software]. RISTI -Revista Iberica de Sistemas e Tecnologias de Informacao, E17, 183–197. https://www.scopus.com/inward/record.uri?eid=2-s2.0-85061174873&partnerID=40&md5=ac38dc2b5b0d67edae2c307fe67f26e3en_US
dc.relation.referencesBerrio, V., & Alzate, D. A. (2018). Sistema de optimización de las técnicas de planificación en agricultura de precisión por medio de drones. 39en_US
dc.relation.referencesBielza, C., Barreiro, P., Rodríguez-Galiano, M. I., & Martín, J. (2003). Logistic regression for simulating damage occurrence on a fruit grading line. Computers and Electronics in Agriculture, 39(2), 95–113. https://doi.org/10.1016/S0168-1699(03)00021-8en_US
dc.relation.referencesBlanco, M., & Villarroya, I. (2002). NIR spectroscopy: a rapid-response analytical tool. TrAC Trends in Analytical Chemistry, 21(4), 240–250. https://doi.org/10.1016/S0165-9936(02)00404-1en_US
dc.relation.referencesBonilla Segovia, J. S., Dávila Rojas, F. A., & Villa Quishpe, M. W. (2021). Estudio del uso de técnicas de inteligencia artificial aplicadas para análisis de suelos para el sector agrícola. RECIMUNDO, 5(1), 4–19. https://doi.org/10.26820/RECIMUNDO/5.(1).ENERO.2021.4-19en_US
dc.relation.referencesBrenes, J. A., Martínez, A., Quesada-López, C., & Jenkins, M. (2020). Sistemas de apoyo a la toma de decisiones que usan inteligencia artificial en la agricultura de precisión: un mapeo sistemático de literatura. RISTI , E28, 217–229en_US
dc.relation.referencesBrereton, R. G. (2015). Pattern recognition in chemometrics. Chemometrics and Intelligent Laboratory Systems, 149, 90–96. https://doi.org/10.1016/J.CHEMOLAB.2015.06.012en_US
dc.relation.referencesCalvo, A. (2022, March 14). Mejoras de la inteligencia artificial en la agricultura. https://www.agroptima.com/es/blog/mejoras-de-la-inteligencia-artificial-en-la-agricultura/en_US
dc.relation.referencesCÁRDENAS VALDOVINOS, E., GARCÍA DÍAZ, N., GARCÍA VIRGEN, J., & FLORES GALLEGOS, E. (2017). Modelo difuso para predecir la proliferación de plaga “Sigatoka Negra” en el cultivo de plátano . Revista de Ingeniería Eléctrica, 1, 16–21.en_US
dc.relation.referencesCarrero Carrero, J. L. (2018). SISTEMA DE VISIÓN ARTIFICIAL PARA EL MONITOREO DE POLLOS DE ENGORDE EN LA GRANJA AVICOLA MASCRIOLLO.SAS DE LA CIUDAD DE CUCUTA. Universidad de Pamplonaen_US
dc.relation.referencesChakraborty, S., Elangovan, D., Govindarajan, P. L., ELnaggar, M. F., Alrashed, M. M., & Kamel, S. (2022). A Comprehensive Review of Path Planning for Agricultural Ground Robots. Sustainability, 14(15), 9156. https://doi.org/10.3390/SU14159156en_US
dc.relation.referencesCirión, L. E. C., Iglesias, A. M. C., & Viñoles, J. (2022). La avicultura de precisión: una herramienta clave para potenciar la eficiencia del sector avícola. LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades, 3(2), 67–83. https://doi.org/10.56712/latam.v3i2.64en_US
dc.relation.referencesCorzo-Arévalo, D., & Cuadra, R. (2019). Crowdsourcing como herramienta de participación colectiva en la creación de modelos educativos. Estudio de caso del Centro Latinoamericano del Propósito. I+ D REVISTA DE INVESTIGACIONES, 13(1), 129-136.en_US
dc.relation.referencesDe Vries, A., & Reneau, J. K. (2010). Application of statistical process control charts to monitor changes in animal production systems. Journal of Animal Science, 88(suppl_13), E11–E24. https://doi.org/10.2527/JAS.2009-2622en_US
dc.relation.referencesDíez, J., Bahamonde, A., Alonso, J., López, S.,Del Coz, J. J., Quevedo, J. R., Ranilla, J., Luaces, O., Alvarez, I., Royo, L. J., & Goyache, F. (2003). Artificial intelligence techniques point out differences in classification performance between light and standard bovine carcasses. Meat Science, 64(3), 249–258. https://doi.org/10.1016/S0309-1740(02)00185-7en_US
dc.relation.referencesDoganis, P., Alexandridis, A., Patrinos, P., & Sarimveis, H. (2006). Time series sales forecasting for short shelf-life food products based on artificial neural networks and evolutionary computing. Journal of Food Engineering, 75(2), 196–204. https://doi.org/10.1016/J.JFOODENG.2005.03.056en_US
dc.relation.referencesFarkas, I., Reményi, P., & Biró, A. (2000). A neural network topology for modelling grain drying. Computers and Electronics in Agriculture, 26(2), 147–158. https://doi.org/10.1016/S0168-1699(00)00068-524.en_US
dc.relation.referencesGrajales-Fonseca, Y. A. ., Gutiérrez-Salazar, C. A. ., & Gamboa-Suárez, A. A. . (2021). Importancia de la actividad experimental en la formación del docentede ciencias naturales.Mundo FESC,11(S6), 187–196. Recuperado a partir de https://www.fesc.edu.co/Revistas/OJS/index.php/mundofesc/article/view/111525.en_US
dc.relation.referencesFelipe, V. P. S., Silva, M. A., Valente, B. D., & Rosa, G. J. M. (2015). Using multiple regression, Bayesian networks and artificial neural networks for prediction of total egg production in European quails based on earlier expressed phenotypes. Poultry Science, 94(4), 772–780. https://doi.org/10.3382/PS/PEV031en_US
dc.relation.referencesHempstalk, K., McParland, S., & Berry, D. P. (2015). Machine learning algorithms for the prediction of conception success to a given insemination in lactating dairy cows. Journal of Dairy Science, 98(8), 5262–5273. https://doi.org/10.3168/JDS.2014-8984en_US
dc.relation.referencesHepworth, P. J., Nefedov, A. V., Muchnik, I. B., & Morgan, K. L. (2012). Broiler chickens can benefit from machine learning: support vector machine analysis of observational epidemiological data. Journal of The Royal Society Interface, 9(73), 1934–1942. https://doi.org/10.1098/RSIF.2011.0852en_US
dc.relation.referencesHerrera Carvajal, L. C., Hernandez Villamizar, D. A., Hoyos Patiño, J. F., & Balmelli, F. (2022). Efecto del dispositivo Kyminasi Crop Booster en cultivo maíz (Zea mays) granja experimental Universidad Francisco de Paula Santander Ocaña. MundoFesc , 12(s1), 100–112en_US
dc.relation.referencesJohanna, L., Gonzalez, R., Ingeniería, P., Santiago, A., & Cali, D. (2020). Agricultura de precisión en el mundo y en Colombia :revisión bibliográfica.en_US
dc.relation.referencesJuárez, R., & Pinzón, C. (2023). Ganadería de precisión, una revisión a los avances dentro de la avicultura enfocados a la crianza de pollos de engorde. Prisma Tecnológico, 14(1), 38–48. https://doi.org/10.33412/PRI.V14.1.3652en_US
dc.relation.referencesJúlio Cesar, C. R., Miguel Angel, F. R., Angie Lilian, G. C., Ingrid Maritza, L. A., Dayli María, Q. S., & Esmeralda, T. F. (2022). Categorización de patas de pollo mediante visión artificial. INGnosis, 8, 23–31.en_US
dc.relation.referencesJuan David Ardila Suárez: Rueda Galvis, J. F., & Portilla Castellanos, S. A. (2020). Formación en competencias laborales generales, desafío para la educación superior. I+ D revista de investigaciones, 15(1), 37-44en_US
dc.relation.referencesKumaravelu, C., & Gopal, A. (2015). A review on the applications of Near-Infrared spectrometer and Chemometrics for the agro-food processing industries. Proceedings -2015 IEEE International Conference on Technological Innovations in ICT for Agriculture and Rural Development, TIAR 2015, 8–12. https://doi.org/10.1109/TIAR.2015.7358523en_US
dc.relation.referencesLopez, J. (2020, August 4). Realidad Aumentada en Agricultura de Precisión | by Jmlopezcorrea | Medium. https://medium.com/@jmlopezcorrea08/realidad-aumentada-en-agricultura-de-precisión-37fdf6be4f1735.en_US
dc.relation.referencesMariano, F. C. M. Q., Lima, R. R., Alvarenga, R. R., Rodrigues, P. B., & Lacerda, W. S. (2014). Neural network committee to predict the AMEn of poultry feedstuffs. Neural Computing and Applications, 25(7), 1903–1911. https://doi.org/10.1007/S00521-014-1680-3/METRICSen_US
dc.relation.referencesMohd Shafri, H. Z., Al-Habshi, M. M., & Nisa Shaharum, N. S. (2019). Métodos de inteligencia artificial (IA) para aplicaciones de teledetección de palma de aceite. Palmas , 40, 185–193.en_US
dc.relation.referencesMorales, I. R., Cebrián, D. R., Fernandez-Blanco, E., & Sierra, A. P. (2016). Early warning in egg production curves from commercial hens: A SVM approach. Computers and Electronics in Agriculture, 121, 169–179. https://doi.org/10.1016/J.COMPAG.2015.12.009en_US
dc.relation.referencesMucherino, A., Papajorgji, P., & Pardalos, P. (2009). Data Mining in Agriculture. springeren_US
dc.relation.referencesPelegri, J. (2022, May 16). Robots para agricultura: Hacia un mayor aprovechamiento de los recursos. https://www.universal-robots.com/es/blog/robots-para-agricultura/40.en_US
dc.relation.referencesPardo-Padilla, J. R. .(2022). El aula invertida una estrategia para potencializar el aprendizaje a distancia.Formación Estratégica,4(01), 47–61. Recuperado a partir de https://www.formacionestrategica.com/index.php/foes/article/view/51en_US
dc.relation.referencesPetersen, K., Feldt, R., Mujtaba, S., & Mattsson, M. (2008). Systematic Mapping Studies in Software Engineering. 12th International Conference on Evaluation and Assessment in Software Engineering, EASE 2008. https://doi.org/10.14236/EWIC/EASE2008.8en_US
dc.relation.referencesPolanco, L. S., Kochergin, V., & Carline, G. (2014). [PDF] Improvements of raw sugar quality using double purge of C-magma | Semantic Scholar. https://www.semanticscholar.org/paper/Improvements-of-raw-sugar-quality-using-double-of-Polanco-Kochergin/101c625d1f510781e5fedeb839af320d81bfd0a0en_US
dc.relation.referencesPáez, J (2019). Herramientas Pedagógicas para intervención de dificultades relacionadas con los dispositivos básicos de aprendizaje. Conocimiento Global 4(1), 12-25. Recuperado a partir de https://conocimientoglobal.org/revista/index.php/cglobal/article/view/31en_US
dc.relation.referencesPlata-Gómez, K. R., & Caballero-Márquez, J. A. (2020). Influencia de los programas de educación financiera sobre el comportamiento de los jóvenes: una revisión de literatura. I+ D Revista De Investigaciones, 15(2), 18-27.en_US
dc.relation.referencesQuiroz, M. Á., & Msg, M. (2021). Estudio comparativo de las técnicas de inteligencia artificial para el diagnóstico de enfermedades en la agriculturaen_US
dc.relation.referencesRamírez Morales, I. (2018a). Estudio de aplicabilidad de técnicas de inteligencia artificial en el sector agropecuario.en_US
dc.relation.referencesRamírez Morales, I. (2018b). Estudio de aplicabilidad de técnicas de inteligencia artificial en el sector agropecuario. Dialneten_US
dc.relation.referencesRamírez-Morales, I., Rivero, D., Fernández-Blanco, E., & Pazos, A. (2016). Optimization of NIR calibration models for multipleprocesses in the sugar industry. Chemometrics and Intelligent Laboratory Systems, 159, 45–57. https://doi.org/10.1016/J.CHEMOLAB.2016.10.003en_US
dc.relation.referencesRasmussen, M. A., Taira, E., Bro, R., & Tange, R. (2015). Application of Support Vector Regression for Simultaneous Modelling of near Infrared Spectra from Multiple Process Steps. Journal of Near Infrared Spectroscopy, Vol. 23, Issue 2, Pp. 75-84, 23(2), 75–84. https://doi.org/10.1364/JNIRS.23.000075en_US
dc.relation.referencesRevelo Sánchez, O., Collazos Ordoñez, C. A., Alejandro, J., & Toledo, J. (2018). La Gamificación como estrategia didáctica para la enseñanza/aprendizaje de la programación: un mapeo sistemático de literatura. Lámpsakos (Revista Descontinuada), 19(19), 31–46. https://doi.org/10.21501/21454086.2347en_US
dc.relation.referencesRoussel, S., Bellon-Maurel, V. E., Roger, J. M., & Grenier, P. (2003). Authenticating white grape must variety with classification models based on aroma sensors, FT-IR and UV spectrometry. Journal of Food Engineering, 60(4), 407–419. https://doi.org/10.1016/S0260-8774(03)00064-5en_US
dc.relation.referencesSegovia, J. S. B., Rojas, F. A. D., & Quishpe, M. W. V. (2021). Estudio del uso de técnicas de inteligencia artificial aplicadas para análisis de suelos para el sector agrícola. RECIMUNDO, 5(1), 4–19. https://doi.org/10.26820/RECIMUNDO/5.(1).ENERO.2021.4-19en_US
dc.relation.referencesShahin, M. A., Tollner, E. W., & McClendon, R. W. (2001). AE—Automation and Emerging Technologies: Artificial Intelligence Classifiers for sorting Apples based on Watercore. Journal of Agricultural Engineering Research, 79(3), 265–274. https://doi.org/10.1006/JAER.2001.0705en_US
dc.relation.referencesTajammalMunir, M., Yu, W., Young, B. R., & Wilson, D. I. (2015). The current status of process analytical technologies in the dairy industry. Trends in Food Science & Technology, 43(2), 205–218. https://doi.org/10.1016/J.TIFS.2015.02.010en_US
dc.relation.referencesTeixeira Dos Santos, C. A., Lopo, M., Páscoa, R. N. M. J., & Lopes, J. A. (2013). A Review on the Applications of Portable Near-Infrared Spectrometers in the Agro-Food Industry. Sage Journals, 67(11), 1215–1233. https://doi.org/10.1366/13-07228en_US
dc.relation.referencesValderrama, P., Braga, J. W. B., & Poppi, R. J. (2007). Validation of multivariate calibration models in the determination of sugar cane quality parameters by near infrared spectroscopy. Journal of the Brazilian Chemical Society, 18(2), 259–266. https://doi.org/10.1590/S0103-50532007000200003en_US
dc.relation.referencesVelásquez Carrascal, B. L., Hoyos Patiño, J. F., Hernández Villamizar, D. A., Sayado Velasquez, L. N., Sayago Velásquez, J. E., & Vargas Yuncosa, J. A. (2020). (DIE) -MODELO PARA EL DISEÑO DE IDEAS DE EMPRENDIMIENTO. Revista Facultad de Ciencias Agropecuarias -FAGROPEC, 12(1), 52–64. https://doi.org/10.47847/fagropec.v12n1a5en_US
dc.relation.referencesWalker, D. H. (2002). Decision support, learning and rural resource management. Agricultural Systems, 73(1), 113–127. https://doi.org/10.1016/S0308-521X(01)00103-2en_US
dc.relation.referencesWang, L., Sun, D. W., Pu, H., & Cheng, J. H. (2017). Quality analysis, classification, and authentication of liquid foods by near-infrared spectroscopy: A review of recent research developments. Https://Doi.Org/10.1080/10408398.2015.1115954, 57(7), 1524–1538. https://doi.org/10.1080/10408398.2015.1115954en_US
dc.relation.referencesWieringa, R., Maiden, N., Mead, N., & Rolland, C. (2006). Requirements engineering paper classification and evaluation criteria: A proposal and a discussion. Requirements Engineering, 11(1), 102–107. https://doi.org/10.1007/S00766-005-0021-6/METRICSen_US
dc.relation.referencesWoudenberg, S. P. D., Van Der Gaag, L. C., Feelders, A., & Elbers, A. R. W. (2014). Real-time Adaptive Problem Detection in Poultry. Frontiers in Artificial Intelligence and Applications, 263, 1217–1218. https://doi.org/10.3233/978-1-61499-419-0-1217en_US
dc.relation.referencesZayas Ruiz, E., Lorenzo Izquierdo, M., & Fragoso Concepción, F. (2015). La quimiometríay la industria del azúcar y sus derivados. ICIDCA, 49(3).en_US


Files in this item

Thumbnail
Name:
Impacto transformador de la ...
Size:
331.5Kb
Format:
PDF
View/Open

This item appears in the following Collection(s)

Show simple item record