En el ámbito agronómico actual, circulan conceptos que generan confusión. Términos como agricultura de precisión, agricultura digital, y las fases numeradas de Agricultura 2.0, 3.0 y 4.0… etc., han tomado protagonismo en las discusiones técnicas.
Incluso, la numeración de agricultura 1.0 hace referencia a los inicios de la agricultura con la invención del arado. A partir de la era industrial la numeración es 2.0, con la aparición de las máquinas a vapor. No hay que olvidar una especie de agricultura 2.5 que esta nomenclatura omite, donde tendría cabida la “revolución verde”.
En los años 80 – 90’s se comenzó a utilizar el concepto “agricultura de precisión”, con un enfoque en el estudio de la variabilidad espacial y temporal. Es decir, cómo se comportan variables claves al moverse de una ubicación a otra y de una fecha a otra. De esta manera, se hicieron populares los típicos “mapas” con los que estamos familiarizados hoy en día en el agro. Hasta este punto, hablamos de una “agricultura 3.0”.
Aplicamos agricultura de precisión cuando caracterizamos y cuantificamos la variabilidad espacial dentro del predio para orientar decisiones de manejo diferenciado. Por ejemplo, el uso de sensores de inductancia electromagnética permite mapear suelo antes de establecer un proyecto, mientras que índices espectrales como NDVI (entre otros) aportan información del vigor y el volumen de dosel (expresión vegetativa) a lo largo del tiempo. El objetivo no es “mapear por mapear”, sino delimitar unidades relativamente homogéneas en términos productivos y/o de respuesta agronómica.
Estas unidades, definidas a partir de la variabilidad espacial y su interpretación agronómica, se conocen como zonas de manejo y constituyen la base para ajustar prácticas como riego, nutrición, regulación de carga y muestreo. Es importante construir indicadores y seguirlos a través de temporadas, para observar la evolución de la variabilidad espacial y su implicancia en el potencial productivo.
Estamos aplicando agricultura de precisión, por ejemplo, cuando utilizamos un sensor de inductancia electromagnética para mapear suelo previo a establecer un proyecto, mapas de NDVI, u otro tipo de mapeos que nos permitan identificar “zonas”. Aquí está la clave, identificar zonas en base a la variabilidad espacial que nos permitan tomar decisiones, lo cual en agricultura de precisión se conoce como “zonas de manejo”.
La llamada “agricultura 4.0” se consolida en los últimos años a partir de un aumento sostenido en la disponibilidad de datos y en la capacidad de capturarlos de forma continua y a distintas escalas. En fruticultura, esto se traduce en la integración de estaciones meteorológicas, sondas de riego, caudalímetros y programadores, junto con teledetección satelital y a baja altitud (UAV), plataformas de gestión agrícola, registros de campo (crop scouting) y, cada vez más, herramientas de inteligencia artificial.
El desafío deja de ser “tener más tecnología” y pasa a ser convertir ese volumen de información en criterios operativos consistentes, trazables y oportunos para apoyar decisiones, con una sólida bajada técnica y aplicación práctica-operativa.
Con la adopción de IA generativa, los flujos de trabajo siguen organizándose por etapas (adquisición, preprocesamiento, análisis y reporte), pero la automatización avanza rápido. Hoy es posible ser más eficientes automatizando tareas de analítica, registro y estandarización de información, e implementando asistentes que consultan y resumen grandes volúmenes de datos integrados desde sondas de riego, caudalímetros, programadores y estaciones meteorológicas, entre otros.
En ese mismo marco, los dashboards que ya representan un salto importante para visualizar y explorar indicadores clave pueden complementarse con agentes que respondan en lenguaje natural lo mismo que normalmente se obtiene filtrando el tablero (por ejemplo, por cuartel, fecha, variedad o condición hídrica), siempre que exista una definición clara de métricas, dimensiones y reglas de acceso.
Por lo general, en la práctica se realiza teledetección a través de satélites y, a menor altura, por medio de drones, avionetas u otros vehículos aéreos (tripulados o no tripulados). Para efectuar teledetección se requiere de una plataforma (satélite, dron, etc.) y un sensor, lo que permite realizar adquisición de imágenes. Estas imágenes deben contar con referencia espacial adecuada (georreferenciación y, cuando corresponde, ortorrectificación) para posteriores procesamientos y análisis.
Los datos para analizar provienen de dos tipos de sensores: “pasivos” y “activos”:
• Sensores pasivos: Capturan energía reflejada (reflectancia o emisividad). Ejemplos: cámaras RGB, multiespectrales, térmicas o hiperespectrales.
• Sensores activos: Emiten energía y cuantifican el “rebote” de ésta. Ejemplo, sensores LiDAR, SAR (Radar de apertura sintética), entre otros.
Para construir el índice NDVI, se requiere cuantificar la reflectancia en la banda del rojo (RED, típicamente en torno a 630–690 nm) y del infrarrojo cercano (NIR, típicamente en torno a 760–900 nm), según las bandas definidas por el sensor utilizado. Para esto, la plataforma debe contar con un sensor/cámara multiespectral que incluya dichas bandas.
En la ecuación 1 se presenta el cálculo del NDVI (índice de vegetación de diferencia normalizada), el cual varía entre −1 y 1 y se asocia al verdor y vigor del dosel.
En agricultura de precisión una práctica clásica es la identificación de “zonas de manejo homogéneas”. La zonificación se puede realizar a partir de la captura de datos georreferenciados. Todo lo que sea medible puede mapearse espacialmente para estudiar su variabilidad. Sin embargo, además de georreferenciarlo, se requiere asegurar una captura representativa y consistente de los datos para su posterior análisis.
En el caso de la teledetección, las imágenes deben estar georreferenciadas. Estas, a su vez, están compuestas por píxeles y cada píxel registra un valor numérico asociado a la respuesta espectral del objeto observado (por ejemplo, DN o reflectancia, dependiendo del nivel de procesamiento). En resumidas cuentas, puede interpretarse como si cada píxel representara una observación puntual del área que cubre.
En el índice NDVI se utiliza la banda NIR del espectro electromagnético, cuya reflectancia suele aumentar en vegetación activa debido a la estructura interna de las hojas. Sin embargo, el NDVI no depende sólo del NIR, sino de su contraste con la banda roja; por ello, valores más altos de NDVI generalmente se asocian a mayor vigor, cobertura vegetal o expresión vegetativa en su conjunto.
A continuación, en la Figura 2, se presenta un ejemplo práctico de zonificación a partir de imágenes satelitales con resolución espacial de 10 m x 10 m, equivalente a 100 píxeles por hectárea. En este caso, se aplicó un algoritmo de clasificación para segmentar el índice NDVI en rangos desde menor a mayor expresión vegetativa.
En la zona izquierda predominan las plantas de menor expresión vegetativa, que representan aproximadamente el 30,3% de la superficie, mientras que en la zona derecha predominan las de mayor expresión vegetativa, con cerca del 36%. Este cuartel presenta una clasificación relativa asociada a un coeficiente de variación (CV) de 11% en el NDVI, lo que sugiere una variabilidad espacial moderada y un contraste que, en este caso, resulta fácil de reconocer visualmente en terreno. En la mayoría de los escenarios es posible definir manejos orientados a reducir la variabilidad y tender a homogeneizar la expresión hacia el objetivo que se proponga, según cada contexto particular, ahí a la hora de tomar decisiones es donde cobra importancia el criterio técnico.
Figura 2. Zonificación a partir del índice de vegetación NDVI.
Es clave comprender que, en este tipo de análisis de carácter relativo, el color verde no necesariamente representa “lo mejor” y el rojo no necesariamente “lo peor”.
Por lo mismo, estos resultados deben complementarse con una revisión técnica en terreno, para identificar la causa de la variabilidad y definir qué condición (o “planta tipo”) es la que se busca desde un punto de vista productivo.
Este tipo de análisis permite apoyar decisiones en labores como podas o raleos diferenciados, aplicaciones sitio-específicas, manejo de riego, fertilización, entre otras.
Al utilizar estas herramientas para la zonificación en el cultivo del cerezo, es clave considerar los siguientes cuatro puntos:
1. Realizar el análisis en fechas clave: Se debe realizar el análisis en momentos donde la expresión vegetativa se encuentre estable, esto ocurre una vez que se detiene el crecimiento vegetativo, posterior al solsticio de verano, @21 diciembre y previo al inicio de labores de poda de verano que puedan generar ruido en la analítica.
2. Delimitar correctamente zonas a analizar: Se debe realizar un análisis “ceteris paribus”. Con esto se hace referencia a bloquear otras fuentes de variabilidad, como son la variedad, sistema de conducción, portainjerto, año de plantación, entre otras, lo cual generará ruido a la hora de analizar las imágenes.
3. Realizar análisis técnico en terreno de las imágenes: Las imágenes se deben acompañar de un análisis en terreno, identificando la raíz de la problemática y evaluando si las diferencias de expresión vegetativas califican desde un punto de vista técnico-operacional para realizar manejos sitio específicos que contribuyan a tener un cuartel homogéneo y equilibrado, de acuerdo con su potencial productivo. Los manejos definidos deben ser sencillos de ejecutar e impactantes, de lo contrario no se justifica realizarlos.
4. Seguimiento de la evolución en la expresión vegetativa: Se puede realizar seguimiento de la evolución de esta variabilidad temporada tras temporada a través de las mismas técnicas de teledetección (NDVI), como al mismo tiempo con otras variables auxiliares clave medidas de forma dirigida a cada zona, como, por ejemplo, análisis de fertilidad de yemas, conteo de centros frutales, reservas, longitud de brotes anuales, etc.
Con anterioridad se describió sólo la aplicación práctica de imágenes multiespectrales. Sin embargo, no es el único tipo de datos utilizados en teledetección. Por ejemplo, a partir de imágenes RGB es posible realizar detección y conteo de plantas. Con imágenes térmicas se pueden estimar indicadores de estrés, particularmente estrés hídrico, a partir de la temperatura del dosel y su contraste con la temperatura ambiental. Las imágenes hiperespectrales permiten caracterizar la firma espectral al detalle. Por otra parte, sensores activos como LiDAR se emplean para topografía de alta resolución y caracterización estructural del dosel; y, en aplicaciones específicas, existen sistemas LiDAR batimétricos para estimar profundidad en cuerpos de agua.
Impresiones generales
Las tecnologías emergentes en el agro están transformando la forma en que tomamos decisiones. Sin embargo, es fundamental no perder de vista cómo se capturan y validan los datos. Sensores en mal estado, estaciones meteorológicas o sondas de humedad mal ubicadas, falta de mantenimiento o calibración y registros incompletos pueden generar información errónea que, si se utiliza sin verificación, conduce a decisiones equivocadas. El uso correcto de estas tecnologías permite una toma de decisiones informada por datos, con criterios trazables.
El reto no es sólo la obtención de grandes cantidades de datos, sino su transformación en información útil para la toma de decisiones. En este proceso, las herramientas de analítica de datos cumplen un rol clave al integrar, estandarizar y sintetizar la información, permitiendo identificar tendencias y patrones que, de otro modo, pasarían desapercibidos. Una integración adecuada, apoyada por control de calidad y trazabilidad, puede traducirse en sistemas productivos más eficientes y sostenibles, con impactos positivos para el sector agrícola.
