Tecnología: La necesidad de una gestión basada en datos

Por: Rodrigo Versachae, académico USM, director científico del Proyecto FIC Cerezas. Karen Mesa, académica del Instituto de Ciencias Agrónomicas y Veterinarias ICA3. Jaime Varas, ingeniero agrónomo PUC, coordinador ejecutivo del Proyecto FIC Cerezas, ICI-UOH.

El cerezo (Prunus avium L.) lidera actualmente las exportaciones chilenas de fruta fresca en valor. De acuerdo a cifras de la Oficina de Estudios y Políticas Agrarias (ODEPA), se observa que en el período acumulado entre septiembre de 2025 y enero de 2026 el sector generó US$ 2.465 millones FOB, con aproximadamente 541 mil toneladas enviadas. Estas cifras representan el 66% del valor y el 44% del volumen total de fruta fresca exportada por el país. Asimismo, al cierre de la temporada, los envíos de este cultivo alcanzaron cerca de 112 millones de cajas (alrededor de 561 mil toneladas), con China concentrando aproximadamente el 87% del volumen exportado.

Este desempeño se enmarca en un crecimiento sostenido del cultivo en Chile, que actualmente alcanza unas 77.766 hectáreas plantadas. En los últimos cinco años, la superficie ha crecido a una tasa anual cercana al 14,9%, destacando especialmente la Región de O’Higgins, que concentra el 26,1% de la superficie nacional. Aunque en la última temporada se observó una disminución de los precios unitarios, asociada a una mayor oferta y a un inicio más lento de la demanda en el mercado asiático, las proyecciones del sector apuntan a que tanto la superficie plantada como los volúmenes exportados continuarán expandiéndose en los próximos años.

El manejo del huerto de cerezo es altamente complejo. Cada temporada exige tomar decisiones críticas relacionadas con la carga frutal, el riego, la nutrición, la regulación del crecimiento, el raleo y la definición del momento óptimo de cosecha. A ello se suma la marcada variabilidad dentro del huerto, tanto entre árboles como entre distintos sectores del predio, lo que genera diferencias significativas en vigor, cuaja, tamaño de fruto y madurez. A su vez, la creciente variabilidad climática incrementa la incertidumbre productiva. En una región como O’Higgins, donde los microclimas pueden variar incluso entre predios cercanos, estas diferencias pueden traducirse en estrategias de manejo muy distintas.

La producción frutícola de alto valor enfrenta hoy un escenario marcado por mayores exigencias comerciales, estándares de calidad más estrictos y márgenes cada vez más sensibles a errores operativos. En este contexto, la gestión productiva deja de ser solo una cuestión de experiencia acumulada y pasa a convertirse en un desafío de integración de información a múltiples escalas. En consecuencia, las decisiones basadas únicamente en la observación visual o en la experiencia histórica resultan cada vez más insuficientes frente a sistemas productivos más intensivos.

Ante estas complejidades surge la necesidad de una gestión basada en datos, donde la agricultura de precisión, a través de la captura sistemática, entrega una estrategia de optimización de la calidad de la toma de decisiones. Mediante sensores, imágenes y algoritmos de procesamiento es posible cuantificar variables que antes se evaluaban de forma subjetiva, como el número de flores, la carga frutal, la distribución espacial de los frutos o el volumen de copa. El uso de inteligencia artificial (IA) y modelos predictivos permite transformar estos datos en información accionable, reduciendo la incertidumbre y mejorando la eficiencia en la gestión del huerto. De esta manera, los productores pueden anticipar escenarios productivos y ajustar sus decisiones de manejo con mayor fundamento técnico.

Precisamente por todo lo expuesto recientemente, un grupo interdisciplinario de académicos del Instituto de Ciencias de la Ingeniería (ICI) y del Instituto de Ciencias Agroalimentarias, Animales y Ambientales (ICA3) de la Universidad de O’Higgins (UOH), junto a estudiantes de postgrado y profesionales, lleva varios años desarrollando e implementando tecnologías de agricultura de precisión en el cultivo del cerezo. Esta línea de investigación aplicada integra la captura de datos mediante sensores, la visión computacional, el modelado tridimensional de frutos y árboles e IA, herramientas que hoy orientan la transferencia tecnológica impulsada desde la universidad hacia el sector frutícola de la Región de O’Higgins.

Agricultura de precisión en cerezas

En el cultivo del cerezo, la complejidad se intensifica debido al escaso tiempo de reacción en campo y al gran volumen de frutos que deben evaluarse a lo largo de la temporada. La estimación de la carga frutal, la definición de estrategias de poda, el ajuste fino del riego y la sincronización de labores críticas requieren decisiones oportunas que, muchas veces, deben tomarse con información parcial y que no siempre refleja la variabilidad real dentro del huerto. Miles de frutos por árbol, diferencias microclimáticas entre cuarteles y respuestas fisiológicas heterogéneas hacen que pequeñas desviaciones puedan traducirse en impactos significativos en el rendimiento y la calidad de la fruta. En este contexto, el desafío actual no es reemplazar el conocimiento agronómico existente, sino ampliarlo y estructurarlo mediante herramientas capaces de capturar, procesar y transformar grandes volúmenes de datos en información útil para la toma de decisiones.

La integración de tecnologías habilitantes, como sensores conectados (IoT), modelos de inteligencia artificial, sistemas robóticos y analítica avanzada, permite observar el cultivo a nivel de árbol individual, identificar patrones invisibles a simple vista y anticipar escenarios antes de que se materialicen en pérdidas. Así, el huerto comienza a abordarse como un sistema dinámico y territorialmente diferenciado.

Inteligencia artificial y visión computacional en el monitoreo del cerezo

A) Del conteo manual a la caracterización automatizada

Históricamente el conteo de frutos se ha realizado de forma manual, un procedimiento que introduce variabilidad en los resultados y demanda una inversión considerable de tiempo y recursos humanos. Sin embargo, el número de frutos por sí solo no describe completamente el estado productivo de un huerto: aspectos como el tamaño, la forma y la distribución del calibre dentro del árbol son igualmente determinantes para estimar el rendimiento potencial y planificar las labores de manejo. El desafío actual no se limita a mejorar la precisión del conteo, sino a avanzar hacia métodos que permitan caracterizar geométricamente los frutos de manera objetiva, sistemática y escalable.

B) Visión computacional: cómo la IA puede entender una planta

El desarrollo de técnicas basadas en IA y visión por computador está abriendo nuevas posibilidades para el monitoreo agrícola. Estas tecnologías permiten que los computadores analicen imágenes de los árboles e identifiquen estructuras clave, como dardos, flores o frutos. A partir de este tipo de análisis es posible automatizar diversas tareas de monitoreo y evaluación productiva. Una de sus aplicaciones más relevantes es la estimación de la cantidad y el estado de madurez de los frutos a partir de fotografías o video, con capacidad para detectarlos incluso cuando aún presentan coloración verde.

El mismo enfoque puede aplicarse durante el período invernal para estimar la densidad de dardos o de yemas en los árboles, generando diagnósticos sobre la cantidad de estructuras productivas esperadas en un cuartel. Esto resulta especialmente útil para evaluar pérdidas asociadas a eventos climáticos, como lluvias intensas, o a prácticas de manejo como el raleo. Al mapear esta información en distintas zonas del cuartel, es posible identificar patrones espaciales y comportamientos productivos que, de otro modo, pasarían inadvertidos, lo que permite la detección temprana de zonas anómalas dentro del predio.

Por otra parte, características morfológicas como el tamaño, la arquitectura y la edad aproximada de las ramas también pueden inferirse a partir del análisis visual, mejorando las predicciones sobre el volumen de fruta que podría producirse en la temporada siguiente.

C) Reconstrucción tridimensional y análisis morfológico

Las secuencias de imágenes y video permiten estimar la morfología del árbol a lo largo del tiempo. Sin embargo, la presencia de oclusiones, la naturaleza dinámica del follaje y las variaciones de iluminación no controladas introducen ambigüedades que requieren metodologías de reconstrucción más robustas. En los últimos años han surgido modelos de IA capaces de generar representaciones tridimensionales directamente a partir de imágenes, aprendiendo de la información contenida en los píxeles y de las variaciones entre múltiples vistas. Esto permite obtener reconstrucciones más consistentes y adecuadas para realizar mediciones cuantitativas, incluso en condiciones de oclusión y cambios de iluminación.

Una reconstrucción completa permite, además, extraer de forma asistida componentes específicos de la escena mediante técnicas de segmentación. Esto posibilita aislar estructuras de interés para estimar su distribución espacial y apoyar la evaluación de variables asociadas a productividad y calidad. La captura de datos en terreno se realiza con dos sistemas de cámaras de objetivos complementarios: uno orientado a la reconstrucción tridimensional del árbol completo, para modelar su arquitectura y la distribución espacial de los frutos, y otro, de cámara estéreo, enfocado en la reconstrucción detallada de cerezas individuales. Esta combinación de escalas permite integrar el análisis estructural del árbol con la caracterización geométrica fina del calibre y la forma del fruto.

Desde una perspectiva científica, estas reconstrucciones permiten realizar análisis morfológicos del árbol a lo largo del tiempo. Al capturar imágenes en distintos estados fenológicos es posible “congelar” momentos específicos del desarrollo del árbol y evaluar su evolución estructural entre temporadas o durante el ciclo productivo anual.

Una cereza reconstruida, entonces, corresponde a la representación tridimensional digital del fruto obtenida a partir del procesamiento de múltiples imágenes capturadas desde diferentes ángulos. Este modelo 3D permite visualizar y cuantificar atributos geométricos como forma, volumen y estructura del pedicelo, además de analizar posibles asimetrías y mejorar la estimación del calibre.

Gestión del huerto basada en datos: del conteo a la decisión agronómica

El trabajo desarrollado en la UOH avanza más allá del simple conteo de frutos. A partir de reconstrucciones tridimensionales del árbol y de los frutos, junto con el uso de imágenes hiperespectrales, se generan modelos digitales que permiten cuantificar no solo el número de frutos, sino también su crecimiento y el nivel de madurez. De este modo, los datos capturados en terreno se transforman en información estructurada que alimenta modelos de crecimiento y calidad, facilitando decisiones agronómicas más fundamentadas.

La estimación temprana del rendimiento es clave para planificar la logística, la mano de obra y los compromisos comerciales. El enfoque basado en visión computacional 3D permite reconstruir ramas y sectores del huerto, estimando el volumen, la distribución y la evolución del calibre del fruto. Al integrar esta información con variables agroclimáticas, se generan proyecciones más robustas del potencial productivo. No se trata solo de contar fruta, sino de comprender su dinámica de crecimiento.

El ajuste de carga frutal define, en gran medida, el equilibrio entre cantidad y calidad: una carga excesiva afecta el calibre y la uniformidad; mientras que una carga insuficiente compromete el rendimiento. Los modelos desarrollados permiten evaluar el estado real del crecimiento del fruto en distintas posiciones del árbol y en diferentes momentos del ciclo, apoyando decisiones de ajuste con mayor fundamento técnico. Paralelamente, mediante imágenes hiperespectrales integradas en modelos 3D, el proyecto busca correlacionar la información espectral con variables internas (firmeza y grados Brix), para estimar la madurez de forma no destructiva, directamente en el árbol. Disponer de esta información permitiría ajustar las ventanas de cosecha, optimizar las labores y reducir el riesgo de que la fruta quede fuera de los estándares comerciales en destino. En un escenario de cambio climático y de alta exigencia comercial, estas herramientas resultan estratégicas para la competitividad de la industria exportadora.

Integración de sensorizado remoto: microclimas y toma de decisiones

En los huertos de cerezos, cada metro cuadrado puede presentar condiciones ambientales distintas: zonas con mayor sombra, sectores expuestos al viento o áreas vulnerables a heladas por el efecto de borde de caminos. Estas variaciones generan impactos significativos en el desarrollo fenológico del cultivo, lo que se refleja en la calidad, el calibre y la homogeneidad del fruto. Disponer de datos confiables en tiempo real es clave para revelar lo que antes era invisible: los microclimas que determinan el rendimiento de cada planta.

La tecnología habilitante utilizada en este proyecto es LoRaWAN, un protocolo de comunicación inalámbrica de largo alcance y bajo consumo energético, perteneciente a la familia LPWA (Low Power Wide Area). Su amplia cobertura (hasta 15 km) y la alta autonomía energética de sus nodos (hasta 10 años) permiten mantener redes extensas con infraestructura mínima.

Gracias a estas características y al financiamiento regional (FIC IDI 40059070-0), se han desplegado sensores de temperatura, humedad y variables edáficas en distintos sectores de cada predio intervenido. Los dispositivos transmiten datos en tiempo real a una antena central, desde la cual la información se envía a la base de datos ubicada en la UOH, donde modelos de IA la interpretan y generan mapas climáticos intraprediales. Actualmente, la red opera en las comunas de San Fernando, Rengo, Requínoa, Graneros, Peumo y Las Cabras, permitiendo no solo comparar condiciones entre predios, sino también identificar contrastes térmicos entre sectores adyacentes dentro de un mismo campo, a nivel de árbol individual.

Durante la última temporada, esta red permitió determinar con precisión los niveles de acumulación de frío en intervalos de 24 horas y constatar que dicha acumulación no fue homogénea entre los sectores. Esta evidencia permitió el ajuste diferenciado de estrategias de manejo, como la aplicación localizada de cianamida o de productos estimulantes de brotación en zonas más rezagadas, alineando las decisiones agronómicas con la realidad térmica local.

De la investigación a la práctica: plataforma digital integrada

Con el objetivo de que estas tecnologías tengan impacto real en la gestión productiva, se ha desarrollado una plataforma digital que permite a los agricultores vinculados al proyecto acceder a reportes periódicos sobre las condiciones ambientales de sus cultivos. Los reportes incluyen indicadores clave para la toma de decisiones agronómicas: acumulación de horas frío (HF), Días grado (DG), temperatura promedio, humedad ambiental y variables asociadas al estado del suelo. Esta disponibilidad sistemática permite evaluar con mayor precisión el desarrollo fenológico y anticipar riesgos asociados a eventos climáticos.

Complementariamente, las metodologías de análisis de estructuras en cerezos mediante IA se integrarán en una aplicación web orientada a productores, que permitirá visualizar estadísticas, datos georreferenciados y representaciones gráficas del estado productivo de los huertos. De esta manera, los agricultores podrán generar informes integrando información proveniente tanto del monitoreo climático como del análisis de imágenes, conformando una herramienta de diagnóstico continuo que apoye la toma de decisiones en el manejo del cultivo.

Desafíos y oportunidades: el nuevo rol del productor

La implementación de estas tecnologías en contextos productivos reales aún enfrenta desafíos importantes. La calidad y el volumen de los datos capturados en terreno son críticos, ya que los modelos de visión computacional requieren conjuntos de datos extensos, heterogéneos y debidamente etiquetados. Su construcción es un proceso laborioso que demanda una coordinación sostenida con los productores. Además, uno de los principales retos es la escalabilidad: las metodologías desarrolladas en predios piloto deben transferirse a sistemas productivos con distintas configuraciones varietales, densidades y superficies, lo que exige protocolos de captura replicables y modelos suficientemente generalizables. Para productores medianos y pequeños, el acceso a estas tecnologías también dependerá del desarrollo de modelos de servicio escalables y cooperativos que reduzcan la barrera de entrada.

En el corto y mediano plazo, la evolución más significativa apunta a la integración progresiva de flujos de datos de distinta naturaleza, fenológicos, climáticos, espectrales y estructurales, en plataformas unificadas capaces de operar no solo como herramientas de diagnóstico, sino también como sistemas de apoyo a la planificación estratégica de la temporada. En este escenario, el rol del productor y del asesor agronómico no será desplazado, sino transformado: el conocimiento experiencial del manejo seguirá siendo indispensable, pero deberá articularse con la capacidad de interpretar datos cuantitativos e interactuar con plataformas de soporte a la toma de decisiones. A nivel del modelo productivo, la adopción sostenida de tecnologías de precisión tiene el potencial de redefinir los estándares de competitividad del sector, habilitando la trazabilidad desde el árbol hasta el embarque y la certificación de calidad, con respaldo cuantitativo, en mercados de destino cada vez más exigentes.