Nuevas tecnologías en IA: aliadas a la hora de decidir

Por PhD Carlos Poblete-Echeverría Profesor Asociado en Viticultura Avanzada y Gestión Hídrica; Coordinador del Grupo de Investigación en Agricultura Digital, Universidad de Stellenbosch, South Africa.

La agricultura de precisión entra en una nueva fase: sensores no invasivos montados en drones, satélites, vehículos y robots, combinados con algoritmos de visión por computador y aprendizaje profundo, están generando capas de información que antes no existían. Con estos nuevos datos, los equipos técnicos pueden tomar decisiones más precisas sobre riego, sanidad, calidad de la fruta y cosecha. Hoy es factible ajustar el riego, anticipar focos sanitarios, perfilar calidad y ordenar la cosecha con una precisión impensada hace pocos años. Los avances en sensores (más accesibles y con mejor desempeño), trasmisión de datos (redes más rápidas y estables), y hardware en general, permiten mediciones de alta resolución espacial, incluso planta por planta, y frecuencia temporal, con mediciones diarias o en tiempo real. El objetivo ya no es sólo “ver una plantación”, sino cuantificar con exactitud para intervenir con oportunidad.

Nuevas tecnologías de sensores impulsadas por inteligencia artificial

La tendencia actual es integrar múltiples sensores no invasivos para generar capas de información complementarias que luego se analizan y fusionan mediante algoritmos de inteligencia artificial (IA) -detección, segmentación, clasificación y regresión-. La visión por computador es hoy la vía más extendida. Esta técnica combina imágenes RGB, RGB‑D (profundidad), multiespectrales (MSI), hiperespectrales (HSI) e infrarrojo térmico (TIR) para capturar color, geometría 3D, firmas espectrales y temperatura del dosel. Estas imágenes se adquieren desde drones, vehículos o robots terrestres, satélites y también en forma manual mediante aplicaciones móviles. Su análisis y procesamiento puede realizarse a posteriori o en la nube habilitando reportes con alta resolución espacial y temporal.

Dentro del abanico de sensores capaces de generar imágenes, los RGB, que producen fotografías convencionales, han cobrado protagonismo por su bajo costo y simplicidad de captura. A partir de estas imágenes es posible entrenar algoritmos de IA (visión por computador) para optimizar tareas de monitoreo, como el conteo de racimos para estimación temprana de rendimiento, el seguimiento fenológico y la detección y cuantificación de síntomas de enfermedades.

A modo de ejemplo, estudios realizados por el grupo de viticultura digital de la Universidad de Stellenbosch en Sudáfrica, han demostrado la efectividad de algoritmos de IA para conteo automático de racimos, con precisiones cercanas al 98% en cultivares Crimson Seedless y Sugar Crisp conducidos en Open Gable. La Figura 1 muestra un ejemplo de detección automática de racimos con IA a partir de una imagen RGB, donde el algoritmo es capaz de detectar y clasificar en forma eficiente los racimos visibles en forma automática. Los recuadros y puntos verdes indican los racimos identificados por el modelo. También hemos utilizado técnicas de IA para la detección de síntomas de mildiu (Plasmopara vitícola) que permiten la identificación de áreas afectadas en forma rápida, habilitando prescripciones a tasa variable y planificación más fina para el manejo de esta enfermedad.

Otra técnica relevante hoy en día es la Espectroscopía, que estudia la interacción entre la radiación electromagnética y la materia (plantas, suelos, frutos, tejidos), para inferir propiedades físicas, químicas y biológicas a partir de cómo la luz es reflejada, absorbida o emitida.

En agricultura se utiliza principalmente el espectro visible y el infrarrojo cercano (VIS-NIR), lo que habilita información sobre estado fenológico, nutrición, estrés hídrico, plagas, enfermedades y calidad. Dentro de la Espectroscopía, la técnica que ha mostrado un mayor potencial son las imágenes hiperespectrales, que recogen simultáneamente múltiples imágenes de la misma región espacial a diferentes longitudes de onda. Mientras que el ojo humano sólo tiene tres receptores de color (azul, verde y rojo), una imagen hiperespectral mide el espectro continuo de cada píxel de una escena con una resolución de longitud de onda fina no sólo en el rango visible, sino también en el del infrarrojo. La luz que incide en cada píxel se descompone en muchas bandas espectrales para proporcionar una mayor información sobre lo que se está fotografiando.

Los datos recogidos forman un cubo hiperespectral tridimensional, en el que dos dimensiones representan la extensión espacial de la escena y la tercera su contenido espectral. A diferencia de las imágenes multiespectrales, que capturan solo unas pocas bandas, éstas ofrecen un nivel de detalle extremo, permitiendo caracterizar y diferenciar con precisión objetos y fenómenos en cultivos, suelos y vegetación. En el caso específico de la uva de mesa, estudios científicos y técnicos muestran la factibilidad de la espectroscopía pata la determinación de la concentración de azúcar (°Brix), acidez titulable (TA) y su relación TSS/TA utilizando modelos quimiométricos y técnicas de IA. En nuestro grupo de investigación hemos realizados diversos estudios en esta temática, adquiriendo imágenes de racimos completos y de bayas individuales para calibrar modelos utilizando análisis químicos de referencia.

El manejo hídrico de la uva de mesa es un tema de gran importancia bajo los escenarios de escases hídrica y cambio climático. En este sentido las nuevas tecnologías de hardware, transmisión de datos y análisis avanzado han permitido desarrollar iniciativas que permiten mejorar la gestión del riego, por ejemplo, en viñedos. El proyecto SmartETo es un ejemplo de estas aplicaciones. Se trata de una nueva tecnología orientada a estimar la demanda hídrica del cultivo (evapotranspiración del cultivo (ETc)) a partir de sensores instalados en campo, integrados con modelos y algoritmos de IA, para apoyar el riego de precisión. Desde el punto de vista agronómico, la ETc integra la evaporación del suelo y la transpiración de la vid, por lo que representa la demanda hídrica total del sistema, permitiendo programar riegos más oportunos y eficientes.

Inteligencia operativa: beneficios productivos y agronómicos concretos

A estas alturas, los sensores no invasivos y la IA dejaron de ser promesas para convertirse en una ventaja operativa tangible. Su aporte más visible está en las decisiones que pueden ser tomadas con antelación, permitiendo un mejor control y gestión de los manejos.

La combinación de imágenes tipo RGB (y RGB‑D) con modelos de visión por computador e IA nos da la posibilidad técnica de estimar carga frutal y seguir la fenología con actualizaciones semanales, afinando proyecciones de cosecha, manejo de cuadrillas y cadena de frío. En paralelo, otras técnicas como la termografía y los modelos derivados de índices de estrés térmico entregan mapas de variabilidad que nos permiten ajustar el momento y el volumen de riego sin comprometer calidad. Por su parte, los modelos de IA para detección automática de síntomas de plagas y enfermedades habilitan intervenciones focalizadas y su verificación posterior con evidencia cuantitativa. La espectroscopía suma otra capa de información relevante. Estimaciones no destructivas de los parámetros de calidad de fruta permiten la segregación de lotes o áreas específicas y la programación de cosecha selectiva de acuerdo a los requerimientos de los mercados objetivos y la madures de fruta deseada. Todo lo anterior se puede integrar en plataformas de visualización usando protocolos estandarizados de captura/etiquetado, mejorando la eficiencia laboral y la trazabilidad desde campo a poscosecha.

El salto cualitativo viene dado por los nuevos datos que hoy se pueden obtener. Ya no hablamos solo de presencia/ausencia, sino de mapas de severidad (porcentaje de hojas con síntomas por cuartel) y su evolución temporal. Los detectores de racimos aportan conteos precisos cuando son entrenados con imágenes etiquetadas del propio predio dando un alcance de estimación en plantas individuales. A nivel fisiológico, la termografía y técnicas derivadas ofrecen aproximaciones del estrés hídrico accionables y cuantificables. En calidad, las señales espectrales correlacionadas con °Brix y acidez permiten anticipar decisiones antes de la cosecha. A escala de predio, los índices de vegetación obtenidos con satélite (con correcciones espectrales específicas bajo plástico) posibilitan comparar vigor entre bloques y evaluar de mejor manera las prácticas realizadas.

Con estas fuentes, lo que podemos medir y usar se expande y nos da una clara posibilidad de optimizar los viñedos y campos para mejor la sustentabilidad ambiental y económica. En síntesis, más que sumar “gadgets”, la nueva tendencia de la agricultura 4.0 se trata de múltiples sensores con modelos de IA robustos y protocolos reproducibles para convertir los predios en una fuente continua de inteligencia operativa. Con ello, el productor gana precisión, oportunidad y consistencia, tres atributos que sostienen la rentabilidad en una agricultura cada vez más exigente.