Inteligencia artificial (IA) en la agricultura

¿Qué es la inteligencia artificial?

La inteligencia artificial (IA) es la capacidad de una máquina para mostrar habilidades humanas como el razonamiento, el aprendizaje, la planificación y la creatividad (definición de la Comisión Europea, 2018). La IA es a la vez ciencia e ingeniería. Es ciencia porque estudia, en el plano teórico, cómo podría funcionar un “razonamiento artificial”. Es ingeniería porque se construyen máquinas o programas que ponen en práctica de forma concreta estas capacidades. El objetivo principal de la IA es desarrollar algoritmos, modelos y sistemas que permitan a las máquinas aprender a partir de los datos, extraer conclusiones, tomar decisiones y resolver problemas de forma autónoma, como lo haría una persona. Un sistema de IA funciona cuando su rendimiento es medible y verificable: por ejemplo, si la máquina resuelve un problema, ejecuta una tarea o toma decisiones con éxito según criterios preestablecidos.

Fig.1: La IA: ciencia e ingeniería.

Machine learning y deep learning

El machine learning y el deep learning son dos tecnologías de la inteligencia artificial que cada vez forman más parte del trabajo diario de agricultores y técnicos de campo, como herramientas prácticas para tomar mejores decisiones. El machine learning puede describirse como la capacidad de un sistema para “aprender de la experiencia”. En la práctica, se proporcionan al modelo numerosos datos históricos: datos meteorológicos, datos de producción, análisis de suelo, imágenes de los cultivos, intervenciones agronómicas y sus resultados. Al analizar estos datos, el algoritmo identifica automáticamente relaciones recurrentes, llamadas patrones, y las utiliza para hacer predicciones o sugerir acciones. En agricultura, esto significa, por ejemplo, estimar el rendimiento esperado, prever un riesgo de estrés hídrico o identificar condiciones favorables para el desarrollo de una enfermedad a partir de datos ambientales y agronómicos reales. El deep learning es un subconjunto del machine learning, especialmente potente cuando se trabaja con datos complejos como imágenes, señales o series temporales muy detalladas. Su punto fuerte es el uso de redes neuronales “profundas”, inspiradas en el funcionamiento del cerebro humano, capaces de extraer automáticamente la información más relevante a partir de datos en bruto. En el contexto agrícola, el deep learning es lo que permite, por ejemplo, reconocer una enfermedad foliar a partir de una foto tomada en el campo, distinguir las malas hierbas del cultivo, analizar la estructura de la copa de una planta o evaluar el estado de vigor a partir de imágenes satelitales o de dron.

Fig.2: Machine learning y deep learning.

La diferencia práctica entre ambos enfoques es que el machine learning funciona muy bien cuando las variables clave ya son conocidas y medibles, como los datos fenológicos, el rendimiento o las condiciones meteorológicas. Por el contrario, el deep learning resulta imprescindible cuando la información no es directamente numérica sino que debe interpretarse, como ocurre con las imágenes aéreas. A menudo, en las aplicaciones agrícolas más avanzadas, ambas tecnologías se combinan: el deep learning extrae información de las imágenes o los sensores, y el machine learning la integra con datos meteorológicos, de suelo y de gestión agronómica para apoyar la decisión final.

¿Es realmente útil la IA en la agricultura?

El valor de la inteligencia artificial se manifiesta sobre todo cuando se aplica a problemas concretos y se integra correctamente en los procesos de toma de decisiones de la explotación. La utilidad de las técnicas de machine learning y deep learning radica en apoyar al agricultor en un contexto cada vez más complejo e impredecible, caracterizado por la variabilidad climática, el aumento de los costes de producción, una mayor presión normativa y la necesidad de reducir el impacto ambiental. Actualmente, gracias al uso de estaciones meteorológicas de finca, imágenes satelitales y de dron, y sensores de campo o montados en el tractor, la agricultura dispone de una gran cantidad de datos. Estos datos deben transformarse en información para el agricultor, con el fin de ayudarle a tomar decisiones informadas y acertadas. Uno de los puntos clave de la agricultura moderna es la necesidad de actuar con rapidez para garantizar la calidad y la cantidad del producto final. La inteligencia artificial permite analizar datos procedentes de distintas fuentes y convertirlos en indicaciones operativas, como ventanas óptimas de intervención, niveles de riesgo o prioridades de actuación. Esto resulta especialmente relevante para actividades como la gestión del riego, la defensa fitosanitaria, la nutrición y el seguimiento del estado vegetativo.

Gestionar la variabilidad espacio-temporal

Una de las mayores ventajas del uso de la IA es la capacidad de trabajar con la variabilidad espacial y temporal de los sistemas agrícolas. Campos aparentemente homogéneos pueden presentar diferencias significativas de suelo, vigor o desarrollo fenológico. Gracias al machine learning y al deep learning, estas diferencias pueden identificarse y cuantificarse, permitiendo intervenciones específicas y, en consecuencia, un uso más eficiente del agua, los fertilizantes y los fitosanitarios. Se trata de un enfoque en el que todos ganan: por un lado, se reducen los costes para el agricultor y, por otro, aumenta la sostenibilidad social, económica y ambiental. Sin embargo, es fundamental aclarar que la eficacia de estas herramientas depende en gran medida de la calidad de los datos y de la corrección del modelo agronómico subyacente. Un algoritmo no puede compensar datos faltantes, no representativos, ni una interpretación agronómica errónea del problema. Por eso es fundamental un enfoque multidisciplinar: es necesaria la cooperación entre agricultores, agrónomos, técnicos y expertos en inteligencia artificial para garantizar el mejor rendimiento de la IA aplicada a la agricultura. Los algoritmos de machine learning y deep learning funcionan mejor cuando se construyen sobre bases agronómicas sólidas y se utilizan como herramientas de apoyo, capaces de transformar grandes cantidades de datos en indicaciones operativas más oportunas, específicas y sostenibles.

Fig.3: El uso del machine learning y el deep learning en agricultura requiere un enfoque multidisciplinar.

IA en un huerto de cítricos: un caso de estudio real

Un ejemplo concreto de aplicación de la inteligencia artificial y las tecnologías digitales en la agricultura es el análisis multiespectral por dron realizado en un huerto de cítricos ubicado en Sicilia. El objetivo de la actividad era evaluar de forma objetiva y cuantitativa el estado vegetativo y la respuesta de las plantas a distintos productos agronómicos (bioestimulantes), utilizando imágenes de altísima resolución y algoritmos de análisis avanzado. El área de estudio se dividió en 25 parcelas experimentales de 80 m², cada una con 4 plantas. Esta configuración permitió obtener datos comparables y estadísticamente robustos, esenciales para evaluar la eficacia de los tratamientos probados e interpretar correctamente la variabilidad espacial del huerto de cítricos. El levantamiento se realizó muy rápidamente con un dron DJI Mavic 3 Multispectral, cuyo sensor multiespectral integrado permite la adquisición simultánea y alineada de cuatro bandas espectrales (verde, rojo, red edge y NIR), además de la imagen RGB de alta resolución.

Fig.4: Parcelas experimentales dentro de un huerto de cítricos siciliano.

Los resultados de la experimentación

A partir de las imágenes RGB y multiespectrales, se recreó un modelo 3D (digital twin) del huerto de cítricos. El uso de este modelo, combinado con algoritmos de visión artificial e IA, permite extraer de forma automática varios parámetros biométricos y fisiológicos del cultivo, potencialmente planta por planta: superficie vegetada, para cuantificar la cobertura de la copa; espesor, altura y volumen de la copa, indicadores directos del desarrollo vegetativo; índices de vegetación, en particular el NDVI para el vigor vegetativo, y el GNDVI y el NDRE para la estimación indirecta de la concentración de clorofila y el estado nutricional. Estos parámetros derivan de la aplicación de algoritmos de análisis avanzado que transforman el dato bruto en información agronómica. Las imágenes multiespectrales, complejas por definición, se procesan para extraer patrones espaciales y diferencias entre parcelas que serían difícilmente detectables mediante observación visual tradicional. Veamos dos ejemplos de parámetros biométricos calculados en el huerto de cítricos. En primer lugar, la superficie vegetada representa la densidad de la copa de cada planta de cítrico y es fundamental para visualizar la distribución espacial de la densidad, identificando las áreas con menor o mayor densidad.

Fig.5: Área de la copa de cada planta.

El mapa del volumen de la copa permite visualizar el desarrollo global de las copas como valor medio para cada parcela. El volumen de la copa está directamente correlacionado con la biomasa y confirma lo que ya se había observado en el mapa anterior de superficie vegetada.

Fig.6: Volumen de la copa de cada planta.

A partir de la información multiespectral capturada por dron, se calcularon tres índices de vegetación: NDVI, GNDVI y NDRE. El índice NDVI está fuertemente influido por el vigor de la superficie vegetada, pero también está limitado por ella, ya que, tras alcanzar un punto máximo, tiende a saturarse y a ocultar la posible variabilidad del campo. En el huerto de cítricos se observa variabilidad intraparcelaria, además de variabilidad entre parcelas.

Fig.7: Índice de vegetación NDVI de la copa de cada planta.

El mapa GNDVI permite monitorizar el contenido de clorofila en los cultivos y distinguir mejor las áreas más sanas respecto al NDVI cuando las copas están bien desarrolladas. Además, el GNDVI puede utilizarse para evaluar la absorción hídrica de las plantas y, por tanto, su estrés hídrico. También en este caso se observa una fuerte variabilidad entre parcelas, mientras que la variabilidad intraparcelaria es reducida.

Fig.8: Índice de vegetación GNDVI de la copa de cada planta.

Al igual que el índice GNDVI, el mapa NDRE permite monitorizar el contenido de clorofila en los cultivos, incluso cuando las copas están bien desarrolladas. El NDRE es un mejor indicador de la salud de las plantas que el NDVI para cultivos de ciclo medio y tardío con un alto nivel de clorofila. Además, el NDRE puede utilizarse para evaluar la absorción de nitrógeno por parte de las plantas y, por tanto, su eficiencia.

Fig.9: Índice de vegetación NDRE de la copa de cada planta.

Conclusiones

El caso de estudio realizado en el huerto de cítricos demuestra que la inteligencia artificial aplicada a la teledetección por dron puede convertirse en una herramienta operativa concreta para el apoyo a las decisiones agronómicas. El servicio iDrone de Agrobit permite transformar imágenes multiespectrales de altísima resolución en información objetiva y medible sobre el estado vegetativo de los cultivos. Además, mediante el cálculo de parámetros biométricos e índices de vegetación, fue posible identificar y cuantificar la variabilidad espacial del huerto de cítricos, evaluar la respuesta de las plantas a distintos tratamientos e identificar precozmente situaciones de estrés. Esta información, difícil de obtener solo con el seguimiento visual, permite intervenciones más específicas, eficientes y sostenibles. En un contexto agrícola cada vez más complejo, el servicio iDrone representa una solución AgTech fiable para mejorar la eficiencia de gestión, reducir los costes y apoyar decisiones basadas en datos reales.