📄 agriculture

Toward Autonomous Crop Sensing: High-Frequency UAV-Based RGB and Thermal Imaging of Maize and Soybean

Este estudio demuestra que una plataforma de detección autónoma basada en UAV que utiliza imágenes térmicas y RGB de alta frecuencia puede monitorear eficazmente la dinámica diurna de los cultivos y predecir rasgos relacionados con el rendimiento en maíz y soja con costos operativos reducidos, permitiendo así una agricultura de precisión escalable y un fenotipado de alto rendimiento.

Autores originales: Mingjun Wang, Justin Macialek, Benjamin Fallen, Chee Town Liew, Chris Reberg-Horton, Chadi Sayde, Frank Bai

Publicado 2026-07-10

📖 5 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Mingjun Wang, Justin Macialek, Benjamin Fallen, Chee Town Liew, Chris Reberg-Horton, Chadi Sayde, Frank Bai

Artículo original bajo licencia CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

Imagina un campo de cultivo no como un simple parche de tierra silencioso, sino como una ciudad bulliciosa donde los cultivos están constantemente hablando, sudando y reaccionando al clima. Durante años, los agricultores y científicos que intentaban escuchar estas conversaciones tenían que presentarse en persona, a menudo solo una o dos veces por semana, como un detective que solo visita la escena de un crimen los martes. Se perdían los susurros de la mañana y los gritos de la tarde.

Este artículo presenta un nuevo tipo de detective: un Drone-in-a-Box (DIB) (un dron en una caja). Piensa en esto como un mayordomo robótico que vive en un garaje resistente a la intemperie justo al lado de los cultivos. En lugar de que un piloto humano suba a un coche, conduzca hasta el campo y vuele un dron manualmente, este sistema se despierta, sale a volar, toma fotos, aterriza de nuevo en su garaje para recargarse y repite el ciclo, todo por su cuenta. Los investigadores instalaron esto en Carolina del Norte para observar el crecimiento del maíz y la soja durante la temporada de 2025.

La agenda ocupada del mayordomo robótico

Durante 28 días, este sistema robótico no solo echó un vistazo rápido; realizó 176 vuelos. ¡Eso es un montón de viajes! En algunos días, volaba cada 30 minutos, capturando el día completo de los cultivos desde el amanecer hasta el atardecer. Esto es un gran salto respecto al método antiguo, donde los vuelos eran poco frecuentes y costosos porque requerían la presencia de un humano. El artículo sugiere que, al eliminar al piloto humano de la rutina diaria, este sistema podría hacer que la agricultura de alta tecnología sea mucho más barata y fácil de usar.

El secreto del "enrollamiento de hojas" del maíz

Los investigadores utilizaron estos vuelos frecuentes para observar cómo reaccionan las hojas del maíz a la falta de agua. Cuando el maíz se seca, sus hojas se enrollan como un taco para ahorrar agua. El equipo descubrió algo sorprendente: el tiempo lo es todo.

Si tomabas una foto del maíz a las 8:00 AM, los cultivos con poca agua se veían casi iguales a los regados. La conexión entre cuánto se enrollaban las hojas y cuánta cosecha de maíz se obtendría eventualmente era casi inexistente (una puntuación estadística, llamada R², de apenas 0.05). Pero a medida que el día se calentaba y el sol se hacía más fuerte, el maíz seco empezaba a enrollarse dramáticamente. Para las 11:00 AM, la conexión era cristalina. La puntuación R² saltó a 0.65.

Esto significa que si quieres predecir cuánta producción tendrá un campo de maíz basándote en qué tan sediento se ve, no deberías volar tu dron a la hora del desayuno. Necesitas volar cuando el sol esté alto y las plantas estén estresadas. El artículo muestra que esperar hasta media mañana hace que el "detector de sed" del dron sea aproximadamente 14 veces más preciso que en la temprana mañana.

El juego de temperatura de la soja

El equipo también observó la soja, específicamente analizando tres tipos diferentes: uno que se marchita lentamente, uno que se marchita rápido y uno experimental. Utilizaron una cámara térmica especial (como un ojo que busca el calor) para medir la temperatura de las plantas.

Aquí está lo interesante: las plantas se enfrían a sí mismas mediante la transpiración (sudoración). Cuando una planta se queda sin agua, deja de sudar y sus hojas se calientan. Las variedades de soja de "marchitamiento rápido" fueron las primeras en dejar de sudar. Bajo condiciones de sequía, estas plantas de marchitamiento rápido se calentaron aproximadamente 4.2 °C más de lo que lo hacían cuando tenían suficiente agua. Los tipos de marchitamiento lento se mantuvieron más frescos durante más tiempo.

La cámara térmica del dron fue muy buena midiendo esto. Cuando compararon las lectiones de temperatura del dron con un termómetro real en un baño de agua, los números coincidieron increíblemente bien, con una puntuación de 0.94 en el mejor día. Esto demuestra que el robot puede detectar qué plantas están "sudando" y cuáles se están "secando" solo sintiendo su calor.

Midiendo el "material verde"

Los investigadores también intentaron averiguar cuánta área foliar (la superficie verde para la fotosíntesis) y qué tan altas eran las plantas, solo mirando las fotos del dron.

Altura: El dron estimó la altura de la soja con una precisión decente (R² de 0.65). Fue mejor calculando la altura del 90% superior de las plantas, en lugar de los valores extremos más altos o más bajos.
Área Foliar: Para adivinar cuánta superficie de hoja había, el dron combinó la altura y cuánto terreno cubrían las hojas. Las mejores estimaciones ocurrieron entre las 12:00 PM y las 2:00 PM, con puntuaciones de precisión que alcanzaron el 0.85.

Lo que esto significa (y lo que no)

El artículo no afirma que este robot resuelva todos los problemas agrícolas o que funcione perfectamente para cada cultivo en cualquier lugar. Establece explícitamente que esta es una evaluación sistemática de una configuración específica durante una temporada. Descarta la idea de que puedes volar un dron en cualquier momento y obtener datos perfectos; la hora del día importa mucho.

Sin embargo, los resultados sugieren que estos sistemas autónomos de "Drone-in-a-Box" son un verdadero cambio de juego. Pueden vigilar los cultivos las 24 horas del día, los 7 días de la semana sin necesidad de un humano que se desplace hasta allí, capturando los cambios sutiles y rápidos que ocurren dentro de un mismo día. Al volar en el momento adecuado (media mañana para el maíz, mediodía para el calor de la soja), estos robots pueden dar a los agricultores y científicos una imagen mucho más clara de cómo están sus cultivos, ayudando potencialmente a tomar mejores decisiones sobre el riego y el cuidado. Los autores sugieren que el siguiente paso es enseñar al sistema a procesar estos datos instantáneamente, para que los agricultores obtengan respuestas en tiempo casi real.

Resumen Técnico: Hacia el Monitoreo Autónomo de Cultivos mediante Imágenes RGB y Térmicas de Alta Frecuencia Basadas en UAV

1. Planteamiento del Problema

La agricultura de precisión y el fenotipado de plantas de alto rendimiento (HTPP, por sus siglas en inglés) dependen en gran medida del teledetección para capturar la variabilidad espacial y temporal en el rendimiento de los cultivos. Si bien los Vehículos Aéreos No Tripulados (UAV) ofrecen una alta resolución espacial y un despliegue flexible, su potencial operativo está actualmente limitado por flujos de trabajo que requieren mucha mano de obra. Las misiones convencionales de UAV requieren pilotos en el sitio para mantener la Línea de Visión Visual (VLOS), lo que requiere viajes dedicados, intercambio manual de baterías y transferencia de datos. Estas cargas logísticas limitan la frecuencia de vuelo a intervalos semanales o quincenales, lo cual es insuficiente para resolver la dinámica del dosel subdiaria (diurna) o eventos de estrés de desarrollo rápido. Además, la falta de evaluaciones sistemáticas de larga duración, durante toda una temporada, de los sistemas autónomos de "Drone-in-a-Box" (DIB) en la experimentación de campo crea una brecha en la comprensión de su idoneidad para el monitoreo cuantitativo de cultivos.

2. Metodología

El estudio realizó una evaluación sistemática y de larga duración de una plataforma DIB autónoma (un DJI Dock 2 que alberga un dron DJI Matrice 3TD) en la Estación de Investigación Sandhills en Carolina del Norte durante la temporada de cultivo de 2025.

Diseño Experimental

Ensayo de Maíz: Un experimento de riego de tasa variable (VRI) con 26 parcelas (12.5 m × 12.5 m) bajo tres tratamientos: secano (0%), 50% de riego y 100% de riego.
Ensayo de Soja: Un experimento de fitomejoramiento que compara tres genotipos con respuestas contrastantes a la sequía: marchitamiento lento (SW), marchitamiento rápido (FW) y una línea experimental (EXP). Esto incluyó áreas tanto de secano como de riego con un total de 18 parcelas.
Operaciones de Vuelo: El sistema ejecutó 176 vuelos totalmente automatizados durante 28 días (28 sobre maíz, 148 sobre soja). Los vuelos se programaron a través de la interfaz basada en la nube DJI FlightHub 2. Aunque un piloto con licencia permaneció en el sitio para cumplir con los requisitos de la FAA Part 107, el sistema permitió trayectorias repetibles con posicionamiento RTK de nivel centimétrico.
Adquisición de Datos: Los vuelos se realizaron a 45 m de altitud con un solapamiento frontal del 80% y lateral del 70%.
- Imágenes RGB: Distancia de muestreo terrestre (GSD) de 2.65 cm/px.
- Imágenes Térmicas: GSD de 6.91 cm/px.
- Frecuencia: Días seleccionados contaron con vuelos de alta frecuencia (intervalos de 30 minutos) para capturar la dinámica diurna.

Procesamiento y Recuperación de Datos

Relación de Cobertura del Dosel (CCR): Derivada de ortomosaicos RGB utilizando el índice de Exceso de Verde (ExG) y el umbral de Otsu para separar la vegetación del suelo.
Altura del Dosel (CH): Calculada restando la elevación de referencia del suelo de los Modelos Digitales de Superficie (DSM). Se seleccionó el percentil 90 (P90) como la métrica de altura robusta.
Índice de Área Foliar (LAI): Estimado utilizando un predictor combinado de Altura del Dosel × CCR.
Calibración Térmica: Las temperaturas de las parcelas se corrigieron por la distancia sensor-objetivo, humedad, temperatura del aire y emisividad (0.98). La verdad de terreno se estableció mediante un baño de agua calibrado monitoreado por un termopar.
Validación: Las métricas derivadas del dron se regresaron contra las mediciones de verdad de terreno (LAI, CH, rendimiento de grano) utilizando Mínimos Cuadrados Ordinarios (OLS) para determinar los coeficientes de determinación ( $R^2$ ) y el Error Cuadrático Medio (RMSE).

3. Resultados Clave

Desempeño Operativo

El sistema DIB demostró un desempeño confiable, completando 176 vuelos con un ciclo mínimo de despegue a despegue de aproximadamente 30 minutos. El sistema mantuvo una alta consistencia geométrica y radiométrica durante toda la temporada, permitiendo una resolución temporal subdiaria que excede las operaciones manuales convencionales.

Maíz: Dinámica Diurna y Predicción de Rendimiento

Enrollamiento de Hojas: Los valores de CCR mostraron una clara divergencia entre los tratamientos de riego después de las 09:30. Las parcelas de secano exhibieron una disminución aguda en el CCR debido al enrollamiento de las hojas inducido por la sequía, mientras que las parcelas irrigadas mantuvieron una alta cobertura.
Correlación de Rendimiento Dependiente del Tiempo: El poder predictivo del CCR para el rendimiento final de grano fue altamente dependiente del tiempo de adquisición.
- 08:00: $R^2 = 0.046$ (correlación insignificante).
- 11:00: $R^2 = 0.652$ (pico de correlación).
- Esto indica que la relación entre el estrés por sequía (manifestado como enrollamiento de hojas) y el rendimiento se expresa plenamente solo durante la mañana tardía, cuando la demanda evaporativa atmosférica es más alta.

Soja: Diferenciación de Genotipos y Estimación de Rasgos

Temperatura del Dosel: Las imágenes térmicas diferenciaron con éxito los genotipos. El genotipo de marchitamiento rápido exhibió las temperaturas de parcela más altas, particularmente bajo condiciones de secano (aproximadamente 4.2 °C más altas que las irrigadas), consistente con un cierre estomático rápido y una reducción del enfriamiento por transpiración.
Precisión Térmica: La cámara térmica a bordo mostró una fuerte correlación lineal con las temperaturas del agua de verdad de terreno, logrando valores de $R^2$ de hasta 0.94 y RMSE tan bajos como 1.37 °C.
Altura del Dosel: La altura P90 derivada del dron se correlacionó bien con las mediciones de campo ( $R^2 = 0.650$ , RMSE = 0.056 m), capturando eficazmente las diferencias estructurales entre genotipos y tratamientos de riego.
Estimación de LAI: El desempeño de la estimación de LAI varió diurnamente, alcanzando su punto máximo entre las 12:00 y las 14:00. Los mejores modelos ( $R^2 > 0.80$ ) utilizaron los percentiles de altura P85 y P90 combinados con el CCR.

4. Contribuciones Clave

Evaluación Sistemática de DIB en la Agricultura: El estudio proporciona una de las primeras evaluaciones de larga duración en una temporada y con múltiples cultivos de un sistema autónomo de drone-in-a-box para el monitoreo cuantitativo de campo, demostrando su viabilidad para el monitoreo de alta frecuencia.
Optimización Temporal del Monitoreo: La investigación establece empíricamente que el tiempo de adquisición de datos es crítico. Identifica "ventanas óptimas" específicas (mañana tardía para el CCR-rendimiento del maíz; mediodía para la temperatura y el LAI de la soja) donde las métricas derivadas del dron maximizan su valor diagnóstico y predictivo.
Reducción de Costos Operativos: Al automatizar la ejecución de vuelos, la carga y la transferencia de datos, el sistema reduce significativamente las barreras de mano de obra y logística asociadas con las operaciones manuales de UAV, haciendo que el monitoreo de alta frecuencia sea económicamente viable.
Recuperación de Rasgos Cuantitativos: El estudio valida la capacidad de la plataforma para recuperar parámetros agronómicos significativos (CCR, CH, LAI, temperatura del dosel) con una precisión comparable o superior a estudios previos que utilizan operaciones de UAV manuales, usando únicamente sensores RGB y térmicos.

5. Significado y Reivindicaciones

El artículo sostiene que los sistemas de UAV automáticos, apoyados por permisos de Más Allá de la Línea de Visión Visual (BVLOS), representan una herramienta prometedora para el rastreo de campo asequible y de alta resolución temporal y para el HTPP. El estudio demuestra que estos sistemas pueden:

Capturar la dinámica diurna del dosel (por ejemplo, el enrollamiento de las hojas, las fluctuaciones de temperatura) que son invisibles para el monitoreo semanal.
Reducir sustancialmente los costos operativos al eliminar la necesidad de pilotos en el sitio y flujos de trabajo manuales.
Permitir la gestión precisa de cultivos y el fenotipado escalable al proporcionar flujos de datos que son tanto espacial como temporalmente densos.

Los autores concluyen que, si bien el sistema actual requiere personal en el sitio para el cumplimiento regulatorio, la tecnología cierra eficazmente la brecha entre las redes de sensores estacionarios y las campañas tradicionales de UAV. Se identifica como trabajo futuro la integración de tuberías de procesamiento de datos automatizadas para apoyar el análisis y la toma de decisiones en tiempo casi real, así como la extensión de la evaluación a otras especies de cultivos.