¿Qué es la inteligencia artificial?
La inteligencia artificial (IA) es la capacidad de una máquina para mostrar capacidades humanas como el razonamiento, el aprendizaje, la planificación y la creatividad (definición de la Comisión Europea, 2018). La IA es tanto ciencia como ingeniería. Es ciencia porque estudia teóricamente cómo podría funcionar el «razonamiento artificial». Es ingeniería porque construye máquinas o programas que realmente realizan estas capacidades.
El objetivo principal de la IA es desarrollar algoritmos, modelos y sistemas que permiten a las máquinas aprender de los datos, sacar conclusiones, tomar decisiones y resolver problemas de forma autónoma como si fuera un humano. Un sistema de IA funciona cuando su rendimiento es medible y verificable. Por ejemplo, si la máquina resuelve un problema, realiza una tarea o toma decisiones con éxito según criterios predeterminados.

Fig.1: IA: ciencia e ingeniería.

Aprendizaje automático y aprendizaje profundo
El aprendizaje automático y el aprendizaje profundo son dos tecnologías de inteligencia artificial que están entrando cada vez más en el trabajo diario de agricultores y técnicos de campo como herramientas prácticas para tomar mejores decisiones.
Aprendizaje automático puede describirse como la capacidad de un sistema para «aprender de la experiencia». En la práctica, se proporcionan muchos datos históricos al modelo: datos meteorológicos, datos de producción, análisis del suelo, imágenes de 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 los rendimientos esperados, predecir el riesgo de estrés hídrico o identificar las condiciones favorables al desarrollo de una enfermedad a partir de datos medioambientales y agronómicos reales.
Aprendizaje profundo es un subconjunto del aprendizaje automático que resulta 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, que son capaces de extraer automáticamente la información más relevante de los datos brutos. En el contexto agrícola, el aprendizaje profundo es lo que permite, por ejemplo, reconocer una enfermedad de las hojas a partir de una foto tomada en el campo, distinguir las plagas del cultivo, analizar la estructura del dosel de una planta o evaluar el estado de vigor a partir de imágenes de satélite o de drones.

Fig.2: Aprendizaje automático y aprendizaje profundo.

La diferencia práctica entre ambos enfoques es que el aprendizaje automático 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 aprendizaje profundo resulta esencial cuando la información no es inmediatamente numérica, sino que hay que interpretarla, como en el caso de las imágenes aéreas. A menudo, en las aplicaciones agrícolas más avanzadas, se combinan las dos tecnologías: el aprendizaje profundo extrae información de imágenes o sensores, y el aprendizaje automático la integra con datos meteorológicos, edafológicos y de gestión agronómica para apoyar la decisión final.

¿Es realmente útil la IA en la agricultura?
El valor de la inteligencia artificial emerge sobre todo cuando se aplica a problemas concretos y se integra adecuadamente en los procesos de toma de decisiones empresariales. La utilidad de las técnicas de aprendizaje automático y aprendizaje profundo reside en apoyar al agricultor en un entorno cada vez más complejo y aleatorio, caracterizado por la variabilidad climática, el aumento de los costes de producción, la mayor presión normativa y la necesidad de reducir el impacto medioambiental.
Hoy en día, gracias al uso de estaciones meteorológicas agrícolas, imágenes por satélite y de drones, sensores en el campo o montados en los tractores, la agricultura dispone de una gran cantidad de datos. Los datos deben transformarse en información para el propio agricultor, para ayudarle a tomar decisiones informadas y acertadas. Uno de los puntos cruciales de la agricultura moderna es la necesidad de actuar con prontitud para garantizar la calidad y la cantidad del producto final. La inteligencia artificial permite analizar datos de distintas fuentes y transformarlos en indicaciones operativas, como ventanas de intervención óptimas, niveles de riesgo o prioridades de actuación. Esto es especialmente relevante para actividades como la gestión del riego, la gestión de plagas, la nutrición y el control del estado vegetativo.

Gestión de la variabilidad espacio-temporal
Una de las mayores ventajas del uso de la IA es la posibilidad de trabajar sobre la variabilidad espacial y temporal de los sistemas agrícolas. Campos aparentemente homogéneos pueden mostrar diferencias significativas en el suelo, el vigor o el desarrollo fenológico. Gracias al aprendizaje automático y al aprendizaje profundo, estas diferencias pueden detectarse y cuantificarse, lo que permite intervenciones específicas y, en consecuencia, un uso más eficiente del agua, los fertilizantes y los pesticidas. Se trata de un enfoque en el que todos ganan, ya que, por un lado, se reducen los costes para el agricultor y, por otro, se aumenta la sostenibilidad social, económica y medioambiental.
Sin embargo, es crucial 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 la falta de datos o datos no representativos, ni una interpretación agronómica incorrecta del problema. Por eso es crucial un enfoque multidisciplinar: la cooperación entre agricultores, agrónomos, técnicos y expertos en inteligencia artificial es necesaria para garantizar el mejor rendimiento de la IA aplicada a la agricultura. Los algoritmos de aprendizaje automático y aprendizaje profundo funcionan mejor cuando se construyen sobre una base agronómica sólida y se utilizan como herramientas de apoyo, capaces de transformar grandes cantidades de datos en orientaciones operativas más oportunas, específicas y sostenibles.

Fig.3: El uso del Aprendizaje Automático y el Aprendizaje Profundo en la agricultura requiere un enfoque multidisciplinar.

La IA en las plantaciones de cítricos: un estudio de caso real
Un ejemplo concreto de la aplicación de la inteligencia artificial y las tecnologías digitales en la agricultura está representado por elanálisis multiespectral con drones realizado en una plantación de cítricos situada en Sicilia. El objetivo de la actividad era evaluar objetiva y cuantitativamente el estado vegetativo y la respuesta de las plantas a distintos productos agronómicos (bioestimulantes), explotando imágenes de muy alta resolución y algoritmos de análisis avanzados.
La zona de estudio se subdividió en 25 parcelas experimentales de 80 m² con 4 plantas cada una. Este enfoque permitió obtener datos comparables y estadísticamente sólidos, esenciales para evaluar la eficacia de los tratamientos ensayados y para interpretar correctamente la variabilidad espacial de la citricultura.
El estudio se llevó a cabo muy rápidamente utilizando un dron DJI Mavic 3 Multiespectral, cuyo sensor multiespectral integrado permite la adquisición simultánea y alineada de cuatro bandas espectrales (Verde, Rojo, Borde Rojo y NIR), además de la imagen RGB de alta resolución.

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

Los resultados del experimento
A partir de las imágenes RGB y multiespectrales, se recreó un modelo 3D (gemelo digital) de la plantación de cítricos. El uso de este modelo combinado con la visión por ordenador y los algoritmos de IA permite la extracción automática de diversos parámetros biométricos y fisiológicos del cultivo, potencialmente planta por planta: superficie vegetada, para cuantificar la cobertura del dosel; grosor, altura y volumen del dosel, indicadores directos del desarrollo vegetativo; índices de vegetación, en particular NDVI para el vigor vegetativo, GNDVI y NDRE para la estimación indirecta de la concentración de clorofila y el estado nutricional. Estos parámetros se derivan de la aplicación de algoritmos de análisis avanzados que transforman los datos brutos en información agronómica. Las imágenes multiespectrales, complejas por definición, se procesan para extraer patrones espaciales y diferencias entre parcelas que serían difíciles de detectar con las observaciones visuales tradicionales.
Veamos dos ejemplos de parámetros biométricos calculados en la plantación de cítricos. En primer lugar, la superficie vegetada representa la densidad del dosel de cada planta individual de cítricos y es fundamental para visualizar la distribución espacial de la densidad, identificando las zonas con menor o mayor densidad.

Fig.5: Área de dosel de cada planta.

El mapa de volumen del dosel permite visualizar el desarrollo global del dosel como valor medio de cada parcela. El volumen del dosel está directamente relacionado con la biomasa y es similar al anterior mapa de superficie vegetada.

Fig.6: Volumen del dosel de cada planta.

A partir de la información multiespectral captada por el dron, se calcularon tres índices de vegetación: NDVI, GNDVI y NDRE. El índice NDVI está fuertemente influido por el vigor de la zona vegetada, pero también está limitado por él porque, tras alcanzar un punto máximo, tiende a saturarse y ocultar cualquier variabilidad en el campo. En la plantación de cítricos, se observa variabilidad intraparcelaria, así como variabilidad entre parcelas.

Fig.7: Índice de vegetación NDVI del dosel de cada planta.

El mapa GNDVI permite controlar el contenido de clorofila de los cultivos y distinguir mejor las zonas más sanas que el NDVI cuando las copas están bien desarrolladas. Además, el GNDVI puede utilizarse para evaluar la absorción de agua de las plantas y, por tanto, su estrés hídrico. De nuevo, hay una gran variabilidad entre parcelas, mientras que la variabilidad intraparcelaria es baja.

Fig.8: Índice de vegetación GNDVI del dosel para cada planta.

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

Fig.9: Índice de vegetación GNDVI del dosel para cada planta.

Conclusiones
El estudio de caso realizado en la plantación de cítricos demuestra que la inteligencia artificial aplicada a la teledetección mediante drones puede convertirse en una herramienta operativa concreta de apoyo a la toma de decisiones agronómicas. El iDrone de Agrobit permite transformar imágenes multiespectrales de muy alta 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 de la plantación de cítricos, evaluar la respuesta de las plantas a distintos tratamientos e identificar situaciones de estrés en una fase temprana. Esta información, difícil de obtener sólo con el seguimiento visual, permite intervenciones más específicas, eficaces y sostenibles.
En un entorno agrícola cada vez más complejo, el servicio iDrone proporciona una solución AgTech fiable para mejorar la eficacia de la gestión, reducir los costes y respaldar las decisiones basadas en datos.