Autor: Sergio Vélez-Martín.

Se prevé un aumento de la población mundial, de aproximadamente 2.000 millones de personas en los próximos 30 años, pasando de los 8.000 millones actuales a 9.700 millones en 2050 y pudiendo llegar a  10.400 millones hacia mediados de la década de 2080 [1]. Esto conlleva la necesidad de optimizar la producción agrícola, impulsada por el desarrollo e integración de tecnologías avanzadas en el sector agroalimentario. Entre estas innovaciones, destacan los drones, también llamados vehículos aéreos no tripulados (VANT, UAV por sus siglas en inglés), que han adquirido un papel fundamental, posicionándose como una herramienta esencial para la agricultura de precisión. Los drones se utilizan en teledetección, una técnica que permite la obtención de información de los objetos a distancia, y que ha transformado la manera en la que los agricultores monitorean y gestionan los cultivos, gracias al uso de sensores capaces de captar información detallada del terreno. Esta revolución tecnológica está permitiendo actualmente optimizar recursos, mejorar la toma de decisiones y enfrentar desafíos muy importantes. De este modo, la agricultura de precisión ha experimentado una transformación significativa gracias a estas tecnologías, que permiten mejorar la sostenibilidad ambiental, la eficiencia productiva para mejorar la rentabilidad y la resiliencia ante el cambio climático, así como obtener datos precisos y detallados sobre el estado de los cultivos, facilitando la identificación temprana de deficiencias nutricionales, estrés hídrico, plagas o enfermedades (Figura 1).

Figura 1. Ejemplos de procesos de captura, análisis y decisión basados en datos de drones para agricultura. Adaptado de [2,3].

Existen diversos tipos de drones y sensores para múltiples tareas (Figura 2). Entre los principales sensores utilizados destacan los multiespectrales e hiperespectrales, que permiten generar mapas y ortomosaicos (Figura 3, izquierda) para detectar variaciones en la reflectancia de las plantas y proporcionan información relevante sobre su estado fisiológico, el contenido de clorofila y la detección temprana de enfermedades, entre otros. También se emplean cámaras térmicas, que permiten identificar el estrés hídrico de la planta al medir la temperatura foliar, optimizando el uso del agua en el riego. El LiDAR (Light Detection and Ranging, por sus siglas en inglés, una tecnología que emite pulsos láser para medir distancias) genera modelos tridimensionales del terreno, esencial para el análisis de la topografía y la estructura del dosel vegetal (Figura 3, derecha). Asimismo, las cámaras RGB capturan imágenes detalladas que permiten la reconstrucción de modelos fotogramétricos. La combinación de estos sensores con algoritmos y análisis con IA (inteligencia artificial) permite realizar interpretaciones avanzadas de los datos obtenidos, optimizando la toma de decisiones agrícolas basadas en datos y evidencias, así como mejorando significativamente la productividad y sostenibilidad del sector.

Figura 2. Tipos distintos de drones y sensores (arriba), dron operando en agrivoltaica (izq.) y viñedo (der.).

Aplicaciones avanzadas de drones en agricultura de precisión

Debido a su capacidad para recopilar datos de manera precisa y en tiempo real, la integración de drones en agricultura ha revolucionado las prácticas de producción, permitiendo optimizar procesos y minimizar pérdidas. Uno de los avances más significativos es la detección temprana de enfermedades en los cultivos. La identificación precoz de patologías es muy importante para reducir las pérdidas productivas ya que, con métodos tradicionales, esta tarea se basaba en inspecciones visuales que resultaban lentas y no del todo eficaces. Sin embargo, el uso de drones ha permitido detectar enfermedades como la Botrytis cinerea en viñedos antes de que los síntomas sean visibles [4], la enfermedad de la hoja blanca en caña de azúcar [5] o diversas enfermedades en cultivos de Brassicáceas, donde enjambres de drones e IA han demostrado ser herramientas clave para la detección temprana de plagas, monitoreo del crecimiento y optimización del manejo agrícola [6]. Esto permite la aplicación en tiempo y forma de los tratamientos adecuados, disminuyendo el uso de productos químicos. Incluso los drones se están empleando para la fumigación aérea, un campo que actualmente está en rápido desarrollo.

Figura 3. Ortomosaico generado con imágenes multiespectrales (izq.) y reconstrucción 3D LiDAR del mismo viñedo (der.). Datos disponibles al final del artículo.

Además de aplicaciones en detección de enfermedades, la tecnología de drones ofrece otras soluciones que también están transformando la agricultura. Por ejemplo, mediante el monitoreo continuo del estado de los cultivos a través de imágenes multiespectrales y térmicas, es posible identificar deficiencias nutricionales o signos de falta de agua [7]. Específicamente, los sensores térmicos contribuyen a la optimización del riego al detectar el estrés hídrico antes de que sea perceptible a simple vista [8], facilitando tomar medidas preventivas y realizar ajustes en la irrigación según las necesidades reales de las plantas. Otra aplicación clave es la estimación de parámetros agronómicos, como el Índice de Área Foliar (LAI, por sus siglas en inglés), proporcionando información muy útil para optimizar prácticas como la poda o la fertilización, mejorando la gestión de los cultivos. En términos de utilización de insumos agrícolas, la detección temprana de áreas con carencias permite la aplicación localizada de fertilizantes. Además, los drones pueden estimar el rendimiento agrícola a partir del análisis de imágenes históricas [9], lo que permite prever la producción esperada. También desempeñan un papel crucial no sólo en la detección precoz de enfermedades, sino también en la identificación de anomalías ya existentes en los cultivos, así como daños provocados por plagas u otros factores, proporcionando información para evaluar su impacto y tomar decisiones que reduzcan pérdidas. Por último, otra ventaja es la planificación optimizada de rutas agrícolas, ya que las vistas aéreas de los drones permiten organizar de manera eficiente el desplazamiento de la maquinaria agrícola.

Todos estos avances generan múltiples beneficios directos en comparación con los métodos convencionales (Figura 4). Entre sus principales ventajas se encuentra la reducción significativa de costos operativos, optimizando el uso de insumos como agua, fertilizantes y productos fitosanitarios, lo que no solo mejora la rentabilidad, sino que también disminuye el impacto ambiental al reducir el uso indiscriminado de químicos y agua, minimizando la contaminación de suelos y acuíferos. Además, permiten una mejor planificación agrícola basada en datos objetivos, lo que facilita predicciones más precisas sobre producción, cosechas y logística, mejorando la eficiencia en cada etapa del proceso productivo, optimizando la logística agrícola, reduciendo desperdicios e incluso minimizando impactos ambientales como la emisión de contaminantes y la compactación del suelo de la maquinaria pesada al optimizar sus rutas. Otro aspecto fundamental es el acceso a la automatización y digitalización agrícola, lo que impulsa una gestión más eficiente de los cultivos y fomenta un modelo de producción más sostenible y rentable a largo plazo, además de ofrecer nuevas opciones laborales y un tipo de trabajo atractivo para jóvenes interesados en tecnología, medidas clave para frenar el despoblamiento en las zonas afectadas por la “España vaciada”. A medida que estas herramientas evolucionan, se vuelven cada vez más accesibles para agricultores con explotaciones de cualquier tamaño, democratizando el uso de herramientas que antes estaban limitadas a grandes productores.

Figura 4. Principales ventajas del uso de drones en agricultura.

No obstante, a pesar de las numerosas ventajas que ofrecen, la adopción generalizada de drones en agricultura aún enfrenta desafíos significativos que limitan su implementación a gran escala (Figura 5). Aunque la tecnología se ha abaratado en los últimos tiempos, uno de los principales obstáculos todavía es el costo inicial de adquisición y mantenimiento, lo que restringe el acceso a agricultores con menos recursos y dificulta su adopción en explotaciones de menor tamaño. Además, el uso efectivo de estas tecnologías requiere una capacitación técnica especializada, ya que generan datos complejos que deben ser correctamente interpretados para tomar decisiones útiles para la gestión agrícola. A esto se suman las limitaciones regulatorias, dado que en muchos países existen restricciones legales sobre el uso de drones, lo que dificulta su integración en el sector. Otro reto importante es la integración tecnológica, ya que muchas veces estas herramientas no están bien sincronizadas con maquinaria agrícola, estaciones meteorológicas y plataformas digitales. Asimismo, la falta de interoperabilidad entre los distintos sistemas agrícolas digitales dificulta una gestión integral del campo, generando barreras para la conectividad y el aprovechamiento adecuado, rápido y efectivo de la información. Superar estos desafíos es crítico para que los drones puedan consolidarse como herramientas esenciales en la transformación de la agricultura moderna.

Figura 5. Principales obstáculos en la adopción de drones en agricultura.

Contribuciones del Grupo de Drones de la Universidad de Burgos (UBU)

En el contexto de España, la Universidad de Burgos destaca por su Unidad de Investigación Conjunta en Tecnología de Drones (JRU DRONES). Esta unidad cuenta con un laboratorio propio que investiga la homologación, diseño, fabricación, optimización, mantenimiento y aplicaciones de drones. Además, la UBU colabora estrechamente con empresas especializadas para ofrecer formación avanzada, como másteres y cursos, impulsando iniciativas académicas innovadoras en este ámbito y tratando de resolver las dificultades existentes en cuanto a capacitación técnica especializada. Así, contribuye a la formación de profesionales para mejorar su inserción laboral, facilitando la incorporación de expertos altamente cualificados en un mercado laboral que demanda cada vez más profesionales especializados en drones, favoreciendo al mismo tiempo la expansión de estas tecnologías en España.

Disponibilidad de datos

Todas las imágenes y figuras son de autoría propia. Los datos de la Figura 3 están disponibles en conjuntos de datos abierto, publicados en Zenodo por el autor en https://doi.org/10.5281/zenodo.10362568 y https://doi.org/10.5281/zenodo.8113105. Para saber más sobre la toma de datos, se puede encontrar un video del proyecto europeo en el que se enmarcaron los vuelos en el siguiente enlace: https://www.youtube.com/watch?v=AeuQ_ktFs5E.

Referencias

  1. Organización de las Naciones Unidas (ONU) Una población en crecimiento Available online: https://www.un.org/es/global-issues/population (accessed on 14 March 2025).
  2. Martínez-Peña, R.; Castillo-Gironés, S.; Álvarez, S.; Vélez, S. Tracing Pistachio Nuts’ Origin and Irrigation Practices through Hyperspectral Imaging. Curr. Res. Food Sci. 2024, 9, 100835, doi:10.1016/j.crfs.2024.100835.
  3. Vélez, S.; Barajas, E.; Vacas, R.; Rubio, J.A. Thermoregulation Capability of the Leaf Canopy According to Canopy Area and Grapevine Cultivar. Acta Hortic. 2024, 81–88, doi:10.17660/ActaHortic.2024.1390.11.
  4. Vélez, S.; Ariza-Sentís, M.; Valente, J. Mapping the Spatial Variability of Botrytis Bunch Rot Risk in Vineyards Using UAV Multispectral Imagery. Eur. J. Agron. 2023, 142, 126691, doi:10.1016/j.eja.2022.126691.
  5. Narmilan, A.; Gonzalez, F.; Salgadoe, A.S.A.; Powell, K. Detection of White Leaf Disease in Sugarcane Using Machine Learning Techniques over UAV Multispectral Images. Drones 2022, 6, 230, doi:10.3390/drones6090230.
  6. Ali, Z.A.; Deng, D.; Shaikh, M.K.; Hasan, R.; Khan, M.A. AI-Based UAV Swarms for Monitoring and Disease Identification of Brassica Plants Using Machine Learning: A Review. Comput. Syst. Sci. Eng. 2024, 48, 1–34, doi:10.32604/csse.2023.041866.
  7. Berry, A.; Vivier, M.A.; Poblete-Echeverría, C. Evaluation of Canopy Fraction-Based Vegetation Indices, Derived from Multispectral UAV Imagery, to Map Water Status Variability in a Commercial Vineyard. Irrig. Sci. 2024, doi:10.1007/s00271-023-00907-1.
  8. Kirnak, H.; Irik, H.A.; Unlukara, A. Potential Use of Crop Water Stress Index (CWSI) in Irrigation Scheduling of Drip-Irrigated Seed Pumpkin Plants with Different Irrigation Levels. Sci. Hortic. 2019, 256, 108608, doi:10.1016/j.scienta.2019.108608.
  9. Apolo-Apolo, O.E.; Martínez-Guanter, J.; Egea, G.; Raja, P.; Pérez-Ruiz, M. Deep Learning Techniques for Estimation of the Yield and Size of Citrus Fruits Using a UAV. Eur. J. Agron. 2020, 115, 126030, doi:10.1016/j.eja.2020.126030.

Artículo participante del VIII Concurso de Artículos de Divulgación Científica de la Universidad de Burgos.