Drones y Machine Learning para mejorar la agricultura de precisión en Ecuador
Por: Edison Narváez
Publicado: Septiembre 2026
Área: Agricultura de Precisión · Machine Learning · Drones · Agricultura Inteligente
Resumen
La agricultura de precisión utiliza tecnologías digitales para obtener información detallada sobre los cultivos y mejorar la toma de decisiones. En este contexto, los drones permiten capturar imágenes de los terrenos agrícolas desde el aire, mientras que los algoritmos de Machine Learning pueden analizar estas imágenes para identificar características del suelo y de las plantas.
El estudio realizado por investigadores de la Universidad Técnica de Manabí, Ecuador, analiza el uso de imágenes RGB obtenidas mediante drones para estimar propiedades del suelo y características fisiológicas del cultivo de maní (Arachis hypogaea). Los investigadores combinaron imágenes aéreas con índices de vegetación y modelos de Random Forest y k-Nearest Neighbors (KNN).
El trabajo demuestra el potencial de utilizar herramientas relativamente accesibles para desarrollar sistemas de agricultura de precisión adaptados a las condiciones agrícolas de Ecuador.
Palabras clave: Agricultura de precisión, drones, Machine Learning, maní, Ecuador, imágenes RGB, Random Forest.
1. Introducción
La agricultura moderna necesita producir alimentos de manera eficiente utilizando adecuadamente recursos como el agua, el suelo y los fertilizantes. Para lograrlo, la agricultura de precisión incorpora tecnologías capaces de obtener información específica de los cultivos.
Los drones representan una de estas tecnologías. Equipados con cámaras, pueden obtener imágenes detalladas de grandes áreas agrícolas sin necesidad de recorrer físicamente todo el terreno.
Estas imágenes pueden posteriormente analizarse mediante algoritmos de Machine Learning para encontrar relaciones que no siempre son fáciles de identificar mediante observación humana.
2. ¿Qué investigaron?
Los investigadores estudiaron un cultivo de maní en Ecuador y analizaron si las imágenes RGB obtenidas mediante drones podían utilizarse para estimar propiedades del suelo y características de las plantas.
El experimento consideró diferentes variedades de maní, densidades de siembra y sistemas de labranza. Las imágenes fueron capturadas durante diferentes etapas del desarrollo del cultivo.
A partir de estas imágenes se calcularon 17 índices basados en información RGB y posteriormente se aplicaron técnicas estadísticas y modelos de Machine Learning.
3. ¿Cómo funciona la agricultura de precisión?
El proceso puede resumirse de manera sencilla:
Cultivo
↓
Dron
↓
Fotografías aéreas
↓
Procesamiento de imágenes
↓
Machine Learning
↓
Información agrícola
↓
Toma de decisiones
Esto permite que el agricultor disponga de información más detallada sobre el estado de su terreno.
4. Machine Learning aplicado al cultivo
Para analizar los datos obtenidos, los investigadores utilizaron principalmente Random Forest y k-Nearest Neighbors (KNN).
Random Forest combina múltiples árboles de decisión para realizar predicciones, mientras que KNN clasifica o estima resultados basándose en la similitud entre los datos.
La combinación de imágenes aéreas y estos modelos permite estudiar relaciones entre las características visuales de las plantas y determinadas propiedades agrícolas.
5. Resultados
Los resultados muestran que las imágenes RGB obtenidas mediante drones pueden proporcionar información útil para analizar el cultivo de maní.
El estudio demuestra que no siempre es necesario utilizar sensores extremadamente costosos para comenzar a implementar agricultura de precisión. Las cámaras RGB convencionales montadas en drones, combinadas con modelos de Machine Learning, pueden constituir una alternativa de menor costo para determinadas aplicaciones agrícolas.
Esto resulta especialmente interesante para países como Ecuador, donde es necesario desarrollar soluciones tecnológicas que puedan adaptarse a las condiciones y recursos disponibles en el sector agrícola.
6. Importancia para Ecuador
Ecuador posee una importante actividad agrícola y diferentes regiones con características climáticas y productivas particulares.
La utilización de drones puede facilitar el monitoreo de cultivos sin necesidad de realizar inspecciones manuales de grandes extensiones de terreno.
Además, combinar estas imágenes con Machine Learning abre la posibilidad de desarrollar sistemas capaces de detectar problemas, estimar características de los cultivos y apoyar decisiones relacionadas con la producción.
7. Conclusiones
La investigación demuestra que la combinación de drones, imágenes RGB y Machine Learning puede convertirse en una herramienta útil para la agricultura de precisión.
El caso estudiado en Ecuador demuestra que estas tecnologías pueden aplicarse al cultivo de maní para obtener información relacionada con las condiciones del suelo y las características fisiológicas de las plantas.
La principal ventaja de este enfoque es que permite transformar imágenes obtenidas desde el aire en información que puede ayudar a los agricultores a tomar decisiones de manera más rápida y precisa.
En el futuro, estos sistemas podrían combinarse con Internet de las Cosas, Inteligencia Artificial y sensores agrícolas, creando sistemas capaces de monitorear los cultivos de forma prácticamente automática.
📚 Referencia científica
Saltos-Alcivar, W., Delgado-Marcillo, C., Zamora-Ledezma, E., Rivas, C. A., & Pacheco Gil, H. A. (2026). UAV-Borne RGB Imagery and Machine Learning for Estimating Soil Properties and Crop Physiological Traits in Peanut (Arachis hypogaea): A Low-Cost Precision Agriculture Approach. AgriEngineering, 8(5), 177.
DOI: 10.3390/agriengineering8050177