Los resultados han sido publicados en la revista científica Computers and Electronics in Agriculture y suponen un avance significativo en agricultura de precisión, especialmente en regiones mediterráneas donde el agua es un recurso estratégico.
Una metodología híbrida: modelo digital + teledetección aérea
La investigación combina dos pilares tecnológicos:
-
Modelos de simulación de cultivos.
-
Datos reales obtenidos mediante drones (UAV).
El núcleo del sistema es AquaCrop, herramienta desarrollada por la Organización de las Naciones Unidas para la Agricultura y la Alimentación (FAO), diseñada para:
-
Evaluar la eficiencia hídrica del cultivo.
-
Proyectar el rendimiento final según distintos escenarios de disponibilidad de agua.
-
Simular el comportamiento productivo en función de variables climáticas y de manejo.
En este estudio se utilizó Aquacrop-OSPy, implementación de código abierto en lenguaje Python que reproduce la formulación original y facilita la integración con técnicas de teledetección y asimilación de datos.
En la práctica, el sistema actúa como un laboratorio virtual agrícola capaz de anticipar cuánto producirá una parcela según el agua disponible y las condiciones de cultivo.
El brócoli como modelo experimental: dos campañas y 0,2 hectáreas
Para validar la metodología, el equipo desarrolló un ensayo de campo durante dos campañas agrícolas consecutivas en una parcela experimental de 0,2 hectáreas, ubicada en el este de España.
Se compararon dos estrategias de riego:
-
Gestión guiada por el sistema de apoyo a la decisión Irrigation Advisor (IA).
-
Gestión tradicional basada en la experiencia del agricultor.
Esta comparación permitió introducir variabilidad real en el manejo hídrico, evaluando el comportamiento del modelo bajo dos condiciones contrastadas.
El objetivo no era únicamente predecir rendimiento, sino medir hasta qué punto la tecnología puede mejorar la eficiencia en el uso del agua frente a métodos convencionales.
Reducción del error: del 1,67 al 1,47 t/ha
Uno de los resultados más relevantes del estudio es la mejora cuantitativa en la precisión predictiva.
Durante la fase de validación se introdujeron en el modelo datos reales captados por drones en tres vuelos distintos, incluyendo:
-
Cobertura vegetal.
-
Evapotranspiración.
-
Información térmica del cultivo.
El indicador utilizado fue el RMSE (Root Mean Square Error), que mide el margen de error entre la predicción y el rendimiento real.
Resultados clave
| Escenario | RMSE (t/ha) | Variación |
|---|---|---|
| Sin datos de drones | 1,67 | — |
| Con integración UAV | 1,47 | -12% |
La reducción del error en aproximadamente 0,20 toneladas por hectárea confirma que la integración de teledetección mejora significativamente la capacidad predictiva del modelo.
Evapotranspiración: alta concordancia con mediciones reales
El estudio no solo evaluó rendimiento, sino también la estimación de la evapotranspiración, es decir, la pérdida de agua por:
-
Evaporación directa del suelo.
-
Transpiración de las plantas a través de los estomas.
Para ello se emplearon:
-
Imágenes térmicas captadas por drones.
-
Modelo de balance energético TSEB (Two-Source Energy Balance).
-
Mediciones directas en campo mediante micro-lisimetría.
Los resultados mostraron una elevada concordancia entre las estimaciones térmicas y las mediciones reales en tiempo real, lo que refuerza la fiabilidad del sistema.
Este aspecto es especialmente relevante en contextos mediterráneos, donde la gestión eficiente del agua es determinante para la rentabilidad del cultivo.
Calibración avanzada: análisis de sensibilidad y optimización híbrida
Uno de los elementos más técnicos del estudio fue la identificación de los parámetros del cultivo con mayor influencia en:
-
La simulación de la cobertura vegetal.
-
La estimación del rendimiento final.
Para ello se realizó un análisis de sensibilidad global, que permitió determinar qué variables aportaban mayor información al modelo.
Posteriormente, el equipo implementó un esquema de optimización híbrido:
-
PSO (Particle Swarm Optimization) → exploración global.
-
L-BFGS-B → ajuste fino local.
Este sistema en dos etapas permite:
-
Buscar los parámetros óptimos.
-
Refinar el modelo para maximizar la exactitud.
-
Reducir la incertidumbre estructural.
La combinación de exploración amplia y ajuste local garantiza un equilibrio entre robustez y precisión matemática.
Impacto en agricultura mediterránea
Según los investigadores, la integración de observaciones UAV de alta resolución en modelos de cultivo puede:
-
Mejorar el diagnóstico del uso del agua.
-
Optimizar la planificación del riego.
-
Aumentar la precisión en la estimación de cosecha.
-
Reducir riesgos económicos asociados a predicciones erróneas.
Sin embargo, el propio equipo advierte que las conclusiones deben interpretarse como indicativas, ya que requieren validación adicional en:
-
Más campañas agrícolas.
-
Diferentes explotaciones.
-
Otros cultivos hortícolas.
-
Diversas condiciones de manejo.
Proyecto DigitalRiego: financiación europea
El trabajo se ha desarrollado en el marco del proyecto DigitalRiego, financiado por:
-
Agencia Valenciana de la Innovación.
-
Unión Europea.
-
Fondo Europeo de Desarrollo Regional (FEDER).
La investigación se alinea con la estrategia europea de digitalización del sector agrario, sostenibilidad hídrica y agricultura de precisión.
Conclusión: hacia una agricultura predictiva más precisa
La investigación demuestra que la combinación de modelización digital y teledetección aérea puede mejorar de forma medible la predicción del rendimiento en cultivos hortícolas de alto valor.
La reducción del error del 12% no solo supone un avance estadístico, sino que tiene implicaciones económicas directas:
-
Mejor planificación de cosechas.
-
Optimización del riego.
-
Reducción de desperdicio hídrico.
-
Mayor estabilidad en la toma de decisiones.
Si futuras validaciones confirman estos resultados en más escenarios productivos, esta metodología podría convertirse en una herramienta estándar dentro de la agricultura de precisión mediterránea.
Jesús Huertas-Bastidas, Miguel Ángel Jiménez-Bello, Diego S. Intrigliolo, Juan Miguel Ramírez-Cuesta. Enhancing AquaCrop-OSPy yield predictions with UAV-based remote sensing data: a case study on broccoli. Computers and Electronics in Agriculture. DOI: doi.org/10.1016/j.compag.2025.111402
