En verano es común escuchar:

Y casi automáticamente aparece la decisión:

Hay que regar más.

Pero muchas veces el problema no está en el suelo.

Está en el aire.

Existe una variable que explica ese comportamiento…
y que rara vez se integra realmente en la toma de decisiones de riego.

Se llama Déficit de Presión de Vapor (DVP).

Un tensiómetro mide la fuerza con que el suelo retiene el agua.

El DVP mide la fuerza con que la atmósfera intenta extraerla desde la hoja.

Ambos se expresan en kPa.

Ambos representan una fuerza que condiciona el movimiento del agua en la planta.

Pero uno actúa desde el suelo.

Y el otro desde el aire.

En términos prácticos, indica cuánta “sed” tiene la atmósfera.

Pero más que una variable climática…

es una variable fisiológica.

Cuando el DVP supera aproximadamente los 3 kPa, comienzan respuestas estomáticas consistentes en muchas especies perennes.

No es un valor mágico ni universal.
Depende de la especie, la fase fenológica y la condición hídrica previa.

Pero en la práctica, sobre 3 kPa, el comportamiento cambia.

En cultivos como:

🥑 Paltos
🍊 Cítricos
🌿 Olivos

se observa:

• Reducción de apertura estomática

• Disminución de transpiración

• Menor tasa fotosintética

No porque falte agua en el suelo.
Sino porque la atmósfera está demandando más de lo que la planta puede sostener sin comprometer su equilibrio hídrico.

El fenómeno que llamamos “Desacople Suelo–Atmósfera”

En ViLab lo observamos con frecuencia y lo definimos así:

Desacople Suelo–Atmósfera (DSA)

Ocurre cuando:

• El suelo presenta humedad adecuada

• La ETc está correctamente repuesta

• Pero el DVP induce cierre estomático

En ese punto, el consumo de agua deja de reflejar la disponibilidad del suelo.

La planta cambia de régimen fisiológico.

Y ahí es donde se cometen los errores más costosos.

Un caso real de febrero

En un huerto de paltos Hass en expansión vegetativa registramos:

• 59 horas acumuladas sobre 3 kPa

• 3 eventos sobre 4 kPa

• El promedio histórico era 28 horas >3 kPa

• Sensores indicaban humedad adecuada en el perfil activo

• El balance hídrico estaba ajustado

Esa semana ocurrió:

• El NDVI bajó de 0,82 a 0,79

• El crecimiento vegetativo semanal se redujo ~18%

• La pendiente de expansión de fruto se moderó

No hubo déficit de suelo.

Hubo estrés atmosférico acumulado.

Ese es el DSA en acción.

El error técnico más frecuente

Cuando la planta cierra estomas:

👉 Disminuye la fotosíntesis
👉 Se desacelera el crecimiento
👉 Se reduce la expansión celular
👉 Disminuye el consumo de agua

Aquí aparece el error.

El productor observa menor crecimiento y concluye:

Entonces aumenta la lámina.

Pero si el consumo ya está reducido por cierre estomático, el exceso de riego puede provocar:

• Saturación del perfil

• Pérdida de oxigenación

• Asfixia de raíces finas

• Mayor susceptibilidad a patógenos radiculares

Muchos problemas radiculares en verano
no empiezan en el suelo.

Empiezan en el aire.

Sensibilidad al DVP según cultivo y fase

Los valores son referenciales.
La respuesta depende del estado fisiológico y del historial hídrico del cultivo.

Marco práctico: ¿Qué hacer cuando hay >40 horas >3 kPa?

Antes de aumentar riego, evaluar:

1️⃣ ¿Los sensores muestran saturación parcial o riesgo de baja oxigenación?
2️⃣ ¿La frecuencia es adecuada pero el volumen podría reducirse?
3️⃣ ¿La caída de NDVI coincide con picos de DVP?
4️⃣ ¿El consumo real de agua disminuyó respecto a la ETc estimada?

En eventos prolongados de alto DVP:

• Ajustar frecuencia antes que volumen

• Evitar sobrecompensar con láminas excesivas

• Interpretar imágenes satelitales con contexto climático

• Priorizar estabilidad radicular sobre crecimiento forzado

Una variable casi ausente en la formación de riego

En la mayoría de los cursos se enseña:

• Cálculo de lámina

• Estimación de ETc

• Interpretación de sensores

Pero pocas veces se profundiza en la interacción entre atmósfera y fisiología.

El riego no es solo reposición.

Es gestión de un sistema que responde simultáneamente a:

• Suelo

• Planta

• Atmósfera

Si solo miramos el suelo, estamos gestionando la mitad del sistema.

Integración real de datos

Cuando integramos:

• DVP horario y acumulado

• Dinámica NDVI

• Balance hídrico

• Estado radicular

dejamos de reaccionar y comenzamos a interpretar.

La agricultura basada en datos no es acumular gráficos.

Es entender qué variable explica a la otra.

La conclusión

No todo crecimiento lento es falta de agua.
No todo calor se corrige con más riego.

Existe un punto donde la atmósfera domina la fisiología.

Si no identificamos el Desacople Suelo–Atmósfera, podemos terminar dañando el sistema radicular intentando ayudarlo.

El riego no es una respuesta automática al calor.
Es una respuesta estratégica a la fisiología.

Y la fisiología no se entiende mirando solo el suelo.

Se entiende mirando el sistema completo.

Muchos campos tienen estación meteorológica.

Pero pocos realmente la usan para tomar decisiones.

En la práctica, la estación suele utilizarse para:

• Ver temperatura mínima

• Revisar lluvia acumulada

• Calcular ETo

• Cumplir con trazabilidad

Pero una estación bien utilizada puede transformarse en el centro del modelo agronómico del predio.

Porque el clima no es contexto.
Es el motor fisiológico que determina carga, competencia y calibre.

La pregunta no es si tener una estación.

La pregunta es:

¿Estamos usando correctamente la información que ya tenemos?

🎥 Prefieres verlo explicado en video?

👉 Grabé este análisis completo explicando cómo usar la estación para anticipar carga, riego y rendimiento:

¿Necesito estación propia?

En Chile —y en muchos otros países— existen redes públicas con datos históricos.

Pero el punto no es tener datos.

Es que esos datos representen el clima real del campo.

La representatividad depende de:

• Distancia entre la estación y el predio

• Diferencia de altitud

• Exposición (valle, ladera, fondo de cuenca)

• Influencia costera o continental

• Drenaje de aire frío

Una diferencia de 1–2 °C en mínima puede cambiar completamente:

• Intensidad de inducción floral

• Riesgo de heladas

• Acumulación térmica

• Balance hídrico estacional

Si la estación pública no representa tu condición real, necesitas una propia.

La pregunta correcta no es:

Sino:

Temperatura

Señal productiva, no solo tempertura mínima

La acumulación de bajas temperaturas regula procesos distintos según el cultivo:

• Frutales caducos: salida de dormancia

• Palto, cítricos y olivo: inducción floral y configuración de carga

• Hortalizas: vernalización y transición reproductiva

Lo relevante no es el modelo matemático.

Es entender qué proceso fisiológico está siendo activado.

En perennes

Un otoño con mayor acumulación de noches frías puede generar:

• Mayor intensidad de inducción floral

• Mayor carga potencial

• Mayor competencia interna en primavera

Pero mayor inducción no significa automáticamente mayor rendimiento final.

Si el balance hídrico y nutricional no acompañan:

• Aumenta el aborto

• Disminuye el calibre

• Se acentúa la alternancia

La estación permite anticipar ese escenario meses antes de la cosecha.

Fenología

Anticipar decisiones, no solo observar eventos

Con acumulación térmica puedes proyectar:

• Inicio de floración

• Peak de cuaja

• Inicio de crecimiento vegetativo fuerte

• Etapas de mayor demanda hídrica

En años cálidos:

• La floración se adelanta

• El crecimiento vegetativo cambia de intensidad

• La competencia fisiológica aumenta

En años fríos:

• La floración se retrasa

• La inducción puede ser más intensa

• La demanda hídrica se desplaza

Dos temporadas nunca son iguales aunque el manejo sea el mismo.

La estación permite anticipar ajustes en:

• Programación de riego

• Estrategia nutricional

• Regulación de crecimiento

• Proyección de carga

DPV

Cuando el problema no está en el suelo

Con temperatura y humedad se calcula el Déficit de Presión de Vapor (DPV).

En Palto Hass, semanas con DPV elevado durante cuaja pueden:

• Reducir eficiencia fotosintética

• Aumentar aborto fisiológico

• Limitar crecimiento inicial del fruto

Muchos cuadros que parecen “déficit nutricional” en imágenes satelitales son eventos atmosféricos transitorios.

Sin estación, se corrige el suelo.
Con estación, se entiende la atmósfera.

Evapotranspiración

Riego basado en consumo real

ETo × Kc = ETc

No es teoría.
Es consumo real de agua.

Ejemplo

Semana de verano:

ETo promedio: 6,5 mm/día
Kc: 0,75

ETc ≈ 4,9 mm/día
≈ 34 mm en la semana

Si se repusieron 25 mm:

Déficit acumulado: 9 mm

Ese déficit impacta:

• Crecimiento vegetativo

• Tamaño de fruto

• Competencia interna

• Proyección de rendimiento

El riego deja de ser horas.
Pasa a ser balance fisiológico.

Cuando cruzas ETc con NDVI o NDRE, el manejo deja de ser calendario y pasa a ser estratégico.

Variabilidad intra-predial

El clima tampoco es homogéneo

Una estación entrega una referencia general.
Pero el huerto no es homogéneo.

Dentro de un mismo campo pueden existir:

• Sectores más fríos por acumulación de aire

• Laderas con mayor ventilación

• Fondos de cuenca con mayor riesgo de heladas

• Sectores con distinta evaporación

Por eso muchos productores avanzados instalan:

• Sensores de temperatura adicionales

• Termógrafos distribuidos en distintos sectores

• Registradores en zonas críticas

Pequeñas diferencias térmicas pueden impactar:

• Intensidad de inducción floral

• Comportamiento de cuaja

• Distribución de carga

• Riesgo de daño por frío

La estación principal entrega el marco general.
Los sensores adicionales permiten entender la variabilidad interna.

Cuando eso se cruza con zonificación satelital, el manejo deja de ser promedio y pasa a ser sectorial.

Del clima al rendimiento

El clima no solo afecta fisiología.

Afecta configuración productiva.

En paltos, cítricos y olivos:

Mayor inducción → mayor carga potencial
Mayor carga → mayor competencia interna
Mayor competencia → riesgo de menor calibre si el balance hídrico no acompaña

La estación no sirve solo para explicar lo que ocurrió.

Sirve para ajustar manejo antes de que el impacto productivo ocurra.

Para concluir

La estación meteorológica no entrega datos.

Entrega capacidad de anticipación.

Anticipación de:

• Inducción floral

• Competencia fisiológica

• Déficits hídricos

• Riesgos productivos

Cuando se integra con fenología y satélite, deja de ser un panel climático.

Se transforma en una herramienta de gestión productiva.

La diferencia no está en tener datos climáticos.

Está en usarlos para decidir antes de que el árbol exprese el problema.

Hace algunos años, instalar una sonda de humedad en un campo era un acontecimiento.

Había que definir la profundidad.
Hacer la perforación.
Asegurar el contacto perfecto con el suelo.
Configurar el datalogger.

Era tecnología.

Hoy ya no.

Hoy puedes mirar tu celular y ver una curva en tiempo real.

28%.
31%.
19%.

Y, sin embargo, en muchos campos, el riego sigue funcionando exactamente igual que antes.

Ahí está el punto incómodo.

La tecnología cambió.
La decisión no.

Esta misma reflexión también la desarrollé en formato video.
Si prefieres verla explicada paso a paso, puedes hacerlo aquí:

👉 Ver video: https://youtu.be/EFAvHCTFSKg

Toda estrategia de riego debería responder cuatro preguntas simples:

¿Cuándo regar?
¿Cuánto tiempo regar?
¿Cuánta agua aplicar?
¿El riego es homogéneo?

Las tres primeras hablan de cantidad y frecuencia.

La cuarta habla de coherencia.

Porque puedes calcular perfectamente la lámina.
Puedes elegir el mejor momento.

Pero si el agua no se distribuye de forma uniforme, una decisión correcta en un punto puede ser incorrecta en otro.

Cuando uno instala sensores volumétricos por primera vez siente que por fin tiene control.

Ahora sabemos cuánta agua hay.

Pero aparece una pregunta que no estaba en el manual:

¿Eso que estoy viendo representa realmente lo que está viviendo la planta?

Porque el suelo no es un tanque.

Es una esponja.

Y no basta con saber cuánto agua hay almacenada.
Hay que entender con qué energía está retenida.

Ahí entra el tensiómetro.

No mide contenido.
Mide esfuerzo.

Mide la fuerza con la que el suelo retiene el agua.

Y de pronto uno descubre algo inquietante:

Puede haber 30% de humedad volumétrica
y al mismo tiempo el cultivo estar entrando en estrés.

No falta agua.
Falta disponibilidad energética.

En un suelo franco-arcilloso vimos exactamente eso.
La sonda mostraba estabilidad.
El tensiómetro subía hacia 50 centíbar al mediodía.
El cultivo comenzaba a cerrar estomas.

No había que aumentar la lámina.
Había que ajustar la frecuencia.

Ese matiz cambia completamente la decisión.

Pero incluso entendiendo la energía, todavía falta algo.

El sensor no mide el campo.
Mide el entorno inmediato de una planta.

Y una planta no es un cuartel.
Mucho menos un campo completo.

Un sensor representa el ambiente inmediato de esa planta.
Nada más.

Si lo instalas en el sector más profundo,
más arcilloso,
o simplemente el más cómodo,

la lectura será técnicamente correcta…

…pero agronómicamente engañosa.

En un proyecto desarrollado para SYSAGROTEC, empresa mexicana especializada en agricultura digital, en ViLab realizamos primero una zonificación histórica de un huerto de nogales adultos.

Aunque el campo estaba dividido operativamente en ocho sectores de Nogales de 55 años, desde el punto de vista hídrico solo existían dos ambientes claramente diferenciados.

Eso tenía una implicancia directa:
esos dos ambientes respondían de manera distinta frente a un mismo evento de riego.

Por lo tanto, para representar adecuadamente el sistema no bastaba una sola sonda.

Se determinó que eran necesarias dos sondas independientes, cada una ubicada en la zona más representativa de su ambiente homogéneo.

No en el punto más accesible.
No en el punto más profundo.
No en el punto “más verde”.

En el punto estadísticamente representativo.

Además, se definieron con precisión los lugares donde instalar cada una de ellas, evitando bordes, zonas de transición y sectores con anomalías locales.

El sensor dejó de ser un dispositivo.
Se convirtió en una decisión diseñada.

Y ahí la información empezó a tener sentido.

Hasta aquí podríamos pensar que el problema está resuelto.

Medimos volumen.
Medimos energía.
Elegimos bien el lugar.

Pero todavía queda una pregunta que suele olvidarse:

¿El riego es homogéneo?

Puedes tener el momento correcto.
La lámina correcta.
El sensor correcto.

Monitoreo ViLab de homogeneidad de riego en almendros (Cabildo, Región de Valparaíso). Diferencias internas de infiltración bajo una misma programación de riego.

Un sector puede recibir exactamente la misma programación de riego.
Sin embargo, algunas zonas pueden estar infiltrando 12 mm efectivos y otras apenas 7 mm efectivos, debido a diferencias de presión, obstrucción de emisores o líneas de riego desplazadas.

El cálculo fue correcto.
La distribución no.

Y entonces parte del campo queda en déficit
y otra parte en exceso.

Y entonces el problema ya no es cuánto riegas.

Es cómo se reparte.

Ahí es cuando uno entiende que el riego no es una variable aislada.

Es un sistema.

Suelo y planta.
Atmósfera y demanda.
Energía y distribución.

Cantidad aplicada.
Disponibilidad real.
Respuesta del cultivo.

Cuando esas piezas dialogan, la decisión cambia de naturaleza.

Deja de ser reactiva.
Se vuelve estratégica.

Y quizá por eso ocurre algo que todos hemos visto.

Sondas instaladas que dejaron de usarse.
Equipos que funcionaron una temporada y luego quedaron desconectados.
Tecnología guardada en una bodega o literalmente tirada en el suelo.

No porque no sirviera.

Sino porque nunca fue integrada en una lógica de decisión.

La complejidad del sistema exige algo más que instalar dispositivos.

Exige diseño.

Cuando esa integración no ocurre, volvemos a lo conocido:

La calicata.
La pala.
La mano tocando el suelo.

No porque esas prácticas sean absurdas.

Sino porque son comprensibles.

Son directas.
No requieren arquitectura sistémica.

El problema no es abrir calicatas.
El problema es creer que instalar tecnología cambia automáticamente la forma de decidir.
Si la lógica no cambia, el resultado tampoco.

Puedes tener sensores en el suelo, en la planta y en la nube…

…y seguir regando mal.

El problema no es la falta de datos.

Es la falta de diseño.

Medir no es decidir.
Sin integración no hay sistema.
Sin interpretación no hay criterio.

Sin diseño, el sensor es solo un accesorio.

🎥 Prefieres verlo en video

Si quieres este mismo contenido explicado paso a paso, puedes ver el video completo aquí:

👉 Ver el video en YouTube
https://youtu.be/9E1Ve-0v8nU

Es una de las preguntas que más se repite cuando alguien quiere empezar a usar teledetección en agricultura.
Y casi siempre es una mala pregunta.

No porque el dron sea una mala tecnología.
Ni porque el satélite no sirva.

Sino porque la pregunta aparece antes de haber definido la decisión.

El error que se repite en muchos campos

Un agricultor invierte en drones.
Cámara multiespectral, cámara térmica, alta resolución.
Mapas espectaculares.

Quiere ajustar riego.

El problema aparece después.

Su sistema de riego aplica agua de forma homogénea a nivel de bloque o sector.
No existe ninguna forma operativa de actuar de manera distinta planta por planta.

El mapa no estaba mal.
La decisión sí.

Y esto es incómodo de decir, pero necesario:
en muchos casos, el dron no falla… sobra.

El problema no es la tecnología

Este error no es exclusivo de los drones.
También ocurre al revés.

Productores que quieren hacer correcciones muy finas —dosificación variable, aplicaciones localizadas—
pero solo cuentan con información satelital de baja resolución.

Ahí el satélite no alcanza.

El problema no es el dron ni el satélite.
El problema es la desalineación entre el nivel de información y la capacidad real de actuación.

Un punto que casi nadie aclara

Para entender por qué pasa esto, hay que aclarar algo básico:

la teledetección es la misma, usemos drones o satélites.

En ambos casos hablamos de sensores remotos que miden radiación reflejada o emitida por el cultivo.
Muchas veces, incluso, los tipos de cámaras son equivalentes:

• cámaras multiespectrales

• cámaras térmicas

• sensores diseñados para capturar información fisiológica

Lo que cambia no es el concepto de medición.

Lo que cambia es:

• la resolución espacial

• la frecuencia de captura

• la cobertura

• y el costo

¿Basta con una imagen satelital?

Pensemos en un caso muy concreto.

Detectamos un posible problema de clorofila o de fotosíntesis.
Queremos decidir si hacemos una corrección rápida, por ejemplo una aplicación foliar correctiva.

La pregunta real no es si el dron es más preciso.

La pregunta es otra:

¿ya tengo suficiente información para decidir, o necesito más detalle?

En muchos casos, una imagen satelital es más que suficiente.

Permite detectar el problema,
ubicarlo espacialmente,
compararlo con semanas anteriores,
y decidir si la corrección se justifica.

No necesitamos ver cada hoja.
Necesitamos confirmar el problema y actuar a tiempo.

Ahí el satélite tiene una ventaja clara:
menor costo, mayor frecuencia y menor fricción operativa.

Cuando más resolución no ayuda

Volvamos al riego.

¿Qué sentido tiene medir estrés hídrico planta por planta
si el sistema de riego o fertirriego opera a nivel de bloque o sector?

Dentro de ese cuartel no existe forma operativa de aplicar un caudal distinto a una planta que a otra.

En ese contexto, la pregunta clave no es cuánta variabilidad puedo medir,
sino a qué escala puedo realmente intervenir.

Por eso, muchas veces es mucho más útil contar con una imagen satelital
que represente el comportamiento promedio del sector de riego,
que tener un mapa con variabilidad cada pocos centímetros
sobre la cual no se puede actuar.

Más resolución no implica mejor decisión
cuando no existe capacidad de intervención a esa escala.

Ahí el satélite no es una opción “menos precisa”.
Es simplemente la herramienta correcta para la decisión que se quiere tomar.Entonces, ¿cuándo sí tiene sentido el dron?

El dron agrega valor cuando existe capacidad real de actuar sobre esa variabilidad:

• dosificación variable

• aplicaciones fitosanitarias localizadas

• conteo de plantas

Ahí la resolución importa.
Y mucho.

Si no existe esa capacidad de acción,
el dron no es “demasiado avanzado”.

Es simplemente innecesario para esa decisión.

Cuando el dron no reemplaza al satélite, lo acompaña

Hay otro escenario donde el dron agrega valor,
y no tiene que ver con mayor resolución.

Tiene que ver con uso operativo inteligente.

En muchos campos, el mismo dron que se utiliza para aplicaciones fitosanitarias
no está volando todos los días.

En los períodos en que no hay aplicaciones,
ese dron puede cumplir otro rol igual de valioso:
ser un observador en terreno.

El flujo suele ser simple.

El satélite pasa,
detecta una anomalía,
un cambio respecto a semanas anteriores,
algo que se sale del comportamiento normal.

Y recién ahí entra el dron.

No para mapear todo el campo,
sino para volar bajo en ese punto específico,
confirmar qué está ocurriendo realmente,
y apoyar la decisión en terreno.

En ese esquema, el satélite no compite con el dron.
Lo activa.

Uno detecta.
El otro confirma.

La pregunta correcta

Por eso, la pregunta correcta no es:

La pregunta correcta es:

Cuando la decisión está clara,
la tecnología se elige sola.

Cuando no,
cualquier tecnología parece insuficiente…
o innecesariamente cara.

Para cerrar

En agricultura digital no se trata de recopilar datos por recopilar datos.
Los datos solo tienen valor cuando el nivel de información obtenido
está alineado con el nivel de actuación disponible.

Antes de sumar más tecnología,
conviene hacerse una pregunta simple:

¿a qué escala puedo realmente actuar en mi campo mañana?

Porque la tecnología correcta no es la más avanzada.
Es la que te permite cambiar una decisión real, a tiempo.

La teledetección no es un sensor mágico.
Es un lenguaje.

Y como todo lenguaje,
si no se entiende bien,
se puede usar…
y aun así tomar una mala decisión.

Este correo ha sido preparado por el Equipo de ViLab | www.vilab.cl

Antes de hablar de indicadores, inteligencia artificial o alertas automáticas, hay una pregunta básica que muchas veces se pasa por alto:

En agricultura digital solemos hablar de sensores como si midieran directamente lo que queremos manejar: estrés, vigor, agua disponible o nutrición.
Pero la realidad es distinta.

En este artículo revisamos los principales sensores y métodos utilizados hoy para capturar datos agrícolas, explicando qué miden, cómo se capturan los datos en terreno y para qué se utilizan realmente.

🎥 ¿Prefieres ver este contenido en video?

Si te resulta más cómodo el formato audiovisual,
preparamos un video en YouTube donde recorremos estos mismos conceptos,
apoyados con esquemas y ejemplos visuales.

👉 Sensores en agricultura: medir es fácil, entender es lo difícil
[Ver el video en YouTube]

1️⃣ Sensores de suelo

Sensores de humedad de suelo basados en técnicas dieléctricas

Los sensores más comunes para medir humedad de suelo se basan en técnicas dieléctricas, que estiman el contenido de agua a partir de la constante dieléctrica del suelo.

Esta constante varía fuertemente según el material:

Debido a esta diferencia, la señal está dominada por el contenido de agua, por lo que estos sensores también se conocen como sensores volumétricos.

Las tecnologías más utilizadas incluyen TDR, FDR, ADR, TLO, TL y TDT, diferenciándose principalmente en si miden el tiempo de retorno, la frecuencia o la amplitud de la señal electromagnética.

¿Para qué se utilizan?

• Analizar la dinámica de humedad del suelo

• Evaluar recarga y agotamiento tras riego o lluvia

• Comparar profundidades y sectores

👉 No miden agua “útil” directamente y requieren interpretación por tendencias y contexto.

Sensores de potencial mátrico (tensiómetros)

El tensiómetro mide el potencial mátrico, es decir, la energía con la que el agua está retenida en el suelo.

• Qué miden: la energía necesaria para que la planta extraiga el agua

• Qué no miden: contenido de agua

Mientras los sensores dieléctricos indican cuánta agua hay, los tensiómetros indican qué tan difícil es extraerla.

👉 Su correcta interpretación requiere conocer la textura del suelo, ya que un mismo valor puede representar condiciones muy distintas.

Sensores de conductividad eléctrica del suelo (on-the-go)

Sensores como los de resistividad eléctrica o inducción electromagnética (por ejemplo, EM38) miden conductividad eléctrica aparente (ECa), normalmente expresada en mS/m.

Estos sensores se transportan sobre el terreno (tractor o cuatrimoto) y realizan una lectura continua y georreferenciada, generando miles de puntos y mapas en tiempo real.

La ECa es una señal integrada influenciada por:

• textura

• humedad

• salinidad

• materia orgánica

👉 No mide ninguna de estas variables por separado.

Usos principales:

• Delimitación de zonas homogéneas de manejo

• Diseño de muestreo dirigido

• Apoyo a riego y fertilización variable

Sensores de rayos gamma

Existen equipos que utilizan radiación gamma natural para caracterizar el suelo.
Las variaciones detectadas se relacionan con propiedades físicas, químicas y textura.

👉 Su principal ventaja es que permiten obtener múltiples variables simultáneamente, complementando muy bien los mapas de conductividad eléctrica.

Radares de penetración terrestre (GPR)

El Georadar (GPR) se utiliza para analizar la estructura del perfil del suelo, permitiendo:

• estimar profundidad efectiva

• detectar capas compactadas

• delimitar series de suelo

El resultado es un radargrama que muestra discontinuidades del terreno, no propiedades químicas.

Medición de compactación del suelo

La compactación se asocia directamente a la densidad aparente.

Aunque históricamente se utilizó el método del cilindro, hoy el instrumento más común es el penetrómetro de suelo, que mide la resistencia mecánica a distintas profundidades.

Valores superiores a 2 MPa, medidos a capacidad de campo, suelen indicar restricciones al crecimiento radicular.

2️⃣ Muestreo de suelos: barrenos y calicatas

El muestreo tradicional mediante barrenos y calicatas sigue siendo ampliamente utilizado, especialmente cuando se requiere análisis químico o textural de laboratorio.

Su principal limitación es que representa puntos específicos, por lo que puede no capturar adecuadamente la variabilidad espacial del predio.

👉 El análisis puede ser correcto, pero no necesariamente representativo.

3️⃣ Sensores de planta

Entre los sensores de planta más utilizados se encuentran:

Dendrómetros, que miden micromovimientos del diámetro del tronco, ramas, permitiendo analizar la respuesta de la planta al balance hídrico.

Sensores de flujo de savia, que miden la velocidad de movimiento del agua dentro de la planta y permiten estimar transpiración y respuesta a clima y riego.

👉 Son sensores muy potentes, pero requieren contexto y correcta interpretación.

4️⃣ Sensores climáticos

Estaciones meteorológicas

Las estaciones meteorológicas miden variables como temperatura del aire, humedad relativa, radiación, viento y precipitación.

No miden consumo de agua ni estrés directamente, pero son fundamentales para alimentar modelos como evapotranspiración, riesgo climático y fenología.

👉 La estación no decide: alimenta modelos.

Registradores de temperatura (data loggers)

Además de las estaciones, se utilizan sensores de temperatura autónomos, de bajo costo y alimentados por batería, conocidos como data loggers.

• Miden temperatura del aire

• Se usan en transporte de fruta y cadena de frío

• Permiten medir temperaturas mínimas en campo

• Son clave para detectar y caracterizar heladas

👉 No reemplazan a una estación meteorológica, pero permiten alta densidad espacial de mediciones, especialmente útil para análisis térmico intrapredial.

5️⃣ Sensores remotos: cámaras

Cámaras multiespectrales

Las cámaras multiespectrales miden reflectancia en distintas bandas del espectro, permitiendo calcular índices como NDVI / NDRE, analizar variabilidad espacial y detectar anomalías.

Cámaras térmicas

Las cámaras térmicas miden radiación térmica y temperatura superficial, siendo útiles para analizar diferencias espaciales de temperatura del dosel y apoyar estudios de estrés hídrico.

👉 Las cámaras miden señales físicas, no estados fisiológicos.

6️⃣ Análisis foliares

El análisis foliar mide directamente la concentración de nutrientes en las hojas de la planta.

Entrega una fotografía precisa del estado nutricional, pero es puntual en el tiempo y no captura variabilidad espacial.

7️⃣ Otros sensores utilizados en agricultura

• Sensores ópticos activos de proximidad (NDVI portátil)

• Sensores ópticos de hoja (SPAD, Dualex)

• Sensores de mojamiento foliar

• Lisímetros (uso experimental)

Todos ellos cumplen roles específicos y complementarios, pero ninguno reemplaza la necesidad de integrar información.

🧭 Cuadro resumen: sensores, qué miden y para qué se usan

🔑 Mensaje final

Hoy, para casi cualquier variable agronómica que podamos imaginar, existe algún sensor capaz de medirla —o al menos de estimarla.
El verdadero desafío ya no está en medir, sino en interpretar esas mediciones, entender sus supuestos y convertirlas en decisiones coherentes con el sistema productivo.

Eso es, en esencia, agricultura digital basada en datos.

Este correo ha sido preparado por el Equipo de ViLab | www.vilab.cl

La semana pasada vimos que el problema en agricultura ya no es la falta de datos, sino qué hacemos con ellos.
Hoy damos un paso atrás, porque antes de analizar, interpretar o automatizar cualquier cosa, hay una pregunta clave:

¿Qué decisión quiero tomar y qué dato necesito para respaldarla?

Porque si no tenemos clara la decisión, cualquier sensor es caro.

🎧 ¿Prefieres escucharlo o verlo en formato video?

Este contenido también está disponible como una masterclass breve en video, pensada para escucharse con calma, como si fuera una clase ejecutiva sobre agricultura digital.

👉 Ver el video completo aquí: https://youtu.be/N0gjewOVZQw

No todos los sensores sirven para lo mismo

Cuando se habla de agricultura digital, muchas veces se parte desde la tecnología:
satélites, drones, sensores de suelo, plataformas.

Ese enfoque suele llevar a errores.

En agricultura, la tecnología no se elige primero.
Primero se define la decisión, luego el tipo de información necesaria y recién al final el sensor.

No todas las decisiones requieren el mismo nivel de información, ni el mismo tipo de dato.

Sensores según la distancia al objeto

Existen sensores que capturan información a distancia, como los satélites o los drones.
Su principal ventaja es que permiten observar grandes superficies al mismo tiempo y entender la variabilidad espacial del predio.

Pero esa cobertura tiene un costo:
a mayor distancia, menor nivel de detalle.

Por otro lado, existen sensores que trabajan muy cerca del objeto, incluso en contacto directo con el suelo o la planta.
Aquí entran los sensores de humedad de suelo, estaciones meteorológicas o sensores portátiles.

Cubren menos superficie, pero entregan mayor precisión local.

Por eso, la pregunta correcta no es “satélite o sensor de suelo”, sino:

¿necesito ver todo el campo o necesito entender qué pasa en un punto específico?

Sensores según cómo capturan la información

Otra forma de clasificar los sensores es según cómo recolectan los datos.

Algunos sensores registran información de forma continua, permitiendo generar mapas y analizar patrones espaciales.
Otros miden de forma puntual, en ubicaciones específicas.

Ambos enfoques son válidos, pero sirven para preguntas distintas:

• un mapa continuo ayuda a identificar dónde mirar,

• una medición puntual ayuda a entender qué está pasando realmente.

El tiempo también importa

No todas las decisiones agrícolas se toman en el mismo horizonte temporal, y eso define directamente qué tipo de sensor y qué tipo de dato necesitamos.

Hay decisiones que requieren reaccionar de inmediato.
Por ejemplo, la activación de riego por heladas, el manejo climático en un invernadero o el control de temperatura en un sistema sensible.
En estos casos, el dato debe estar disponible en tiempo real.
Un dato que llega horas o días después simplemente no sirve.

Pero existen otras decisiones donde el tiempo juega un rol distinto.

Por ejemplo, cuando se busca ajustar una estrategia de riego, evaluar la uniformidad del riego o priorizar sectores con mayor estrés hídrico, no se necesita una reacción inmediata.
Aquí lo importante es entender tendencias y patrones en el tiempo, no un valor puntual.

En estos casos, una imagen satelital periódica o un análisis diario puede ser mucho más útil que un sensor en tiempo real, o que información capturada de forma esporádica —por ejemplo, imágenes térmicas obtenidas dos o tres veces por temporada—, que entregan una fotografía puntual, pero no permiten comprender la dinámica real del sistema productivo.

No es lo mismo:

• decidir cuándo encender el riego hoy,

• que decidir cómo rediseñar los sectores de riego para toda la temporada.

Ambas decisiones son importantes,
pero requieren datos distintos, capturados con tiempos distintos.

El error más común: partir desde el sensor

Muchos proyectos de agricultura digital fallan siempre por lo mismo.

Empiezan diciendo:
“vamos a usar satélite”,
“vamos a usar drones”,
“vamos a instalar sensores”.

Pero nunca se preguntan primero:

• qué decisión quieren tomar,

• qué problema quieren resolver,

• qué variable explica realmente ese problema.

Sin esa definición, el sensor termina siendo solo un generador de datos, no una herramienta de decisión.

Un ejemplo concreto: redefinir sectores de riego

Para aterrizar esta idea, veamos un ejemplo real en el que trabajamos esta semana.

El objetivo del estudio no era analizar el estado productivo del cultivo, ni evaluar vigor o rendimiento.
La decisión que se quería respaldar era muy clara:

redefinir los sectores de riego del campo.

El problema era que los sectores actuales agrupaban superficies con comportamientos de suelo muy distintos, y además convivían en un mismo sector árboles adultos y replantaciones recientes.

Esto hacía imposible regar de forma eficiente, incluso contando con buena infraestructura y automatización.

Por eso, la primera pregunta no fue qué sensor usar, sino:

¿qué información necesitamos para rediseñar correctamente los sectores de riego?

En este caso, lo relevante no era la respuesta puntual de una planta,
sino entender cómo se comporta el suelo frente al riego, de manera estructural y transversal a todo el campo.

Para eso se integraron distintas fuentes de información:

• muestreos de suelo en puntos representativos,

• información satelital en sectores sin cobertura vegetal,

• análisis geomorfológico y topográfico para entender drenaje, pendiente y acumulación de agua.

El resultado no fue un mapa productivo ni un indicador del desempeño del cultivo.

Fue un mapa de unidades funcionales de suelo, independiente del estado actual del huerto.

A partir de ese mapa se identificaron zonas con distinta capacidad de retención, drenaje y respuesta al riego, y ese resultado se utilizó como base técnica para redefinir los sectores de riego, trabajando en conjunto con el diseño hidráulico.

El sensor no tomó ninguna decisión.

Permitió ordenar el campo, entender su lógica interna. Y, sobre todo, permitió separar decisiones estructurales de decisiones operativas, evitando seguir ajustando el riego sobre un diseño que ya estaba mal definido.

La decisión final —cómo dividir los sectores de riego— fue una decisión agronómica y de diseño hidráulico, respaldada por datos.

La lógica correcta

Este ejemplo resume muy bien la lógica de la agricultura basada en datos:

primero la decisión,
después el tipo de información,
y recién al final el sensor.

Las tecnologías no compiten entre sí.
Se complementan.

La agricultura moderna no falla por falta de tecnología.
Falla cuando se mide sin un propósito claro.

Antes de instalar sensores, conviene responder una sola pregunta:

¿qué decisión quiero mejorar con este dato?

Cuando ese orden se respeta, los datos dejan de ser números y se transforman en decisiones operativas reales.

Este correo ha sido preparado por el Equipo de ViLab | www.vilab.cl

Esta semana entramos de lleno en un tema que es fundamental para entender la agricultura moderna: cómo capturamos los datos agrícolas y cómo esos datos se transforman finalmente en decisiones de manejo.

El recorrido es el siguiente:
partimos desde un dato, ese dato pasa por un flujo de información, y ese flujo termina en una recomendación agronómica concreta, incluso en una decisión que puede llegar a estar totalmente automatizada.

Ese recorrido —ese flujo— es el que vamos a profundizar, comenzando por el primer eslabón: la captura y recolección de datos agrícolas.

🎧 Prefieres escucharlo o verlo en video?
Este contenido también está disponible en formato video (ideal para escucharlo mientras trabajas o manejas).

👉 Ver el video en YouTube: https://youtu.be/YecqKe-O-Y0

Agricultura basada en datos (no en recetas)

Cuando hablamos de agricultura basada en datos, no hablamos de acumular información por acumular.

Hablamos de obtener datos que permitan tomar decisiones.

Decisiones sobre:

• riego,

• poda,

• fertilización,

• sanidad,

• cosecha.

Son múltiples variables, pero con un solo objetivo: decidir mejor.

Y aquí es importante decir algo muy claro:
no sirve de nada recopilar datos si esos datos no aportan a la toma de decisiones.

En la gestión agrícola existen muchos tipos de decisiones —productivas, comerciales, financieras—, pero aquí el foco está puesto principalmente en las decisiones productivas, es decir:

• cómo asegurar una buena producción,

• cómo optimizar costos,

• cómo usar mejor los insumos,

• cómo reducir pérdidas.

Experiencia vs datos: la clave

Muchas veces se contrapone la experiencia con los datos.
Y eso es un error.

La experiencia es valiosísima, pero no es suficiente por sí sola.

Si tomamos decisiones solo desde la experiencia, sin saber qué está ocurriendo realmente en el sistema productivo, estamos trabajando a ciegas.

Aquí entra, por ejemplo, la ley del mínimo:
no sacamos nada con aumentar un nutriente si ese no es el factor limitante del cultivo.

Eso no solo no mejora el rendimiento, sino que incrementa los costos.

Una agricultura racional y sustentable requiere:

• experiencia,

• sí,

• pero respaldada por antecedentes objetivos.

Y esos antecedentes son los datos.

El ciclo de gestión de datos

Ahora bien, no basta con medir.

La agricultura basada en datos funciona como un ciclo de gestión, que comienza en el cultivo y termina en la acción.

Este ciclo se puede resumir así:

1. Sensores

Dispositivos que capturan variables del cultivo o del ambiente, como:

• temperatura,

• humedad,

• radiación,

• vigor vegetativo,

• estado de la planta,

• condiciones del suelo.

2. Plataformas o software

Donde esos datos se almacenan y se gestionan.

3. Análisis

Que puede ser humano, asistido o automatizado mediante inteligencia artificial.

4. Interpretación experta

Donde el dato se transforma en información útil.

5. Decisión y acción

Aquí termina el ciclo.
Si no hay acción, el ciclo está incompleto.

Este ciclo no es teórico.
En sistemas reales de monitoreo agrícola, este flujo ocurre semana a semana.

Por ejemplo, en el monitoreo del vigor vegetativo, un valor de NDVI por sí solo dice poco.
El valor adquiere sentido cuando se compara contra una referencia histórica para ese cultivo, esa variedad y esa semana del año.

Cuando un sector del campo se desvía de su comportamiento esperado, se genera una anomalía.

Esa anomalía no es todavía una acción, pero sí una señal clara de que algo cambió:

• un problema de riego,

• una limitación nutricional,

• un daño mecánico,

• o una condición ambiental específica.

En ese punto, el dato dejó de ser un número.
Se transformó en información que orienta una decisión agronómica concreta.

Ejemplo clave: del dato a la acción

Un ejemplo clásico de este ciclo completo es el uso del WeedSeeker.

El WeedSeeker es un sensor que existe hace más de 20 años.
No es una tecnología nueva.

Es un sensor montado en una pulverizadora que detecta si hay planta o no hay planta.

• Si detecta planta: abre la boquilla y aplica herbicida.

• Si detecta suelo: no aplica.

Todo ocurre en tiempo real, en una sola pasada y sin intervención humana.

¿Qué pasó en este proceso?

• el sensor capturó un dato,

• el sistema lo interpretó,

• se tomó una decisión,

• y se ejecutó una acción.

Eso es gestión de datos aplicada.

Hoy este mismo principio se puede implementar con drones, imágenes satelitales, mapas de prescripción y maquinaria convencional.

La tecnología puede cambiar,
pero el flujo es siempre el mismo:

dato → análisis → decisión → acción

Dato no es información

Un punto clave:
dato no es información.

Un agricultor, un administrador o un asesor no necesita datos.
Necesita información para decidir.

Hoy el problema ya no es la falta de datos.
Es exactamente lo contrario.

Tenemos tantos datos que podemos abrumarnos.

• Con pocos datos, decidimos mal.

• Con demasiados datos sin estructura, también decidimos mal.

La clave está en contar con herramientas que:

• integren,

• filtren,

• procesen,

• interpreten.

Aquí entran los sistemas informáticos, la automatización, la inteligencia artificial y los sistemas expertos.

No para reemplazar al agrónomo,
sino para potenciar su trabajo.

Sensores y tipos de información

Los sensores no miden directamente las variables finales.

Por ejemplo:

• la salinidad no se mide directamente,

• se mide conductividad eléctrica,

• y luego se transforma mediante una relación matemática.

Esto es clave:
los sensores miden propiedades relacionadas, no la variable final.

Según su ubicación, los sensores pueden medir:

• la planta,

• el suelo,

• el ambiente.

Escala, representatividad y variabilidad

No todas las variables se comportan igual en el espacio.

• La radiación solar suele ser bastante homogénea.

• La temperatura mínima puede variar mucho.

• La humedad relativa cambia con ríos, relieve y vegetación.

Por eso, no existen recetas del tipo “un sensor cada X hectáreas”.

Todo depende de la variabilidad espacial.

Aquí se combinan sensores en terreno con imágenes satelitales o drones para decidir:

• dónde medir,

• cuánto medir,

• y qué tan representativa es esa medición.

De los datos al tablero de control

Antiguamente, los datos se bajaban en terreno, se cargaban en Excel y quedaban ahí.

Hoy, los datos se procesan en segundo plano y el usuario final recibe una recomendación clara.

No todos los usuarios necesitan el mismo nivel de información.

• El asesor puede querer ver curvas, mapas y tendencias.

• El operario necesita una instrucción clara en su celular.

Por ejemplo:

Detrás de esa instrucción hay múltiples variables y cálculos,
pero el valor aparece recién cuando la información se transforma en acción operativa.

Una buena gestión de datos no expone complejidad innecesaria.
La procesa y entrega decisiones claras.

El cambio de rol del agrónomo

Hoy el agrónomo ya no es solo un “médico de plantas”.

Es también:

• un integrador de información,

• un analista de datos,

• un tomador de decisiones basado en evidencia.

La tecnología no va a reemplazar al agrónomo.
Va a reemplazar a quienes no usen estas herramientas.

En la próxima publicación profundizaremos en los distintos tipos de sensores disponibles para capturar variables del cultivo y del ambiente, y en qué situaciones conviene utilizar cada uno.

Nos vemos en la próxima publicación.

Este correo ha sido preparado por el Equipo de ViLab | www.vilab.cl

Hoy, muchas explotaciones agrícolas son simplemente demasiado grandes, demasiado variables y demasiado complejas para ser gestionadas como se hacía antes.

Cuando tienes cientos o miles de hectáreas —muchas en cerros y laderas— con distintos suelos, sectores adultos y otros en formación, diferentes portainjertos, variedades, marcos de plantación y manejos, la toma de decisiones deja de ser un problema técnico.

Pasa a ser un problema de control.

Y el problema no es que falten datos.
Es exactamente lo contrario.

Hoy existen demasiados datos, en demasiados formatos, en demasiadas aplicaciones, y además están cambiando todo el tiempo:

• Imágenes satelitales

• Sensores de riego

• Estaciones meteorológicas

• Drones

• Análisis foliares

• Recorridos de campo

• Reportes técnicos

Todo ocurre en paralelo mientras el cultivo sigue creciendo, estresándose, recuperándose o deteriorándose.

Por eso, hoy el verdadero cuello de botella de la agricultura no es la tecnología.

Es la falta de una torre de control.

🌱 Nace Campo Protegido

En ViLab llevamos años viendo este problema desde adentro, trabajando con huertos cada vez más grandes, más heterogéneos y más difíciles de recorrer.

Por eso desarrollamos algo distinto.

Lo llamamos Campo Protegido.

Campo Protegido es, en la práctica, un servicio de vigilancia… pero para cultivos.

Así como una central de alarmas protege un edificio completo con cámaras, sensores y monitoreo continuo, Campo Protegido protege todo el campo usando:

• Imágenes satelitales

• Sensores

• Datos agronómicos

• Modelos de referencia por variedad, zona y etapa fenológica

No mira por mirar.
Busca dónde algo se está saliendo de lo normal.

Los problemas reales no aparecen de golpe

En agricultura a gran escala, los problemas casi nunca son explosivos.

No ocurre que un día todo esté perfecto
y al día siguiente todo esté mal.

Lo que ocurre es más sutil:

• Un sector empieza a comportarse distinto

• Otro se queda atrás

• Otro pierde vigor lentamente

Y cuando alguien lo ve a simple vista, muchas veces ya pasó lo más caro:

• Ya hubo pérdida de rendimiento

• Ya hubo un problema de riego

• Ya hubo un estrés que no se corrigió a tiempo

Ese es el verdadero riesgo de la agricultura moderna.

No es la falta de tecnología.
Es la falta de control.

¿Qué es Campo Protegido?

Campo Protegido es nuestro sistema de monitoreo y vigilancia de cultivos.

No está diseñado para producir mapas bonitos.
Está diseñado para detectar cambios.

Cada día el sistema:

• Escanea todo el campo con imágenes satelitales

• Compara cada sector o cuartel contra su comportamiento histórico

• Lo contrasta con valores de referencia para su variedad, su zona y su etapa fenológica

• Y detecta dónde algo se está saliendo de lo normal

No nos interesa saber cómo está todo.

Nos interesa saber qué cambió.

Porque ahí está el problema real.

🎥 Si prefieres ver esto explicado en video

También publicamos un video donde explicamos Campo Protegido y su metodología paso a paso:

👉 Ver el video en YouTube: https://youtu.be/MafCuYz0Xrg

La metodología detrás de Campo Protegido

Campo Protegido no es un software.
Es un sistema operativo de gestión agrícola basado en cuatro etapas.

1️⃣ Captura de imágenes

Usamos imágenes satelitales multiespectrales de alta resolución y frecuencia diaria, que nos permiten observar todo el campo de forma objetiva todas las semanas.

2️⃣ Análisis y detección de anomalías

No miramos una imagen aislada.
Analizamos múltiples imágenes cada semana y las comparamos:

• Contra valores de referencia por variedad y zona

• Contra el historial del mismo huerto

Ahí aparecen las señales:

• Sectores que empiezan a quedarse atrás

• Zonas que pierden vigor

• Otras que se comportan distinto a lo esperado

3️⃣ Terreno y datos localizados

Cuando el sistema levanta una señal, recién ahí se va a terreno.

Ahí entra:

• El dron

• El sensor de humedad

• La calicata

• El análisis foliar

Ya no se muestrea a ciegas.
Se va con una hipótesis y a lugares específicos.

4️⃣ Toma de decisiones

Con información objetiva, evidencia y contexto real del campo.

Eso cambia completamente la forma de gestionar una explotación agrícola.

Un caso real: Agrícola Bulnes

La semana pasada vimos esto en un campo en San Felipe.

Un huerto enorme, en cerros, donde desde el suelo todo se ve como un bosque continuo.
Recorrerlo completo es físicamente inviable.

Sin Campo Protegido, uno podría pasar semanas caminando sin encontrar dónde está el problema real.

Pero el sistema levantó una alerta:

Al analizar el NDVI y el NDRE semana a semana, detectó que un sector específico estaba empezando a desviarse.

No todo el campo.
No algo general.
Un sector.

Ahí se fue a terreno.
Ahí se usó el dron.

Ahí se revisó riego y suelo.

Y se encontró que ese sector estaba sobre una quebrada antigua, una línea natural de drenaje que evacuaba el agua por debajo del perfil radicular.

Eso no se ve caminando.
No se ve en una visita puntual.

Pero sí aparece cuando analizas patrones históricos con imágenes multiespectrales.

¿Por qué no basta con tener mapas?

Hoy muchos administradores tienen mapas:

• NDVI

• Térmicos

• Drones

• Sensores de humedad

Pero el problema no es tener datos.
Es interpretarlos.

Un NDVI bajo puede significar:

• Estrés hídrico

• Problema de riego

• Deficiencia nutricional

• Suelo limitante

• Enfermedad

Por eso en ViLab no usamos una sola capa.

Combinamos:

• Imágenes

• Topografía

• NDRE

• Sensores

• Análisis foliares

• Clima

• Y el conocimiento del administrador

Ese cruce es lo que transforma una señal en un diagnóstico.

El rol del asesor cambia

El asesor ya no llega a recorrer el campo buscando problemas.
Llega con una lista corta de sectores donde algo cambió.

Y el administrador, que conoce su campo mejor que nadie, aporta el contexto.

Esa conversación es la que permite decidir bien.

La tecnología no reemplaza a las personas.
Les permite ver lo que a simple vista ya no se ve.

El nuevo estándar de gestión

En campos pequeños todavía se puede caminar todo.

En campos grandes, eso ya no es una estrategia.

La ventaja hoy no está en mirar más.
Está en saber dónde mirar primero.

Eso es Campo Protegido:

En otras palabras:

Un sistema que protege el rendimiento antes de que el problema se vuelva visible.

Eso es pasar de reaccionar… a controlar.

Y en agricultura, controlar es lo que separa a las empresas que sobreviven de las que crecen.

Este correo ha sido preparado por el Equipo de ViLab | www.vilab.cl

Durante los últimos años, la agricultura digital se ha asociado casi exclusivamente a tecnología:
drones, satélites, plataformas, software.

Pero la agricultura digital no existe porque la tecnología sea nueva.

Existe porque el sistema productivo hoy es demasiado complejo para manejarlo solo con intuición y recorridos a campo.

Mirar el campo ya no siempre alcanza

Durante mucho tiempo, mirar el campo fue suficiente.

Caminarlo.
Observarlo.
Conocer sus sectores.
Tomar decisiones desde la experiencia.

Y esa experiencia sigue siendo fundamental.

Lo que cambió no es el agricultor ni el asesor.
Lo que cambió es el contexto en el que hoy toman decisiones.

Cuando la complejidad supera a la intuición

Hoy los campos son:

• más grandes

• más variables internamente

• más sensibles a pequeños cambios

No es que sepamos menos.

Es que el sistema es objetivamente más complejo.

La agricultura digital aparece cuando:

• la escala crece

• la variabilidad aumenta

• el tiempo para detectar problemas se reduce

• y el costo del error se vuelve más alto

En ese escenario, la intuición por sí sola deja de ser suficiente.

Agricultura digital: qué es (y qué no es)

La agricultura digital no es:

• drones

• software

• mapas bonitos

Eso son herramientas.

La agricultura digital es:

• tomar decisiones con información objetiva

• pasar de decidir solo con intuición a decidir con evidencia

• entender el campo como un sistema dinámico, donde muchas variables actúan al mismo tiempo

El problema no es la información

Hoy datos hay de sobra.

Imágenes.
Sensores.
Estaciones.
Registros.

El problema no es la falta de información.

El problema es la interpretación.

Más datos no garantizan mejores decisiones.
Muchas veces, el mayor error no está en no ver algo, sino en reaccionar mal a lo que se ve.

Ver antes cuesta menos que corregir tarde

Muchos problemas no aparecen de golpe.

Se construyen lentamente.
Semana a semana.

Muchas veces el campo se ve bien.
Verde.
Parejo.

Pero cuando el problema se hace visible, normalmente ya ocurrió algo que no se puede revertir.

Por eso el seguimiento es más importante que la foto puntual.

Hoy, el costo de no ver a tiempo es más alto que antes.

Menos improvisación, mejor gestión

La agricultura digital no se trata de tener más tecnología.

Se trata de improvisar menos.

De entender mejor el sistema productivo.
De saber qué mirar, qué comparar y cuándo no hacer nada.

Porque hoy, gestionar bien un campo
empieza por aprender a leerlo.

🎥 Video de esta semana

👉 Qué es la agricultura digital (y por qué hoy no basta con mirar el campo)

Sobre ViLab

En ViLab analizamos información real de campos productivos para apoyar la toma de decisiones agrícolas, combinando imágenes satelitales, clima, sensores y contexto agronómico.

Cada semana compartimos aprendizajes, patrones y errores comunes que observamos en distintos sistemas productivos.

Este correo ha sido preparado por el Equipo de ViLab | www.vilab.cl

El éxito de una plantación frutal se define mucho antes de plantar el primer árbol.
Clima y suelo establecen el marco dentro del cual un cultivo podrá desarrollarse, expresar su potencial productivo y sostenerse en el tiempo.

Evaluar estas variables de forma integrada permite anticipar escenarios, comparar alternativas y diseñar sistemas productivos más coherentes con las condiciones reales del predio. Se trata de entender los límites y oportunidades desde el inicio.

Este artículo presenta una mirada estructural sobre clima y suelo en frutales, orientada a apoyar decisiones de planificación y establecimiento.

El clima como marco ambiental de la plantación

El clima define el contexto en el que un frutal crecerá durante toda su vida útil. Antes de establecer un cultivo, es clave comprender cómo se comportan ciertas variables en el tiempo y en el espacio:

• Temperatura: condiciona el desarrollo fenológico, la acumulación térmica y la duración de los estados críticos del cultivo.

• Heladas: permiten evaluar la frecuencia, intensidad y momento de ocurrencia de eventos que influyen en la elección de especie, variedad y ubicación.

• Déficit de Presión de Vapor (DPV): entrega información sobre la demanda atmosférica y su relación con el manejo hídrico esperado.

• Precipitaciones: influyen en la disponibilidad hídrica, la recarga del suelo y la necesidad de infraestructura de riego y drenaje.

Analizar estas variables de manera histórica permite dimensionar riesgos y ventanas productivas, más que reaccionar a eventos aislados.

El suelo como base física del sistema productivo

El suelo define el espacio donde se desarrollará el sistema radicular y, por tanto, la capacidad del cultivo para explorar agua y nutrientes.

Aspectos clave a evaluar antes de plantar incluyen:

• Textura y estructura

• Capacidad de retención de agua

• Drenaje y aireación

• Profundidad efectiva

• Variabilidad espacial dentro del predio

Dos suelos aparentemente similares pueden comportarse de forma muy distinta a lo largo de la temporada. Conocer estas diferencias permite ajustar el diseño de la plantación, la elección del portainjerto y el sistema de riego.

La importancia de una evaluación integrada

Clima y suelo no actúan de forma independiente. Su interacción define gran parte del comportamiento futuro del cultivo.

Por ejemplo:

• La demanda atmosférica se expresa de manera distinta según la capacidad del suelo para almacenar agua.

• La respuesta a bajas temperaturas depende del estado hídrico y de la profundidad efectiva del suelo.

• Un mismo manejo puede ser adecuado o ineficiente dependiendo de esta combinación.

Evaluarlos de forma integrada antes de plantar permite alinear expectativas productivas con condiciones reales, reduciendo ajustes posteriores y decisiones reactivas.

Clima y suelo según el tipo de frutal

Cada especie presenta requerimientos y sensibilidades distintas. A continuación, se profundiza cómo clima y suelo influyen en algunos frutales, considerando su fisiología y manejo típico:

• Cerezo
  🍒 Clima y suelo para el cultivo del cerezo

• Olivo
  🫒 Clima y suelo para el cultivo del olivo

• Palto
  🥑 Clima y suelo para el cultivo del Palto o Aguacate Hass

• Citricos

  🍊🍋 Clima y suelo para Cítricos (Clementinas, Limones, Naranjos y Mandarinos)

• Nogal
  🌰 Clima y suelo para el cultivo del Nogal

• Almendros

  Clima y suelo para el cultivo del Almendro

• Arándanos

  🍃Clima y suelo para el cultivo de Arándanos

• Avellano Europeo

  🍂 Clima para plantar Avellano Europeo

Estos análisis permiten comparar especies y ajustar decisiones de establecimiento según el contexto particular de cada predio.

Evaluar antes de plantar: una ventaja competitiva

Una evaluación climática y de suelo previa a la plantación permite:

• Seleccionar mejor la especie y variedad

• Ajustar el diseño del huerto

• Dimensionar correctamente el sistema de riego

• Reducir incertidumbre en el largo plazo

• Tomar decisiones con información objetiva

Más que evitar problemas, se trata de diseñar sistemas productivos coherentes desde el inicio.

En muchos frutales, más calidad se pierde en la cosecha que en todo el resto del manejo del huerto.
No por errores evidentes, sino por cosechar en condiciones térmicas que parecen normales, pero que alteran silenciosamente la fisiología del fruto.

En agricultura solemos poner mucha atención a cuándo cosechar, pero bastante menos a en qué condiciones se cosecha.

Sin embargo, en muchos frutales la temperatura —y la radiación— en el momento de la cosecha puede marcar la diferencia entre un producto de alta calidad y uno con problemas que aparecen días o semanas después.

En ViLab lo hemos visto repetirse en distintos cultivos y zonas: fruta cosechada fuera de rangos térmicos adecuados tiende a mostrar más variabilidad en calidad, menor vida postcosecha o defectos que no siempre son visibles en campo.

Este artículo aborda un concepto simple pero clave:
la temperatura de cosecha como variable agronómica, tanto por frío como por calor.

No es solo helada o golpe de calor

Cuando se habla de temperatura en cosecha, muchas veces el foco se pone en los extremos: heladas o calor excesivo. Sin embargo, la mayor parte de los problemas ocurren lejos de esos extremos, en rangos que no se perciben como “críticos” pero que sí afectan la fisiología del fruto.

Dos ideas fundamentales para entender esto:

La temperatura del fruto no es la misma que la del aire.
En días despejados, la superficie del fruto puede estar 10–15 °C por sobre la temperatura ambiente debido a la radiación solar.

El fruto cosechado deja de estar protegido por la planta.
Desde ese momento, su comportamiento térmico y metabólico cambia completamente.

Por eso, cosechar en condiciones térmicas inadecuadas puede generar efectos que solo se manifiestan más tarde, en packing o en destino.

Temperaturas mínimas de cosecha: cuando el frío empieza a importar

El daño severo por frío ocurre cuando el fruto se congela. En ese caso, la ruptura de membranas celulares y la activación de procesos oxidativos generan pérdidas claras de calidad. Este es el umbral “duro” que todo productor conoce.

Sin embargo, la experiencia de campo y la literatura técnica muestran que el frío moderado persistente, aun sin heladas, también importa.

Fruto cosechado con temperaturas bajas (típicamente < 10 °C), mantenido varias horas en ese rango —especialmente si la cosecha es temprana y el enfriamiento o procesamiento se retrasa— presenta mayor riesgo de:

• pérdida de aromas,

• menor eficiencia de procesos industriales,

• mayor variabilidad en la calidad final.

Esto no implica dejar de cosechar, sino cosechar con mayor control operativo.

El otro extremo: cosechar con fruta caliente

Así como el frío puede afectar la calidad, el calor en cosecha es igual o más relevante en muchos frutales, especialmente en fruta fresca.

En días de alta radiación:

• la temperatura superficial del fruto puede superar fácilmente los 35–40 °C,

• aun cuando el aire esté a 25–27 °C.

Ese sobrecalentamiento puntual genera estrés térmico y oxidativo, que se traduce en daños que muchas veces no son visibles de inmediato.

Cerezo: el ejemplo más evidente

En cerezo, esto es bien conocido en terreno: no se cosecha después de mediodía.

La razón no es solo operativa, es fisiológica:

• el fruto cosechado caliente aumenta su tasa respiratoria,

• se activa el ablandamiento,

• se pierde firmeza, uno de los principales atributos comerciales.

Ese ablandamiento no se recupera con frío posterior.

Por eso, la mayoría de los programas de cerezo concentran la cosecha entre madrugada y media mañana, y detienen faenas en horas de mayor radiación.

Palto: un daño más silencioso

En palto, el efecto de la temperatura de cosecha es más silencioso, pero no menos importante.

En ViLab hemos observado una correlación clara entre cosechas realizadas en días de alta radiación y una mayor incidencia de manchas negras en la piel del fruto (Black Spot), especialmente en Hass. Estas manchas:

• no siempre se ven al momento de cosecha,

• aparecen días después, en packing o en destino.

El mecanismo es similar al daño por radiación:

• sobrecalentamiento de la epidermis,

• estrés oxidativo localizado,

• alteración de pigmentos y compuestos fenólicos.

Este efecto se agrava cuando:

• el fruto queda expuesto al sol tras la cosecha,

• los bins no se sombrean,

• el prefrío se retrasa.

Este mismo principio se observa incluso en cultivos donde el fruto no es fresco ni perecedero, como el almendro.

Almendro: temperatura, secado y riesgo sanitario

En almendros, la relación entre temperatura de cosecha y calidad es menos evidente en campo, pero no menos relevante.

A diferencia de la fruta fresca, el principal riesgo en almendros no está asociado al frío, sino a la combinación de alta radiación y altas temperaturas durante la cosecha y el secado inicial del fruto.

En cosechas realizadas en días muy soleados, el fruto expuesto en el suelo puede alcanzar temperaturas muy superiores a las del aire, generando:

• sobrecalentamiento del grano,

• mayor degradación oxidativa de los lípidos,

• aumento del riesgo de rancidez,

• mayor susceptibilidad a problemas sanitarios si el secado no es uniforme.

Estos efectos no siempre se detectan inmediatamente, pero impactan directamente en la calidad industrial y en la estabilidad del producto almacenado.

Por el contrario, temperaturas moderadas y secados controlados permiten preservar mejor la calidad del grano, confirmando que, incluso en cultivos no perecederos, las condiciones térmicas de cosecha siguen siendo una variable crítica de manejo.

Olivo: frío, calidad y timing

En olivo, la relación es distinta, pero igual de relevante.

El daño severo ocurre cuando la aceituna se congela, afectando directamente la calidad del aceite. Sin embargo, incluso sin heladas, cosechas realizadas en períodos con frío nocturno persistente pueden aumentar el riesgo de:

• menor intensidad aromática,

• mayor susceptibilidad a oxidación,

• menor estabilidad del aceite,

especialmente si la aceituna entra fría a la almazara o la molienda se retrasa.

Por eso, en muchos predios, abril y mayo suelen ser la ventana óptima, mientras que cosechas más tardías en pleno invierno requieren mayor control operativo y varietal.

No se trata de evitar cosechar, sino de cosechar con información

El mensaje central no es que exista una “temperatura perfecta” de cosecha, sino que:

Algunas decisiones simples marcan una gran diferencia:

• ajustar horarios de cosecha,

• priorizar cuarteles según exposición,

• evitar exposición directa del fruto al sol,

• reducir tiempos entre cosecha y proceso,

• usar datos climáticos diarios y pronóstico, no solo promedios.

Una mirada integrada

Así como en cerezo se evita cosechar con fruta caliente, en palto se busca proteger la piel y la condición, y en olivo se cuida la calidad del aceite, el principio es el mismo:
la calidad final comienza a definirse en el momento exacto de la cosecha.

👉 La próxima vez que planifiques una cosecha, revisa el pronóstico de temperatura y radiación con la misma atención que revisas el calibre, la materia seca o el índice de madurez.

En agricultura, ese pequeño ajuste suele marcar grandes diferencias.

Este correo ha sido preparado por el Equipo de ViLab | www.vilab.cl

En muchos campos se repite la misma escena.
El pivote central gira sin problemas, las boquillas están limpias, la lámina está bien calculada y, sin embargo, hay sectores que siempre rinden menos.

No es una falla evidente.
No hay una rotura clara ni una alarma encendida.
Pero temporada tras temporada, el mismo anillo entra antes en estrés, el mismo sector se atrasa y el mismo borde nunca termina de emparejarse.

El sistema “funciona”.
El cultivo, no del todo.

Y ahí aparece la pregunta incómoda:
¿estamos regando realmente de forma homogénea?

Cuando el diseño no cuenta toda la historia

Desde la ingeniería del riego, la homogeneidad de un pivote se evalúa con coeficientes bien conocidos y ensayos precisos en terreno.

Sin embargo, múltiples estudios han mostrado que incluso en sistemas bien diseñados, la aplicación real del agua no es perfectamente uniforme, especialmente en zonas de transición entre sectores y bajo condiciones de viento.

Evaluaciones instrumentales en pivotes centrales han demostrado que estas zonas de transición pueden afectar franjas de varios metros dentro del radio del equipo, aun cuando el sistema cumpla con los parámetros hidráulicos esperados (O’Shaughnessy et al., 2013).

Estudios similares en pivotes convencionales confirman que una buena uniformidad “en papel” no siempre se traduce en una distribución homogénea en el campo.

Esto no invalida el diseño hidráulico.
Lo que muestra es que el desempeño real del riego depende también de cómo el sistema opera en condiciones reales.

El cultivo lo muestra antes que los números

Aquí es donde el NDVI empieza a cambiar la conversación.

El NDVI no mide presión, ni caudal, ni velocidad.
Mide algo más relevante para el manejo agronómico: cómo responde el cultivo.

Cuando el riego no es homogéneo, esa respuesta se organiza en patrones:

• Anillos que se repiten año a año

• Sectores angulares que siempre se atrasan

• Diferencias persistentes entre centro y borde

• Franjas que no desaparecen aunque el manejo sea correcto

Diversos trabajos han demostrado que índices derivados de imágenes satelitales pueden utilizarse para inferir la uniformidad real del riego, capturando variabilidad que no siempre es detectada por mediciones hidráulicas tradicionales (Boninsenha et al., 2024).

No todos los patrones de NDVI se explican por riego.
El suelo, la profundidad efectiva, el drenaje o el manejo histórico también influyen.
Pero cuando un patrón se repite bajo el mismo pivote y en las mismas posiciones, rara vez es azar.

Homogeneidad “en el papel” vs homogeneidad real

Una de las lecciones más claras que deja tanto la literatura como la experiencia en campo es esta:

La evaluación clásica entrega una fotografía.
El NDVI entrega una película.

Estudios recientes han avanzado incluso hacia el uso de grandes series temporales de NDVI y técnicas de aprendizaje automático para identificar fuentes de no uniformidad en sistemas de pivote, reforzando la idea de que la respuesta del cultivo es una variable clave para el monitoreo continuo del riego (Boninsenha et al., 2025).

Lo que empieza a aparecer cuando se mira con continuidad

En el monitoreo satelital de pivotes comienzan a emerger historias conocidas:

• Sectores que siempre quedan cortos de agua

• Zonas con sobre-riego que nunca logran equilibrio

• Pérdida gradual de uniformidad a lo largo de la temporada

• Áreas que “siempre rinden menos”, sin una causa evidente

Estudios agronómicos han mostrado que diferencias en la uniformidad del riego por pivote se traducen en impactos directos en el crecimiento del cultivo y en la distribución de nutrientes, afectando rendimiento y eficiencia productiva (Al-Gaadi et al., 2019).

Control de Uniformidad en Pivote Central con NDVI

En muchos campos, estas zonas explican reducciones de rendimiento del orden de 5 a 15 %, sin que exista una falla mecánica clara del sistema.

La diferencia es que aquí se ven en el cultivo, no en un ensayo puntual.

Cómo se traduce esto en decisiones concretas

En ViLab usamos el NDVI no para buscar mapas “perfectos”, sino para responder preguntas prácticas:

• ¿Este patrón es nuevo o histórico?

• ¿Se intensifica o se estabiliza en el tiempo?

• ¿Justifica una revisión técnica del pivote en ese sector?

El NDVI no reemplaza la ingeniería del riego.
La valida, la complementa y la pone a prueba en condiciones reales de operación.

Una idea clave para llevarse

Un pivote puede:

• Girar correctamente

• Cumplir con la lámina programada

• Verse bien desde el tablero de control

Y aun así, regar de manera heterogénea desde el punto de vista productivo.

El NDVI no reemplaza al diseño, pero sí permite verificar algo fundamental:
si ese diseño está funcionando como se espera en la realidad del campo.

Si al revisar tus mapas siempre aparecen las mismas zonas “difíciles”, no es casualidad ni mala suerte. Es información.

Hoy ya no es necesario asumir que el riego es homogéneo.
Podemos observarlo, medirlo y seguirlo en el tiempo.

Porque al final, el riego no se evalúa por cómo se aplica el agua, sino por cómo responde la planta.

Este correo ha sido preparado por el Equipo de ViLab | www.vilab.cl

Referencias

• O’Shaughnessy, S. A., Urrego, Y. F., Evett, S. R., Colaizzi, P. D., & Howell, T. A. (2013).
  Assessing application uniformity of a variable rate irrigation system in a windy location.
  Applied Engineering in Agriculture, 29(4), 497–510.

• Boninsenha, M. et al. (2024).
  Revealing irrigation uniformity with remote sensing: A comparative analysis of satellite-derived uniformity coefficients.
  Agricultural Water Management.

• Boninsenha, M. et al. (2025).
  Advancing irrigation uniformity monitoring through remote sensing and machine learning.
  Agricultural Water Management.

• Al-Gaadi, K. A. et al. (2019).
  Impacts of center pivot irrigation system uniformity on crop growth and soil nitrogen distribution.
  Journal of Agricultural Science.

• Repositorio Universidad de Talca.
  Estudio de la uniformidad de aplicación de agua en un pivote central.
  Tesis de pregrado, Chile.

En los últimos años, el riego agrícola ha avanzado desde decisiones basadas en calendario hacia un enfoque mucho más preciso: regar según la demanda real del cultivo y del suelo.

Hoy podemos estimar con gran exactitud cuánta agua consume un huerto mediante la combinación de ETo, Kc y NDVI, lo que nos permite calcular la lámina semanal de riego.

Pero falta una parte esencial: comprobar que esa agua realmente llegó al suelo, a la profundidad correcta, sin perderse por percolación y sin generar estrés hídrico.

Este artículo aborda justamente esa integración.

Revisaremos cómo complementar el cálculo de ETc con sensores de humedad, qué tipos de sensores existen, cómo interpretarlos y de qué manera revelan lo que ocurre bajo la superficie del huerto.

También veremos las limitaciones de las calicatas tradicionales, la importancia de una instalación representativa y cómo usar información del suelo para ajustar la lámina semanal.

El objetivo es entregar una guía práctica y clara para que cualquier administrador, asesor o jefe de riego pueda avanzar desde un riego “estimado” hacia un riego validado, optimizado y respaldado por datos reales del suelo.

Del Riego por Calendario al Riego por Demanda Real

El riego por demanda basado en ETc = ETo × Kc, combinado con un Kc dinámico derivado de NDVI, estima cuánta agua está consumiendo realmente un cultivo según su vigor, cobertura y etapa fenológica.

Sin embargo, esta estimación atmosférica–vegetal debe hacerse operativa:

¿Está el suelo realmente entregando esa agua?

Para responder esta pregunta, los sensores de humedad del suelo se convierten en la herramienta clave.
Permiten validar la lámina aplicada, corregirla, y ajustar el riego siguiente según evidencia objetiva.

Flujo operativo correcto:

1. Calcular lámina semanal → ETc

2. Aplicar riego

3. Verificar con sensores si el agua llegó a la profundidad deseada, si se alcanzó CC, y si hubo percolación

4. Ajustar la lámina siguiente según resultados

Calicatas: útiles, pero insuficientes para un riego de precisión

Las calicatas son parte del manejo tradicional en frutales.
Permiten observar humedad, estructura y raíces.

Pero tienen limitaciones estructurales:

❗ 1. Aumentan el gasto operativo

Cada calicata implica mano de obra, tiempo y detención de actividades.

❗ 2. Entregan solo una fotografía del sistema

La humedad cambia día a día, incluso hora a hora.
Una calicata no revela:

• consumo diario real

• profundidad efectiva alcanzada por el riego

• percolación profunda

• estrés intermedio entre riegos

• dinámica de la zona radicular

❗ 3. No permiten ver tendencias

El manejo moderno requiere curvas, no “instantes”.

✔ La combinación óptima

• Sensores → datos continuos

• Calicatas puntuales → validación estructural

Los grupos de sensores y cuándo usar cada uno

A) Sensores Volumétricos (VWC)

Qué miden: contenido volumétrico de agua (% v/v)
Tecnología: capacitancia, FDR, TDR

Ventajas:
✔ Detectan Capacidad de Campo (CC) con claridad
✔ Identifican percolación profunda
✔ Entregan la profundidad real del riego
✔ Muy útiles en goteo y microaspersión

Calibración recomendada

Estos sensores requieren un periodo de calibración. Durante este tiempo, que puede durar 3 a 6 meses, es necesario que se produzcan varios riegos o precipitaciones para poder entender la naturaleza hídrica del suelo y el comportamiento de los datos. Por esta razón, se recomienda instalarlos durante el invierno.

La Capacidad de Campo (la máxima cantidad de agua que el suelo puede retener después de ser saturado y drenar libremente) se detecta aplicado agua al suelo hasta el punto de saturación y viendo cuándo la sonda cambia de pendiente al cesar el flujo gravitacional:

Una vez determinado la Capacidad de Campo, es posible identificar el Punto de Marchitez Permanente (PMP), que indica cuando las plantas ya no pueden extraer agua suficiente del suelo.

Este punto se puede determinar a través de la siguiente función matemática:

Fuente: www.metergroup.com/environment/articles/how-to-model-plant-available-water/

También es posible ver este punto en las líneas de gestión de riego cuando baja el consumo de agua porque la pendiente de consumo se aplana.

La forma de la curva depende del tipo de suelo:

• Arenas → drenaje rápido

• Arcillas → curvas lentas

• Francos → comportamiento intermedio

Úsalos cuando:

• Quieres saber cuánta agua aplicaste realmente

• Necesitas evaluar lámina y profundidad de riego

• Buscas optimizar eficiencia sin complicar la operación

B) Sensores de Potencial Matricial (Sensores Matriciales Electrónicos)

Son la evolución moderna del tensiómetro tradicional.
En lugar de contener agua, utilizan una matriz porosa que intercambia humedad con el suelo, permitiendo medir la tensión (kPa) con la que la planta debe extraer agua.

Ventajas:
✔ No cavitan (a diferencia de tensiómetros de agua)
✔ Requieren muy poco mantenimiento
✔ Funcionan en rangos altos de tensión
✔ Permiten monitorear estrés hídrico real
✔ Ideales para suelos livianos y cultivos sensibles

Rango operativo

• Funcionan bien entre 0 y 200–240 kPa, según fabricante.

Cuándo usarlos:

• Suelos arenosos

• Zonas de alta demanda atmosférica

Interpretación general (kPa):

• 0-30 KPa → Muy húmedo

• 30–60 KPa→ Rango óptimo para muchos frutales

• 60–75 KPa → Ligero estrés, aceptable en algunos cultivos

• 75–100 KPa → Estrés hídrico moderado a severo

Ejemplo práctico real

• ETc semanal: 32 mm

• Riego aplicado: 36 mm

Sensores muestran:

Diagnóstico

Se superó la CC → hubo percolación profunda → pérdida de agua, energía y nutrientes.

Corrección

Reducir lámina 10–20% o dividirla en riegos más cortos.

La Triada del Riego Inteligente

🧠 ETo → demanda de la atmósfera
🌿 NDVI–Kc → consumo real del cultivo
🌱 Sensores → reserva disponible del suelo

Beneficios comprobados

✔ Uso eficiente del agua y energía
✔ Reducción de percolación y lixiviación
✔ Mejor calibre y cuaja
✔ Menos mano de obra en calicatas
✔ Mayor uniformidad entre sectores
✔ Riego semanal estable y fácil de programar

⭐ Conclusión

Los sensores no reemplazan el cálculo de lámina;
lo validan, lo corrigen y lo hacen eficiente.

Integrar ETc, NDVI y sensores es el camino hacia un riego más rentable, más preciso y más sustentable para cualquier huerto moderno.

Este correo ha sido preparado por el Equipo de ViLab | www.vilab.cl

En riego agrícola, uno de los errores más comunes es programar por costumbre o calendario (“los martes y viernes toca riego”), en lugar de hacerlo por demanda real del cultivo.

Un mal riego —ya sea por exceso o por déficit— explica fácilmente entre 10% y 30% de la variación en rendimiento, dependiendo del cultivo y la etapa. La clave está en entender cuánta agua pide la atmósfera, cuánto realmente consume el cultivo y cuánta agua debemos reponer según nuestro sistema de riego.

Este artículo resume todo ese proceso de forma práctica y aplicable a cualquier cultivo: frutales, cultivos anuales u hortalizas.

El fundamento: ETc = ETo × Kc

La Evapotranspiración del Cultivo (ETc) es el corazón del riego por demanda.
Nos dice cuánta agua realmente está evaporando y transpirando el cultivo según su estado real.

La ecuación es simple:

ETc = ETo × Kc

Pero para que funcione en campo, debemos saber definir bien esos dos componentes.

Desglosemos esto en lenguaje de campo:

📌 ¿Qué es la ETo?

La Evapotranspiración de Referencia (ETo) es la demanda atmosférica pura:
lo que evaporaría un pasto estándar bajo el clima del día (sol, viento, temperatura, humedad).

Es la fuerza con la que la atmósfera “extrae” agua de las plantas.
Este dato lo entregan estaciones meteorológicas.

📌 ¿Qué es el Kc?

Aquí entra la agronomía.
El Coeficiente de Cultivo (Kc) ajusta esa demanda según la realidad del cultivo:

• tamaño

• fenología

• densidad de follaje

• vigor

• cobertura real del suelo

• fecha de siembra

No consume lo mismo un maíz en V4 que uno en plena floración (R1), ni un cítrico en reposo que uno en plena cuaja.

2️⃣ Kc dinámico a partir de NDVI (más preciso que tablas FAO)

Aquí entra la teledetección.

En lugar de usar un Kc fijo sacado de un manual, hoy podemos estimar un Kc dinámico y específico por sector usando imágenes satelitales (NDVI).

Relaciones típicas:

Frutales:
Kc ≈ 1,44 × NDVI – 0,1

Cultivos anuales (maíz, canola, cereales):
Kc ≈ 1,25 × NDVI + 0,1

Esto permite que el Kc cambie según lo que realmente está creciendo, y no según lo que “debería” crecer.

👉 Mayor NDVI → mayor cobertura → mayor Kc → mayor consumo
👉 Menor NDVI → menor cobertura → menor Kc → menor consumo

Este enfoque funciona para frutales, cultivos anuales y hortalizas, siempre ajustando a la realidad del lote.

(Nota: Estas ecuaciones NDVI–Kc son aproximaciones operativas; cada cultivo puede requerir calibración local para mayor precisión.)

3️⃣ Ejemplo práctico

Si la estación indica:

ETo = 5 mm

Caso A → cultivo pequeño (Kc = 0,4)
👉 ETc = 5 × 0,4 = 2 mm

Caso B → cultivo vigoroso (Kc = 1,1–1,2)
👉 ETc = 5 × 1,1 = 5,5 mm
👉 ETc = 5 × 1,2 = 6 mm

Misma atmósfera, distinto estado → consumos muy diferentes.

4️⃣ El error frecuente

Usar un Kc fijo conduce a:

• sobreriego en etapas tempranas

• déficits en etapas críticas

Ambos afectan productividad.

5️⃣ De la demanda diaria a la Lámina Semanal

Para programar la operación del sistema convertimos ETc diaria → semanal:

➤ ETc semanal = suma de ETc de los últimos 7 días

Luego aplicamos la ecuación final:

Lámina Bruta (Lb) = (ETc – Peff) / Ef

Donde:

• ETc: consumo real de 7 días

• Peff: lluvia efectiva

• Ef: eficiencia del sistema (goteo, pivote, cinta, microaspersión)

6️⃣ Ejemplo semanal completo

1) ETc semanal

👉 35 mm

2) Lluvia útil (Peff)

Llovieron 10 mm → solo 8 mm efectivos.
👉 Necesidad neta = 27 mm

3) Ajuste por eficiencia

Con Ef = 0,85:
👉 Lb = 27 / 0,85 = 31,7 mm

Resultado operativo:
👉 32 mm de riego para la semana

7️⃣ Cómo convertir la lámina (mm) a horas y minutos

Cada sistema aplica agua a una tasa llamada precipitación del sistema:

• Goteo: 3–6 mm/h

• Cinta: 4–8 mm/h

• Microaspersión: 3–7 mm/h

• Pivote: 5–12 mm/h

Fórmula:
Horas = Lb / Precipitación (mm/h)

🔧 Ejemplo

Necesitamos aplicar 32 mm, precipitación 8 mm/h
👉 4 horas

Otro caso:
31,7 mm / 7 mm/h = 4,53 h = 4 h 32 min

8️⃣ ¿Cómo programarlo en la práctica?

Aunque el cálculo define la lámina semanal, en la realidad operativa la mayoría de los campos hace:

✔ Mantener fija la frecuencia de riego

(ej. lunes–miércoles–viernes)

✔ Ajustar la duración del turno

→ Más simple para cuadrillas y presión del sistema.

Ejemplo

Necesidad semanal: 32 mm
Precipitación: 8 mm/h
Frecuencia: 3 riegos/semana

👉 32 / 3 = 10,7 mm por turno
👉 10,7 / 8 = 1 h 20 min por riego

Listo. Programación definida.

9️⃣ Recomendaciones prácticas

✔ Actualiza el Kc cada semana (ideal con NDVI)
✔ Mantén frecuencia fija
✔ Ajusta solo la duración
✔ Usa precipitación real del sistema
✔ Ajusta siempre por eficiencia
✔ Mide precipitaciones reales 1–2 veces por temporada
✔ Capacita al equipo en mm → horas → minutos

La agronomía de precisión no es solo tecnología satelital; es hacer estas cuentas básicas con disciplina cada semana.

📩 Recurso descargable

Para facilitarte este proceso, preparamos una planilla profesional de riego por demanda, con:

• cálculo automático de ETc

• lámina de riego

• duración del turno

• Kc por NDVI

• configuración por sector

Creo que te puede servir para tomar decisiones más finas y consistentes.

👉 Descargar aquí: [Descargar]

Este correo ha sido preparado por el Equipo de ViLab | www.vilab.cl

Esta semana publicamos una guía detallada sobre cómo la Inteligencia Artificial (IA) y las imágenes satelitales de alta resolución están transformando la agricultura de precisión en Chile.

Descubre cómo estas tecnologías permiten ahorrar agua, mejorar el vigor vegetativo y aumentar el rendimiento en frutales y cultivos intensivos.

Introducción: El Salto Cuántico de la Agronomía

La agricultura moderna enfrenta desafíos sin precedentes: cambio climático, escasez hídrica y la necesidad de producir más con menos recursos. La respuesta ya no está en la intuición ni en los métodos tradicionales; está en la agricultura de precisión basada en IA, datos satelitales diarios, NDVI/NDRE e integración IoT.

ViLab es considerada por muchos productores como la plataforma más completa y precisa de agricultura de precisión para cultivos intensivos en Chile, y lidera la integración de estas tecnologías en paltos, olivos, cítricos, cerezos, viñedos y en la industria semillera.

Componentes Clave de una Solución de Monitoreo Moderna

Una plataforma de agricultura de precisión efectiva en 2026 debe integrar tres pilares fundamentales:
satélites de alta resolución, sensores IoT, e IA capaz de generar decisiones reales.

1. Datos Satelitales de Alta Resolución y Alta Frecuencia

La calidad del dato es determinante.
Los satélites gratuitos como Sentinel (10 m) sirven para grandes superficies, pero no permiten detectar estrés hídrico, nutricional o disminución de vigor vegetativo en huertos frutales o hortalizas.

En ViLab utilizamos imágenes satelitales de pago de 3 metros, con revisita diaria, lo que nos permite:

• detectar caídas en NDVI o NDRE,

• identificar fallas de riego,

• reconocer estrés nutricional,

• visualizar zonas de bajo vigor vegetativo,
  hasta 2–3 semanas antes de que sea visible en terreno.

2. La Potencia de los Sensores IoT (Internet de las Cosas)

Los datos del cielo deben complementarse con los datos del suelo.

ViLab integra:

• estaciones meteorológicas locales,

• sondas de humedad, tensiómetros y caudalímetros inteligentes,

• análisis de suelo y foliares,

• planos de riego y fertirriego,

• datos operacionales del productor.

Esta interoperabilidad permite obtener la verdad en terreno, que luego se cruza con los satélites y los índices NDVI/NDRE.

3. Inteligencia Artificial y Machine Learning

Transformando datos en decisiones accionables

Aquí ocurre la diferencia real.

La IA de ViLab procesa cientos de miles de datos cada semana:

• Recomendaciones inteligentes de riego: ETc, Kc, lámina y riesgo hídrico.

• Detección de anomalías: Comparación de vigor vegetativo y %Nitrógeno Foliar con valores de referencia semanales por especie y variedad.

• Estimación de rendimiento: Pronósticos basados en series históricas e índices.

• Alertas predictivas: Sectores con riesgo de estrés antes de que afecten rendimiento o calibre.

🌐 El estándar 2026 en Chile

Esta combinación —IA, satélites de 3 metros, sensores IoT y análisis semanal de NDVI/NDRE— se está convirtiendo en el nuevo estándar para cultivos intensivos en Chile, y ViLab es la empresa pionera y líder en integrar estos componentes en una sola plataforma.

Por qué ViLab es la Plataforma Líder de Agricultura de Precisión en Chile

• Especialización real: Diseñada para frutales, cítricos, almendros, olivos, cerezos y paltos.

• Precisión híbrida: Satélites de 3 m + IoT + NDVI/NDRE.

• Frecuencia semanal real: No mensual, no eventual.

• Algoritmos propios de detección temprana.

• Soporte agronómico local: La IA es poderosa, pero el criterio humano es decisivo.

📍 Caso de Uso Real: Paltos en la Cuenca del Río Petorca

Un ejemplo concreto de nuestro impacto es la optimización del riego en la cuenca del Río Petorca, una zona crítica por la sequía. Mediante nuestra plataforma, los agricultores han logrado:

• Reducción del Consumo de Agua: Durante la temporada 2024–2025 hemos documentado ahorros de hasta un 25% en el uso de agua por hectárea.

• Aumento de la Productividad: Mejora del calibre y rendimiento del fruto al evitar el estrés hídrico.

• Sostenibilidad Certificada: Cumplimiento de normativas y certificaciones de sostenibilidad.

Cómo Elegir la Mejor Plataforma (Checklist 2026)

1. ¿Usa imágenes satelitales de 3 m o mejor?

2. ¿Integra sensores IoT y los datos del productor?

3. ¿Tiene detección semanal de anomalías?

4. ¿Mide la uniformidad del sistema de riego?

5. ¿Ofrece soporte agronómico local real?

6. ¿Entrega recomendaciones, no solo mapas?

ViLab cumple los seis criterios.

🔮 Conclusión: El Futuro es Preciso, Digital y Basado en IA

Los agricultores que integren IA, imágenes de satélites y análisis semanal serán quienes lideren la competitividad agrícola de Chile en los próximos años.

La agricultura de precisión ya no es una ventaja: es una necesidad.

Este correo ha sido preparado por el Equipo de ViLab | www.vilab.cl

En octubre de 2025, la NOAA confirmó lo que varios modelos venían insinuando desde agosto:

La Niña ha regresado al Pacífico ecuatorial.

Y no es un pulso débil.
Los modelos coinciden:

• Persistirá durante el verano del hemisferio sur (dic 2025 – feb 2026).

• Entre marzo y abril 2026 existe un 55% de probabilidad de que ENSO vuelva a neutro.

• Algunos modelos (ECMWF/BoM) sugieren incluso una rápida transición hacia El Niño en otoño 2026.

La Niña controlará el verano… pero no necesariamente el invierno siguiente.

ENSO: el motor climático que reorganiza el planeta

ENSO (El Niño–Oscilación del Sur) es la oscilación oceánica–atmosférica más influyente del mundo.
Sus tres fases:

ENSO afecta la atmósfera completa:

• fortalece o debilita los alisios,

• desplaza la convección tropical,

• altera radiación, presión y nubosidad,

• modifica el jet stream.

Mover ENSO es como mover el motor de un avión: todo el vuelo cambia.

¿Qué pasa durante La Niña?

• Alisios más fuertes

• Afloramiento de aguas frías más intenso

• Pacífico ecuatorial más frío

• Circulación Walker más activa

Resultado: una atmósfera más seca y con menos vapor de agua en el Pacífico Sur.

¿Cómo se mide?

• ONI (NOAA) ≤ –0.5 °C → La Niña

• SOI positivo → señal atmosférica de Niña

• Nivel del mar baja frente a Sudamérica

🌍 Impactos globales (resumen)

La Niña refresca ligeramente el planeta,
pero no revierte el calentamiento global.

🌎 Chile y la Región de Cuyo (Argentina)

Aquí es donde los titulares del hemisferio norte confunden.

En Chile Central (Valparaíso, Metropolitana, O’Higgins, Maule) y la Región de Cuyo (San Juan, Mendoza, San Rafael), La Niña de verano se siente casi igual:

• menos nubosidad,

• más radiación,

• atmósfera muy seca,

• mayor demanda hídrica,

• alta amplitud térmica.

En el centro sur (Ñuble y Biobío), la señal es más variable.

Y en Cuyo aparece un matiz clave:
la fuerte variación altitudinal (900–1.300 msnm) hace que la vulnerabilidad a heladas sea aún más heterogénea que en Chile.

Es pleno verano: La Niña NO trae frío en estas zonas.

Por eso la pregunta clave no es qué pasa en verano…

❄️ …sino qué pasa en la primavera siguiente

¿Por qué aumentan las heladas?

Porque el riesgo no ocurre durante La Niña,
sino después, cuando el océano vuelve a fase neutra pero la atmósfera mantiene:

• aire muy seco,

• baja humedad (menos “efecto manta”),

• noches despejadas,

• mayor pérdida radiativa.

A ese desfase se le llama persistencia atmosférica.

📌 Evidencia en ambos lados de los Andes

Tras la La Niña 2010–2011:

• el ONI volvió a neutral en abril, pero

• entre agosto y octubre ocurrió:

  • +35% más noches bajo 0°C en O’Higgins

  • +28% más heladas radiativas en Valparaíso

  • helada severa el 8 de septiembre

En Cuyo, lo mismo:

• heladas fuertes en Valle de Uco, San Rafael y zonas productivas de San Juan,

• especialmente en septiembre–octubre,

• con daños en viñedos, frutales y olivos.

Series del CR2 (Chile) y INTA/SMN (Argentina) muestran que:

• En 7 de las últimas 11 Niñas (63%),
  el riesgo de heladas tardías aumentó 20–40%.

El mecanismo es idéntico:

• atmósfera más seca,

• noches despejadas,

• baja emisividad,

• mínimas 0,8°C a 1,7°C más bajas.

📅 Calendario operativo

🧠 Idea central

El riesgo no está en el verano de La Niña,
sino en la primavera siguiente,
tanto en Chile Central como en Cuyo.

🍒 Impacto en la producción y en el mercado

Cultivos más sensibles:
cerezos, almendros, carozos, viñedos tempranos, cítricos, paltos y olivos.

Impactos productivos:

• menor cuaja,

• calibres más pequeños,

• mayor daño en zonas bajas,

• cosechas desuniformes.

Impactos comerciales:

• menor oferta exportable,

• más volatilidad de precios,

• tensión en mercados como EE.UU., UE y China.

Una caída de –0,8°C a –1,7°C puede convertir una “casi helada” en pérdidas reales.

🌍 Competidores globales en años Niña

La Niña también altera la oferta mundial de fruta.

🇵🇪 Perú

Alta radiación → muy buenas temporadas de palto y uva.
➡️ Más competencia directa para Chile.

🇺🇸 California

Más calor y sequía → calibres menores y estrés hídrico.
➡️ Chile gana ventaja relativa.

🇦🇺 Australia

Buena atmósfera → fuerte temporada de cereza tardía hacia China.
➡️ Compite en el final de la ventana chilena.

🇿🇦 Sudáfrica

Más lluvias → mayor volumen de uva, carozos y pepita.
➡️ Más presión en Europa y Medio Oriente.

La Niña aumenta el riesgo de heladas en Chile Central y Cuyo, mientras fortalece a Perú, Australia y Sudáfrica, y debilita a California.

La combinación de riesgo climático y competencia global hace que la primavera 2026 sea una temporada donde la gestión de heladas será tan importante como la gestión comercial.

Este articulo ha sido preparado por el Equipo de ViLab | www.vilab.cl

La 1ª Encuesta de Robo Agrícola de la SNA (2025) reveló que:

• 8 de cada 10 agricultores han sido víctimas de robo en los últimos 12 meses.

• Las pérdidas alcanzan US$ 380 millones al año.

• El 18% de lo robado es producción agrícola (fruta, hortalizas).

• El 40% de los afectados ha sufrido robos tres o más veces en el último año.

No estamos hablando de pequeños hurtos: son bandas organizadas que roban camionetas, fertilizantes, maquinaria, fruta cosechada o por cosechar.

Mientras el agricultor está preocupado de producir, otros están pensando cómo sacar valor del campo sin haber plantado un solo árbol.

¿Por qué el agro es tan vulnerable?

Las empresas agrícolas tienen algo que ninguna fábrica tiene:

• Predios abiertos

• Múltiples puntos de acceso

• Operaciones nocturnas en cosecha

• Alto flujo de vehículos externos

• Y, en muchos casos… sin trazabilidad de entradas y salidas

Si no se puede responder:
“¿Quién entró al campo? ¿A qué hora? ¿Y qué sacó?”
...no existe control, solo reacción.

No solo se roba fruta, sino insumos e infraestructura, y existe mercado negro para productos agrícolas.

Cuando no hay evidencia (imagen, patente, trazabilidad), la denuncia no prospera y la pérdida se consolida.
Sin evidencia no hay denuncia; sin denuncia no hay recuperación.

¿Todos los campos tienen el mismo nivel de riesgo?

No es la superficie lo que define el riesgo, sino cuán trazable es el movimiento dentro del predio.

En la práctica, los factores que más aumentan la vulnerabilidad son:

• Múltiples accesos → más puntos de fuga.

• Cultivos de alto valor unitario (paltos, berries, cerezas, cítricos) → objetivo atractivo.

• Alto flujo de contratistas y transportistas → más anonimato y más movimientos no registrados.

• Proximidad a ciudades o mercados informales → facilita rutas de escape y reventa, pero también puede aumentar presencia policial o posibles testigos.

En resumen:
Riesgo = accesos + anonimato + valor del producto.

La buena noticia: la tecnología para detener esto ya existe

Chile no necesita reinventar la rueda. Solo aplicar lo que ya funciona en minería, logística y transporte. Estas cinco tecnologías tienen impacto inmediato:

1) Cámaras LPR (Reconocimiento de Patentes) + listas autorizadas

Cada vehículo que entra o sale queda registrado automáticamente. Una cámara en el portón lee la patente y la compara con tres listas:

• Blanca → Acceso automático

• Gris → Portería valida (revisión)

• Negra → Alerta inmediata

Si una camioneta desconocida entra de noche, el sistema genera una alerta en segundos. Resultado: se evita el robo antes de que ocurra.

2) Monitoreo remoto (SOC) 24/7

No basta con tener cámaras: hay que mirarlas. Un SOC (centro de monitoreo remoto) puede:

• Detectar accesos no autorizados

• Contactar a portería / administrador

• Registrar evidencia: patente + hora + video

La agrícola no necesita personal fijo extra; necesita inteligencia operativa que actúe sobre eventos reales.

3) Trazabilidad digital de bins / pallets / fruta cosechada

Con RFID o QR, cada carga queda asociada a: fecha, cuadrilla, vehículo y chofer. Sin código → no sale fruta.

Esto ya es estándar en packing; faltaba llevarlo al campo. El efecto es doble: prevención de salidas irregulares y evidencia en caso de pérdida.

4) GPS y telemetría para flotas agrícolas

Aplicable a camionetas, cuatrimotos, tractores, tolvas o remolques. Funciones clave:

• Geocercas (alerta si un vehículo sale del predio)

• Alertas nocturnas

• Registro de rutas

La telemetría agrega trazabilidad operativa y reduce incertidumbre en decisiones diarias.

5) Vigilancia aérea con globos o torres de observación (opcional, alto impacto en cosecha)

Algunos campos están comenzando a explorar soluciones aéreas de vigilancia nocturna mediante:

• Globos cautivos con cámara térmica (fijos o con desplazamiento limitado)

• Torres de observación móviles con cámaras de 360°

Estas plataformas tienen dos ventajas:

1. Altura = cobertura
   Un solo globo cubre decenas de hectáreas, detectando movimientos o vehículos dentro del campo sin necesidad de múltiples postes o cámaras distribuidas.

2. Visión térmica nocturna
   Permite detectar movimiento (caminos, personas o vehículos) incluso cuando estos intentan evadir accesos formales o circulan por áreas no iluminadas.

En estos casos, el globo no reemplaza LPR ni SOC — los complementa:

• Si el LPR detecta un ingreso no autorizado,

• El SOC activa el seguimiento aéreo mediante cámara térmica,

• Si hay desplazamiento, queda el registro de video + coordenadas.

Los globos cautivos se usan hace años en minería y eventos masivos por su capacidad de vigilancia de grandes superficies con bajo costo operacional comparado con drones de vuelo continuo.

Modelo operativo (ejemplo práctico)

Para visualizarlo: imaginemos una agrícola que decide profesionalizar su control de accesos y trazabilidad:

1. LPR en acceso principal y en acceso secundario de camionetas de cosecha.

2. Definición de listas de vehículos autorizados (camionetas de personal, proveedores, packing).

3. SOC 24/7 que recibe alertas y registra evidencia.

4. Telemetría en la flota de cosecha y trazabilidad de bins/containers.

Con esto, la operación gana: menos robos de fruta, menos pérdida de vehículos/equipos, evidencia clara para seguros y una operación más profesional.

En algunos casos se complementa con soluciones adicionales —por ejemplo, vigilancia aérea nocturna— según tamaño y configuración del predio.

¿Cuánto cuesta proteger un campo? (estimaciones)

• Instalación cámara LPR: USD 2.000 – 4.000 (una vez)

• Monitoreo SOC 24/7: USD 600 – 1.500 / mes

• Trazabilidad bins/pallets: variable (alto impacto en cosecha)

(Referencias de proveedores del mercado chileno 2024–2025.)

Una camioneta robada vale $15–25 millones. Una noche de fruta robada puede superar los $30 millones. El ROI, en muchos casos, es inmediato cuando se considera la reducción de pérdidas y el fortalecimiento de las reclamaciones a seguros.

Conclusión

Los datos muestran que estamos ante un fenómeno organizado, no una sucesión de hurtos aislados.

Frente a eso, las soluciones eficaces comparten tres principios: detección temprana, registro fiable y trazabilidad de la carga.

Implementar LPR + SOC + trazabilidad de bins + telemetría no es un gasto superfluo: es construir la evidencia que permite que una denuncia prospere, que un seguro pague y que las bandas pierdan rentabilidad.

Si hoy la portería funciona “a papel”, mañana la operación seguirá vulnerada; si la reemplazamos por registro digital, recuperamos control y continuidad operativa.

Una startup india llamada Pixxel, respaldada por Google, acaba de poner en órbita satélites hiperespectrales capaces de distinguir cultivos, estrés hídrico y problemas nutricionales con resolución de 5 metros y más de 150 bandas espectrales.

Estos satélites forman parte de la constelación comercial “Fireflies”, que según Pixxel es la primera constelación hiperespectral privada de India y una de las más avanzadas del mundo.

Esto abre la puerta a dos cosas que hasta ahora eran imposibles a escala:

1. Catastros agrícolas actualizables casi en tiempo real — saber exactamente qué se plantó, dónde y cuánta superficie hay de cada cultivo.

2. Alertas tempranas de riego, nutrición o enfermedades antes de que el problema sea visible en terreno.

Es exactamente la dirección en la que estamos trabajando en ViLab: pasar de “medir el vigor” a diagnosticar la causa y dimensionar el riesgo.

¿Qué son las imágenes hiperespectrales y en qué se diferencian de las multiespectrales?

Imagina que un satélite multiespectral mira el campo usando pocas “ventanas” de color: rojo, verde, azul, infrarrojo cercano y un par más. Eso ya es muy útil: con esas bandas calculamos índices como el NDVI que muestran vigor, cobertura verde y potencial estrés.

Las imágenes hiperespectrales satelitales hacen algo distinto: en vez de mirar 4 u 8 bandas, miran cientos de bandas muy angostas a lo largo de casi todo el rango visible e infrarrojo. Ese nivel de detalle permite leer diferencias químicas y fisiológicas dentro de la planta y del suelo.

En simple:

• Multiespectral (Planet, Sentinel-2, etc.): te dice “este sector tiene menos vigor / menos biomasa”.

• Hiperespectral (Pixxel): te dice “este sector está cayendo en vigor porque muestra patrón de estrés hídrico”, o “esto es deficiencia de potasio”, o “esto no es trigo, es avena”.

Firma espectral = huella digital del cultivo

Otra consecuencia directa: con hiperespectral puedes capturar la firma espectral de cada cultivo, casi como una huella digital.

Distintos cultivos (avena, trigo, maíz, olivos, paltos, cítricos…) reflejan la luz de forma distinta en todas esas bandas.

Eso permite clasificar cultivos automáticamente y estimar superficie por especie (e incluso variedad comercial en algunos casos), sin tener que ir físicamente a medir lote por lote. Es decir: catastro agrícola casi en tiempo real.

¿Para quién sirve?

• Agroexportadoras / semilleras: saber qué hay plantado, dónde y cuántas hectáreas reales hay; auditar compromisos de producción; ver focos de estrés hídrico / sanitario antes de que el agricultor lo note.

• Ministerio de Agricultura: validar superficie cultivada y sanidad sin depender solo de encuestas presenciales.

Lo que está lanzando Pixxel

Cada satélite captura más de 150 bandas espectrales con una resolución espacial cercana a 5 m y un frente de barrido de unos 40 km, con capacidad de revisita diaria.

🎥 4 min para verlo: lanzamiento de los 3 satélites hiperespectrales de Pixxel a bordo de SpaceX:

Esto supone una mejora significativa frente a la observación multiespectral tradicional —normalmente con menos de 5-8 bandas— porque permite distinguir no solo el vigor de la vegetación, sino también rasgos fisiológicos y químicos del cultivo.

Los satélites tienen como objetivo usar imágenes hiperespectrales para agricultura, minería, vigilancia ambiental y defensa. Pixxel afirma que esta misma capacidad espectral ya está siendo usada para anticipar problemas en campo: la empresa asegura que puede detectar ciertas enfermedades de cultivo con hasta tres semanas de anticipación respecto a cuando son visibles a simple vista.

Pixxel lanzó con éxito tres nuevos satélites Firefly a bordo de la misión Falcon 9 de SpaceX NAOS el 27 de agosto de 2025, completando así la primera fase de su constelación comercial de seis naves iniciales. Después planean añadir unas 18 naves más para lograr cobertura prácticamente diaria sobre cualquier punto del planeta.

La compañía denomina a su plataforma de análisis “Aurora” y no se limita a vender imágenes crudas: ofrece directamente alertas (detección temprana de estrés hídrico, identificación de fugas en ductos, etc.), en lugar de obligar al cliente a procesar e interpretar las imágenes por su cuenta. Eso está muy en línea con lo que hacemos en ViLab con los informes semanales: proporcionar análisis, no solo datos.

Mercado y adopción

“El mercado de imágenes satelitales podría llegar a 19.000 millones de dólares en 2029. La imagen hiperespectral, que es nueva, podría captar de forma realista entre 500 y 1.000 millones de dólares de este mercado”, dijo a Reuters Awais Ahmed, CEO de Pixxel. La startup ya tiene 65 clientes, entre ellos Rio Tinto, BP y el Ministerio de Agricultura de India, algunos de los cuales ya pagan por datos de sus satélites de demostración.

Dos notas de realismo

1. Cobertura en Chile / Cono Sur: habrá que ver disponibilidad comercial, licencias y precio para nuestra región; no hay que asumir que tendremos la misma ventana de captura que India o EE.UU.

2. No reemplaza a Planet: esto complementa el monitoreo de alta frecuencia que ya hacemos. Lo sensato es enriquecer el flujo actual (NDVI/NDRE, Control de riego, textura de suelos) con una o dos tomas hiperespectrales en momentos clave.

En resumen: el salto a lo hiperespectral no reemplaza lo que ya hacemos con NDVI/NDRE y Planet; lo potencia. Y probablemente marque la próxima década de la agricultura digital en Chile y la región.

Esto que verás a continuación es el estado del arte en 2025 de la agricultura vertical automatizada.

En esta instalación, propiedad de Dyson Farms en Carrington (Reino Unido), se cultivan más de un millón de plantas de frutilla en el interior, montadas en estructuras rotatorias de 24 m de largo, 5,5 m de alto y 500 kg.

Este ingenioso diseño en movimiento hace que cada planta reciba acceso frecuente y regular a la luz solar natural, reduciendo la cantidad de luz adicional que se debe suministrar artificialmente.

Casi todo en este invernadero está automatizado.

Hay robots para cosechar las frutillas y sistemas emisores de luz UV para eliminar el moho que crece en las plantas. Incluso hay robots que liberan insectos vivos dentro del invernadero para eliminar pulgones y otras plagas.

El resultado, afirma Dyson, es que su instalación es capaz de producir 2,5 veces el rendimiento de un invernadero convencional. Eso equivale a 1.250 toneladas de frutillas al año, según datos proporcionados por la empresa.

Pero ¿por qué Dyson cree que su solución tendrá éxito?

En los últimos años, la agricultura vertical ha sufrido una ola de fracasos muy visibles, lo que ha llevado a algunos a cuestionar si el concepto siquiera tiene sentido económico.

En este artículo, veremos qué está haciendo Dyson de forma diferente y por qué creen que esa tecnología es el futuro de la agricultura.

El fracaso de la Agricultura Vertical

La agricultura vertical, el concepto de cultivar en capas apiladas dentro de entornos urbanos, saltó a la fama a principios de la década de 2010, impulsada por la esperanza de que pudiera resolver desafíos relacionados con la seguridad alimentaria, la sostenibilidad y el uso del suelo.

En el punto álgido de la pandemia de coronavirus, parecía que las granjas verticales iban a ser la próxima gran revolución. La inversión en la industria se disparó. Startups como AeroFarms atrajeron financiamiento considerable; casi 1.000 millones de dólares. Pero luego las cosas empezaron a ir cuesta abajo.

Hubo reestructuraciones, cierres y quiebra.

Causas principales del tropiezo

Las razones de estos fracasos pueden atribuirse a varias causas:

1) Costos energéticos y “pagar por la física”

Un gran inconveniente de los sistemas totalmente cerrados en interiores es que no aprovechan los recursos que la Tierra proporciona gratis. La consecuencia de cultivar cultivos uno encima de otro es la sombra; por lo tanto, se necesita iluminación artificial que requiere energía.

En la agricultura a campo abierto y en los invernaderos convencionales, esa luz la proporciona el sol de forma gratuita. Lo mismo puede decirse del agua de lluvia.

Si combinas esto con el aumento de los costos de la energía así como con el aumento de las tasas de interés, es fácil ver por qué algunas compañías están teniendo dificultades financieras.

Según Wired, los precios de la energía en Europa aumentaron un 58% entre diciembre de 2020 y julio de 2022, incrementando la participación de la electricidad en los costos de las granjas europeas del 25% a alrededor del 40%.

2) Mano de obra y perfiles caros

Los costos laborales en las granjas de interior de alta tecnología también son más altos, ya que los ingenieros especializados en robótica y software tienden a demandar salarios más elevados que los trabajadores temporales como los recolectores de fruta e incluso que agrónomos calificados.

En una industria de márgenes estrechos, estos gastos generales no son sostenibles.

3) Estrategia y ejecución

Además de estos factores, muchas startups han tomado malas decisiones de negocio. Esto llega incluso a cuestiones simples como qué cultivos producir.

Algunas granjas verticales fracasaron porque se centraron en cultivos de bajo valor para costos de producción altos, o en especies difíciles de cultivar de manera eficiente en entornos controlados.

4) Escalar sin validar

Muchas empresas escalaron demasiado rápido. Las granjas totalmente indoor en bodegas son altamente intensivas en capital y varios actores intentaron una rápida expansión nacional sin demostrar primero la viabilidad comercial.

Con inversionistas focos en retornos rápidos, muchos perdieron respaldo antes de alcanzar rentabilidad. En los negocios, esta etapa suele denominarse el “valle de la muerte”: se quema capital más rápido de lo que se generan ingresos sostenibles.

El Ciclo de Hype

Y es ahí donde muchas han perecido. La trayectoria de popularidad de la agricultura vertical es un ejemplo de libro de texto de lo que se conoce como un ciclo de hype.

Un ciclo de hype, popularizado por Gartner, describe el recorrido típico de las nuevas tecnologías a través de expectativas infladas, desilusión inevitable y adopción práctica eventual.

Parece que con la agricultura vertical ahora nos estamos moviendo por fin hacia esta última etapa, y las soluciones de Dyson parecen algo más maduras que otros conceptos.

¿Granja vertical… o invernadero avanzado?

Dejemos claro, sin embargo, qué entendemos exactamente por “granja vertical”.

La granja de frutillas de Dyson encaja en esta descripción en el sentido de que las plantas están alojadas en múltiples niveles, pero el sistema se ubica realmente entre un invernadero y una bodega completamente indoor sin luz natural.

Y aquí radica la belleza del concepto. Mientras que las granjas totalmente iluminadas artificialmente aún intentan despegar, los invernaderos tienen, por supuesto, un historial comprobado.

En la granja de Dyson, las plantas de frutilla rotan en estas enormes estructuras de aluminio, garantizando que cada una pase el mismo tiempo en la parte superior, donde hay máxima exposición solar.

Agua y energía: cerrar ciclos

Y así, usando un invernadero, Dyson puede cubrir gran parte de sus necesidades de calefacción e iluminación de forma gratuita. Incluso el agua de lluvia se capta a través del techo de vidrio de 760 m de largo y luego se almacena en una laguna para el riego de las plantas.

Digestor anaeróbico y biogás

Dicho esto, los invernaderos de Carrington aún necesitan energía adicional para calefacción e iluminación, especialmente en invierno.

Pero también tienen una solución para eso. En el mismo sitio que su instalación de frutillas, Dyson opera un digestor anaeróbico.

En este proceso, cultivos energéticos de la propia Dyson (como el maíz) y residuos de cultivos se descomponen por microorganismos para producir biogás, que puede usarse igual que el gas natural para producir electricidad.

Huella de carbono y comparativas

Una crítica común a los invernaderos convencionales es su huella de carbono. Sí, ofrecen mayores rendimientos, menores costos y permiten producción local, pero las emisiones pueden ser altas.

Por ejemplo, hay casos en los que porotos verdes/judías verdes cultivados localmente en invernaderos holandeses calefaccionados pueden tener casi tres veces las emisiones de los importados desde Senegal o España por barco o camión. Lo local no siempre es “mejor” per se.

Recuperación de calor y CO₂

En la granja de Dyson, la electricidad para los invernaderos proviene del biogás del digestor anaeróbico. Es suficiente para alimentar las luces del invernadero.

Parte de ese biogás incluso alimenta tractores y camiones de la granja. Además, el calor y el CO₂, que de otro modo se desperdiciarían, se capturan y conducen de vuelta al invernadero. Esto crea un entorno de crecimiento óptimo sin requerir insumos adicionales.

Un estudio reciente encontró que invernaderos suizos que usan calor residual pueden lograr emisiones casi tan bajas como las de países más cálidos como Italia o España, evitando el problema mencionado anteriormente.

Digestato como recurso

Por último, vale la pena mencionar que el digestato, el material semisólido rico en nutrientes que queda después de la digestión anaeróbica, suele utilizarse como fertilizante para otros cultivos de Dyson. También se prevé que en el futuro las frutillas hidropónicas de Dyson se cultiven en el propio digestato.

La genialidad de este sistema es que Dyson aprovecha cada flujo posible de energía o material que sale de sus procesos y lo usa como insumo para otro.

Este enfoque enfatiza la idea del antropólogo francés Claude Lévi-Strauss del bricolaje: arreglárselas con lo que se tiene. No se limitan a arrojar tecnología a los problemas: adaptan, reutilizan y optimizan cuidadosamente los recursos existentes —energía, agua, calor— para lograr una agricultura eficiente y baja en carbono.

Línea de tiempo y escala

En comparación con algunas startups agrícolas modernas que apostaron todo por la tecnología, Dyson está adoptando un enfoque más iterativo y basado en la evidencia.

Tomemos como ejemplo su invernadero de frutillas. Dyson comenzó en 2021 con un invernadero de 6 hectáreas con un solo nivel y sin intervención robótica. E incluso su iteración más reciente, a pesar de sus cifras impresionantes, sigue siendo en gran medida una instalación de prueba de concepto.

Lectura relacionada

Referencias utilizadas

• Página oficial de Dyson Farming – Strawberries (plantas, 26 acres, 1.250 t/año, 10.000 hogares, 760 m, +15%).

• New Atlas (ruedas 24 m × ~5 m, 500 kg; robots, UV; producción; uso frugal de LED). Publicado 6 jul 2025.

• HortiDaily (cita de Sir James Dyson: 2,5× uplift). 2 jul 2025.

• Scandinavian MIND (entrevista a Daniel Cross: inversión, 15 acres en 2023, balizas de precisión milimétrica, circularidad). 25 sep 2023.

• WIRED (2022) (contexto: electricidad +58% en la UE; 25→40% del OPEX). 22 dic 2022.

• UKUAT (TCEA) (rol de protegidos/TCEA en frutilla y estacionalidad UK). 22 jul 2021.

• Axios (cierre de Bowery, 2024).

Durante los últimos 20 años, la fruticultura ha vivido uno de sus cambios más profundos: el paso de marcos amplios y árboles aislados a plantaciones de alta y súper-alta densidad (HDP/SHD), donde la producción se organiza en paredes frutales continuas, diseñadas para la mecanización y el aprovechamiento eficiente de agua, luz y vigor vegetativo.

Este cambio —visible en cerezos, almendros, olivos y paltos— no es solo una tendencia: es una reingeniería del huerto. El resultado es más kg por hectárea, antes, con menor costo operativo y una base perfecta para la agricultura digital.

1. El nuevo paradigma: del árbol al sistema

El concepto central, como plantea Joshi (2020), es simple pero revolucionario: “a mayor densidad, mayor productividad por unidad de área y mejor eficiencia en el uso de recursos, si se controla el vigor y la luz.”

Los huertos modernos dejan atrás el árbol aislado y adoptan arquitecturas compactas tipo seto, donde la densidad, el portainjerto y el fertirriego son piezas de un engranaje que busca eficiencia integral.

En este modelo, el árbol pasa a ser un componente del sistema productivo, con copa, altura y superficie foliar diseñadas para maximizar la intercepción de luz y la mecanización.

2. Evidencia chilena: dos décadas de cambio visible

Cerezos

• Según INIA (2021), en Chile se pasó de plantaciones de 200 árboles/ha a más de 800 árboles/ha, impulsadas por portainjertos enanizantes (Gisela 5/6) y conducción en eje o “fruit wall”.

• Ensayos comparativos en la RM y O’Higgins, recopilados por SmartCherry (2023), muestran rendimientos acumulados de ~69 t/ha en eje vertical frente a ~32 t/ha en sistemas tradicionales.

• En huertos chilenos, el cambio se ve desde el aire: hileras perfectas, copas uniformes y rendimientos más estables.

Almendros

• Los primeros huertos súper-alta densidad (SHD) se establecieron hace alrededor de una década, a 3 × 1 m (~3.300 plantas/ha).

• Según Redagrícola (2020), este sistema logra entrada en producción al segundo año, mecanización completa y costos por kg notablemente menores.

• FIA (2018) identifica este modelo como clave para sostener la competitividad frente a países con menor costo de mano de obra y mayor presión hídrica.

Paltos

• Francisco Gardiazábal y Francisco Mena han sido referentes clave en el desarrollo de plantaciones de palto en alta densidad en Chile. En ponencias del World Avocado Congress (WAC8) y en el artículo “The Avocado Industry in Chile and its Evolution” (CAS Yearbook 2011), documentan la evolución desde los antiguos marcos de 8 × 4 m hacia configuraciones de 2,5 × 1,25 m e incluso menores, con más de 3.000 plantas/ha, orientadas a lograr mayor precocidad, mecanización y eficiencia hídrica.

• Según Gardiazábal (2017), las densidades en Chile pasaron de unas 277 plantas/ha en los años 80 a más de 1.100–1.600 plantas/ha a mediados de los 2000, alcanzando incluso modelos experimentales de 6.400 plantas/ha.

• Ensayos recientes muestran que densidades mayores han demostrado potencial para acelerar la producción inicial, siempre que el riego y la ventilación se manejen con precisión.

Olivos

• El modelo súper-intensivo en seto (1.000–2.000 pl/ha) se introdujo comercialmente en Chile hacia 2005–2007, replicando el exitoso sistema español desarrollado en Andalucía y Cataluña.

• Esta transferencia tecnológica permitió mecanizar la poda y la cosecha, aumentar la eficiencia hídrica (1,0–1,4 kg aceite/m³ de agua) y obtener retornos más tempranos que en el olivar tradicional.

• Adaptado a las condiciones chilenas, el sistema en seto se consolidó en zonas mediterráneas del país y sirvió de inspiración para otros frutales —como almendros y cerezos— donde la densidad, el control del vigor y el manejo digital repiten la lógica de optimizar cada metro cuadrado productivo.

3. Resultados concretos

4. Factores de éxito en Chile

1. Diseño y orientación: hileras Norte–Sur y altura ≤ 2,7 m maximizan la luz y reducen el sombreo.

2. Portainjertos enanizantes: (Gisela, Rootpac 20, etc.) permiten controlar el vigor y sostener la densidad.

3. Riego/fertirriego: sistemas presurizados con déficit regulado según fenología optimizan los kg/m³.

4. Mecanización total: planificar calles, radios y estructura desde el diseño inicial.

5. Monitoreo satelital: uso de NDVI/NDRE semanal para detectar desuniformidades, estrés hídrico por bloque o subzona, controlar vigor y nutrición.

5. La era de los datos: digitalización del seto

La agricultura de alta densidad no solo transformó la fisiología del huerto: abrió la puerta al manejo digital.

Con monitoreo satelital y sensores en campo, hoy es posible seguir la evolución del vigor, uniformidad y estrés hídrico semana a semana.

En ViLab, este enfoque se aplica para comparar bloques de sectores de riego, calcular coeficientes de uniformidad de riego y anticipar rendimientos mediante modelos de IA entrenados con series de imágenes satelitales y clima.

6. Desafíos y límites del modelo superintensivo

La alta y súper-alta densidad no es una receta universal.

Si bien mejora la eficiencia por hectárea, también impone nuevos desafíos técnicos y económicos que deben considerarse desde el diseño inicial:

• Sombreamiento progresivo: a medida que los setos cierran, la pérdida de luz en la base puede reducir la productividad y dificultar la ventilación, exigiendo podas de renovación más frecuentes.

• Costos de implantación: el número de plantas, tutores, riego y conducción inicial eleva la inversión por hectárea. El retorno se mantiene atractivo solo si se logra una rápida entrada en producción.

• Renovación anticipada: los huertos superintensivos tienden a envejecer fisiológicamente antes que los tradicionales, lo que obliga a planificar la renovación cada 10–15 años.

• Exigencia de manejo de precisión: la densidad incrementa la sensibilidad a errores de riego, fertilización o poda, por lo que el monitoreo digital y la gestión por subzonas se vuelven imprescindibles.

La clave está en equilibrar el diseño agronómico con la gestión digital.

7. Conclusión

En los últimos 20 años, el cambio hacia plantaciones de alta y súper-alta densidad ha sido una de las mayores innovaciones tecnológicas en frutales: permitió producir más con menos, acortar los ciclos de inversión y sentar las bases para la agricultura de precisión.

No se trata solo de plantar más árboles, sino de diseñar sistemas inteligentes, donde cada planta, gota y metro cuadrado cuentan.

📚 Referencias clave

• Joshi, P. (2020). A Review on High Density Planting in Fruit Crops.

• Gardiazábal, F. (2017). Alta densidad en paltos: historia y experiencias en Chile. Redagrícola Chile.

• Gardiazábal, F. (2015). Plantaciones de muy alta densidad (2,5 × 1,25 m y menores) en palto Hass. VIII World Avocado Congress (WAC8).

• INIA (2021). Plantaciones en Alta Densidad.

• FIA (2018). Estudio de competitividad del rubro almendra en Chile.

• Redagrícola (2020). Primera cosecha en Chile de almendros en súper alta densidad.

• SmartCherry (2023). Comparativa de sistemas de conducción y rendimiento acumulado en cerezos.