Una imagen muestra una zona con menor NDRE y, al recorrer el sector, las hojas también se observan algo más claras. La primera explicación podría ser una deficiencia nutricional.

Sin embargo, esa misma señal también puede estar relacionada con falta de agua, problemas radiculares, enfermedades, menor aireación del suelo o diferencias en la edad y exposición de las hojas.

Ahí está una de las principales dificultades del diagnóstico nutricional en frutales:

El análisis foliar de laboratorio continúa siendo el principal método de referencia para determinar la concentración de nutrientes en el tejido foliar y apoyar el diagnóstico nutricional del huerto.

Sin embargo, sus resultados no deben interpretarse de forma aislada: dependen de la época de muestreo, del tipo y edad de la hoja, de la condición del árbol y de que la muestra represente adecuadamente el sector evaluado.

Además, requiere recolectar hojas, enviarlas al laboratorio y esperar los resultados.

Cuando se mezclan muestras provenientes de árboles o zonas con condiciones distintas, una muestra compuesta puede diluir u ocultar diferencias relevantes dentro de un mismo cuartel.

Por esta razón, se han desarrollado tecnologías que buscan complementar el análisis foliar con información obtenida directamente en terreno, con mayor rapidez, frecuencia y resolución espacial.

La pregunta es si estas herramientas pueden reemplazar al laboratorio.

La mayoría de estas tecnologías no entrega por sí sola un diagnóstico nutricional completo. Algunas registran respuestas indirectas de la planta y otras miden determinados iones, pero todas requieren protocolos, referencias específicas e interpretación agronómica.

1. Sensores de pigmentos: SPAD y Dualex

El SPAD estima el contenido relativo de clorofila de una hoja. Debido a la relación entre clorofila y nitrógeno, sus lecturas pueden asociarse con el estado nitrogenado en algunas especies y condiciones.

Es rápido, no destructivo y permite repetir mediciones en los mismos árboles durante la temporada.

El problema es que una lectura baja también puede estar relacionada con:

• deficiencias de hierro o magnesio

• estrés hídrico

• problemas radiculares

• enfermedades

• edad y exposición de la hoja

Su desempeño tampoco es igual en todos los frutales.

En un ensayo de cuatro años realizado por Francisco Gardiazábal, Francisco Mena y C. Magdahl en paltos Hass, los análisis foliares detectaron diferencias entre tratamientos en algunos años, pero las mediciones SPAD no mostraron diferencias significativas.

Otro trabajo de José Torres Barrientos, también en palto Hass, concluyó que, bajo las condiciones homogéneas y de alta concentración de clorofila del huerto estudiado, el SPAD no fue un buen predictor de la clorofila foliar.

Esto no significa que el instrumento sea inútil. Puede servir para comparar hojas equivalentes, seguir los mismos árboles y observar tendencias. Lo que no debería hacerse es interpretar cada lectura como una medición directa de nitrógeno.

¿Qué agrega Dualex?

Dualex amplía este principio. Además de clorofila, mide flavonoles y antocianinas, y calcula el denominado Índice de Balance de Nitrógeno, o NBI.

La incorporación de flavonoles puede aportar información adicional sobre la respuesta fisiológica de la hoja. En vid y almendro se han encontrado relaciones entre el NBI y el nitrógeno foliar, aunque estas relaciones cambian según la especie, el cultivar y el momento fenológico.

2. Análisis rápido de savia

Otra alternativa consiste en extraer savia de pecíolos u otros tejidos y medir componentes como nitrato, potasio, calcio, pH o conductividad eléctrica mediante electrodos portátiles.

Su atractivo es evidente: determinados iones pueden medirse químicamente y el resultado se obtiene en pocos minutos.

La dificultad es que la composición de la savia puede cambiar según:

• la hora del día

• el estado hídrico y la transpiración

• el tejido seleccionado

• el tiempo transcurrido desde el riego o la fertilización

• el procedimiento de extracción

También puede ocurrir que la concentración de un ion en la savia no mantenga una relación estable con su concentración total en la hoja o con la respuesta productiva del árbol.

3. Espectroscopía foliar

Los espectrómetros portátiles Vis-NIR registran la respuesta de una hoja en numerosas longitudes de onda.

En lugar de entregar un único valor, producen una firma espectral más detallada, relacionada con características como los pigmentos, el contenido de agua y la estructura de la hoja.

Mediante modelos estadísticos o de aprendizaje automático, esta firma puede relacionarse con resultados de laboratorio para desarrollar estimaciones de nitrógeno, fósforo, potasio y otras propiedades foliares. Investigaciones en manzano, cítricos y otros frutales ya han mostrado resultados prometedores.

A diferencia de tecnologías basadas en un único índice, la espectroscopía registra una firma mucho más completa de la hoja, lo que amplía las posibilidades de desarrollar modelos específicos para cada especie y condición productiva.

Sin embargo, el instrumento no entrega automáticamente una concentración confiable de nutrientes. Para desarrollar un modelo útil es necesario medir numerosas hojas, analizar esas mismas muestras en laboratorio y comprobar que los resultados se mantengan en otras fechas, temporadas y predios.

Lo verdaderamente valioso sería construir una base de mediciones espectrales vinculadas con análisis foliares realizados en distintos huertos y momentos de la temporada.

Ese conjunto de datos permitiría determinar qué nutrientes pueden estimarse razonablemente, en qué especies y bajo qué condiciones.

4. Imágenes multiespectrales e hiperespectrales

Mientras un espectrómetro portátil caracteriza una hoja o un punto específico, las imágenes espectrales permiten observar cómo se distribuyen las diferencias dentro de un árbol, cuartel o huerto completo.

Las imágenes multiespectrales utilizan un número reducido de bandas, normalmente en el visible, borde rojo e infrarrojo cercano. Permiten detectar zonas contrastantes y calcular índices como NDVI o NDRE.

Las imágenes hiperespectrales registran muchas bandas continuas y generan una firma más detallada para cada píxel. Esto aumenta su potencial para desarrollar modelos relacionados con pigmentos, estructura foliar, contenido de agua y determinados nutrientes.

Ya se han realizado investigaciones en frutales, incluidos cítricos, utilizando imágenes hiperespectrales y aprendizaje automático para intentar estimar macro y micronutrientes.

Sus principales dificultades son el costo, el procesamiento de grandes volúmenes de información y la necesidad de validar los modelos con análisis de laboratorio.

¿Cómo podrían integrarse estas tecnologías?

Supongamos que una imagen multiespectral muestra una zona con NDRE persistentemente menor.

No debería concluirse automáticamente que existe una deficiencia nutricional.

Una secuencia de diagnóstico más rigurosa podría ser:

Cada etapa responde una pregunta diferente:

• Las imágenes muestran dónde existe una diferencia y cómo se distribuye.

• Las mediciones foliares permiten caracterizar con mayor detalle los árboles seleccionados.

• El laboratorio confirma si existen diferencias reales en las concentraciones de nutrientes.

• Finalmente, la información agronómica ayuda a entender por qué se produjo esa condición.

El problema aparece cuando se espera que una sola tecnología entregue el diagnóstico completo.

En resumen

Más sensores no significan necesariamente un mejor diagnóstico

Nuestra impresión en ViLab es que el problema no está en la falta de instrumentos. Hoy existen muchas tecnologías capaces de generar información rápidamente.

La dificultad está en interpretar sus resultados fuera de las condiciones en que fueron calibrados, relacionarlos con el manejo real del campo y determinar si aportan algo concreto a una decisión.

El análisis foliar continúa siendo el método de referencia.

Las nuevas tecnologías pueden complementarlo, aumentar la frecuencia de las observaciones, seleccionar mejor las muestras y mostrar una variabilidad que una muestra promedio no alcanza a representar.

En ViLab buscamos colaborar con empresas agrícolas, exportadoras, asesores e instituciones interesadas en validar estas tecnologías bajo condiciones productivas reales y desarrollar protocolos que puedan replicarse en distintos frutales y zonas agrícolas.

Referencias principales

1. Gardiazábal, Mena y Magdahl (2007) — Efecto de la fertilización con inhibidores de la nitrificación en paltos cv. Hass

2. Cerovic et al. (2015) — Nondestructive diagnostic test for nitrogen nutrition of grapevine based on Dualex leaf-clip measurements in the field

3. Lu et al. (2022) — Evaluation of real-time nutrient analysis of fertilized raspberry using petiole sap

4. Acosta et al. (2023) — Rapid Prediction of Nutrient Concentration in Citrus Leaves Using Vis-NIR Spectroscopy

5. Blanco-Alvarez et al. (2026) — Machine learning for non-destructive nutrient diagnosis in citrus: comparing spectral analysis and hyperspectral imaging with CNNs

6. Kanwal et al. (2026). Prediction of foliar nutrient concentrations and yield of avocado using on-farm and laboratory based hyperspectral imaging.

El kiwi chileno sigue siendo un cultivo relevante dentro de la fruticultura nacional. Chile se mantiene como uno de los principales exportadores mundiales, con una industria basada principalmente en Hayward y con creciente interés por nuevas variedades amarillas como Gold3, Jintao y otras.

Distintas estimaciones sectoriales sitúan la superficie productiva de kiwi en Chile en torno a las 7.000 a 8.500 hectáreas, concentradas principalmente en Maule y O’Higgins.

En este contexto, el desafío para muchos productores no es solo producir más, sino producir con mayor consistencia, mejorar el uso del agua y anticipar problemas antes de que se transformen en pérdidas productivas.

Por eso, el monitoreo continuo puede transformarse en una herramienta concreta para ordenar decisiones y priorizar el trabajo en terreno.

Durante la temporada 2025–2026, ViLab implementó un sistema de monitoreo semanal de un huerto comercial de kiwis Hayward en la zona central de Chile, integrando imágenes satelitales, análisis de vigor, condición nutricional, uniformidad de riego, control de balance hídrico, información climática y observaciones de terreno.

El objetivo no fue reemplazar el criterio agronómico, sino hacerlo más preciso: ayudar al asesor y al equipo de campo a responder una pregunta simple, pero clave:

Huerto comercial de kiwi Hayward en la zona central de Chile

El desafío: transformar información dispersa en una pauta semanal de manejo

El huerto contaba con distintos cuarteles de kiwi, con diferencias de edad, desarrollo y condición vegetativa. Además, existían planos físicos del sistema de riego, información clave para entender cómo se organizaban internamente los sectores, líneas y bloques de manejo.

A partir del análisis conjunto con el asesor, esos planos se usaron para definir subzonas de control de uniformidad de riego. Este paso fue fundamental, porque permitió pasar de una lectura general del cuartel a una lectura mucho más operativa.

En vez de decir “este cuartel presenta una diferencia”, el sistema permitió observar sectores específicos dentro de la lógica real del riego: bloques, franjas, líneas y zonas de manejo.

Esa integración entre satélite, plano de riego, clima y conocimiento del campo fue lo que convirtió el monitoreo en una herramienta práctica para la gestión semanal del huerto.

Qué se monitoreó semana a semana

El monitoreo semanal integró cinco fuentes de información que fueron interpretadas de manera conjunta.

1. Vigor vegetativo

Mediante NDVI, ViLab evaluó la evolución del desarrollo vegetativo de cada cuartel y detectó sectores con menor o mayor vigor relativo respecto del comportamiento esperado para cada semana.

Esto permitió identificar señales tempranas de menor expresión vegetativa, diferenciar anomalías transitorias de problemas persistentes y confirmar la normalización de sectores observados en semanas anteriores.

La interpretación de estos indicadores consideró siempre la etapa fenológica del cultivo, ya que una misma señal satelital puede tener implicancias distintas según el momento de la temporada.

2. Condición nutricional

El análisis incorporó una lectura complementaria sobre condición foliar, clorofila y nitrógeno relativo.

Esta capa ayudó a interpretar si una diferencia observada correspondía a menor biomasa, mayor actividad vegetativa, una posible condición nutricional diferenciada o una variación esperable dentro de la temporada.

En kiwi, esta lectura es especialmente útil cuando se analiza junto con el vigor vegetativo, porque permite distinguir mejor si una diferencia corresponde a menor desarrollo de canopia, a una condición nutricional particular o a una combinación de factores.

3. Uniformidad de riego

El análisis de uniformidad permitió detectar diferencias espaciales dentro del huerto y priorizar sectores donde podía ser necesario revisar líneas, emisores, presiones o distribución del agua.

Este punto fue especialmente relevante porque el riego no se evaluó solo como una lámina aplicada, sino como una distribución espacial dentro del campo.

La lectura por subzonas permitió conectar la señal satelital con la arquitectura real del sistema de riego, haciendo más fácil orientar la revisión en terreno.

4. Control de balance hídrico

El seguimiento también incorporó un control semanal del balance hídrico por cuartel.

Para esto, se comparó la demanda evaporativa estimada de cada sector, calculada a partir de la ETo y un Kc satelital derivado del estado vegetativo observado, con los riegos efectivamente aplicados durante la semana.

Esto permitió identificar sectores donde la programación de riego podía estar generando excesos o déficits hídricos, priorizar sectores para revisión en terreno y contrastar la señal del balance con la respuesta real del cultivo.

Esa validación se realizó mediante observaciones de terreno, como calicatas, revisión del estado del suelo y mediciones de potencial hídrico de tallo. De esta forma, el balance hídrico no se interpretó como un dato aislado, sino como una herramienta de apoyo que debía ser contrastada con la condición efectiva de la planta y del suelo.

Este enfoque permitió apoyar ajustes concretos en la programación del riego semanal, considerando tanto la demanda estimada como la respuesta observada en el huerto.

5. Información climática y riesgo ambiental

El monitoreo también se complementó con información climática relevante para el manejo del kiwi.

Durante primavera, esta información permitió apoyar decisiones frente a eventos de heladas, especialmente en etapas sensibles del desarrollo del cultivo.

Durante verano, el seguimiento climático ayudó a interpretar periodos de alta demanda evaporativa y valores elevados de déficit de presión de vapor (DPV), que pueden aumentar el estrés hídrico y afectar la respuesta del cultivo si no se ajusta oportunamente la estrategia de riego.

Así, el análisis no se limitó a observar el estado del huerto desde el satélite, sino que incorporó el contexto ambiental en el que esas señales ocurrían.

Qué cambió en la práctica

El valor del monitoreo apareció cuando la información semanal se transformó en acciones concretas.

A partir de los informes, el asesor y el equipo de campo pudieron:

• priorizar sectores específicos para revisión en terreno;

• validar anomalías con calicatas, observación directa y potencial hídrico de tallo;

• revisar diferencias de riego, presión o distribución;

• ajustar la programación de riego según el balance hídrico observado;

• interpretar las señales del cultivo según la etapa fenológica y el contexto climático.

Esto permitió que los mapas no quedaran como una imagen más, sino como una pauta semanal de trabajo.

De la imagen satelital a la acción en terreno

Uno de los principales aprendizajes de este caso fue que el monitoreo tuvo valor porque fue usado activamente por el equipo técnico.

Los informes semanales fueron transformados por el asesor en instrucciones concretas: revisar sectores con menor vigor, observar zonas con variaciones de riego, validar anomalías en terreno, hacer calicatas en cuarteles específicos y complementar la evaluación con mediciones de potencial hídrico de tallo cuando correspondía.

A lo largo de la temporada, el sistema permitió enfocar la revisión en extremos de cuarteles, zonas vecinas a otros cultivos, bloques con posible diferencia de riego, sectores expuestos a condiciones climáticas relevantes y áreas donde la señal satelital coincidía con eventos observables en terreno.

Ese cruce entre información remota, clima y conocimiento local fue clave. La imagen satelital indicaba dónde mirar; el equipo de campo aportaba la interpretación final.

El valor de trabajar con subzonas de riego

Uno de los elementos más potentes del caso fue la definición de subzonas para el control de uniformidad.

Ejemplo de subzonas de riego utilizadas para priorizar revisiones en terreno.

A partir de los planos físicos de riego y del análisis con el asesor, ViLab pudo estructurar una lectura más fina del huerto. Esto permitió evaluar diferencias dentro de cada unidad de manejo, en vez de analizar el campo solo a nivel de cuartel completo.

Esta aproximación mejora mucho la utilidad del monitoreo, porque permite responder preguntas más concretas:

En frutales como el kiwi, donde la uniformidad del desarrollo es clave para el manejo posterior, esta escala de análisis puede marcar una diferencia importante.

Avanzar hacia raleo y estimación de cosecha

La temporada también dejó un aprendizaje relevante: una vez instalado el monitoreo semanal, aparece una oportunidad natural para avanzar hacia decisiones productivas de mayor impacto.

En las conversaciones técnicas surgió la necesidad de contar con apoyo más objetivo para decisiones como raleo y estimación de cosecha. Esto tiene mucho sentido en kiwi, porque la decisión de carga no depende de una sola variable.

Está influida por el vigor, la uniformidad del huerto, la condición hídrica, la edad del cuartel, el desarrollo de la temporada, los eventos climáticos y la capacidad real de cada sector para sostener fruta de calidad.

Así, el aprendizaje fue claro: el monitoreo de vigor, nutrición, riego, balance hídrico, clima y fenología puede ser la primera capa de un sistema más completo de apoyo a decisiones productivas.

El siguiente paso es integrar esa información con conteos, carga frutal, calibre, historial productivo y estimaciones progresivas de cosecha.

Este tipo de desarrollo requiere complementarse con muestreos y validaciones en terreno, pero el monitoreo semanal entrega una base objetiva para orientar dónde levantar esa información.

Conclusión

El caso muestra que el monitoreo satelital genera su mayor valor cuando se transforma en una herramienta semanal de decisión.

En kiwi, integrar información satelital, climática y observaciones de terreno permite comprender mejor el estado del cultivo y apoyar decisiones más oportunas de manejo.

El siguiente paso natural es avanzar hacia herramientas de apoyo para decisiones productivas más críticas, como raleo y estimación progresiva de cosecha.

En ViLab creemos que el mayor valor de la agricultura digital no está en generar más datos, sino en ayudar a tomar mejores decisiones cada semana.

Imagine un predio con imágenes satelitales, estaciones meteorológicas, sondas de humedad, calicatas, análisis foliares y registros de riego.

Ahora imagine que cada una de esas herramientas trabaja por separado.

Eso ocurre hoy en muchos campos.

No falta información.

Lo que falta es que toda esa información converse entre sí.

Precisamente para resolver ese problema comienza a tomar fuerza un concepto que probablemente marcará la próxima etapa de la agricultura de precisión: el Gemelo Digital Agrícola.

¿Y si el problema no fuera la falta de sensores, sino que ninguno conversa con los demás?

Antes de seguir, vale la pena hacer una conexión.

En un artículo anterior de ViLab explicamos el origen del concepto de Gemelo Digital y cómo esta idea pasó desde la ingeniería aeroespacial hacia la agricultura.

Hoy queremos dar un paso más.

No hablar solo de qué es un Gemelo Digital, sino de cómo llevar ese concepto a decisiones concretas en frutales, integrando imágenes satelitales, clima, humedad de suelo, registros de riego, SPAD, análisis foliares, calicatas y producción.

No es un mapa. No es un sensor. Es una representación viva del campo.

Un Gemelo Digital no es simplemente un software nuevo.

Tampoco es una imagen satelital, una plataforma IoT o un tablero de datos.

Es una representación digital del campo que se actualiza continuamente con información real proveniente de múltiples fuentes.

Su objetivo no es mostrar más datos.

Su objetivo es ayudar a interpretar mejor lo que está ocurriendo.

En otras palabras:

El problema no es la falta de sensores

Hoy muchos predios ya cuentan con bastante información.

Tienen clima, humedad de suelo, imágenes satelitales, análisis foliares, calicatas, registros de riego y observaciones de terreno.

El problema es que normalmente cada fuente vive en una plataforma distinta.

Una sonda mide un sector.

Las calicatas se realizan en otro.

El análisis foliar corresponde a otro punto.

La estación meteorológica representa una condición general.

Y la imagen satelital muestra el comportamiento completo del predio, pero no siempre explica la causa.

Cada herramienta entrega información valiosa.

Pero ninguna, por sí sola, explica completamente lo que está ocurriendo.

El desafío no es acumular más información.

El desafío es convertir señales dispersas en una interpretación agronómica coherente.

El siguiente paso es integrar

Si el NDVI disminuye en un cuartel, la pregunta no debería ser solamente:

¿Bajó el vigor?

La pregunta realmente importante es:

¿Por qué bajó?

¿Es un problema nutricional?

¿Estrés hídrico?

¿Una enfermedad?

¿Una poda reciente?

¿Una helada?

¿Un cambio en el manejo del riego?

La imagen satelital permite detectar una anomalía.

Pero para interpretarla correctamente se necesita contexto.

Si el sistema además conoce el riego aplicado, la evapotranspiración, la humedad del perfil, el SPAD, los análisis foliares, las calicatas y las condiciones meteorológicas, entonces la interpretación cambia completamente.

Ya no se trata simplemente de observar una señal.

Se trata de entender su causa probable.

Un ejemplo sencillo

Imagine un cuartel donde el NDVI disminuye durante una semana.

Con una imagen satelital sabemos qué ocurrió, pero no necesariamente por qué ocurrió.

Ahora imagine que el sistema también conoce:

• que el riego aplicado disminuyó durante los últimos días;

• que la ETo aumentó debido a una semana más cálida;

• que la sonda muestra menor humedad a 40 cm;

• que el SPAD se mantiene estable;

• que el análisis foliar no muestra una caída relevante de nitrógeno;

• que no hubo eventos de helada ni daño visible en terreno.

La conclusión cambia completamente.

Ya no hablamos necesariamente de un problema nutricional.

Todo apunta con mayor probabilidad a un estrés hídrico transitorio.

Ese es precisamente el valor de un Gemelo Digital: transformar múltiples señales aisladas en una explicación más coherente.

Un sistema de apoyo, no un reemplazo del agrónomo

Existe una idea equivocada de que estas tecnologías buscan automatizar completamente las decisiones agrícolas.

La realidad es distinta.

Un Gemelo Digital funciona como un sistema de apoyo a la decisión.

Permite ordenar información, comparar escenarios, detectar inconsistencias y reducir la incertidumbre.

Pero la decisión final sigue siendo humana.

La experiencia del agricultor y del agrónomo continúa siendo indispensable.

La diferencia es que ahora esa experiencia puede apoyarse en una visión mucho más completa del campo.

El verdadero desafío no es generar más información.

Es simplificarla hasta convertirla en una mejor decisión.

El desafío práctico

Muchas propuestas sobre Gemelos Digitales tienden a asumir que el campo estará completamente instrumentado.

En la práctica, eso rara vez ocurre.

Y probablemente nunca ocurra.

Instalar sensores en cada cuartel suele ser económicamente inviable.

Además, muchos predios ya tienen información, pero distribuida de manera imperfecta.

Una sonda en un sector.

Las calicatas se realizan en otro.

El análisis foliar en otro.

Un registro de riego por caseta.

Una imagen satelital para todo el predio.

El desafío no es partir desde cero.

El desafío es integrar inteligentemente lo que ya existe.

El concepto del Testigo Digital

Aquí creemos que existe una oportunidad.

En lugar de llenar el predio de sensores, una forma práctica de avanzar es seleccionar uno o algunos sectores estratégicos donde sí exista una caracterización mucho más completa.

En esos sectores se concentran distintas fuentes de información:

• Humedad del suelo

• Clima

• SPAD

• Calicatas

• Análisis foliares

• Imágenes satelitales

• Registros de riego

• Rendimiento y calibre

Ese sector se transforma en un Cuartel Testigo Digital.

Su función no es medir todo el campo.

Su función es ayudar a interpretar mejor el comportamiento del conjunto.

A partir de ese punto de referencia, las imágenes satelitales y los modelos agronómicos pueden ayudar a extrapolar patrones, priorizar revisiones en terreno y entender qué señales realmente merecen atención.

Creemos que este enfoque puede facilitar la adopción práctica de los Gemelos Digitales en frutales, donde la instrumentación completa del predio suele ser una de las principales barreras.

Medir menos, interpretar mejor

Durante años, la agricultura de precisión se enfocó en generar más información.

Más sensores.

Más imágenes.

Más estaciones.

Más mapas.

Más datos.

Pero el próximo gran salto probablemente no vendrá solo de medir más.

Vendrá de interpretar mejor.

Los Gemelos Digitales representan precisamente esa evolución: transformar datos dispersos en conocimiento útil para tomar mejores decisiones.

El futuro no será necesariamente el campo con más sensores.

Será el campo que mejor comprenda lo que esos sensores están diciendo.

Porque al final, los datos no generan valor por sí solos.

La interpretación sí.

Y probablemente esa sea la verdadera revolución de los Gemelos Digitales en agricultura.

¿Qué opinas?

Referencias

Si te interesa profundizar en este tema, te recomendamos revisar las siguientes publicaciones:

• A Comprehensive Review of Digital Twins Technology in Agriculture

• Advancing Precision Agriculture Through Digital Twins and Smart Farming Technologies

• Artículo previo de ViLab: Gemelos Digitales

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

Cada cierto tiempo aparece una tecnología que promete cambiarlo todo.

En agricultura ya lo hemos visto varias veces: drones, sensores, inteligencia artificial y satélites que prometían resolver desde el espacio o desde el dato lo que en realidad sigue necesitando interpretación agronómica.

La realidad suele ser más interesante que la promesa.

La mayoría de estas tecnologías no reemplaza el trabajo agronómico. Tampoco resuelve por sí sola los problemas del campo. Pero cuando se usan bien, pueden convertirse en herramientas muy valiosas para mirar mejor, decidir antes y enfocar mejor el trabajo en terreno.

Eso es lo que está empezando a ocurrir con Pelican, la nueva generación de satélites de alta resolución de Planet, cuyo despliegue abre nuevas posibilidades para el monitoreo agrícola..

Pelican es importante. Puede abrir una nueva etapa para el monitoreo agrícola. Pero no porque vaya a entregar una imagen diaria de 30 o 50 centímetros de cada campo agrícola del mundo. Eso, al menos hoy, no es realista.

Su valor es más específico, pero también más útil: puede funcionar como una nueva capa visual de alta resolución para interpretar mejor problemas que el monitoreo satelital ya detectó.

Dicho de forma simple: PlanetScope detecta y prioriza; Pelican ayuda a mirar con más detalle; y el terreno sigue siendo el lugar donde se confirma la causa.

Cómo llegamos hasta aquí

El primer gran salto de la teledetección agrícola llegó con Sentinel-2, especialmente desde 2017, cuando la constelación quedó completa y permitió observar un mismo lugar con una frecuencia cercana a 5 días.

Para la agricultura, eso cambió las reglas del juego. Por primera vez, muchos agricultores pudieron acceder a imágenes periódicas, de buena calidad y bajo costo para observar la variabilidad de sus campos: qué sectores tenían más vigor, cuáles estaban más débiles y cómo cambiaba la vegetación durante la temporada.

Pero Sentinel-2 también tenía una limitación natural. Con 10 metros por píxel, es muy útil para mirar tendencias generales, diferencias entre cuarteles o zonas grandes dentro de un campo. Pero cuando el problema ocurre dentro del cuartel, en una hilera, en una franja de riego o en un grupo pequeño de plantas, esa resolución muchas veces no alcanza.

En nuestro caso, el siguiente salto vino con PlanetScope, hacia 2021.

Con imágenes de aproximadamente 3 metros por píxel y una frecuencia casi diaria, PlanetScope permitió mirar el campo con otra lógica. Ya no era solo comparar un cuartel con otro. Ahora era posible detectar diferencias dentro del mismo cuartel: caídas de vigor, anomalías de riego o sectores que empezaban a comportarse distinto a su propio historial.

Ahí la imagen satelital dejó de ser solo una foto bonita del campo. Se transformó en una serie temporal. Una forma de comparar semanas. Una herramienta para detectar antes y priorizar dónde mirar.

Ese sigue siendo, para nosotros, el corazón del monitoreo satelital agrícola.

Y ahora aparece Pelican.

La promesa real de Pelican

Pelican es la nueva generación de satélites de alta resolución de Planet Labs. Su primera generación ya permite imágenes del orden de 50 centímetros por píxel, y la segunda generación apunta a resoluciones cercanas a 30 centímetros.

El salto desde 3 metros a 50 centímetros es enorme. En frutales, por ejemplo, significa acercarse mucho más a la escala donde realmente ocurren muchos problemas: hileras, bordes, plantas faltantes, diferencias de copa, sectores hidráulicos, zonas de baja cobertura o patrones que antes aparecían simplemente como una mancha en un mapa.

Pero aquí está el punto clave: más resolución no significa automáticamente mejores decisiones.

Una imagen de 50 centímetros solo tiene valor si ayuda a responder una pregunta concreta. ¿Por qué esta zona viene perdiendo vigor? ¿El problema sigue una línea de riego? ¿La anomalía aparece por hilera, por borde o por mancha? ¿Hay plantas faltantes? ¿Hay menor cobertura? ¿Dónde conviene revisar primero en terreno?

Pelican no debería usarse para mirar todo con más detalle solo porque la imagen se ve mejor. Su verdadero valor aparece cuando ya existe una alerta, una duda técnica o una decisión que necesita mejor evidencia visual.

En ViLab vemos este uso como una extensión natural del monitoreo actual: primero detectar, luego interpretar mejor y finalmente validar en terreno.

No todo se puede monitorear a 50 centímetros

Cuando se habla de satélites de 50 o 30 centímetros, es fácil imaginar un futuro en que todos los campos del mundo serán monitoreados todos los días con ese nivel de detalle.

Pero eso no es económicamente viable hoy.

Capturar, procesar y almacenar imágenes de toda la Tierra a resoluciones menores a 1 metro, todos los días, generaría un volumen de datos enorme. El costo operacional sería muy alto y muchas de esas imágenes nunca serían utilizadas.

Por eso, Pelican no funciona como PlanetScope.

PlanetScope está pensado para monitoreo frecuente y masivo. Pelican opera principalmente bajo demanda, mediante un modelo conocido como tasking. Es decir, no se trata de tener una imagen diaria de todo el planeta, sino de poder solicitar una captura sobre una zona específica cuando existe una necesidad concreta.

En agricultura, esto tiene mucho sentido.

No siempre se justifica pedir imágenes de muy alta resolución para todo un campo. Pero sí puede ser muy valioso hacerlo cuando aparece una anomalía persistente, cuando ocurre una helada, cuando se necesita documentar un daño, cuando se quiere entender mejor un patrón de riego o cuando un informe técnico requiere una imagen visual más precisa.

La pregunta no es: “¿podemos mirar todo a 50 centímetros?”.

La pregunta correcta es: “¿cuándo vale la pena mirar con ese nivel de detalle?”.

Pelican como una lupa agronómica

La mejor forma de entender Pelican es verlo como una lupa.

PlanetScope permite monitorear frecuentemente el campo completo. Detecta tendencias, anomalías y zonas prioritarias. Pelican permite acercarse a una zona específica para mirar mejor la forma del problema.

Y muchas veces, la forma del problema entrega pistas importantes.

Una anomalía lineal no significa lo mismo que una mancha irregular. Una diferencia por hileras puede orientar hacia riego, presión o diseño hidráulico. Un borde afectado puede sugerir viento, salinidad, tránsito o condiciones externas. Una zona con baja cobertura puede indicar un problema estructural del huerto, y no necesariamente un estrés reciente.

En riego, por ejemplo, PlanetScope puede mostrar que una zona viene perdiendo vigor respecto de su historial. Pelican puede ayudar a observar si esa pérdida tiene forma de línea, hilera, borde, sector hidráulico o cambio de pendiente.

Eso no reemplaza el aforo, el sensor de humedad ni la visita a terreno. Pero permite llegar con una hipótesis mucho más clara.

Nutrición: del multiespectral a la hiperespectralidad

Hoy, gran parte del monitoreo nutricional con imágenes satelitales se apoya en señales multiespectrales. Índices como NDRE, relacionados con el red edge, son muy útiles para observar señales asociadas a clorofila y contenido de nitrógeno foliar bajo modelos calibrados.

Pero hay que ser cuidadosos.

Una imagen satelital no debería usarse para decir automáticamente: “esta planta tiene deficiencia de nitrógeno”.

Ahí aparece el potencial de la hiperespectralidad.

Mientras una imagen multiespectral observa pocas bandas, una imagen hiperespectral puede capturar cientos de bandas estrechas. Eso permite analizar firmas espectrales mucho más finas de la vegetación.

Para eso sí, se necesitan modelos calibrados, análisis foliares, datos de terreno y validación por cultivo, variedad y estado fenológico.

Pero el salto es relevante. Con multiespectral podemos estimar principalmente señales asociadas a vigor, clorofila y nitrógeno foliar. Con hiperespectral podríamos empezar a explorar con mayor precisión qué condiciones nutricionales o fisiológicas están limitando el desarrollo de las plantas.

Daño climático, cosecha y seguros paramétricos

Las imágenes de alta resolución también pueden ser útiles frente a eventos climáticos. Heladas, olas de calor, granizo o viento pueden generar daños muy localizados. En esos casos, una imagen de alta resolución puede ayudar a documentar mejor la distribución espacial del impacto, especialmente si se compara el estado previo y posterior del cultivo.

Hay otra aplicación que para nosotros es especialmente interesante: los seguros agrícolas paramétricos.

Ese indicador puede estar asociado a heladas, déficit hídrico, sequía, caída de índices de vegetación o una combinación de variables climáticas y satelitales.

Aquí la teledetección puede aportar mucho.

PlanetScope permite construir series históricas y analizar el comportamiento normal o anómalo de un cultivo. Pelican puede aportar evidencia visual de alta resolución cuando ocurre un evento específico. Y Tanager puede agregar una capa hiperespectral para explorar señales más complejas de estrés vegetal, humedad, nutrición o condición biofísica.

Para ViLab, esta es una línea natural. La misma infraestructura que permite monitorear vigor, riego, nutrición y riesgo productivo puede servir como base para construir indicadores objetivos que apoyen nuevos modelos de aseguramiento agrícola.

No todo necesita más resolución

Uno de los errores más comunes en tecnología es pensar que más siempre es mejor: más resolución, más datos, más sensores, más inteligencia artificial.

La imagen muestra patrones. La agronomía interpreta causas. Y la decisión se toma combinando ambas cosas.

Hacia dónde vamos con ViLab

En ViLab, el objetivo no es acumular más imágenes. El objetivo es construir inteligencia agronómica.

Actualmente usamos imágenes satelitales frecuentes para detectar cambios dentro de los cuarteles. Ahora, tecnologías como Pelican y Tanager abren la posibilidad de mirar mejor las zonas críticas y explorar señales que antes no eran visibles con sensores tradicionales.

El salto que buscamos es pasar de alertas generales a hipótesis concretas; de “algo está pasando en este sector” a “este patrón se parece a un problema de riego, conviene revisar aquí primero”.

Y más adelante, conectar ese mismo sistema con modelos predictivos, gestión de riesgo y seguros paramétricos.

Pelican es una tecnología importante, pero no por la razón más obvia.

Su valor está en permitir capturas de muy alta resolución bajo demanda, cuando el monitoreo frecuente ya detectó una alerta o cuando existe una pregunta agronómica relevante.

En el futuro, el monitoreo agrícola no será solo más resolución.

Será mejor integración.

PlanetScope para detectar y priorizar. Pelican para interpretar visualmente. Tanager para explorar señales hiperespectrales. Sensores y terreno para confirmar. Modelos e inteligencia artificial para anticipar, explicar y recomendar.

En ViLab estamos trabajando para integrar estas nuevas fuentes de información en sistemas de monitoreo que ayuden a los agricultores a decidir con más contexto, más oportunidad y menos ruido.

En agricultura, uno de los costos más altos no siempre viene de no detectar un problema. Muchas veces viene de detectarlo tarde.

A veces el huerto parece normal. Las plantas se ven bien, el riego está funcionando y no hay síntomas evidentes.

Pero eso no significa necesariamente que todo esté bien.

En agronomía existe un concepto conocido como “hambre oculta”, usado para describir situaciones en que la planta ya tiene una limitación nutricional, aunque todavía no muestre síntomas claros en terreno.

Algunas de estas señales pueden comenzar a expresarse antes de ser visibles para el ojo humano. A través de imágenes satelitales multiespectrales, es posible observar cambios sutiles en la respuesta del cultivo, especialmente en índices asociados a vigor y condición nutricional, como NDVI y NDRE.

En paltos y cítricos ocurre algo parecido con el agua, el suelo y las raíces. Un árbol puede verse aparentemente normal, pero estar recibiendo menos agua efectiva, tener baja aireación radicular, menor absorción de nutrientes o una respuesta más débil que otros sectores del mismo huerto.

Detectar esas señales a tiempo es clave.

Goteros o microaspersores parcialmente obstruidos, filtros tapados, líneas desplazadas durante la cosecha, diferencias de presión entre válvulas, suelos más limitantes o restricciones nutricionales tempranas pueden generar cambios graduales que no siempre aparecen como una falla evidente.

El desafío para el equipo agrícola no es solo detectar esas diferencias. El verdadero desafío es saber dónde mirar primero.

Ese fue parte del trabajo que está realizando ViLab en el predio Santa Blanca, en Panquehue, donde se implementó un seguimiento semanal combinando imágenes satelitales multiespectrales, datos climáticos, imágenes obtenidas con un dron, registros diarios de riego y validación en terreno.

No se trata de entregar más mapas

El objetivo fue ordenar información que normalmente está dispersa y responder una pregunta simple:

¿Qué sectores requieren atención esta semana?

En un campo hay muchos datos, pero normalmente están dispersos: clima, riego, imágenes satelitales, análisis foliares, suelo, drones, calicatas, labores de terreno y rendimientos históricos.

Por separado, cada dato muestra solo una parte de la historia. Integrados, permiten entender mejor cómo se comporta el campo.

En Santa Blanca, el seguimiento semanal permitió observar qué sectores mantenían buen vigor, cuáles comenzaban a desviarse del comportamiento histórico, dónde aparecían señales nutricionales más débiles, qué zonas podían estar mostrando diferencias asociadas al riego y qué áreas repetían patrones históricos de menor desempeño.

El foco estuvo en transformar datos dispersos en alertas simples y accionables: sectores con pérdida de vigor, señales nutricionales bajo rango, comportamiento distinto a la historia del cuartel, posibles diferencias de uniformidad de riego o zonas donde el riego aplicado podía diferir de la demanda del cultivo.

Cuando la información satelital se cruza con clima, riego, suelo, nutrición, drones, rendimiento histórico y conocimiento del campo, ayuda a levantar mejores preguntas e hipótesis.

Y en agricultura, hacer mejores preguntas a tiempo muchas veces vale más que tener más datos.

El costo de revisar sin foco

En paltos y cítricos, muchas desviaciones productivas pueden partir por diferencias pequeñas en la distribución del agua.

Revisar la operación del sistema de riego en un huerto de gran extensión no es una tarea menor.

Implica tiempo de cuadrillas, desplazamientos dentro del campo, apertura y cierre de válvulas, revisión de líneas, medición de presiones, verificación de emisores, limpieza de filtros y coordinación con otras labores del huerto.

El riego sigue funcionando, pero no necesariamente llega de la misma forma a todos los sectores.

Por eso, el costo no está solo en encontrar el problema. También está en revisar demasiado sin saber dónde partir.

Una alerta temprana permite cambiar esa lógica: en vez de revisar todo el campo con la misma intensidad, el equipo puede priorizar sectores específicos y concentrar mejor su tiempo.

Una alerta localizada en sectores de palto

Durante una de las semanas de seguimiento en Santa Blanca, se detectaron diferencias localizadas en sectores de palto asociados a una caseta de riego.

La señal no se interpretó como un diagnóstico cerrado, sino como una alerta temprana. Apareció como una diferencia localizada en determinadas subzonas del cuartel, no como un problema generalizado. Eso permitió evitar una revisión amplia y orientar la atención hacia líneas de riego específicas.

Al revisar la información junto con registros operacionales de riego, surgió una hipótesis concreta: algunos sectores estaban mostrando una condición compatible con diferencias entre la reposición hídrica aplicada, la demanda del cultivo y las condiciones propias del sector.

Ese es el cambio de enfoque: pasar de una observación general del campo a una pregunta operativa concreta.

¿Qué está ocurriendo en este sector y qué conviene revisar primero?

De la alerta a la acción

Todos los lunes el equipo técnico recibe un informe semanal con las alertas priorizadas por sector. El informe muestra qué cambió respecto de la semana anterior en tres dimensiones principales: vigor vegetativo, señales nutricionales y riego.

A partir de esa información, el equipo cuenta con una priorización de sectores, una hipótesis preliminar y una recomendación de validación en terreno: vuelo de dron, aforos, medición de presión, revisión de goteros o microaspersores, inspección visual o calicatas.

La alerta satelital no reemplaza la mirada del equipo agrícola; ayuda a enfocar mejor esa mirada. La tecnología levanta la señal, pero el criterio agronómico permite interpretarla.

Una vez confirmado el diagnóstico en terreno, se corrige la desviación según corresponda: ajustar la programación de riego, reemplazar microaspersores, limpiar o cambiar filtros, corregir líneas desplazadas, mejorar presiones o ajustar la fertilización.

La anomalía sigue bajo monitoreo en las semanas siguientes, hasta verificar si el sector se recupera, si la desviación disminuye o si requiere una nueva revisión.

Así, la alerta se transforma en una acción concreta y en un seguimiento continuo.

La ventaja no está solo en detectar un problema, sino en dejar registro de la decisión: qué se observó, qué se validó, qué se corrigió y qué ocurrió después.

La conclusión

El monitoreo satelital no reemplaza al administrador, al asesor, los sensores, las calicatas ni las mediciones de terreno.

Su valor es otro: ayuda a llegar antes y mirar mejor.

En Santa Blanca, ViLab está transformando la información del campo en una rutina semanal de decisión: priorizar sectores, validar hipótesis, corregir desviaciones y seguir la evolución del cultivo.

Con cada semana monitoreada, el campo comienza a construir una memoria agronómica propia: qué sectores se repiten, qué problemas vuelven, qué decisiones se tomaron y qué ocurrió después.

En agricultura de gran escala, la diferencia no está en tener más datos. Está en llegar antes, mirar mejor y decidir con más foco.

Ese es el enfoque de ViLab.

Un campo de almendros en la zona de Cabildo/Petorca enfrentaba una decisión importante: dejar atrás varios años de manejo orgánico y migrar a un manejo convencional para recuperar productividad.

Durante años, el manejo orgánico había permitido acceder a mejores precios, pero con producciones más bajas. Sin embargo, al disminuir el diferencial de precio del producto orgánico, la administración decidió cambiar de estrategia.

El desafío no era menor.

El campo se ubicaba en una zona con restricción hídrica permanente, donde el riego no siempre podía ajustarse a la demanda ideal del cultivo, sino al agua efectivamente disponible. Además, algunos sectores tenían una operación de riego compleja, con cuarteles divididos en turnos, cabezales compartidos y diferencias históricas de presión.

La pregunta era clara:

ViLab fue contratado para implementar un sistema de monitoreo satelital que permitiera estimar el potencial productivo desde floración, seguir semanalmente la respuesta del huerto y detectar anomalías de vigor, nutrición y riego que pudieran limitar el rendimiento esperado.

Inicio de floración en la zona de Cabildo/Petorca.

El punto de partida

El trabajo comenzó cargando en la plataforma de ViLab la información disponible del campo: sectores de riego, rendimientos históricos, diseño hidráulico del sistema de riego, análisis de suelo, análisis foliares, datos climáticos e imágenes satelitales históricas.

El campo tenía almendros Nonpareil sobre patrón GxN, con polinizantes Carmel, Prize y Fritz.

Esta información permitió construir una línea base para entender el comportamiento del huerto antes de comenzar el seguimiento semanal.

Primero: estimar el potencial productivo

El primer objetivo fue estimar el potencial productivo de la temporada.

La floración 2025 comenzó alrededor del 9 de agosto, con un peak entre el 15 y 20 de agosto. Durante esa ventana no se registraron heladas críticas y las condiciones térmicas fueron favorables para la polinización.

Con esa información, más la evolución satelital posterior, se proyectó un rendimiento probable del orden de 2,5 a 2,7 t/ha, con actualizaciones mensuales durante la temporada.

Pero estimar el potencial era solo la primera parte.

El desafío real era acompañar al campo durante la temporada para intentar acercarse a ese potencial, monitoreando semanalmente las variables que podían limitarlo.

Tres focos de monitoreo semanal

El seguimiento se concentró en tres dimensiones clave:

• vigor vegetativo, para evaluar si los árboles mantenían una condición suficiente para sostener la carga frutal proyectada;

• condición nutricional, especialmente a través de señales relacionadas con clorofila y nitrógeno foliar;

• uniformidad de riego, para identificar sectores con respuestas desiguales dentro del mismo cuartel.

En un campo con limitación hídrica, esta última dimensión era especialmente importante.

No siempre se puede regar según la demanda del cultivo. Muchas veces se riega hasta donde alcanza el agua disponible. Por eso, el objetivo no era simplemente “regar más”, sino detectar dónde el agua se estaba aplicando de forma dispareja y dónde las plantas estaban respondiendo peor.

Adaptar el análisis al sistema real de riego

Uno de los puntos más relevantes fue adaptar el análisis al funcionamiento real del sistema de riego.

Algunos cuarteles tenían una operación compleja. El cuartel 20, por ejemplo, se trabajaba en dos lados operativos: 20A y 20B. Los cuarteles 17, 18 y 19 compartían un mismo cabezal. Otros sectores también presentaban configuraciones particulares.

Por eso, cada sector se dividió en subzonas de aproximadamente 10 hileras operativas, siguiendo la lógica hidráulica del sistema de riego.

Esto permitió pasar de una lectura general por cuartel a una lectura mucho más útil para la gestión: identificar zonas con exceso, déficit o recuperación desigual dentro de un mismo sector.

Detección de anomalías de uniformidad de riego por subzonas. Azul indica mayor aporte relativo de agua y amarillo menor aporte relativo.

Cuando el satélite ayuda a enfocar la revisión en terreno

Durante la temporada, el monitoreo permitió detectar problemas reales de uniformidad.

En los cuarteles 17, 18 y 19 se observó un patrón disparejo, con subzonas que mostraban mayor aporte relativo de agua y otras que quedaban con déficit. El propio encargado del campo confirmó con aforos la situación: esos sectores tenían problemas históricos porque la matriz de riego había quedado más pequeña de lo necesario, dificultando mejorar la presión.

También se detectaron señales en los cuarteles 9 y 10, donde posteriormente se confirmó que existían fallas de riego y presión que debían ser revisadas.

En otras semanas, el análisis apuntó a problemas localizados en otros sectores, con hileras que sugerían sobre-riego o pérdida de caudal.

Este punto es importante: el monitoreo satelital no reemplaza la revisión en terreno. La hace más focalizada.

En lugar de recorrer el campo completo buscando posibles problemas, el equipo puede priorizar las zonas donde la imagen muestra una señal concreta.

Nutrición y vigor: otras capas del mismo diagnóstico

En paralelo, el seguimiento nutricional mostró valores de nitrógeno foliar bajo los rangos de referencia a partir de la última semana de noviembre.

Esa señal fue útil para contrastar el estado del cultivo con el manejo real y planificar ajustes de fertilización vía riego con urea y otros productos.

El seguimiento del vigor vegetativo, por su parte, permitió evaluar si los árboles mantenían una condición suficiente para sostener la carga frutal proyectada, especialmente en un contexto de restricción hídrica.

No se trataba de mirar un índice aislado, sino de interpretar el comportamiento del campo con varias capas de información al mismo tiempo.

El valor está en conectar las capas

El valor del monitoreo estuvo en conectar distintas fuentes de información:

floración, clima, vigor, nutrición, riego y manejo agronómico real.

Esa integración permitió:

• estimar el potencial productivo desde floración;

• seguir la respuesta del huerto al cambio de orgánico a convencional;

• detectar problemas reales de uniformidad de riego;

• confirmar diferencias de presión y operación en sectores específicos;

• medir, con índices satelitales, vigor, nutrición y restricción hídrica;

• priorizar semanalmente revisiones en terreno donde había señales concretas.

En un campo con restricción hídrica, esta información puede marcar una diferencia importante. No porque el satélite “resuelva” el problema del agua, sino porque ayuda a usar mejor la información disponible para tomar decisiones más oportunas.

Más que mapas de colores

Este tipo de monitoreo no se trata solo de generar mapas.

Un mapa de NDVI o NDRE puede mostrar diferencias dentro del campo, pero el verdadero valor aparece cuando esas diferencias se interpretan en función del manejo, el sistema de riego, la fenología, el clima, la nutrición y los objetivos productivos.

En Cabilterra, el monitoreo permitió transformar imágenes satelitales diarias en una herramienta práctica para la gestión agronómica.

Esa es la línea de trabajo que buscamos desarrollar en ViLab: reportes todas las semanas que ayudan a interpretar lo que está ocurriendo en el campo y a tomar mejores decisiones agronómicas.

En una temporada donde el agua, la nutrición y la operación del riego pueden definir el resultado productivo, contar con información actualizada permite llegar antes a los problemas y tomar mejores decisiones.

En ViLab estamos aplicando este tipo de monitoreo en frutales y cultivos anuales. Si quieres evaluar si algo similar puede aplicarse en tus campos o clientes, puedes agendar una reunión aquí: https://calendly.com/vilab-chile/demostracion-monitoreo-satelital

La semana pasada, en una reunión de campo, tres personas miraban la misma anomalía en un cuartel de mandarinos.

El administrador pensaba en la operación: riego, labores recientes y posibles goteros obstruidos.

El asesor miraba la respuesta del cultivo, la condición fisiológica de las plantas y los eventos climáticos de la temporada.

El propietario conectaba esa diferencia con la producción esperada, los costos y el resultado económico del campo.

Ninguna mirada estaba equivocada. Todas eran necesarias.

Pero la conversación mostró algo que ocurre con frecuencia en agricultura: frente a una misma señal del campo, pueden existir varias interpretaciones válidas.

La imagen mostraba una diferencia dentro del cuartel. Pero entender qué significaba y su impacto requería cruzarla con el riego, las labores recientes, la condición del cultivo y el historial productivo del sector.

Cuando la información depende solo de recorridos puntuales, memoria reciente o percepciones difíciles de comparar, ordenar esa discusión no siempre es simple.

No porque falte experiencia.

Sino porque el campo cambia rápido y rara vez entrega señales completamente evidentes.

Durante años, muchas empresas agrícolas crecieron sobre una base muy valiosa: la experiencia del dueño, del administrador, del asesor y de los equipos de campo. Esa experiencia sigue siendo fundamental.

Pero el agro cambió.

Los campos son más grandes, los costos son más altos, las ventanas comerciales son más exigentes y los errores se pagan caro. Ya no basta con producir. Hay que producir bien, con eficiencia, oportunidad y respaldo técnico.

En ese contexto, profesionalizar la agricultura no significa solo mejorar la administración, los contratos, los estados financieros o los procesos internos. También significa profesionalizar la gestión agronómica.

Y para eso, medir mejor se vuelve cada vez más importante.

La experiencia sigue siendo clave

En agricultura, el criterio experto tiene un valor enorme. Un buen asesor o administrador puede detectar señales que una persona sin experiencia pasaría por alto: una diferencia de color, una brotación más débil, una zona con menor desarrollo, una respuesta irregular al riego o una señal temprana de estrés.

Ese conocimiento no se reemplaza con una imagen, una plataforma o un indicador.

Al contrario: mientras más complejo es el campo, más importante se vuelve contar con una buena interpretación agronómica. Los datos por sí solos no explican lo que ocurre. Necesitan contexto, conocimiento del cultivo, historia del predio y comprensión de las decisiones de manejo.

Pero incluso los mejores equipos técnicos trabajan con presión de costos, urgencias operativas, clima cambiante, disponibilidad de mano de obra y mucha información incompleta.

Por eso, medir no significa desconfiar del experto. Significa darle una base más clara para observar, priorizar y decidir.

Lo que el campo muestra antes de la cosecha

Antes de que el resultado aparezca en la cosecha, muchas veces ya se expresó en el campo.

Una señal temprana puede venir de situaciones muy cotidianas: una falla de riego no detectada a tiempo, una poda con respuesta irregular, un problema nutricional, una salida difícil del receso invernal o eventos climáticos durante floración.

Muchas de esas señales no aparecen de golpe. Primero se expresan como pequeñas diferencias entre cuarteles, sectores o zonas dentro del mismo campo.

Por eso, una agricultura más profesional necesita mirar indicadores agronómicos de manera regular: vigor vegetativo, uniformidad de riego, nutrición, demanda atmosférica, alertas de anomalías y comparación histórica.

Estos indicadores no entregan por sí solos el diagnóstico. Pero permiten hacer mejores preguntas.

Y en agricultura, hacer mejores preguntas suele ser el primer paso para tomar mejores decisiones.

Cómo interpretar una señal del campo

Una anomalía detectada por imágenes satelitales no debe entenderse como un diagnóstico automático. Es una señal que necesita interpretación agronómica.

Una caída de NDVI puede estar asociada a menor vigor, estrés hídrico, pérdida de follaje, efecto de poda, diferencias de suelo o carga frutal.

Una baja de NDRE, en cambio, puede orientar la revisión hacia condición nutricional, clorofila, actividad fotosintética o estrés fisiológico.

También es importante cruzar estas señales con variables climáticas. Un período con DPV alto puede aumentar la demanda atmosférica, favorecer el cierre estomático y reducir la actividad de la planta, incluso cuando el riego aplicado parece suficiente.

En esos casos, una baja de vigor o de actividad fotosintética puede no deberse solo a una falla de manejo, sino a una combinación entre clima, suelo, carga y capacidad real del sistema de riego para responder a esa demanda.

Ejemplo referencial

Por eso, el valor no está en mirar un índice aislado, sino en analizar su evolución en el tiempo y compararlo con sectores similares del mismo campo.

Algunas señales frecuentes pueden orientar la revisión técnica:

La clave es cruzar la señal satelital y el clima con el contexto del campo: especie, variedad, edad del huerto, portainjerto, textura de suelo, estado fenológico, labores recientes, riego aplicado, análisis foliares, carga frutal y clima de las semanas previas.

Así, la imagen no reemplaza la revisión técnica. La orienta.

Mirar el campo completo cambia la conversación

Uno de los aportes más útiles de las imágenes satelitales es que permiten observar el campo completo bajo una misma escala.

Cuando se recorre un predio, la atención tiende a concentrarse en sectores conocidos, problemas visibles o zonas históricamente complejas. En cambio, una imagen permite comparar todos los cuarteles bajo un mismo criterio, detectar patrones y ubicar diferencias que pueden pasar desapercibidas desde el suelo.

No reemplaza la visita a terreno. La hace más precisa.

En un campo de frutales, por ejemplo, dos sectores pueden verse similares desde el camino, pero mostrar comportamientos distintos cuando se analiza su evolución semanal. Uno puede mantener su vigor estable, mientras otro comienza a caer lentamente durante varias semanas.

Esa diferencia no entrega por sí sola el diagnóstico, pero sí orienta la revisión: riego, suelo, poda, carga frutal, nutrición o condiciones climáticas recientes.

Con esa información, el recorrido deja de ser general y se vuelve dirigido. El asesor y el administrador pueden enfocar su tiempo donde realmente existe una señal de cambio.

Una base común para decidir mejor

En muchas empresas agrícolas, las decisiones dependen de conversaciones entre el propietario, el administrador, el asesor y los equipos técnicos. Cada uno mira el campo desde un rol distinto.

El problema aparece cuando cada uno conversa desde información distinta.

Un monitoreo objetivo ayuda a ordenar esa conversación. Cuando todos observan los mismos indicadores, la discusión deja de centrarse en impresiones generales y se enfoca en hechos concretos: qué cambió, dónde cambió, desde cuándo viene ocurriendo y qué tan relevante es frente al resto del campo.

Esto también abre una oportunidad importante para la asesoría agrícola.

En muchos campos, el asesor visita al productor una vez al mes, o incluso cada dos meses. Pero entre una visita y otra, el cultivo sigue cambiando: varía el riego, cambia la demanda climática, aparecen diferencias de vigor y pueden surgir anomalías que no siempre son visibles a tiempo.

El monitoreo semanal permite cubrir parte de esa ventana.

No reemplaza la visita técnica ni la decisión del asesor. Al contrario, ayuda a respaldarla con información objetiva: evolución de vigor, nutrición, uniformidad de riego, clima reciente, comparación histórica y cambios detectados entre sectores.

Así, el asesor puede llegar mejor preparado, priorizar zonas de revisión, conversar con el productor sobre datos concretos y fundamentar sus recomendaciones sobre una base común de información.

Eso no elimina las diferencias de criterio. Y tampoco debería hacerlo. Lo que hace es mejorar la calidad de la conversación entre la experiencia del asesor, el conocimiento operativo del administrador y la visión estratégica del propietario.

La pregunta ya no es solo quién conoce el campo, sino cómo ese conocimiento se conserva, se comparte y se convierte en una herramienta para decidir mejor.

Profesionalizar no es llenar el campo de tecnología

Uno de los errores frecuentes al hablar de agricultura digital es pensar que profesionalizar significa sumar tecnología por moda: sensores, plataformas, drones, imágenes, tableros y modelos.

Pero la tecnología, por sí sola, no profesionaliza nada.

Un reporte que nadie usa no genera valor. Un mapa que no se interpreta no cambia el resultado. Un indicador que no se conversa con el administrador o el asesor termina siendo solo una imagen bonita.

La diferencia está en que la información sea simple, comparable y útil para la decisión.

Cuando eso ocurre, la tecnología deja de ser un accesorio y se convierte en una herramienta de gestión.

Administrar bien ya no es solo ordenar costos, contratos y equipos. También es saber qué está ocurriendo en el campo, semana a semana.

En ViLab

Desde ViLab trabajamos para que la información del campo sea más visible, comparable y útil para la toma de decisiones.

No se trata de reemplazar la experiencia, sino de darle una base más clara para observar, conversar y decidir mejor.

Porque cuando los datos se entienden bien, dejan de ser solo indicadores: se transforman en una mejor conversación entre el campo, el asesor y el productor.

Hay una preocupación que se está instalando en muchos huertos de cerezos: producir mucho ya no asegura un buen resultado.

Un productor puede haber hecho buena parte del trabajo bien: manejar la carga, regar, cosechar, coordinar gente, cumplir fechas y sacar fruta.

Pero si al final una parte importante de esa fruta no llega con el calibre, la firmeza o la condición que el mercado está dispuesto a pagar mejor, el problema deja de ser solo productivo.

Pasa a ser económico.

Durante años, la industria chilena de la cereza creció con una lógica clara: plantar más, producir más y llegar con más cajas a China.

Y funcionó.

Chile construyó una industria enorme, sofisticada y con una capacidad logística difícil de igualar. Pero cuando una industria crece tanto, el problema cambia.

El desafío ya no es solo producir más. Es producir fruta que el mercado esté dispuesto a pagar mejor.

El fin de la etapa del “más”

La superficie plantada creció con fuerza. Los volúmenes exportados alcanzaron niveles históricos. China sigue siendo el destino dominante. Pero al mismo tiempo aparecieron señales incómodas: mayor presión sobre precios, sobreoferta en ciertos momentos, retornos más ajustados y una exigencia creciente por calidad y condición.

El mensaje de fondo es simple, pero duro:

más producción no siempre significa más rentabilidad.

Durante la etapa de expansión, producir más era una ventaja evidente. Pero cuando el mercado se llena, la diferencia ya no está solo en cuántas cajas se exportan. Está en qué fruta entra realmente en los mejores estándares.

Calibre, firmeza, condición, color, sabor, oportunidad y uniformidad empiezan a pesar mucho más.

La calidad deja de ser una frase comercial y pasa a ser una variable económica.

La calidad no se arregla al final

La calidad se mide cerca de cosecha y se defiende en packing y postcosecha. Pero se empieza a construir mucho antes.

Un productor puede terminar con una buena producción total y, aun así, descubrir que parte de la fruta no entró en los calibres o condiciones que pagaban mejor.

Y muchas veces el problema no fue “el campo”. Fueron sectores específicos.

• Sectores que venían con menor vigor

• Sectores que recibieron menos agua efectiva

• Sectores con más estrés térmico

• Sectores con una condición nutricional más débil

• Sectores con carga distinta

• Sectores que maduraron de forma diferente

Cuando todo eso se mezcla al final, el problema ya no es solo agronómico. Es comercial.

Porque en un escenario de precios más ajustados, la fruta que no llega al estándar deja de ser un detalle. Puede ser la diferencia entre una temporada rentable y una temporada apenas equilibrada.

El promedio puede esconder el problema

En una industria donde el volumen era el gran motor, mirar promedios podía ser suficiente para muchas decisiones.

• Promedio de producción

• Promedio de calibre

• Promedio de vigor

• Promedio de riego

• Promedio de condición

Pero la fruta no se vende como promedio.

Se vende por calidad concreta, en una caja concreta, en un momento concreto.

Por eso, el manejo por sectores se vuelve cada vez más importante. No para complicar la operación, sino para entender dónde se está construyendo valor y dónde se está perdiendo.

Un campo puede verse bien en promedio y aun así tener zonas que están arrastrando el resultado hacia abajo.

La pregunta ya no es solo:

¿cuánto produjo el campo?

También hay que empezar a preguntarse:

¿qué sectores produjeron la fruta que realmente pagó el mercado?
¿qué sectores bajaron el promedio de calidad?
¿qué señales se pudieron haber visto antes?
¿qué parte del huerto conviene manejar distinto la próxima temporada?

Esas preguntas son cada vez más necesarias.

Tecnología, pero con una pregunta clara

Hoy se habla mucho de inteligencia artificial, sensores, visión computacional, estaciones meteorológicas, imágenes satelitales y plataformas.

Todo eso puede aportar. Pero la tecnología no tiene valor por sí sola. Tiene valor cuando responde una pregunta concreta.

Y en este nuevo escenario de la cereza, la pregunta es bastante clara:

¿cómo producir fruta más pareja, con mejor condición y con menos sectores rezagados?

Ahí la agricultura digital puede ayudar, siempre que se use con criterio agronómico.

Una imagen satelital no dice por sí sola si la fruta será premium. Un NDVI no reemplaza al asesor. Un mapa no explica toda la fisiología del huerto.

Pero sí puede mostrar dónde el huerto se está comportando distinto.

Puede ayudar a detectar sectores que pierden vigor, orientar revisiones de riego, cruzarse con clima, evapotranspiración y registros de manejo, mostrar tendencias antes de que el problema llegue a cosecha y ayudar a decidir dónde mirar primero.

No se trata de predecir la calidad final solo desde una imagen. Se trata de identificar sectores con distinto comportamiento, distinto potencial de calidad o mayor necesidad de revisión agronómica.

El valor no está en mirar más mapas. Está en mirar mejor el huerto.

La próxima ventaja será la consistencia

Y eso no se logra solo con más hectáreas o más cajas. Se logra aumentando la proporción de fruta que llega a los estándares que el mercado realmente está dispuesto a pagar.

Para eso, el campo necesita producir fruta más pareja, con mejor condición y con menos sectores que arrastren el resultado hacia abajo.

En ViLab creemos que la agricultura digital debe ir en esa dirección: ayudar a leer mejor la variabilidad interna del huerto para tomar decisiones más oportunas.

No para reemplazar la experiencia del asesor, sino para darle más contexto.

Porque cuando el mercado deja de premiar cualquier volumen, la información fina deja de ser un lujo. Se transforma en parte del manejo.

El próximo salto de la cereza chilena probablemente no estará solo en producir más cajas.

Estará en producir, con más precisión, una mayor proporción de fruta capaz de capturar valor.

Chile tiene una de las agriculturas más tecnificadas de América Latina.

La mayoría de los campos de frutales cuenta con goteo o microaspersión, electroválvulas, programadores, filtros, fertirriego y, en muchos casos, incluso telemetría.

La pregunta que vale la pena hacerse ya no es si la tecnología está instalada.

La pregunta es:

¿está funcionando realmente como fue diseñada?

Porque en la práctica es común encontrar sectores donde el sistema aparentemente funciona normal, pero el cultivo comienza lentamente a mostrar diferencias.

Una hilera con menor crecimiento.

Un sector con fruta más pequeña.

Árboles que empiezan a desacoplarse del resto del cuartel.

Muchas veces el problema no se detecta hasta varias semanas después, cuando las diferencias ya son visibles desde el camino.

La respuesta, con demasiada frecuencia, es que no.

Y lo más complejo es que muchas veces el problema no es evidente.

Las presiones generales pueden verse normales.

El programa de riego puede ejecutarse correctamente.

Pero dentro del cuartel pueden existir diferencias importantes en la cantidad de agua que realmente está recibiendo el cultivo.

El gran problema de la uniformidad

La uniformidad de riego es uno de los factores más importantes en agricultura intensiva.

Porque cuando distintas partes del cuartel reciben cantidades diferentes de agua, el cultivo deja de responder como una unidad.

Empiezan a aparecer diferencias de vigor, crecimiento, carga y productividad.

En muchos casos esas diferencias se atribuyen automáticamente a diferencias en el tipo de suelo.

Lo complejo es que los problemas rara vez son evidentes

Muchas veces los problemas aparecen de manera gradual.

Una línea parcialmente tapada.

Una diferencia de presión.

Una manguera desplazada.

Y cuando finalmente el problema se hace visible, el impacto productivo muchas veces ya ocurrió.

Y probablemente ahí aparece algo muy interesante:

Porque antes de que aparezca una alarma hidráulica evidente, muchas veces el cultivo ya comenzó a responder fisiológicamente: modifica su crecimiento relativo, su dinámica vegetativa y su velocidad de desarrollo.

Y esa respuesta acumulada durante días o semanas muchas veces termina siendo más sensible que una revisión puntual en terreno.

La metodología tradicional: evaluar el Coeficiente de Uniformidad (CU)

Históricamente, la uniformidad de riego se ha evaluado mediante aforos, presión y coeficientes hidráulicos como el CU.

El problema es que estas evaluaciones suelen ser puntuales, lentas, costosas operacionalmente y difíciles de repetir frecuentemente.

Y un sistema que funcionaba correctamente hace dos meses puede comenzar a perder uniformidad progresivamente.

Porque la uniformidad no es estática. Es dinámica.

Lo que cambió en los últimos años

Hoy las imágenes satelitales permiten observar cómo evoluciona el cultivo semana a semana.

Y eso cambia completamente el enfoque.

Porque dejamos de observar solamente el vigor.

Y comenzamos a interpretar la respuesta fisiológica del cultivo frente al funcionamiento real del sistema de riego.

Del mapa estático al análisis temporal

Durante años el NDVI se utilizó principalmente como una fotografía del estado del cultivo.

Pero una imagen aislada muchas veces refleja diferencias históricas y no necesariamente problemas operacionales recientes.

Por eso el verdadero valor aparece cuando dejamos de mirar una sola imagen y comenzamos a analizar cómo cambia el cultivo semana a semana.

Porque el foco deja de estar en qué zona tiene menor vigor.

Y pasa a estar en:

La nueva posibilidad: monitorear uniformidad todas las semanas

Aquí aparece una de las grandes oportunidades de la agricultura digital.

Hoy es posible utilizar imágenes satelitales de alta frecuencia temporal para monitorear variaciones relativas dentro de un mismo sector de riego.

Es decir:

detectar subzonas que comienzan a desacoplarse del comportamiento normal del sector.

Y eso permite transformar el concepto tradicional de evaluación de uniformidad de riego.

Porque ya no hablamos solamente de realizar una medición puntual algunas veces por temporada.

Ahora es posible:

Ahí es donde aparece ViLab Riego

ViLab Riego utiliza imágenes satelitales para analizar patrones de comportamiento relativo del cultivo.

Las subzonas de análisis se construyen considerando el diseño hidráulico real del sistema de riego: válvulas, laterales, sectores operacionales y lógica hidráulica.

Cada semana el sistema compara cómo evoluciona cada subzona respecto al comportamiento promedio de cada cuartel.

El objetivo es identificar desacoples persistentes que podrían indicar pérdida de uniformidad o problemas operacionales.

Casos reales detectados en terreno

En uno de los casos revisados recientemente, el sistema detectó una anomalía persistente en una subzona específica del sector.

La variación relativa respecto al resto del cuartel comenzó a desacoplarse progresivamente durante varias semanas.

Cuando el equipo revisó el sector en terreno, se confirmó que existían hileras con mangueras desubicadas, una línea cortada cerca del chicote y parte del sector funcionando solo con una línea operativa.

Lo interesante es que desde lejos el sector seguía viéndose relativamente normal.

Pero internamente el comportamiento ya se había desacoplado del resto del cuartel.

En otro caso, el sistema detectó una caída relativa persistente en la parte norte de un cuartel.

La revisión en terreno mostró que previamente se habían desplazado las líneas de riego para permitir el paso de una rastra.

El problema fue que algunas líneas nunca volvieron a quedar correctamente posicionadas sobre la hilera de árboles.

Desde el camino el cuartel seguía viéndose todo normal.

Pero internamente el cultivo ya llevaba semanas respondiendo distinto.

El resultado fue una pérdida localizada de uniformidad que terminó apareciendo en la dinámica temporal y fisiológica del cultivo.

Estos casos son importantes porque muestran algo muy relevante:

muchos problemas operacionales no son inmediatamente visibles desde el camino ni desde una visita rápida.

Pero sí comienzan a aparecer cuando analizamos cómo evoluciona el cultivo semana a semana.

El valor de la persistencia temporal

No todas las anomalías corresponden necesariamente a problemas hidráulicos.

Pero cuando una subzona comienza a desacoplarse persistentemente por más de una semana, normalmente vale la pena revisarla en terreno.

Ahí es donde el análisis temporal comienza a volverse realmente útil.

El futuro del monitoreo de riego

Probablemente el futuro no consiste solamente en instalar más sensores.

Consiste en integrar imágenes, telemetría, clima, sensores y fisiología.

para entender cómo está respondiendo realmente el cultivo.

Una nueva forma de mirar el riego

Muchas veces el problema no es la falta de tecnología.

La tecnología ya existe.

El problema es entender si realmente está funcionando correctamente en toda la superficie del campo.

Porque un sistema de riego puede verse operativo…

mientras partes importantes del cultivo ya comenzaron a comportarse distinto.

Y detectar esas diferencias temprano puede marcar una gran diferencia productiva.

Quizás el futuro del riego no consiste solamente en instalar más sensores.

Quizás consiste en aprender a interpretar mejor la respuesta fisiológica del propio cultivo.

Si esta temporada te interesa avanzar hacia un mayor control operativo del riego y detectar problemas de uniformidad antes de que sean visibles, contáctanos para evaluar tu campo.

En agricultura digital solemos hablar mucho de:

• NDVI

• IA

• monitoreo remoto

• anomalías

• agricultura de precisión

Pero probablemente existe una pregunta mucho más importante:

Si las imágenes satelitales agrícolas ya son técnicamente buenas…

¿por qué muchos gerentes agrícolas todavía no las utilizan como una herramienta central de gestión diaria?

Y quizás la respuesta no está en la precisión del NDVI.

Tampoco en la falta de datos.

Probablemente el problema histórico fue otro:

Las imágenes satelitales recién comenzaron a volverse realmente utilizables a gran escala durante los últimos años

Aunque la observación satelital existe hace décadas, gran parte de las aplicaciones agrícolas modernas comenzaron a masificarse realmente durante los últimos años, especialmente con la disponibilidad de imágenes de mejor resolución y de alta frecuencia.

Por primera vez comenzó a ser posible monitorear campos agrícolas completos de manera relativamente continua y a bajo costo.

Desde entonces, la agricultura ha escuchado constantemente sobre:

• agricultura digital

• detección temprana

• monitoreo remoto

• inteligencia artificial

Y aun así, muchos gerentes agrícolas todavía no utilizan imágenes satelitales como una herramienta central de gestión operacional.

Eso probablemente dice algo importante.

Porque la agricultura sí adopta rápido cuando el valor práctico es evidente.

Pasó con:

• fertirriego

• telemetría

• estaciones meteorológicas

• maquinaria GPS

• sensores de humedad

Entonces quizás el problema histórico del monitoreo satelital nunca fue solamente tecnológico.

Eso no significa que el monitoreo satelital no haya aportado valor durante los últimos años.

De hecho, herramientas como NDVI y NDRE cambiaron significativamente la capacidad de supervisar grandes superficies agrícolas, detectar anomalías tempranas y entender variabilidad dentro de los campos.

Probablemente el desafío pendiente nunca estuvo en la capacidad de detectar señales.

La agricultura es una industria profundamente visual y presencial

Gran parte de la gestión agrícola históricamente se construyó desde:

• recorrer

• mirar hojas

• observar color

• mirar calicatas

• tocar suelo

• ver crecimiento

• conversar con encargados

La confianza operacional normalmente aparece cuando el problema puede verse directamente.

Y justamente ahí existía una barrera importante para muchas plataformas satelitales.

Porque muchas veces el agricultor no veía realmente un problema.

Veía:

• una mancha roja

• un sector difuso

• una anomalía abstracta difícil de interpretar

Y eso cambia completamente la adopción.

Porque en agricultura detectar algo no necesariamente significa entenderlo.

Recuerdo claramente una conversación hace algunos años

Un gerente de una de las principales agroexportadoras del país estaba dibujando conmigo en una pizarra blanca cómo imaginaba el futuro de la agricultura.

En medio de la conversación me dijo algo que nunca olvidé:

Y mirando hacia atrás, creo que esa frase resumía perfectamente el verdadero problema.

No estaba hablando de NDVI.

Ni de resolución satelital.

Ni de inteligencia artificial.

Estaba hablando de algo mucho más simple:

• tranquilidad

• supervisión

• confianza operacional

El verdadero problema nunca fue detectar anomalías

Hace años que índices como NDVI y NDRE logran detectar:

• diferencias de vigor

• heterogeneidad

• estrés

• problemas de uniformidad

• cambios fisiológicos

Ese nunca fue realmente el gran desafío técnico.

El verdadero problema operacional aparecía después:

Porque una misma caída de NDVI podía corresponder a:

• problemas de riego

• nutrición

• estrés térmico

• postcosecha

• poda

• problema radicular

• comportamiento fisiológico normal

Entonces muchos administradores terminaban llegando a la misma conclusión:

Y objetivamente tenían razón.

Porque detectar una anomalía no necesariamente ayudaba a decidir:

• si era importante

• si era urgente

• si realmente justificaba movilizar equipos

Los gerentes agrícolas viven con presión operacional permanente

Los gerentes agrícolas viven diariamente con:

• márgenes estrechos

• poco tiempo

• presión operativa

• costos crecientes

• problemas diarios reales

• múltiples decisiones simultáneas

Entonces una tecnología solo logra consolidarse cuando efectivamente:

• reduce incertidumbre

• ahorra tiempo

• mejora supervisión

• evita pérdidas

• ayuda a priorizar decisiones

Por eso muchas plataformas satelitales históricamente quedaron atrapadas en una categoría incómoda:

Pero no como una herramienta central de gestión diaria.

Y probablemente ahí estuvo gran parte de la barrera de adopción.

El problema real no es obtener datos

Hoy la agricultura ya genera enormes cantidades de información.

El verdadero desafío muchas veces es otro:

Especialmente en empresas que administran:

• varios campos

• decenas de sectores

• cientos de hectáreas simultáneamente

Porque después de detectar una señal aparece la verdadera pregunta operacional:

• ¿Vale realmente la pena ir a terreno?

• ¿Es un problema real?

• ¿Es persistente?

• ¿Debe priorizarse ahora?

• ¿O puede esperar?

Y justamente ahí probablemente existía uno de los mayores vacíos del monitoreo satelital tradicional.

Y quizás ahí es donde esto podría empezar a cambiar

Y justamente en ese espacio intermedio —entre detectar y decidir— probablemente comienzan a aparecer algunas de las innovaciones más interesantes de esta nueva etapa del monitoreo agrícola.

Hace algunas semanas Planet Labs presentó una nueva tecnología llamada SuperRes.

SuperRes utiliza inteligencia artificial generativa para transformar imágenes PlanetScope de 3 metros por píxel en versiones visualmente más definidas equivalentes a aproximadamente 2 metros.

Pero aquí es importante ser extremadamente claros:

• la resolución física original del satélite NO cambió

• la IA no está descubriendo información nueva invisible para el sensor

Lo que hace es reconstruir visualmente patrones espaciales utilizando modelos entrenados con imágenes de mayor resolución.

Y aunque eso tiene limitaciones importantes, también abre algo muy interesante para agricultura:

Y probablemente existirán escenarios donde la mejora visual aporte mucho valor… y otros donde el beneficio práctico sea más limitado.

Pero incluso así, la posibilidad de reducir parcialmente la incertidumbre visual antes de movilizar equipos ya podría representar un avance operacional importante para muchas empresas agrícolas.

Porque el cerebro agrícola interpreta patrones, no pixeles

Históricamente muchas imágenes satelitales agrícolas mostraban:

• pixeles grandes

• sectores borrosos

• poco detalle visual

• límites poco definidos

Entonces el agricultor veía:

Pero el cerebro agronómico normalmente interpreta mucho mejor:

• patrones de hilera

• continuidad espacial

• textura

• coloración

• geometría del daño

• distribución del problema

Y probablemente ahí está uno de los aspectos más interesantes de tecnologías como SuperRes.

No necesariamente porque hagan el monitoreo “más científico”.

Sino porque podrían hacerlo mucho más usable operacionalmente.

El verdadero potencial probablemente no es reemplazar drones

Es fácil caer en titulares como:

Pero probablemente el aporte más importante no está ahí.

SuperRes no reemplaza:

• visitas a terreno

• drones

• análisis foliares

• criterio agronómico

Pero sí podría reducir algo extremadamente importante:

Por ejemplo:

una señal que antes se veía simplemente como una zona difusa podría empezar a mostrar:

• patrones lineales

• continuidad entre hileras

• sectores compatibles con laterales de riego

• distribuciones espaciales mucho más interpretables

Eso no significa diagnosticar automáticamente la causa.

Pero sí podría ayudar muchísimo a decidir:

• si vale la pena movilizar equipos

• programar un dron

• priorizar una inspección agronómica

Y operacionalmente, eso sí puede ser muy relevante.

Quizás el verdadero futuro no son los mapas NDVI

Durante años gran parte de la agricultura digital se enfocó en generar mapas:

• mapas NDVI

• mapas NDRE

• mapas de vigor

• mapas de variabilidad

Pero probablemente el verdadero valor futuro está más cerca de otro concepto:

Porque el problema real de muchas empresas agrícolas ya no es obtener datos.

El problema es supervisar enormes superficies agrícolas con poco tiempo y alta presión operacional.

Y quizás ahí esté el cambio más importante de esta nueva generación de herramientas.

No necesariamente ver más detalle.

Sino reducir la distancia entre una anomalía detectada… y una decisión agronómica real.

En ViLab llevamos varios años trabajando precisamente en esa etapa intermedia entre detectar anomalías y transformarlas en decisiones operacionales más claras.

Porque probablemente el desafío agrícola ya no es generar más mapas.

Durante años usamos satélites para detectar diferencias dentro de los cultivos.

La próxima etapa podría ser empezar también a entenderlas visualmente.

Hoy muchos agricultores y asesores ya tienen acceso a drones.

Los usan para:

• aplicar productos

• grabar videos

• ver el campo desde arriba

Y luego… esas imágenes quedan guardadas.

El problema no es la falta de tecnología.
El problema es que esas fotografías aéreas de tu campo no se están usando para tomar decisiones.

👉 La mayoría de esas fotos ya contiene información suficiente para tomar mejores decisiones en el campo… pero no se está usando.

Lo interesante es que con una sola imagen puedes detectar problemas, entender qué los está causando y tomar decisiones concretas en el campo.

Y más importante aún:

👉 puedes evitar decisiones incorrectas que generan costos innecesarios.

En este artículo, desde el equipo de ViLab, te mostramos de forma práctica todo lo que puedes obtener a partir de una fotografía aérea de tu campo —y cómo, al combinarla con índices satelitales (NDVI y NDRE), se transforma en una herramienta agronómica real.

1. Conteo de plantas y detección de plantas muertas

Con una imagen aérea puedes:

• detectar cada planta

• contar árboles

• identificar plantas faltantes o muertas

👉 Aplicaciones:

• evaluación de plantación

• reposición de plantas

• validación de densidad real

Esto es especialmente útil en huertos jóvenes.

Conteo de plantas a partir de una imagen RGB

2. Detección de clorosis (pero con cuidado)

Las imágenes permiten identificar:

• hojas amarillas

• pérdida de verdor

• sectores con posible problema

Pero aquí hay un error muy común:

👉 ver hojas amarillas ≠ falta de nitrógeno

También puede deberse a:

• alta carga de fruta (dilución)

• brotación activa

La imagen muestra el síntoma, no la causa.

Clorosis visible en Huerto de Limosneros

3. Vigor y tamaño de plantas

A partir de la imagen puedes evaluar:

• tamaño de copa

• desarrollo de las plantas

• diferencias entre sectores

👉 Esto permite:

• detectar zonas débiles

• priorizar manejo

• entender variabilidad dentro del campo

4. Cobertura vegetal y suelo expuesto

Una imagen permite estimar:

• porcentaje de cobertura

• suelo desnudo

• distribución del cultivo

👉 Aplicaciones:

• manejo de suelo

• evaluación de desarrollo

• estimación general del estado del cultivo

5. Problemas de riego y drenaje

Los patrones en la imagen dicen mucho.

Puedes detectar:

• hileras más débiles

• sectores con menor desarrollo

• zonas con exceso de agua

👉 Esto suele indicar:

• problemas de presión

• obstrucciones

• drenaje deficiente

Cuando el patrón sigue la lógica del riego, el problema suele estar ahí.

6. Malezas entre hileras

La imagen permite diferenciar:

• cultivo

• suelo

• malezas

👉 Aplicaciones:

• control dirigido

• reducción de costos

• evaluación del manejo

7. Detección de daño

También puedes identificar:

• plantas dañadas

• sectores afectados por viento

👉 En eventos de heladas, muchas veces el patrón queda muy claro en la imagen:

• sectores bajos más afectados

• zonas donde se acumula el frío

8. Zonas donde el cultivo no logra desarrollarse bien

Aquí es donde la imagen se vuelve realmente potente.

Puedes detectar:

• plantas más pequeñas

• zonas con poco crecimiento

• alta exposición de suelo

• sectores que se ven distintos al resto

👉 Esto generalmente no es un problema puntual.

👉 Está relacionado con:

• tipo de suelo

• profundidad efectiva

• pedregosidad

• condiciones del terreno

Ejemplo Cuartel de Palto Hass con limitaciones de suelo

9. Gradientes dentro del campo

Muchos campos presentan cambios progresivos:

• desde el borde hacia el interior

• en zonas con pendiente

• en sectores cercanos a caminos o cerros

👉 Esto suele estar asociado a:

• cambios de suelo

• drenaje

• condiciones ambientales

10. Estimación indirecta de carga de fruta y estado del cultivo

La imagen permite inferir:

• densidad de follaje

• estructura de las plantas

• cambios en desarrollo

👉 Esto puede estar relacionado con:

• alta carga de fruta

• brotación activa

• intensidad de floración

11. ¿Por qué una imagen procesada ve más que el ojo humano?

Una imagen aérea por sí sola ya entrega mucha información.

Pero cuando se procesa con software, se vuelve mucho más precisa.

👉 ¿Por qué?

Porque el software puede:

• analizar cada píxel de la imagen

• detectar diferencias que el ojo humano no percibe

• cuantificar (porcentaje de cobertura, número de plantas, variabilidad)

• eliminar sesgos visuales

👉 En otras palabras:

el ojo humano ve patrones generales
el software mide con precisión

Pero hay un punto clave:

👉 ver más no significa entender mejor

Y ahí es donde está la diferencia.

El verdadero valor: integrar imagen + índices satelitales + experiencia

Una imagen por sí sola tiene valor.

Pero cuando la combinas con:

• NDVI (vigor)

• NDRE (estado nutricional)

• Datos climáticos

• experiencia en terreno

👉 el análisis cambia completamente.

Hasta aquí, todo lo anterior se puede observar en una imagen.
Pero el verdadero valor aparece cuando se conecta con más información.

Aquí es donde el dron deja de ser solo una herramienta operativa y pasa a ser una fuente de información que puede mejorar el manejo del campo.

Si tienes imágenes de tu campo, y quieres entender qué están mostrando realmente —y cómo se relaciona eso con el estado del cultivo— desde el equipo de ViLab podemos ayudarte a interpretarlas y transformarlas en decisiones concretas en tu campo.

Hay algo que se repite en muchos campos.

Después de una helada, aparecen sectores afectados…
y otros, a pocos metros, completamente sanos.

Fuente: GAMA

O en verano:

zonas donde el NDVI o NDRE cae…
mientras el resto del campo se mantiene estable.

Y la conclusión suele ser rápida:

👉 “algo pasó en ese sector”

Pero casi nunca se hace la pregunta correcta:

👉 ¿estábamos midiendo bien el clima en ese lugar?

Una diferencia pequeña… con impacto enorme

En un campo frutal, diferencias de:

👉 1 a 3°C dentro de la misma noche

son completamente normales.

Pero también son decisivas.

👉 pueden marcar la diferencia entre:

• daño por helada

• o cero impacto

El problema no es la helada

Es cómo la medimos.

Durante años hemos trabajado con:

• una estación meteorológica

• o una referencia externa

Pero eso mide:

👉 un punto

Mientras que el fenómeno real es:

👉 espacial

Lo mismo pasa en verano (pero casi nadie lo ve)

Meses después, el problema cambia.

No hay heladas.

Pero aparecen sectores con menor vigor.

NDVI o NDRE cae.
Las plantas se ven más exigidas.

Y muchas veces se interpreta como:

👉 nutrición
👉 riego

Pero en muchos casos, la causa es otra:

👉 estrés por DVP (déficit de presión de vapor)

El error que se repite todo el año

En invierno:

👉 no detectamos heladas localizadas

En verano:

👉 no detectamos estrés atmosférico

Y en ambos casos:

👉 tomamos decisiones con un dato que no representa el campo.

Entonces, ¿cómo se mide bien el clima dentro del campo?

Aquí está el cambio importante:

👉 dejar de medir un punto…
y empezar a mapear el sistema

1. Pensar en red, no en estaciones

No necesitas una mejor estación.

Necesitas:

👉 una red de medición distribuida

Que capture:

• diferencias de altura

• acumulación de aire frío

• zonas más expuestas

• variabilidad real

2. Sensores simples, bien ubicados

Hoy esto es técnicamente viable.

Existen sensores:

• de bajo costo relativo

• con alta precisión en temperatura y humedad

• diseñados para las condiciones del campo

Y lo más importante:

👉 alta autonomía

Pueden operar:

• varios años con batería

• incluso más de 10 años en ciertos intervalos de medición

3. Una estación base que ordena todo

Los sensores no trabajan solos.

Se integran a:

👉 una estación base

que:

• recibe la información

• la almacena

• la envía a la nube

• permite análisis

Y puede operar incluso sin internet local, usando LTE

4. Cobertura real en campo

Uno de los grandes cambios tecnológicos:

👉 no necesitas cableado ni WiFi

Los sensores pueden transmitir:

👉 hasta 3 km en línea de vista

Esto permite cubrir campos completos con una sola red.

5. Qué medir (y por qué es suficiente)

No necesitas 10 variables.

Con:

👉 temperatura + humedad

puedes obtener:

• temperatura mínima

• punto de rocío

• DVP

Y esto está demostrado:

👉 es suficiente para construir modelos robustos de predicción de heladas

El momento donde todo cambia

Cuando empiezas a mapear esto, aparece algo muy claro.

Ves una caída de NDVI en un sector…

y ya no piensas en fertilización.

Piensas:

👉 ¿este fue el sector más frío esa noche?

O ves una caída de NDRE en verano…

y en vez de ajustar nitrógeno, te preguntas:

👉 ¿este sector está bajo mayor DVP?

👉 ese es el cambio

De:

👉 interpretar síntomas

A:

👉 entender causas

Lo que empieza a aparecer

Después de algunos meses o temporadas:

• zonas que siempre se enfrían primero

• sectores donde el frío se acumula

• áreas con mayor estrés en verano

• patrones que se repiten

👉 el campo empieza a tener lógica

Lo que viene: del monitoreo a la predicción

Hasta ahora, el foco ha sido entender mejor el clima dentro del campo.

Pero el siguiente paso ya está ocurriendo:

👉 pasar de medir… a anticipar decisiones

Hoy, los sistemas más avanzados combinan:

• redes de sensores en campo

• datos históricos

• modelos de Machine Learning

para anticipar eventos como:

• heladas

• condiciones de alto DVP

• situaciones de estrés antes de que ocurran

Pero hay una condición clave

Estos modelos no funcionan bien si los datos no representan la realidad del campo.

👉 si sigues midiendo un solo punto, el modelo aprende mal

👉 si mides el campo como sistema, el modelo empieza a tener sentido

Por eso, el verdadero cambio no es la IA

👉 es cómo estás midiendo hoy

Porque sin una buena base de datos en terreno:

👉 no hay predicción que funcione

Desde el camino, el huerto se veía perfecto.
Verde, parejo, sin sectores que llamaran la atención.

Nada que hiciera pensar que había un problema.

El mapa decía otra cosa.

Una señal débil… que no desaparecía

Revisando los índices satelitales, apareció algo que ya hemos aprendido a no ignorar:

• NDVI: dentro de rango

• NDRE: bajo respecto a lo esperado

No era una caída brusca.
No era una alerta evidente.

Pero llevaba tres semanas seguidas ocurriendo.

👉 Y cuando una anomalía persiste, deja de ser ruido.

🛰️ Lo vimos primero desde el satélite

Índice NDRE obtenido desde imágenes satelitales (resolución 3×3 metros)

El patrón era claro:

• NDRE ≈ 2.06, bajo el rango esperado (2.08 – 2.54)

• Sector definido espacialmente

• Persistente en el tiempo

👉 No era una mancha aleatoria
👉 Era un sector comportándose distinto

🚁 Después, desde el aire

Con dron, el problema empieza a tomar forma:

• Menor densidad de copa

• Mayor irregularidad

• Diferencia respecto a zonas vecinas

No era evidente desde lejos.
Pero al comparar, aparece.

🌱 Y en terreno, se confirma

Caminando el sector:

• Clorosis leve

• Menor densidad de follaje

• Brotes con menor vigor

Nada crítico.

Pero suficiente para entender algo importante:

👉 El problema no partió hoy
👉 Venía desarrollándose hace semanas

🔁 Aquí estuvo la decisión

La pregunta en ese momento no era si había un problema.

Era otra:

👉 ¿Intervenimos ahora… o esperamos a que sea evidente?

Esperar era más cómodo.
Pero implicaba llegar tarde.

🧪 Se decidió intervenir

Aplicación localizada:

• Urea + Nitrobreak

No en todo el campo.
No por calendario.

👉 Solo donde el dato —y luego el terreno— lo justificaban.

📊 Y el cultivo respondió

El gráfico resume todo:

• Caída inicial del NDRE

• Persistencia por 3 semanas

• Intervención

• Recuperación posterior

👉 El NDRE sube
👉 La clorofila se recupera
👉 El sector vuelve a alinearse

No fue inmediato.
Pero fue consistente.

🧬 Lo que hay detrás de este indicador

El NDRE no es solo un índice.

Funciona porque el nitrógeno es parte estructural de la clorofila.

👉 Más nitrógeno → más clorofila → mayor NDRE

Pero lo importante no es solo el valor de nitrógeno.

👉 Es la condición fisiológica del árbol.

🌱 Impacto en una etapa crítica: diferenciación floral

En este caso, el momento es especialmente sensible.

El huerto en Abril se encuentra en fase de diferenciación floral,
donde el árbol está definiendo qué yemas serán vegetativas y cuáles reproductivas.

En esta etapa, el estado nutricional no es un detalle.

Es una condición de base.

Más que un “déficit de nitrógeno” aislado,
lo que se afecta es el balance del árbol.

👉 Relación carbono / nitrógeno
👉 Capacidad fotosintética
👉 Disponibilidad de reservas

Y eso es lo que condiciona la diferenciación.

⚠️ Punto clave

El efecto no es lineal.

• Un exceso de nitrógeno puede favorecer crecimiento vegetativo

• Un déficit puede limitar el desarrollo del sistema

👉 El objetivo no es maximizar
👉 Es equilibrar

📊 El problema del enfoque tradicional

El nitrógeno se mide normalmente con análisis foliar:

• 1–2 veces por temporada

• Representa una muestra puntual

• No captura variabilidad dentro del campo

👉 Es una foto
👉 no una película

🚀 Lo que cambia con NDRE

El NDRE permite:

• Monitoreo semanal

• Resolución por cuartel

• Detección temprana de desbalances

👉 Pasas de reaccionar
👉 a anticipar

🧠 El aprendizaje

Este caso muestra algo que vemos cada vez más:

Porque la estructura no cambia de un día para otro.
Pero la función sí.

🌱 Esto no es un caso aislado

Este patrón se repite en distintos campos y cultivos:

• Sectores que “se ven bien”

• Pero que vienen perdiendo condición

• Y que solo se hacen evidentes cuando el problema ya avanzó

🔁 Cómo trabajamos este tipo de situaciones

Lo que hicimos en este caso no es aislado.
Es la forma en que trabajamos de manera sistemática en distintos campos:

1. Monitoreo continuo con imágenes satelitales
   → Identificamos cambios iniciales que no son evidentes en terreno

2. Detección de anomalías persistentes
   → No reaccionamos a ruido, sino a patrones en el tiempo

3. Validación en terreno
   → Contrastamos lo que vemos con lo que realmente está pasando

4. Decisión localizada
   → Intervenimos solo donde tiene impacto

👉 No se trata de tener más datos.

Se trata de decidir antes.

Porque puedes corregir el manejo.

Pero no puedes corregir cuándo llegaste.

Esta semana pasó algo que vemos más seguido de lo que parece.

En un campo de olivos, detectamos varios cuarteles con NDVI bajo respecto a lo esperado.
Algunos incluso con caídas importantes.

Pero antes de sacar conclusiones, hicimos lo primero que corresponde:

revisar si había una limitante nutricional.

Para eso, contrastamos los mismos cuarteles con el indicador de % de nitrógeno foliar estimado a partir de NDRE (un índice satelital que es más sensible a cambios en clorofila que el NDVI).

Y ahí apareció algo interesante.

En la mayoría de los casos, los valores estaban dentro del rango esperado.
Sin anomalías relevantes.

El cultivo, desde el punto de vista nutricional, estaba bien.

Y eso cambia todo.

Porque si no es nutrición…
y el NDVI está bajo…

👉 ¿qué está pasando realmente?

Bajo la lógica clásica, el diagnóstico igual parecía evidente:

problema de riego
posible estrés

Pero cuando el equipo fue a terreno, la respuesta fue otra:

“Las plantas están muy bien.”

Y ahí es donde normalmente empiezan los errores.

Y ese es el tipo de error que puede llevar a regar de más, fertilizar sin necesidad… o perder productividad sin darte cuenta.

📉 Cuando los datos y el campo no coinciden

Cuando el mapa dice una cosa
y el campo dice otra,
hay que mirar más profundo.

Al revisar los cuarteles con más detalle, empezaron a aparecer patrones.

🟣 La fruta

Los sectores con NDVI bajo coincidían con cuarteles donde la aceituna ya estaba negra.
Más carga. Más madurez.

Y acá surgió una pregunta clave en terreno:

¿Puede la fruta afectar el NDVI?

La respuesta es sí.

En esta etapa:

la planta deja de crecer…
y empieza a cerrar el ciclo

la señal deja de representar solo hojas

En simple:

la planta ya no está creciendo. Está terminando el ciclo.

Y hasta ahí, todo parecía tener sentido.
Pero no explicaba todo.

🌳 La estructura

En varios sectores, las ramas estaban volcadas por el peso de la fruta.

La estructura cambió.
Y eso cambia todo.

Desde arriba, el dosel ya no se ve igual.

No hay menos planta.
Hay planta distribuida distinto.

🟤 El suelo

También empezaron a aparecer otros factores:

espacios sin plantas
desmalezado reciente
zonas con menor cobertura

El índice ya no estaba viendo solo vegetación.

Estaba viendo una mezcla: planta + suelo.

🌡️ Y además, la temporada

Este año había algo distinto.

En varios sectores, la fruta se adelantó.
La madurez llegó antes de lo esperado.

Y eso es clave.

Nuestros rangos asumen una temporada “normal”…
pero este año, el cultivo se adelantó.

Cuando la temporada se adelanta:

el cultivo cambia antes…
y el índice también

Sin que eso implique un problema.

⚠️ Entonces, ¿dónde está el error?

En cómo interpretamos la señal.

Porque todo lo anterior no es un problema.

Es otra cosa:

No era una sola causa.
Eran varias cosas pasando al mismo tiempo.

🔥 La idea clave

El satélite no se equivoca.
Pero sí nos equivocamos nosotros al interpretarlo.

🧠 No todo NDVI bajo es estrés

El NDVI puede bajar por distintas razones.

Algunas sí son problema.
Otras… no.

Cuando sí es problema:

• Estrés hídrico

• Déficit nutricional

• Enfermedades (ej. Phytophthora, pudrición de madera)

• Nematodos (muy comunes, afectan raíces y bajan vigor de forma progresiva)

Cuando no necesariamente es problema:

• Floración

• Madurez / carga de fruta

• Baja cobertura o estructura

• Poda (cambio estructural)

• Cosecha mecanizada (alteración del dosel)

• Senescencia en especies caducas (fin de ciclo en otoño)

👉 “En estos casos el NDVI no mide problemas. Mide cambios.”

Y ahí está la diferencia entre reaccionar
y entender.

💡 Lo que confirmó el terreno

En este caso:

No estaban regando (inicio de cosecha)
No había diferencias de potencial hídrico
No había síntomas visibles

Pero sí había:

fruta negra
alta carga
ramas volcadas
suelo expuesto
adelanto en la madurez

Y con eso, el resultado era claro:

NDVI bajo… sin ningún problema productivo

🚜 Entonces, ¿qué deberíamos hacer distinto?

Primero, separar dos cosas que muchas veces se confunden:

alerta no es lo mismo que diagnóstico

La caída del NDVI es una alerta.
Pero no es la respuesta.

Es el punto de partida.

En este caso, la alerta fue clara:

NDVI bajo.

Pero el diagnóstico requería ir más allá.

Había que preguntarse:

¿es un problema real?
¿o es el cultivo cambiando de estado?

Y ahí aparece algo clave:

el contexto de la temporada

Porque este año:

la fruta se adelantó
la madurez ocurrió antes
la fenología no siguió el patrón habitual

👉 Entonces los valores se salen del rango…

no porque estén mal,
sino porque el cultivo cambió antes

🧠 Y ese es el punto

Si no separas alerta de diagnóstico:

interpretas cualquier desviación como problema

Pero cuando incorporas contexto:

empiezas a entender el por qué detrás del dato

🔥 Quédate con esta idea

El dato te alerta.
El contexto te da el diagnóstico.

📊 Lo que viene

Este tipo de casos está empujando un cambio importante:

👉 dejar de clasificar anomalías por valor
👉 empezar a clasificarlas por causa

Por ejemplo:

🔴 Estrés real
🟡 Fenología (normal)
🔵 Estructura / cobertura
🟠 Manejo

Porque si no haces esta distinción:

puedes terminar corrigiendo algo… que nunca fue un problema

🎯 Cierre

El riesgo no es que el NDVI baje.

El riesgo es tomar decisiones equivocadas cuando baja.

Porque al final:

El problema no es que el NDVI baje.

El problema es tomar decisiones… sin entender por qué.

Y quizás la pregunta más importante es esta:

¿Esto es un problema…
o es simplemente la planta haciendo lo que tiene que hacer?

Hoy la predicción de cosecha, en la mayoría de los campos, se sigue haciendo contando frutos.

Algunos lo hacen de forma manual.
Otros con sistemas más modernos, usando cámaras o inteligencia artificial.

Pero el problema de fondo es el mismo:

👉 Estás midiendo cuando el resultado ya está prácticamente definido.

Cuando estás contando frutos…
la temporada ya jugó la mayor parte del partido.

La verdadera pregunta no es cuántos frutos tienes hoy.

Es si podías haber anticipado ese resultado meses antes.

Y la respuesta es sí.

Porque la cosecha no se define en el conteo.
Se define mucho antes:

• en el vigor del otoño

• en la diferenciación floral

• en las condiciones de floración y cuaja

• y en cómo el árbol enfrentó el estrés en verano

👉 Lo que hoy ves en el árbol es solo la consecuencia.

🧠 El error: mirar etapas aisladas

Es común escuchar:

• “la floración estuvo buena”

• “el campo venía bien”

• “después se cayó la producción”

Lo que falta en esa explicación es conexión.

El rendimiento no depende de un momento puntual.
Depende de una secuencia.

🔗 La lógica del modelo

Cuando se ordena la temporada, aparece una cadena clara:

Cada etapa deja una señal.
Cada señal se puede medir.
Y cada una explica la siguiente.

Cuando estas etapas se conectan, es posible anticipar la carga del huerto meses antes de la cosecha.

🌿 Todo parte antes de que el huerto “se vea productivo”

Vigor vegetativo previo (NDVI otoño)

En otoño ocurre algo clave.

El árbol define su condición base:

• cuánta hoja tiene

• cuánta energía puede generar

• qué capacidad tendrá para sostener carga

Diferencias aparentemente pequeñas en NDVI (por ejemplo, del orden de 0,05) pueden traducirse en diferencias relevantes en potencial productivo.

Un árbol débil en otoño no se recupera completamente en primavera.

🌸 Diferenciación floral: el primer filtro

Durante el otoño, el árbol define cuántas estructuras florales va a formar.

Este proceso está influido por:

• condiciones térmicas (acumulación de horas bajo ciertos umbrales)

• estado de vigor del árbol

• carga de la temporada anterior

• estado nutricional

👉 No es solo clima. Es fisiología.

Tanto en paltos como en cítricos, este proceso define el potencial productivo de la temporada siguiente.

🌼 Floración: una señal que obliga a decidir

La floración es la etapa más evidente.

Pero aquí ocurre uno de los errores más comunes:

👉 asumir que buena floración = buena cosecha

En paltos y cítricos, la floración puede ser abundante, pero no necesariamente se traduce en una alta carga final.

La floración define el potencial.
No el resultado.

🌸 ¿Qué pasa si la floración viene alta?

A primera vista, parece positivo.

Pero una floración excesiva puede transformarse en un problema si no se ajusta el manejo:

• mayor competencia interna del árbol

• menor calibre final

• mayor caída de fruta

• desgaste fisiológico

👉 El objetivo no es “dejar que todo cuaje”
Es regular la carga y equilibrar el árbol.

🌿 ¿Y si la floración viene baja?

El riesgo es otro:

• exceso de vigor vegetativo

• menor eficiencia productiva

• desbalance estructural

👉 El manejo debe enfocarse en contener el vigor y mantener el equilibrio entre vegetación y producción.

⚠️ El error más común

No hacer nada.

Asumir que:

👉 “el árbol se va a regular solo”

⚠️ Cuaja: donde realmente se define la cosecha

La cuaja es el punto más crítico del proceso.

Es el momento en que las flores deben transformarse en fruta.

En paltos y cítricos, la cuaja está fuertemente influida por las condiciones ambientales durante este período, especialmente:

• temperaturas mínimas nocturnas

• condiciones de polinización

• estado fisiológico del árbol

🌡️ ¿Por qué una temporada fría afecta la cuaja?

Durante la noche ocurren procesos clave:

• fecundación

• desarrollo inicial del fruto

• estabilización de estructuras reproductivas

Cuando las temperaturas mínimas nocturnas son bajas:

• disminuye la eficiencia de fecundación

• aumenta la caída de flores y frutos recién cuajados

• se reduce la carga final

👉 Es un proceso poco visible, pero altamente determinante.

💥 Ejemplo típico

En muchos huertos de paltos y cítricos se observa el mismo patrón:

• buena floración

• buen vigor

• condiciones desfavorables durante cuaja

Resultado:

👉 baja cuaja → menor carga → menor cosecha

🌱 Desarrollo de fruto: lo que el árbol logra sostener

Una vez cuajada la fruta, el foco cambia.

👉 En paltos y cítricos, el rendimiento final depende de la capacidad del árbol para sostener esa carga.

Ahora importa:

• estructura del árbol

• nutrición

• nivel de estrés

Indicadores clave:

• NDVI → vigor vegetativo

• NDRE → estado nutricional

☀️ Estrés estival: el freno invisible

Durante el verano, muchas veces el limitante no es el agua.

Es la atmósfera.

Cuando el Déficit de Presión de Vapor (DPV) es alto:

• el árbol cierra estomas

• reduce fotosíntesis

• limita crecimiento

Esto ocurre incluso con riego adecuado.

✂️ Podas: el factor que redefine el potencial

Las podas son una intervención estructural.

Afectan directamente:

• área foliar

• capacidad fotosintética

• relación hoja/fruto

Dependiendo de su intensidad:

• podas severas → fuerte reducción de producción

• podas intermedias → ajuste de carga

• podas de mantención → efecto acotado

👉 Sin considerar podas, cualquier estimación queda incompleta.

🔁 El problema real: no es falta de datos, es falta de anticipación

En muchos huertos, el problema no es falta de información.

Es que se usa tarde.

Se detecta tarde.
Se decide tarde.
Se corrige tarde.

Y cuando eso ocurre:

👉 el manejo deja de ser técnico y pasa a ser reactivo.

👉 En la práctica, eso es improvisar.

Y en un sistema biológico como el cultivo, improvisar tiene un costo directo en producción y eficiencia.

🎯 Entonces, ¿cómo se anticipa la cosecha?

No mirando una variable.

Sino reconstruyendo la historia del cultivo:

1. Vigor en otoño

2. Condiciones de diferenciación floral

3. Intensidad de floración

4. Condiciones de cuaja

5. Estrés en desarrollo

6. Manejo realizado

👉 Eso permite anticipar.

🎯 ¿Por qué importa saber esto meses antes?

Porque el rendimiento no es solo un resultado.

👉 Es una variable que debería guiar decisiones durante la temporada.

Cuando el rendimiento proyectado se conoce con anticipación, permite ajustar tres cosas críticas:

🌿 1. Fertilización

La demanda nutricional depende directamente de la carga.

• Alta carga → mayor demanda de nitrógeno y potasio

• Baja carga → riesgo de sobre-fertilización

👉 Sin esta información, se tiende a aplicar “por calendario”

💥 Resultado:

• exceso de nitrógeno

• mayor vigor vegetativo innecesario

• menor eficiencia productiva

💧 2. Riego

El consumo hídrico no es constante.

Depende de:

• biomasa (NDVI)

• carga de fruta

👉 Un huerto con baja carga transpira distinto a uno con alta carga.

Si no se ajusta:

• se puede sobre regar

• o restringir en momentos críticos

💥 Resultado:
estrés innecesario o pérdida de eficiencia

✂️ 3. Manejo

Saber la carga esperada permite anticiparse:

• ajustar intensidad de poda

• decidir intervenciones

• evitar desequilibrios estructurales

👉 No es lo mismo manejar un huerto que viene cargado que uno que viene liviano.

⚠️ Lo que pasa cuando no se anticipa

Cuando no se proyecta el rendimiento:

• se fertiliza “a ciegas”

• se riega sin ajustar demanda real

• se toman decisiones reactivas

Y muchas veces:

👉 el problema se detecta cuando ya no se puede corregir.

💥 Impacto real (más allá del campo)

Cuando te equivocas en la proyección de cosecha:

👉 no solo falla el número

Falla:

• planificación de cosecha

• uso de mano de obra

• logística

• decisiones comerciales

👉 El error se amplifica en toda la operación.

❓ Pregunta incómoda

Si hoy tuvieras que responder:

👉 ¿Qué decisiones ya cambiaste esta temporada en base a tu proyección de rendimiento?

Si la respuesta es ninguna…

👉 entonces no estás anticipando
👉 estás reaccionando

🚜 El cambio real

Anticipar la cosecha no es solo estimar kilos.

Es cambiar la forma de manejar el campo.

Pasar de:

👉 reaccionar al resultado

a:

👉 intervenir el proceso a tiempo

🎯 Cierre final

El punto no es si la temporada viene alta o baja.

El punto es:

👉 qué haces con esa información cuando aún puedes intervenir

Porque la cosecha no se define por cómo viene la temporada,

👉 sino por cómo se interpreta y se maneja a tiempo.

💡 ViLab

Este modelo no es teórico.

Es lo que hoy estamos usando en ViLab para anticipar rendimiento en campo, integrando fisiología, imágenes satelitales, rendimientos históricos y clima.

👉 Y es lo que permite pasar de reportar lo que pasó… a anticipar lo que viene.

Si quieres anticipar esto en tu campo esta temporada, lo vemos en 30 minutos.

Muchos manejos agrícolas fallan por una razón simple: el cultivo no vive en el calendario.

“En esta fecha toca fertilizar”
“En esta semana debería comenzar la floración”
“Esta semana hay que aplicar el plaguicida”

En temporadas normales, eso puede funcionar razonablemente bien.

El problema es que el cultivo no sigue el calendario. Sigue el clima.

Y cuando el clima se desordena —como se espera para 2026— ese supuesto deja de sostenerse.

Lo que realmente está pasando

Cuando uno empieza a mirar con más detalle lo que ocurre en el campo, aparece algo evidente.

Dos temporadas pueden ser muy distintas: una más cálida, donde el desarrollo se acelera, y otra más fría o tardía, donde los mismos procesos ocurren, pero más adelante en el calendario.

La razón es simple: lo que marca el ritmo del desarrollo no es la fecha, sino la temperatura acumulada.

A eso se le llama fenología: entender en qué etapa está realmente el cultivo, a partir de cómo responde al clima.

Por eso, dos temporadas pueden verse muy distintas en fechas, pero muy similares en desarrollo. Y también explica por qué, dentro de un mismo campo, distintos sectores pueden avanzar a ritmos diferentes.

El punto de partida

En ese punto aparece el modelo fenológico. Pero antes de pensar en fórmulas o grados día, hay algo más importante.

Un modelo no parte en una planilla. Parte en el campo.

Parte en haber observado bien qué ocurrió: cuándo floreció, cuándo cuajó, cuándo se cosechó. Y no de forma aproximada, sino con criterios consistentes en el tiempo.

Si ese punto de partida no es sólido, cualquier modelo posterior pierde sentido.

Registrar bien los eventos en campo es lo que permite construir un modelo fenológico útil en el tiempo. No se trata solo de observar, sino de hacerlo de manera sistemática y consistente entre temporadas.

A continuación se muestran ejemplos de cómo se pueden registrar estos eventos en campo, tanto en paltos como en cerezos.

Ficha fenológica para Paltos

Ficha fenológica para Cerezos

Este tipo de registro, mantenido en el tiempo, es lo que permite luego relacionar cada etapa con la acumulación térmica.

De la observación al modelo

Una vez que esa base está bien construida, el siguiente paso es incorporar el clima.

La variable clave es la temperatura. A partir de registros diarios —idealmente de una estación meteorológica representativa— se puede reconstruir cómo avanzó la temporada.

No toda temperatura aporta lo mismo. Solo la que está por sobre un cierto umbral genera desarrollo.

Esa es la temperatura base: en paltos y cítricos suele estar en torno a 12.5 °C, y en olivos cerca de 7 °C.

Cada día aporta un pequeño avance. Ese avance se acumula y va describiendo el desarrollo del cultivo en el tiempo.

El punto que cambia todo

Para que esto sea comparable entre años, es necesario definir un punto de inicio.

En el hemisferio sur, en frutales, se utiliza habitualmente el 1 de julio. En cultivos anuales, en cambio, el ciclo comienza en la fecha de siembra.

Desde ese punto se empieza a acumular temperatura.

Cuando se cruzan los eventos observados en campo con esa acumulación térmica, aparecen patrones.

Eventos que ocurrieron en fechas distintas entre temporadas tienden a coincidir en valores muy similares de grados día.

Ahí es cuando el calendario deja de ser la referencia. Y pasa a serlo el estado real del cultivo.

Lo que realmente estás construyendo

Con el tiempo, esto deja de ser un cálculo.

Se transforma en un modelo que describe cómo se desarrolla ese cultivo, en ese campo, bajo esas condiciones. Un mapa del ciclo productivo.

Y ese modelo no es genérico. Es propio. Ahí está su valor.

La realidad del campo

En terreno, los procesos no ocurren en un punto exacto.

La floración no es un día. La cuaja tampoco. Son periodos, y muchas veces se superponen con otros procesos, como el crecimiento vegetativo, la caída de frutos o el desarrollo de fruto.

Trabajar con fechas rígidas en un sistema que es naturalmente dinámico es, en el fondo, una simplificación que no representa lo que ocurre en terreno.

Por qué esto es clave en 2026

De acuerdo con proyecciones climáticas estacionales para la zona central de Chile, se espera un otoño e invierno más cálidos, lo que puede adelantar el desarrollo inicial del cultivo.

Además, se proyecta la llegada de un evento de El Niño hacia agosto, lo que podría traducirse en una primavera más lluviosa de lo normal y en condiciones distintas a las habituales en etapas posteriores del cultivo.

El resultado es un desajuste entre el ritmo del cultivo y las condiciones que enfrenta. Y, con eso, una mayor dificultad para tomar decisiones en el momento adecuado.

Un ejemplo concreto

En un campo de paltos en la zona central de Chile, el inicio de floración ocurre típicamente en torno a 210 grados día acumulados desde el 1 de julio.

En la temporada 2025, ese mismo umbral se alcanzó dos semanas más tarde. Como consecuencia, la cuaja también se retrasó, generando un desfase en el inicio de la fertilización nitrogenada (urea).

Si se hubiese seguido solo el calendario, ese desfase habría pasado desapercibido hasta que ya era tarde para corregirlo.

Cómo se usa en la temporada

A medida que avanza la temporada, el modelo se transforma en una herramienta de lectura del cultivo.

Cada día se acumulan nuevos grados día, y ese valor se compara con el comportamiento histórico.

Esto permite ubicar al cultivo dentro de su ciclo, no en función de la fecha, sino en función de su desarrollo real.

La pregunta deja de ser en qué semana estamos, y pasa a ser en qué etapa se encuentra el cultivo.

Cómo se traduce en decisiones

Cuando se trabaja con un modelo fenológico, las decisiones dejan de depender de una fecha fija y pasan a depender del estado real del cultivo.

En una temporada adelantada, el cultivo puede alcanzar ciertas etapas antes de lo esperado. Si se sigue el calendario, los manejos pueden aplicarse cuando el proceso clave ya ocurrió.

En cambio, al observar la acumulación térmica, es posible anticiparse y ajustar el manejo en el momento correcto.

Lo mismo ocurre con el riego. En etapas sensibles, pequeñas desviaciones pueden generar estrés.

Si no se identifica correctamente la etapa, es fácil subestimar o sobreestimar la demanda hídrica, afectando directamente la productividad.

Además, el modelo permite identificar diferencias dentro del campo. Sectores que acumulan más temperatura o que tienen distinto vigor pueden avanzar a ritmos diferentes, explicando por qué el desarrollo no siempre es homogéneo.

Cuando se maneja solo con calendario

Cuando no se utiliza un modelo fenológico, las decisiones se toman bajo el supuesto de que el cultivo sigue un comportamiento promedio.

En temporadas normales, esto puede funcionar. Pero en años con mayor variabilidad climática, ese supuesto deja de ser válido.

El resultado es un desfase entre el manejo y el estado real del cultivo.

Las aplicaciones se realizan fuera de la ventana fisiológica óptima, el riego no coincide con la demanda real y procesos clave —como la cuaja, donde la planta define su carga— ocurren sin el soporte fisiológico necesario.

Estos desajustes no siempre son evidentes en el momento, pero se reflejan más adelante en la temporada, con menor carga, peor calibre o menor uniformidad.

En muchos casos, son pequeñas decisiones fuera de timing las que terminan acumulándose y afectando directamente el rendimiento.

Conclusión

Al final, no se trata solo de un modelo.

Se trata de cambiar la forma en que se interpreta lo que está pasando en el campo.

El calendario indica cuándo debería ocurrir algo.

El modelo fenológico permite entender cuándo está ocurriendo realmente.

El 17 y 18 de marzo se realizó en San Francisco el World Agri-Tech Summit 2026, uno de los eventos más relevantes a nivel global en agricultura y tecnología.

Cuando se habla de Agri-Tech, normalmente se piensa en imágenes satelitales, sensores, estaciones meteorológicas, inteligencia artificial y plataformas de análisis.

Todo eso promete lo mismo:

tomar mejores decisiones y producir más.

Pero cuando uno contrasta ese discurso con lo que realmente ocurre en campo, aparece una conclusión incómoda:

El agro no tiene un problema de tecnología.
Tiene un problema de decisiones que no cambian.

Hoy muchos campos tienen tecnología… pero manejan igual

Hoy prácticamente cualquier campo tecnificado tiene acceso a:

• Datos climáticos

• Sensores

• Imágenes satelitales

• Plataformas

Y sin embargo, en la práctica:

• Se riega igual

• Se fertiliza igual

• Se manejan los cuarteles igual

No es un problema de acceso.

Es un problema de uso real.

Porque si no cambia la decisión, no cambia la producción.

El problema no es medir. Es confiar

Hoy, prácticamente cualquier variable que quieras medir en un campo…

ya existe una tecnología que lo hace.

Desde humedad de suelo hasta vigor, clima o nutrición.

Hay miles de empresas en el mundo desarrollando soluciones para esto.

Podrá cambiar la precisión o la forma de ver los datos…

pero la tecnología está.

El punto es otro:

¿confías en esos datos lo suficiente como para cambiar una decisión?

Porque al final, no se trata de si el dato existe.

Se trata de si ese dato realmente forma parte de cómo manejas tu campo.

El productor no tiene un problema de datos. Tiene un problema de decisiones

Un productor no solo maneja el cultivo.

También gestiona personas, operaciones, certificaciones, temas comerciales y financieros.

Y toma decisiones todos los días.

La pregunta es:

¿en base a qué las está tomando?

Porque al final, manejar un campo es decidir constantemente:

• ¿Se justifica aplicar este fungicida?

• ¿Es el momento correcto para cosechar?

• ¿Debería aumentar la dosis de urea en ese sector?

• ¿El riego es uniforme o hay que revisarlo?

• ¿Debería podar o voy a afectar el rendimiento?

Y ahí aparece el verdadero sentido de la agricultura basada en datos.

No se trata de tener más información.

Se trata de tener la información correcta, en el momento correcto.

Porque si la decisión no cambia, la producción tampoco.

El problema no es el dato, es su conexión con la fisiología

El agro no tiene escasez de información.

Tiene una desconexión entre:

Dato → Fisiología → Decisión → Resultado

Un NDVI bajo puede deberse a muchas cosas:

• Agua

• Raíces

• Nutrición

• Carga

Pero el dato por sí solo no alcanza.

Lo importante es cómo se interpreta según la etapa del cultivo.

El mismo dato no significa lo mismo

En crecimiento → afecta estructura futura
En cuaja → define fruta
En llenado → impacta calibre

El dato es el mismo.

El impacto no.

El punto donde todo se rompe

En teoría:

Dato → Interpretación → Decisión → Resultado

En la práctica:

👉 no se sabe qué hacer
👉 no hay confianza
👉 no se cambia nada

Cómo se ve esto en campo

Campos con sensores…

pero decisiones con calicatas.

Mapas con zonas malas…

pero sin intervención.

Problemas de riego…

que se repiten todas las semanas.

Si tienes datos, pero no cambias el manejo:

👉 el problema no es la tecnología

Un caso concreto

En un campo de paltos, en plena cuaja, se detectó una caída de NDVI.

Parecía vigor.

Pero al integrar NDRE + clima + histórico:

👉 era un problema de presión de riego

Se corrigió en menos de 24 horas.

Se evitó pérdida de cuaja.

La diferencia no fue el dato.

Fue la decisión.

Lo que sí está funcionando

Las soluciones que generan impacto:

• Integran datos + contexto

• Bajan a decisiones

• Se conectan con producción

👉 No describen.
👉 Intervienen.

Cierre

La agricultura no necesita más tecnología.

Necesita mejores decisiones.

Porque al final:

no gana el que más mide,
gana el que mejor decide.

En muchos campos agrícolas aplicamos fertilizante como si todo el suelo respondiera igual.

Pero la realidad es distinta: dentro de un mismo potrero puede existir una gran variabilidad productiva.

Esa variabilidad es una de las principales razones por las que una parte importante del nitrógeno aplicado no termina generando producción.

Diversos estudios estiman que entre el 40 % y el 60 % del nitrógeno aplicado no es aprovechado por el cultivo, dependiendo del cultivo, el clima y las prácticas de manejo (Raun & Johnson, 1999; Lassaletta et al., 2014).

Parte de ese nitrógeno se pierde por:

• lixiviación

• volatilización

• transformación en óxido nitroso (N₂O), uno de los gases de efecto invernadero más potentes.

Pero más allá del impacto ambiental, este dato revela algo más relevante desde el punto de vista agronómico:

el problema muchas veces no está en la dosis de nitrógeno, sino en la variabilidad dentro del campo.

Una pregunta clave

¿Cuánto del nitrógeno que aplicamos realmente lo aprovecha el cultivo?

La eficiencia en el uso del nitrógeno (NUE – Nitrogen Use Efficiency) suele situarse entre 40 % y 60 % en muchos sistemas agrícolas.

Esto significa que una parte importante del nitrógeno aplicado:

• no es absorbido por el cultivo

• se pierde en el sistema suelo-agua

• o se transforma en gases como el N₂O.

Mejorar esta eficiencia es uno de los grandes desafíos agronómicos del manejo de cultivos.

El origen del problema: la variabilidad del suelo

Uno de los mayores desafíos del manejo agronómico es que los campos rara vez son homogéneos.

Dentro de un mismo potrero es frecuente encontrar sectores con distinto potencial productivo, determinado por características del suelo como:

• profundidad efectiva

• textura

• capacidad de retención de agua

• drenaje

• compactación

Estas variables influyen directamente en la capacidad del cultivo para absorber agua y nutrientes.

Como resultado, distintos sectores del mismo campo pueden responder de manera muy diferente a una misma fertilización.

El problema de la fertilización uniforme

Cuando se aplica una dosis uniforme en todo el campo ocurre algo muy frecuente:

• algunas zonas reciben menos nitrógeno del necesario

• otras reciben más nitrógeno del que el cultivo puede aprovechar

En sectores con limitaciones físicas del suelo, aumentar la fertilización difícilmente se traducirá en mayor producción.

En esos casos el exceso de nitrógeno aumenta el riesgo de:

• pérdidas por lixiviación

• volatilización

• emisiones de óxido nitroso (N₂O).

Agua y nitrógeno: dos variables inseparables

La eficiencia del nitrógeno no depende solo de la fertilización.

Depende también del manejo del agua.

Si el riego es deficiente o presenta problemas de uniformidad, incluso una fertilización correctamente ajustada puede terminar siendo ineficiente.

En la práctica agrícola es frecuente encontrar variaciones dentro de un mismo sector de riego provocadas por:

• diferencias de presión

• emisores parcialmente obstruidos

• líneas desplazadas o dañadas

• problemas operativos del sistema de riego.

Estas diferencias generan sectores con distinto crecimiento vegetativo, lo que termina afectando también la eficiencia en el uso del nitrógeno.

Hoy es posible detectar estas variaciones utilizando imágenes satelitales, analizando cambios en índices de vegetación como NDVI.

Cuando estas variaciones se mantienen durante varias semanas consecutivas, suelen indicar problemas estructurales de riego más que fluctuaciones normales del cultivo.

Comprender la variabilidad dentro del campo

Para analizar esta variabilidad hoy se utilizan distintas fuentes de información agronómica:

• imágenes satelitales

• análisis de suelo

• análisis foliares

• historial productivo del campo

Las imágenes satelitales permiten analizar índices como:

NDVI
utilizado para evaluar vigor y desarrollo del cultivo.

NDRE
más sensible a la concentración de clorofila y al estado nutricional asociado al nitrógeno.

Cuando estas fuentes de información se analizan en conjunto, es posible delimitar Zonas Homogéneas de Manejo, es decir, sectores del campo con comportamientos productivos similares.

Esta información permite comprender mejor la variabilidad dentro del predio y ajustar las decisiones agronómicas.

Un ejemplo simple

Imaginemos un campo donde se aplica urea equivalente a 180 kg de nitrógeno por hectárea de forma uniforme.

Sin embargo, el análisis de variabilidad productiva muestra tres sectores con distinto potencial productivo del suelo:

• una zona de alto potencial productivo, con buena profundidad efectiva y disponibilidad de agua

• una zona intermedia, con condiciones productivas moderadas

• una zona limitada por suelo, por ejemplo con menor profundidad efectiva o problemas de drenaje.

Si todas las zonas reciben la misma fertilización, es probable que ocurra lo siguiente:

• la zona de alto potencial podría responder positivamente a mayores dosis

• la zona intermedia podría estar cerca de su dosis óptima

• la zona limitada probablemente reciba más nitrógeno del que el cultivo puede aprovechar

En esta última zona es donde aumenta el riesgo de pérdidas de nitrógeno.

Manejo diferenciado: ajustar la fertilización al potencial del suelo

Cuando se identifican estas diferencias dentro del campo, el manejo agronómico puede ajustarse de forma más precisa.

Por ejemplo:

• sectores de alto potencial productivo pueden justificar mayores dosis

• sectores con limitaciones físicas del suelo pueden requerir menores dosis

Este enfoque permite mejorar la eficiencia en el uso del nitrógeno.

El objetivo no necesariamente es reducir fertilizantes, sino utilizarlos donde realmente generan respuesta productiva.

Estimar la cosecha también ayuda a ajustar la fertilización

En frutales como el palto, una parte importante de la demanda de nitrógeno está asociada al desarrollo de los frutos.

Cada tonelada de fruta exportada desde el huerto implica también la extracción de nutrientes, entre ellos nitrógeno.

Por esta razón, contar con una estimación certera y temprana de la cosecha puede ser clave para ajustar la estrategia de fertilización.

Si la producción esperada es menor a la proyectada inicialmente, mantener la misma fertilización puede generar:

• crecimiento vegetativo excesivo

• desbalances en el árbol

• menor eficiencia en el uso del nitrógeno.

¿Cuánto nitrógeno podría evitarse? Un ejemplo en paltos

Consideremos un huerto de 50 hectáreas de palto Hass donde la fertilización anual equivale a 200 kg de N/ha, aplicada principalmente como urea.

Diversos estudios estiman que la extracción de nitrógeno asociada a la fruta puede situarse aproximadamente entre 6 y 8 kg de N por tonelada de fruta producida.

Si el huerto se fertiliza suponiendo una producción de 15 ton/ha, pero finalmente produce 10 ton/ha, la demanda real de nitrógeno del sistema es significativamente menor.

En este escenario, el huerto podría estar recibiendo aproximadamente 30 a 40 kg de nitrógeno por hectárea por sobre lo necesario.

En 50 hectáreas, esto equivale a entre 1.500 y 2.000 kg de nitrógeno aplicados en exceso durante la temporada.

Ese nitrógeno adicional puede terminar:

• estimulando crecimiento vegetativo innecesario

• aumentando pérdidas por lixiviación

• o generando emisiones de óxido nitroso (N₂O).

Mejor agronomía, menor huella ambiental

En la práctica, mejorar la eficiencia del nitrógeno no requiere necesariamente cambios radicales en el sistema productivo.

Muchas veces se trata simplemente de comprender mejor la variabilidad dentro del campo y ajustar las decisiones agronómicas.

Tres factores resultan particularmente relevantes:

• el potencial productivo del suelo

• la uniformidad del riego

• la estimación de cosecha del cultivo

Cuando la fertilización se ajusta a estas variables, es posible mejorar significativamente la eficiencia en el uso del nitrógeno.

Como consecuencia, también se reducen las pérdidas de nutrientes y las emisiones asociadas al sistema productivo.

En ese sentido, la huella de carbono en agricultura muchas veces no es solo un problema ambiental, sino también un reflejo de la eficiencia agronómica del sistema productivo.

En fruticultura hay una pregunta que se repite todos los años en reuniones técnicas y directorios agrícolas:

¿Qué determina realmente el rendimiento de un huerto?

Las respuestas suelen ser similares:

• el riego

• la fertilización

• las heladas

• el clima del año

Todas esas variables influyen, por supuesto. Pero cuando se analizan varias temporadas de producción junto con datos climáticos y satelitales, aparece un patrón que sorprende incluso a muchos especialistas.

En paltos y cítricos, la variable que con mayor frecuencia explica el rendimiento de una temporada no es el riego ni el clima del año actual.

Es la carga del año anterior.

En otras palabras:

la historia productiva del huerto pesa más que la mayoría de las decisiones que se toman durante la temporada.

Lo que muestran los datos cuando se analizan varios campos

En un análisis realizado sobre 25 campos de paltos y cítricos monitoreados en ViLab con imágenes satelitales y datos climáticos, el patrón apareció con bastante claridad.

En huertos donde existe un manejo más intensivo de la carga —a través de poda, nutrición o regulación del número de frutos— este efecto tiende a ser menor.

Sin embargo, incluso en esos casos la historia productiva del huerto suele seguir teniendo un peso importante en el comportamiento de la temporada siguiente.

Esto no significa que el manejo no importe.

Significa que el punto de partida fisiológico del árbol ya está condicionado por su historia productiva.

Cuando un huerto tiene un año excepcionalmente alto en producción, el árbol suele quedar fisiológicamente más exigido.

Gran parte de sus reservas se destinaron a sostener la carga de fruta.

Y eso tiene consecuencias.

El factor que más explica la producción: la vecería

En frutales perennes existe un fenómeno bien conocido llamado vecería o alternancia productiva.

Un año el árbol produce mucho.
Al año siguiente produce menos.

Esto ocurre porque el árbol es un sistema biológico con recursos limitados.

Cuando la carga de fruta es muy alta:

• gran parte de los carbohidratos se destinan al desarrollo del fruto

• disminuye la formación de yemas florales

• se reduce la inducción floral para la temporada siguiente

El resultado es una caída natural de producción.

Este fenómeno está ampliamente descrito en:

• paltos

• cítricos

• olivos

Pero en la práctica agrícola muchas veces se subestima.

Un ejemplo muy común en los huertos

Muchos asesores han vivido esta situación.

Un huerto produce 22 toneladas por hectárea un año, y al siguiente cae a 14 toneladas por hectárea.

El primer impulso es buscar explicaciones en:

• el clima

• el riego

• la nutrición

Pero cuando se revisa la historia productiva del cuartel, muchas veces aparece otro antecedente:

el año anterior fue excepcionalmente productivo.

Es decir, el árbol ya había entrado en un ciclo fisiológico donde la producción tendería a bajar.

El clima o el manejo pueden amplificar ese efecto, pero rara vez lo originan.

El segundo factor clave: las condiciones de cuaja

Si la vecería explica el potencial productivo, el segundo gran determinante suele ser la cuaja.

En paltos y cítricos, la diferencia entre una temporada promedio y una excelente puede depender de pocos días críticos durante la primavera.

La cuaja depende principalmente de:

• temperatura mínima

• temperatura máxima

• estabilidad térmica

• actividad de polinizadores

En paltos, por ejemplo, las mejores condiciones suelen ocurrir cuando:

• la temperatura mínima supera aproximadamente 8 °C

• la temperatura máxima alcanza al menos 25 °C

Cuando estas condiciones se repiten durante varios días durante la floración, las probabilidades de cuaja aumentan significativamente.

El tercer factor: la capacidad fotosintética del huerto

Una vez superada la etapa de cuaja, el rendimiento comienza a depender de otro proceso clave:

la capacidad del huerto para producir energía.

Aquí aparece una variable que hoy puede medirse con bastante precisión mediante sensores remotos:

el vigor del dosel vegetal, normalmente representado por índices como NDVI.

Cuando se analiza el NDVI durante el verano —periodo en que el fruto crece y se llena— suele observarse una relación bastante directa entre:

• mayor vigor vegetativo

• mayor capacidad fotosintética

• mayor acumulación de biomasa en el fruto

Esto explica por qué dos huertos con la misma carga inicial pueden terminar con producciones muy distintas.

Donde el manejo sí marca la diferencia

Aunque la carga previa condiciona el potencial productivo, el manejo agronómico sigue siendo clave para aprovechar ese potencial.

Tres factores suelen marcar la diferencia:

Uniformidad de riego
La distribución irregular del agua dentro del cuartel puede generar zonas con estrés hídrico que reducen fotosíntesis y crecimiento del fruto.

Estado nutricional
En paltos y cítricos el nitrógeno suele estar fuertemente relacionado con el vigor del dosel. Índices como NDRE permiten hoy aproximar el estado nutricional del cultivo a escala de cuartel.

Estrés atmosférico
Durante el verano, altos valores de déficit de presión de vapor (DPV) pueden reducir la apertura estomática y limitar la fotosíntesis, afectando el crecimiento del fruto incluso cuando el riego es adecuado.

La gran lección que dejan los datos

Cuando se integran todas estas variables en un análisis conjunto, la producción deja de verse como el resultado aislado de una temporada.

En realidad, el rendimiento es la consecuencia de un proceso acumulativo que incluye:

1. la carga productiva del año anterior

2. la inducción floral

3. las condiciones de floración y cuaja

4. la capacidad fotosintética del huerto

5. el manejo agronómico durante el crecimiento del fruto

Cada etapa va construyendo el resultado final.

El problema del método tradicional para estimar la cosecha

Curiosamente, la forma más común de estimar el rendimiento antes de la cosecha sigue siendo un procedimiento bastante rudimentario y tedioso.

En muchos huertos el método consiste en:

• recorrer los cuarteles

• seleccionar algunos árboles “representativos”

• contar la fruta

A partir de ese conteo se extrapola la producción esperada.

El problema es que este procedimiento tiene varias limitaciones importantes:

• depende mucho de la elección de los árboles

• no captura la variabilidad dentro del cuartel

• no considera el estado fisiológico del cultivo

• ni las condiciones climáticas de la temporada

En la práctica, esto hace que muchas estimaciones de cosecha tengan errores bastante grandes.

Una nueva forma de estimar la producción

Hoy existe una alternativa distinta.

En lugar de basar la estimación únicamente en conteos puntuales, es posible integrar información de:

• imágenes satelitales

• datos climáticos

• fenología del cultivo

• historial productivo del huerto

Este enfoque permite construir modelos que consideran las variables que realmente explican la producción.

No se trata solo de contar fruta.

Se trata de entender los procesos que construyen esa fruta durante toda la temporada.

Una invitación para esta temporada

En frutales como paltos, cítricos y olivos, la cosecha no se define el año de la cosecha.
Empieza a construirse mucho antes.

Cuando se analizan juntos el historial productivo, las condiciones de cuaja, el vigor del huerto y el clima de la temporada, muchas veces aparecen explicaciones que no son evidentes cuando se observa solo una variable.

En ViLab estamos trabajando con productores que quieren integrar este tipo de información para entender mejor el comportamiento productivo de sus huertos y estimar la producción antes de la cosecha.

Cada campo tiene dinámicas productivas distintas, por lo que este tipo de análisis siempre debe evaluarse con datos específicos del huerto.

Si te interesa explorar este enfoque en tu campo, puedes agendar una conversación técnica aquí:

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.