No existe un índice de enfermedad. Ninguna de las fórmulas que se calculan sobre una imagen aérea o satelital mide roya, ni Huanglongbing, ni pudrición radicular; todas miden consecuencias, cuánta clorofila queda activa en el dosel, cuánta agua está transpirando la hoja, qué tan íntegra sigue la estructura celular que devuelve el infrarrojo. La enfermedad se deduce, nunca se lee directamente. Esa distinción parece un asunto de vocabulario y es en realidad la línea que separa un programa de monitoreo que cambia decisiones de uno que consume jornadas persiguiendo manchas de colores en una pantalla.
Las dos entregas anteriores de esta temporada montaron la infraestructura de esa lectura. El satélite aportó la escala, la serie histórica gratuita y el criterio para saber cuándo un índice miente por saturación o por nubosidad; el dron aportó la resolución de árbol individual y la disciplina de calibración que permite comparar dos vuelos separados por meses. Falta el paso que ninguna de las dos plataformas resuelve sola, que es convertir una anomalía espectral en un nombre propio, y de ahí en una decisión de aplicación.
Vale la pena entrar con una expectativa realista. La detección remota de estrés sanitario está mucho más avanzada de lo que la mayoría de los productores imagina, con evidencia sólida de que ciertas señales aparecen meses antes que el síntoma visible, y al mismo tiempo está mucho menos lista de lo que la publicidad sugiere, porque casi todos los modelos publicados fueron calibrados en una finca, con una variedad y una geometría de copa que probablemente no son las tuyas.
Lo que la planta cambia antes de cambiar de color
Cuando un patógeno se instala, la planta no espera a perder hojas para reaccionar. Lo primero que ocurre es una alteración bioquímica, la clorofila empieza a degradarse por una vía que produce feofitina, los pigmentos accesorios como carotenoides y antocianinas se reajustan, y la eficiencia con que el aparato fotosintético usa la luz que recibe empieza a caer. Nada de eso se ve desde la carretera. Todo eso modifica cómo la hoja refleja y reemite la radiación, en franjas del espectro muy específicas y muy estrechas.
El trabajo que demostró esto a escala de paisaje sigue siendo la referencia técnica del tema. Un equipo evaluó más de siete mil olivos en quince huertos, durante dos años, con vuelos de espectroscopía de imágenes y termografía de muy alta resolución, buscando detectar infección por Xylella fastidiosa antes de que apareciera el síntoma. Los resultados son incómodos para quien vende índices genéricos. Los dos rasgos que mejor separaron árboles sintomáticos de asintomáticos fueron un índice construido sobre reflectancia en el azul, cerca de los 415 nanómetros, que rastrea la degradación de clorofila, y el índice de estrés hídrico derivado de la temperatura de la copa. El NDVI, en cambio, no mostró diferencia estadísticamente significativa entre árboles asintomáticos y sintomáticos.
El dato que más importa para un productor está en el seguimiento. Los árboles que se veían perfectamente sanos a ojo, pero que el análisis espectral había marcado como afectados, desarrollaron síntomas de la enfermedad a casi el doble de la tasa de los árboles asintomáticos que el mismo análisis había clasificado como no afectados. En términos de finca eso significa que la imagen no estaba viendo el futuro por magia, estaba viendo un deterioro fisiológico que ya existía y que todavía no había llegado a la escala visible; el productor que actúa sobre esa lista actúa con meses de ventaja sobre el que espera a la inspección visual.
El mismo enfoque se ha replicado en decaimiento de encino asociado a Phytophthora, donde el modelado de rasgos funcionales a partir de imagen hiperespectral y térmica detectó el deterioro en un treinta y cuatro por ciento de los árboles visualmente asintomáticos. Es una cifra que conviene leer en las dos direcciones, porque un tercio de detección temprana es un avance enorme respecto a cero, y al mismo tiempo significa que dos tercios de los árboles que ya estaban infectados no fueron detectados.
Por qué el índice más popular es el peor lugar donde buscar una enfermedad
Ya vimos en la primera entrega que el NDVI se satura en dosel denso, y que en un café adulto o un cítrico con la copa cerrada pierde capacidad de distinguir. Al problema de saturación se le suma otro más profundo cuando lo que se busca es sanidad, y es la falta de especificidad.
Las respuestas que una planta muestra ante el estrés son un repertorio corto y compartido. Clorosis, necrosis, marchitez y caída de contenido de clorofila no son exclusivas de ningún agente en particular, y aparecen igual ante sequía, ante calor, ante desbalance nutricional y ante infección, lo que limita de raíz la especificidad diagnóstica en condiciones de campo heterogéneas donde varios estreses coexisten. Dentro de un mismo pixel puede haber a la vez un problema de riego, un problema de nutrición y un foco incipiente de enfermedad, y ninguna fórmula que combine dos o tres bandas va a separarlos.
De ahí se desprende la jerarquía práctica de las bandas. En el estudio de olivo, el modelo construido con rasgos de fluorescencia y temperatura acoplados a rasgos fotosintéticos sensibles a la dinámica rápida de pigmentos alcanzó una exactitud global del 80,9 por ciento con un índice kappa de 0,61; el modelo construido únicamente con los índices espectrales que normalmente traen los sensores satelitales, del tipo NDVI y relaciones entre azul, verde y rojo, se quedó en 65,4 por ciento. La lectura práctica es directa, cuanto más se acerca la pregunta al diagnóstico sanitario, más pesan las bandas del borde rojo, del azul y del térmico, y menos sirve el índice de vigor que todo el mundo calcula por defecto.
Tres cultivos, tres techos distintos, roya, Huanglongbing y pudrición radicular
En roya del café, la detección por imagen aérea está relativamente madura porque la lesión es foliar, visible desde arriba y de contraste alto. Un método de dos etapas que procesa imágenes de cámara RGB montada en dron, con filtros morfológicos y transformada de Hough para identificar las lesiones, alcanzó una eficiencia del 97 por ciento sobre una base de datos de referencia y superior al 93,5 por ciento sobre las imágenes tomadas con el dron. Trabajos paralelos con imagen multiespectral e índices de vegetación procesados con árboles de decisión han mostrado desempeños comparables para clasificar severidad, y hay desarrollos que ya corren el modelo en dispositivos de borde para orientar la poda de material infectado en tiempo real. La honestidad exige aclarar el alcance, porque estos métodos detectan una lesión que ya existe, no una infección previsual; su valor está en mapear rápido y barato dónde está el foco en un lote grande, no en anticiparse a la esporulación.
En Huanglongbing de cítricos el problema es el opuesto, porque la enfermedad es devastadora y sus síntomas tempranos son inespecíficos y se confunden con deficiencias nutricionales. Un modelo de segmentación desarrollado específicamente para reconocer árboles enfermos sobre imagen multiespectral de dron reportó una precisión de 0,95 y una exhaustividad de 0,94 en la identificación de árboles afectados, y una conclusión metodológica relevante, la imagen multiespectral superó a la imagen de altísima resolución en color verdadero para esta tarea. En paralelo, el trabajo a nivel de hoja con imagen hiperespectral ha identificado un conjunto de dieciséis longitudes de onda entre 715 y 997 nanómetros, en la región de borde rojo e infrarrojo cercano, que separan hojas sintomáticas de asintomáticas con exactitudes de clasificación superiores al 99 por ciento. Ese último número hay que encuadrarlo con cuidado, porque proviene de un experimento sobre setenta y dos imágenes de hojas individuales analizadas en condiciones controladas, y no equivale al desempeño esperable sobre un huerto completo desde el aire.
En pudrición radicular de aguacate ya vimos en la entrega anterior el trabajo que comparó dron contra satélite sobre sesenta y nueve árboles calificados por expertos, con un coeficiente de determinación de 0,80 en el mejor escenario y una advertencia importante, el bloque con poda intensa entregó correlaciones altas mientras el bloque de copas grandes no logró resultados consistentes. Sumado al caso del encino, con su tercio de árboles asintomáticos detectados, el panorama para enfermedades radiculares queda claro. Se detecta bien el árbol que ya está en declive fisiológico aunque todavía se vea verde, y se detecta mal el que apenas fue infectado.
El foco que encontraste hace tres semanas
¿Cuánto tiempo pasa en tu finca entre que alguien nota un árbol raro y que ese árbol aparece en un registro que alguien vuelve a mirar? En la mayoría de las operaciones esa información vive en la memoria del mayordomo y se pierde cuando cambia el personal, y sin ese registro no hay forma de saber si el foco creció, si se detuvo o si la aplicación que se hizo sirvió de algo. Harvis by TECDE te ayuda a llevar el histórico sanitario árbol por árbol y lote por lote, a cruzar lo que muestran las imágenes con tus aplicaciones, tus análisis de laboratorio y tus registros de cosecha, y a convertir una lista de coordenadas sospechosas en un plan de verificación con responsable y fecha. Escríbenos y revisamos cómo montar ese registro con lo que ya tienes.
Temperatura de copa, la señal que se adelanta y las condiciones que exige
De todas las señales disponibles, la temperatura es la que más rápido responde y la que menos se aprovecha en la región. La lógica es fisiológica y ya la construimos la temporada pasada, una hoja que transpira se enfría por evaporación, y una hoja que cerró estomas deja de enfriarse y se calienta respecto a las vecinas. Cualquier cosa que interfiera con el transporte de agua, incluida una raíz podrida o un vaso obstruido por una bacteria, aparece como una copa más caliente antes de aparecer como una copa más amarilla.
El indicador que formaliza esa lectura es el índice de estrés hídrico del cultivo, que normaliza la diferencia entre la temperatura de la copa y la del aire usando referencias de un dosel bien hidratado y uno completamente estresado. Su validación con medidas de planta es sólida; trabajos recientes en olivo de alta densidad bajo riego deficitario calcularon este índice junto con índices multiespectrales desde dron y los contrastaron contra potencial hídrico de tallo, encontrando correspondencia utilizable para seguimiento de estado hídrico y estimación de rendimiento. Revisiones recientes sobre detección de estrés hídrico con sistemas aéreos no tripulados confirman que la segmentación cuidadosa de la copa dentro de la imagen térmica, descartando suelo y sombra, es determinante para que el valor signifique algo.
También conviene conocer sus límites, que están bien documentados y son más estrictos que los de un índice de color. Un estudio dedicado a la aplicabilidad del índice en huertos de cítricos mostró que su comportamiento depende fuertemente de las condiciones atmosféricas y de la especie, y que en dosel discontinuo la mezcla de suelo caliente con copa fresca puede arruinar la medida. En términos de finca, la regla operativa es vuelo cerca del mediodía solar, cielo estable, viento bajo, registro de temperatura y humedad del aire en el momento del vuelo, y siempre segmentación de copa. Si alguna de esas condiciones falla, el mapa térmico sigue siendo bonito y deja de ser comparable.
Por qué un modelo que funcionó en otra finca falla en la tuya
El primer problema es la generalización. Las revisiones sobre detección automatizada de enfermedades señalan de forma consistente que la limitación central no es la arquitectura del modelo sino la diversidad de los datos con que fue entrenado, y que el desempeño reportado en un conjunto de validación rara vez se sostiene en un ambiente distinto. Variedad, patrón, edad, densidad de siembra, manejo de poda, cobertura del suelo y hasta el color del suelo desnudo cambian la firma espectral del mismo problema. El propio estudio de aguacate lo mostró dentro de una misma finca, donde dos bloques con manejo de copa diferente entregaron resultados incomparables con el mismo equipo y el mismo día.
El segundo problema es la prevalencia, y es el más traicionero porque un modelo puede ser excelente y aun así entregarte una lista inservible. Supón un lote de mil árboles con dos por ciento de incidencia real, veinte árboles enfermos. Un modelo con noventa por ciento de sensibilidad detecta dieciocho de ellos, lo cual suena muy bien. Pero si su especificidad también es del noventa por ciento, de los novecientos ochenta árboles sanos marcará noventa y ocho como sospechosos. Tu lista final tendrá ciento dieciséis árboles marcados de los cuales solo dieciocho están realmente enfermos, apenas uno de cada seis. Cuando la enfermedad es rara, la mayoría de las alertas son falsas alarmas, y ese es el motivo por el cual un programa de detección sin confirmación de laboratorio termina desperdiciando la mano de obra que pretendía ahorrar.
La conclusión no es abandonar la herramienta, es usarla como filtro de priorización y nunca como veredicto. La imagen reduce mil árboles a ciento dieciséis que vale la pena visitar, y esa reducción tiene un valor económico enorme comparada con recorrer el lote completo. La confirmación sigue siendo del agrónomo y del laboratorio.
Y esa ventana de detección temprana solo se convierte en dinero si existe una herramienta que sirva en fase inicial, porque descubrir un foco incipiente para aplicar una molécula curativa de amplio espectro sobre todo el lote desperdicia la mitad de la ventaja. Como ya lo abordamos en nuestro blog Biocontroladores y Bioinsumos, la vanguardia de la agricultura sostenible, que puedes leer aquí, el control biológico rinde mucho más cuando se aplica de forma preventiva o sobre poblaciones bajas y pierde eficacia cuando la infestación ya está establecida; la detección temprana por imagen es justamente lo que hace viable ese tipo de intervención dirigida, porque te dice dónde intervenir mientras la población todavía es manejable.
Veinte árboles marcados, un laboratorio y una libreta
La forma sensata de entrar a esto no es contratando un servicio de monitoreo sanitario anual, es construyendo tu propia curva de calibración local en una campaña, y se puede hacer sobre un lote y con una inversión menor.
Elige el lote donde ya tengas un problema conocido y recurrente. Marca entre veinte y treinta árboles que cubran todo el rango de severidad, desde varios que estén claramente afectados hasta varios que estén sanos y varios intermedios, y georreferencia cada uno con precisión suficiente para volver a encontrarlo. Confirma el estado real de cada árbol con diagnóstico de laboratorio y no solo con inspección visual, porque toda la calibración depende de que la verdad de referencia sea verdad; sin esa confirmación estás enseñándole al modelo tus propios errores de apreciación.
En la misma semana consigue la imagen. Si tienes acceso a un vuelo con cámara multiespectral, exige panel de reflectancia calibrada y ventana horaria cercana al mediodía solar; si no, descarga la imagen satelital de la fecha más limpia disponible aceptando que el pixel mezcla árbol y calle. Calcula varios índices sobre esos árboles, incluyendo obligatoriamente al menos uno de borde rojo, y construye una tabla simple con una fila por árbol, su calificación de laboratorio y sus valores de índice.
Con esa tabla en la mano vas a descubrir tres cosas en pocas horas. Si algún índice separa realmente los árboles enfermos de los sanos en tu finca, cuál es el valor de corte por debajo del cual conviene mandar a revisar, y qué tan seguido ese corte se equivoca. Repite el ejercicio tres o cuatro meses después con los mismos árboles y agrega los que hayan cambiado de estado, porque la señal que de verdad sirve no es el valor absoluto sino la caída de un árbol respecto a sí mismo. Al final de una campaña tienes un umbral propio, calibrado con tu variedad y tu manejo, que vale más que cualquier modelo publicado.
Sospechar temprano, confirmar rápido, actuar solo en el foco
La promesa realista de esta tecnología no es que te diga qué enfermedad tiene tu cultivo, es que te diga a cuáles árboles vale la pena caminarles esta semana. Es una promesa más modesta que la del folleto y bastante más valiosa que la práctica actual, porque hoy la decisión de dónde inspeccionar se toma por proximidad al camino y por costumbre, y la evidencia muestra que existe un deterioro fisiológico detectable meses antes de que ese recorrido lo note.
Lo que cambia a partir del lunes cabe en cinco decisiones. Deja de buscar sanidad en el índice de vigor y agrega al menos un índice de borde rojo, porque el NDVI ni siquiera separó árboles infectados de sanos en el estudio más riguroso disponible. Si vas a contratar vuelos, pide térmico cuando el problema afecte el transporte de agua y multiespectral cuando afecte pigmentos. Marca veinte árboles con diagnóstico de laboratorio confirmado y construye tu propio umbral en lugar de confiar en el de otra finca. Trata cada alerta como una orden de inspección y nunca como un diagnóstico, sabiendo que cuando la enfermedad es poco frecuente la mayoría de las alertas serán falsas. Y guarda el histórico por árbol, porque la señal útil es el cambio de un individuo respecto a sí mismo, y esa comparación solo existe si alguien registró la fecha anterior. Un productor con doscientos árboles priorizados y un umbral propio opera en otra liga frente a uno que recorre el mismo camino de siempre esperando ver algo raro.
¿Quieres montar ese registro sanitario y dejar de perder la información entre campañas? Escríbenos por WhatsApp o agenda una demo y te mostramos cómo Harvis convierte tus recorridos, tus análisis y tus imágenes en un histórico que sí puedes consultar el año entrante.
Referencias consultadas
- Zarco-Tejada, P. J., et al. (s.f.). Previsual symptoms of Xylella fastidiosa infection revealed in spectral plant-trait alterations. Nature Plants. https://www.nature.com/articles/s41477-018-0189-7
- Modelling hyperspectral- and thermal-based plant traits for the early detection of Phytophthora-induced symptoms in oak decline. (s.f.). Remote Sensing of Environment / ScienceDirect. https://www.sciencedirect.com/science/article/abs/pii/S003442572100290X
- Plant stress detection using multimodal imaging and machine learning, from leaf spectra to smartphone applications. (2025). Frontiers in Plant Science. https://www.frontiersin.org/journals/plant-science/articles/10.3389/fpls.2025.1670593/full
- Robust Coffee Rust Detection Using UAV-Based Aerial RGB Imagery. (s.f.). AgriEngineering, MDPI. https://doi.org/10.3390/agriengineering5030088
- Coffee Leaf Rust Disease Detection and Implementation of an Edge Device for Pruning Infected Leaves via Deep Learning Algorithms. (2024). Sensors, MDPI. https://www.mdpi.com/1424-8220/24/24/8018
- Early detection of Citrus Huanglongbing by UAV remote sensing based on MGA-UNet. (2025). Frontiers in Plant Science. https://www.frontiersin.org/journals/plant-science/articles/10.3389/fpls.2025.1503645/full
- Hyperspectral Imaging and Machine Learning for Huanglongbing Detection on Leaf-Symptoms. (2025). Plants, MDPI. https://doi.org/10.3390/plants14030451
- Application of UAV and satellite technologies for assessing Phytophthora root rot severity in avocado orchards. (2024). Frontiers in Agronomy. https://www.frontiersin.org/journals/agronomy/articles/10.3389/fagro.2024.1419479/full
- UAV-based multispectral and thermal indexes for estimating crop water status and yield on super-high-density olive orchards under deficit irrigation conditions. (2025). Precision Agriculture, Springer. https://link.springer.com/article/10.1007/s11119-025-10240-6
- Crop water stress detection based on UAV remote sensing systems. (2024). Agricultural Water Management / ScienceDirect. https://www.sciencedirect.com/science/article/pii/S0378377424003949
- Applicability and limitations of using the crop water stress index as an indicator of water deficits in citrus orchards. (s.f.). Agricultural and Forest Meteorology / ScienceDirect. https://www.sciencedirect.com/science/article/abs/pii/S0168192314001841
- Current State of Hyperspectral Remote Sensing for Early Plant Disease Detection, A Review. (s.f.). Sensors, MDPI. https://www.mdpi.com/1424-8220/22/3/757
- A review on automated plant disease detection, motivation, limitations, challenges, and recent advancements. (2025). Journal of King Saud University Computer and Information Sciences, Springer. https://link.springer.com/article/10.1007/s44443-025-00040-3
- Assessment of the Hyperspectral Data Analysis as a Tool to Diagnose Xylella fastidiosa in the Asymptomatic Leaves of Olive Plants. (s.f.). Plants, MDPI. https://doi.org/10.3390/plants10040683
- Toward an Operational System for Automatically Detecting Xylella fastidiosa in Olive Groves Based on Hyperspectral and Thermal Remote Sensing Data. (2025). Remote Sensing, MDPI. https://doi.org/10.3390/rs17081372
- Spectrally optimised YOLOv10s-SeqOpt framework for real-time UAV-based early detection of avocado foliar diseases. (s.f.). Scientific Reports, Nature. https://www.nature.com/articles/s41598-026-50025-z