Imágenes de cultivos: clave para la toma de decisiones basada en datos en la agricultura moderna.

La obtención de imágenes de cultivos es como darles a los agricultores superpoderosos ojos. Consiste en usar cámaras —a menudo instaladas en drones, satélites, tractores o incluso dispositivos portátiles— para capturar imágenes y datos de los campos. Pero no se trata solo de fotos comunes; estas herramientas pueden ver cosas que nuestros ojos no pueden, como la salud de las plantas oculta en la luz infrarroja o el estrés hídrico invisible para nosotros.

Introducción a la visión de imágenes de cultivos

¿Qué es la imagenología de cultivos? Se trata de la ciencia y la tecnología que permite capturar datos visuales y no visuales detallados de campos agrícolas mediante sensores especializados. Esto incluye longitudes de onda específicas de luz (como la infrarroja cercana y la térmica) que revelan detalles ocultos sobre la fisiología de las plantas.

El objetivo principal de la imagenología de cultivos es simple pero eficaz: medir el estado real de los cultivos sin dañarlos. Indica a los agricultores con precisión dónde las plantas están sanas, creciendo bien o sufriendo problemas como enfermedades, falta de agua o una nutrición deficiente.

Lo más importante es que proporciona una estimación temprana de la cantidad de cosecha que se puede obtener (potencial de rendimiento). Todo esto se realiza de forma no destructiva, lo que significa que las plantas no se cortan ni se dañan durante el proceso.

¿Por qué es importante esto? La agricultura tradicional suele basarse en estimaciones, en la inspección manual de los campos (que consume mucho tiempo y es subjetiva) y en el tratamiento uniforme de parcelas enteras. Las imágenes digitales de los cultivos sustituyen estas conjeturas por datos objetivos y espacialmente explícitos.

Es la herramienta fundamental que permite la agricultura de precisión. Al crear mapas detallados de la variabilidad del terreno, la obtención de imágenes de los cultivos permite a los agricultores tomar decisiones basadas en datos, como aplicar agua, fertilizantes o pesticidas solo donde y cuando sean necesarios.

Este enfoque específico es crucial para la intensificación sostenible: estudios recientes (por ejemplo, FAO 2023, PrecisionAg Institute 2024) indican que las explotaciones agrícolas que adoptan prácticas de precisión guiadas por imágenes pueden lograr aumentos de rendimiento de 10 a 201 TP3T al tiempo que reducen simultáneamente el consumo de agua y productos químicos en 15 a 301 TP3T.

En una era que exige una producción de alimentos más eficiente y respetuosa con el medio ambiente, las imágenes digitales de los cultivos ya no son una opción, sino una necesidad para el futuro de la agricultura. Algunos de los principales beneficios de la captura digital de imágenes de cultivos son:

• Mayor Eficiencia Sustituye al reconocimiento manual: Los drones/satélites cubren más de 500 acres por hora frente a los 10-20 acres/día que se cubren a pie. Reduce los costes de mano de obra y combustible hasta en 85% (ASABE, 2023).
• Mejora del rendimiento y la calidad: Detecta el estrés en los cultivos de forma temprana (falta de nutrientes/agua, enfermedades): aumenta los rendimientos entre 5 y 251 TP3T (USDA, 2024). Optimiza el momento de la cosecha para obtener productos de mayor calidad.
• Costes de insumos reducidos: Permite una aplicación de precisión (VRA): Reduce el uso de fertilizantes entre 10 y 301 TP3T, el agua entre 20 y 251 TP3T y los pesticidas entre 30 y 701 TP3T (Penn State Extension, 2023).
• Mayor sostenibilidad: Reduce la huella de carbono al disminuir el número de pasadas de tractor. Minimiza la escorrentía de productos químicos hacia el suelo y el agua: Apoya los objetivos de la agricultura regenerativa.
• Datos objetivos y cuantificables: Genera métricas como el NDVI (índice de salud de las plantas) para la toma de decisiones basada en datos. Realiza un seguimiento de los cambios en el campo mediante análisis en la nube.
• Detección temprana de problemas: Identifica plagas/enfermedades 2-3 semanas antes de que aparezcan los síntomas visibles (imágenes multiespectrales). Previene la pérdida de aproximadamente 151 TP3T de cultivos (FAO, 2023).

Espectro de tecnologías de imágenes de cultivos

Imagina que los agricultores pudieran ver exactamente cómo se encuentran sus cultivos: no solo si están verdes, sino también si tienen sed, hambre o si están enfermando antes de que aparezcan los primeros síntomas. ¡Gracias a las imágenes digitales de cultivos, esta posibilidad ya es una realidad!

Mediante el uso de sensores especiales instalados en drones, tractores o incluso satélites, los agricultores pueden capturar imágenes detalladas que van mucho más allá de lo que nuestros ojos pueden ver. A continuación, presentamos algunos de los diferentes sistemas de imagen para cultivos y lo que revelan:

1. El ojo familiar: Imágenes RGB (luz visible)

Imagina que es como tomar una fotografía estándar a color del cielo. Las cámaras RGB capturan la luz roja, verde y azul, igual que la cámara de tu teléfono. Aunque parezca algo básico, es increíblemente útil.

Los agricultores utilizan imágenes RGB para contar cuántas plantas han brotado después de la siembra, ver cuánto terreno está cubierto por las hojas (cobertura del dosel), detectar zonas con maleza problemática y realizar inspecciones generales del campo.

• Es una forma rápida y económica de obtener una visión general de los cultivos.

2. El detective de la salud de las plantas: imágenes multiespectrales

Esta tecnología va más allá. Los sensores multiespectrales capturan la luz reflejada por las plantas en bandas de color específicas y clave, incluidas algunas invisibles para nosotros como el infrarrojo cercano (NIR) y el borde rojo. Las plantas sanas reflejan mucha luz NIR.

Al comparar la cantidad de luz roja (absorbida por la clorofila sana) con la luz infrarroja cercana (NIR), estos sensores calculan potentes índices de vegetación como el NDVI (Índice de Vegetación de Diferencia Normalizada).

Estos índices funcionan como una "puntuación de salud", revelando el contenido de clorofila, el vigor (fortaleza) de la planta y la biomasa total. Esto permite a los agricultores detectar áreas con deficiencia de nutrientes, que sufren estrés hídrico o que muestran los primeros signos de enfermedades o plagas, a menudo antes de que el ojo humano pueda percibir algún problema.

• Es la tecnología de imagen para cultivos más utilizada, representando más de 351.000 millones de dólares del mercado de sensores para la agricultura de precisión a partir de 2023.

3. El científico superdetallado: Imágenes hiperespectrales

La imagen hiperespectral lleva la imagen multiespectral al extremo. En lugar de utilizar solo unas pocas bandas, captura la reflectancia en cientos de bandas contiguas muy estrechas. Esto crea una "huella dactilar" espectral detallada para cada píxel de la imagen.

¿Por qué es tan importante? Diferentes tipos de estrés en las plantas (como deficiencias específicas de nutrientes, como nitrógeno o potasio) o enfermedades provocan cambios únicos en esta huella dactilar. La imagen hiperespectral permite identificar con una precisión increíble el problema exacto e incluso analizar características bioquímicas dentro de la planta.

• Si bien es más complejo y costoso, su uso en diagnósticos avanzados está creciendo rápidamente, y se prevé que el mercado global se expanda a más de 12,81 TP3T anuales (CAGR) entre 2024 y 2030.

4. El medidor de sed: imágenes térmicas

Las cámaras térmicas no detectan la luz; detectan el calor. Miden la temperatura del follaje de las plantas. Cuando las plantas sufren estrés hídrico, cierran sus estomas para conservar agua. Esto reduce la evaporación, lo que provoca que sus hojas se calienten significativamente en comparación con las plantas bien regadas.

• Al detectar estos "puntos calientes" en un campo, la termografía es una forma directa de monitorear el estrés hídrico.

Los agricultores utilizan esta información vital para dirigir su riego con precisión, ahorrando agua y energía, y asegurando que los cultivos reciban la cantidad adecuada en el momento preciso.

5. El medidor de fotosíntesis: imágenes de fluorescencia

Esta técnica avanzada mide el tenue brillo (fluorescencia) emitido por las moléculas de clorofila. después Absorben la luz solar. La cantidad y el tipo de este brillo cambian según la eficiencia con la que la planta realiza la fotosíntesis.

Cuando una planta sufre estrés (incluso en sus primeras etapas), su maquinaria fotosintética suele ser la primera afectada, alterando su fluorescencia. Esto la convierte en una herramienta increíblemente sensible para detectar el estrés antes de que aparezcan otros síntomas y para profundizar en la investigación de la fisiología vegetal.

• Es fundamental para la fenotipificación de alto rendimiento (medición automática de los rasgos de las plantas).

6. El medidor de formas: imágenes 3D / LiDAR

Estos sensores (como el LiDAR – Detección y Medición de Distancia mediante Luz) utilizan láseres o cámaras sofisticadas para medir la distancia a la copa de las plantas miles de veces por segundo.

• Esto genera un mapa 3D detallado que muestra la altura de la planta, la densidad y la estructura de las hojas y los tallos, y la forma general (arquitectura) de la copa.

Al tomar estas mediciones a lo largo del tiempo, los agricultores pueden realizar un seguimiento preciso de las tasas de crecimiento y estimar el volumen de biomasa (material vegetal total) en un campo, que es un indicador clave del potencial de rendimiento.

¿Qué tecnologías se utilizaron para obtener imágenes digitales recortadas?

La captura de imágenes de cultivos —que utiliza cámaras y sensores para fotografiar los campos desde arriba o desde dentro— está transformando la agricultura. Pero, ¿cómo se obtienen esas imágenes? Se utilizan diferentes plataformas, cada una con sus propias ventajas y desventajas.

1. Sistemas terrestres

Imagínese recorrer un campo con una cámara especial o acoplar sensores directamente a un tractor. Eso es la obtención de imágenes terrestres. Esto incluye dispositivos portátiles como cámaras y teléfonos inteligentes para realizar inspecciones puntuales, sensores montados en tractores mientras circulan por los campos e incluso plataformas de fenotipado más grandes (como carros o brazos con sensores) diseñadas para parcelas de investigación.

Ventajas: Estos sistemas ofrecen una nitidez excepcional (alta resolución). Permiten enfocar con gran precisión plantas específicas o áreas pequeñas. Son ideales para mediciones específicas en hojas o tallos individuales.

Desventajas: Cubrir un campo extenso de esta manera requiere mucho tiempo y esfuerzo. Su visibilidad es limitada, lo que los hace poco prácticos para grandes explotaciones agrícolas. Además, los sistemas montados en tractor pueden compactar el suelo.

2. Vehículos aéreos no tripulados (drones)

Los drones (vehículos aéreos no tripulados) se han convertido en la herramienta más popular para capturar imágenes de cultivos en campos enteros. Equipados con cámaras convencionales o especializadas (como las que detectan la salud de las plantas mediante luz infrarroja cercana), realizan misiones automatizadas sobre los cultivos.

Ventajas: Los drones ofrecen una flexibilidad fantástica: se pueden usar siempre que sea necesario. Capturan imágenes de gran detalle, cubren terrenos rápidamente y, por lo general, son más económicos que los aviones o los satélites de alta resolución. Son ideales para las revisiones semanales en explotaciones agrícolas de tamaño mediano.

Desventajas: Un vuelo típico con dron dura solo entre 20 y 45 minutos por batería, lo que limita la distancia que se puede cubrir de una sola vez. Es necesario cumplir con las normas y regulaciones (como la necesidad de una licencia en muchos lugares).

Volar también depende en gran medida del buen tiempo: ausencia de lluvia o vientos fuertes. El uso de drones está en auge, y se espera que el mercado mundial de drones agrícolas alcance los 14.000 millones de dólares para 2028.

3. Aeronaves tripuladas

Para campos realmente extensos o ranchos enteros, a veces se utilizan aviones o helicópteros equipados con sensores de imagen.

Ventajas: Pueden cubrir áreas mucho más extensas en un solo vuelo que los drones. Esto los hace eficientes para grandes explotaciones agrícolas o estudios regionales.

Desventajas: Alquilar un avión es considerablemente más caro que usar drones. Las imágenes tomadas desde mayor altitud suelen tener menos detalle (menor resolución) que las fotos tomadas con drones. Además, la planificación de los vuelos es menos flexible y depende de la disponibilidad de aeronaves y pilotos.

4. Satélites

Los satélites de observación terrestre que orbitan a gran altura sobre nosotros toman constantemente fotografías de todo el planeta, incluidos los campos de cultivo.

ProsLos satélites ofrecen cobertura global, lo que significa que pueden obtener imágenes de cualquier granja, en cualquier lugar. Vuelan siguiendo horarios estrictos, proporcionando imágenes consistentes a intervalos regulares (por ejemplo, cada pocos días o semanas).

Fundamentalmente, suelen tener archivos de imágenes que se remontan a años o décadas, lo que permite a los agricultores comparar los campos actuales con los de temporadas pasadas.

ContrasAunque mejoran constantemente, la mayoría de las imágenes satelitales aún tienen menor resolución que las de drones o aviones: es posible ver campos enteros con claridad, pero no plantas individuales. Las nubes representan un problema importante, ya que obstruyen la visión del satélite.

Los agricultores tampoco tienen control sobre el momento exacto en que un satélite pasa por encima de sus tierras. Las constelaciones de satélites más recientes (como Planet Labs) ofrecen imágenes diarias con resoluciones de hasta 3 metros por píxel, pero para obtener un nivel de detalle ultra alto (necesario para ver plantas individuales) todavía se suelen utilizar drones o aeronaves.

La mejor plataforma para la obtención de imágenes de cultivos depende de la tarea. A menudo, los agricultores utilizan una combinación de estas herramientas, como satélites para un monitoreo general y drones para investigar problemas específicos. Esta visión integral les brinda información sin precedentes sobre sus cultivos, lo que les permite producir más alimentos de manera más eficiente.

Procesamiento y análisis de datos de imágenes de cultivos

Así que has capturado imágenes increíbles de tus campos con drones o satélites. ¡Ese es el primer paso! Pero esos millones de píxeles de colores (los pequeños puntos que componen la imagen) no te dicen automáticamente cómo van tus cultivos.

El segundo paso es el procesamiento y análisis de datos: convertir esas imágenes sin procesar en conocimientos agrícolas útiles. Así es como funciona:

A. Limpieza de las imágenes (Preprocesamiento de imágenes)

Piensa en esto como preparar tus fotos para un estudio serio. Las imágenes sin procesar suelen tener pequeños errores. Un software especializado los corrige:

• La georreferenciación asigna a cada píxel una ubicación GPS.
• La técnica del ortomosaico une imágenes para formar un mapa continuo.
• La calibración radiométrica compensa los cambios de iluminación (por ejemplo, la luz del sol por la mañana frente a la del mediodía).
  Sin este paso, los mapas podrían inducir a error.

B. Identificación de lo importante (Extracción de características)

Ahora, comenzamos a buscar cosas específicas. en Las imágenes retocadas:

• Los índices de vegetación (como el NDVI) utilizan la reflexión de la luz en las plantas para medir su estado de salud. Un NDVI bajo suele indicar estrés.
• La separación entre el dosel vegetal y el suelo distingue los cultivos del terreno desnudo.
• El conteo de plantas y la detección de malezas automatizan el monitoreo.

Contexto más reciente: Los agricultores dependen cada vez más de estos índices. Por ejemplo, los estudios muestran que el uso del NDVI puede mejorar la eficiencia de la aplicación de nitrógeno en 10-25%, reduciendo el desperdicio y los costos.

C. Transformación de características en decisiones agrícolas (Técnicas de análisis de datos)

Aquí es donde ocurre la magia: encontrar significado en los números y las formas:

Al comparar los valores del índice de vegetación de las imágenes con las mediciones reales tomadas sobre el terreno (como muestras de hojas o rendimiento en la cosecha), se confirma que “un NDVI bajo en esta zona realmente significaba menos nitrógeno”.”

Aprendizaje automático (ML) e inteligencia artificial (IA): ¡Esto está teniendo un auge fulgurante en la agricultura! Las computadoras aprenden de enormes cantidades de datos históricos (imágenes + datos reales) para detectar patrones complejos que los humanos podrían pasar por alto:

• Clasificación de enfermedades (detección temprana de plantas enfermas).
• Predicción de rendimiento (precisión superior a 90% en ensayos).
• Detección de malezas e insectos.

Últimas estadísticas y datos: El mercado global de la IA en la agricultura está en auge y se prevé que alcance más de 1400 millones de dólares en 2028 (fuente: Statista, 2023).

Un informe de la FAO de 2023 destacó el creciente papel del aprendizaje automático en la detección temprana de plagas y enfermedades, lo que podría reducir significativamente las pérdidas de cultivos. Los modelos de predicción de rendimiento que utilizan datos de imágenes de cultivos están alcanzando una precisión superior al 90 % en algunos ensayos.

D. Ver el panorama general (Visualización)

Todo este análisis es más poderoso cuando es fácil de ver. El resultado final suele ser un mapa colorido superpuesto sobre el terreno:

• Mapas NDVI: Mostrar zonas de salud (verde = saludable, rojo/amarillo = estresado).
• Mapas de estrés: Señale las zonas que probablemente estén sufriendo sequía, deficiencia de nutrientes o enfermedades.
• Mapas de prescripción: ¡El objetivo final! Estos mapas les indican a los aplicadores de tasa variable exactamente Según el análisis de imágenes, esto es agricultura de precisión en acción.

Por qué es importante: Un mapa claro permite al agricultor comprender los problemas al instante, realizar un seguimiento de los cambios a lo largo del tiempo y tomar decisiones de gestión seguras y específicas.

Aplicaciones principales de las imágenes digitales de recorte

Mediante cámaras instaladas en drones, satélites, tractores e incluso dispositivos portátiles, esta tecnología captura imágenes detalladas de los campos. Pero va más allá de simples fotografías: sensores especiales captan luz invisible para el ojo humano, revelando el estado de salud oculto de las plantas. He aquí por qué la obtención de imágenes de los cultivos se está convirtiendo rápidamente en un elemento esencial en las explotaciones agrícolas modernas:

A. Gestión precisa de nutrientes

Las imágenes digitales de los cultivos muestran pequeñas diferencias en el color y el crecimiento de las plantas que indican dónde faltan nutrientes (como el nitrógeno). En lugar de cubrir todo el campo con fertilizante, los agricultores pueden crear mapas y aplicarlo solo donde sea necesario.

• Los estudios demuestran que esta aplicación de dosis variable puede reducir el uso de fertilizantes entre 15 y 30 toneladas por tonelada, lo que permite a los agricultores ahorrar dinero y reducir el impacto ambiental.

B. Gestión de riego de precisión

Cámaras especializadas detectan cambios sutiles en la temperatura y el color de las hojas que indican estrés hídrico mucho antes de que las plantas se marchiten visiblemente. Al identificar con precisión qué zonas del campo necesitan agua, los agricultores pueden dirigir el riego de forma precisa.

• Las explotaciones agrícolas que utilizan sistemas de imagen para el riego informan de ahorros de agua de entre 20 y 50 toneladas por milla cuadrada, algo crucial a medida que las sequías se vuelven más frecuentes.

C. Manejo de plagas y enfermedades

La tecnología de imágenes de cultivos detecta las señales de alerta temprana de plagas o enfermedades —patrones de color inusuales, daños en las hojas o retraso en el crecimiento— que a menudo pasan desapercibidas para el ojo humano durante las revisiones rutinarias. Esto permite una exploración específica y una fumigación precisa únicamente en las áreas afectadas.

• La detección temprana puede prevenir las pérdidas de rendimiento de 10-30%, y la fumigación selectiva reduce significativamente el uso de pesticidas.

D. Manejo de malezas

Las imágenes de alta resolución, especialmente las obtenidas con drones, crean mapas detallados de malezas que muestran con precisión dónde se están estableciendo las plantas invasoras. Los agricultores pueden usar este mapa para guiar robots de fumigación selectiva o aplicadores de herbicidas de precisión.

• El control selectivo de malezas basado en imágenes puede reducir los volúmenes de herbicidas hasta en 901 TP3T en algunos casos, disminuyendo los costos y la exposición a productos químicos.

E. Predicción y pronóstico del rendimiento

Mediante el análisis del estado de los cultivos y la biomasa a lo largo de la temporada utilizando datos de imágenes, los modelos sofisticados pueden predecir el potencial de rendimiento campo por campo, o incluso zona por zona.

• Las principales empresas de cereales utilizan cada vez más las imágenes satelitales para realizar pronósticos regionales, con índices de precisión que alcanzan entre 85 y 95 semanas antes de la cosecha, lo que facilita la logística y la comercialización.

F. Exploración y seguimiento de cultivos

En lugar de recorrer los campos durante horas, los agricultores pueden utilizar drones con cámaras de imagen para obtener rápidamente una vista aérea de toda la explotación. De esta forma, pueden detectar con eficacia problemas como inundaciones, malas germinaciones o daños en los equipos.

• Los drones pueden explorar 100 acres en menos de 30 minutos, una tarea que a los humanos les lleva días, lo que libera un tiempo valioso.

G. Fenotipado de plantas

Para los científicos que desarrollan nuevas variedades de semillas, la tecnología de imagen es revolucionaria. Automatiza la medición de características clave (altura, área foliar, tiempo de floración, respuesta al estrés) en miles de plantas en ensayos de campo.

• Esto permite a los mejoradores analizar muchísimas más plantas y seleccionar las de mejor rendimiento mucho más rápido, acelerando así el desarrollo de cultivos más resistentes y de mayor rendimiento.

Desafíos y futuro de la obtención de imágenes de cultivos

Comenzar con el análisis de imágenes de cultivos no siempre es sencillo ni económico. El costo inicial puede ser significativo. Algunos de los principales desafíos son:

• Costo: Empezar es caro. Un sistema básico de imágenes con drones cuesta entre 2000 y 10 000 THB, mientras que los sistemas avanzados con sensores hiperespectrales pueden alcanzar los 30 000 THB o más. Las suscripciones de software suponen costes adicionales.
• Sobrecarga de datos: Las granjas de aves generan diariamente enormes cantidades de datos de imágenes: fácilmente gigabytes o terabytes por vuelo o escaneo. Almacenar, gestionar y procesar estos datos requiere una gran capacidad de procesamiento y almacenamiento en la nube, lo que puede resultar costoso y complejo.
• Experiencia requerida: Para convertir mapas de imágenes a color en acciones agrícolas útiles se requieren conocimientos de teledetección, agronomía y ciencia de datos. Muchos agricultores carecen de estos conocimientos especializados.
• Interpretación compleja: Traducir la "firma lumínica" única de una planta (datos espectrales) en acciones claras (por ejemplo, "añadir fertilizante aquí") sigue siendo un reto y propenso a errores sin experiencia.
• Obstáculos ambientales: Las nubes bloquean las vistas satelitales. El viento interrumpe los vuelos de los drones y afecta la nitidez de las imágenes. Los cambios en el ángulo del sol y el color del suelo influyen en las lecturas de los sensores.
• Reglamentos: Los vuelos con drones están sujetos a estrictas normas de espacio aéreo, que requieren licencias y límites operativos, lo que añade complejidad.

A pesar de los desafíos, el futuro de la obtención de imágenes de cultivos es increíblemente prometedor, impulsado por los rápidos avances tecnológicos. Veremos una integración mucho más profunda con otras fuentes de datos.

Imagina combinar a la perfección imágenes de cultivos con lecturas de humedad del suelo en tiempo real obtenidas mediante sensores terrestres, pronósticos meteorológicos y mapas históricos de rendimiento. Esto crea una visión completa del estado de salud del campo.

La inteligencia artificial (IA) y el aprendizaje automático (AA) están revolucionando el sector, ya que automatizan el análisis de enormes conjuntos de datos de imágenes. Esto se traduce en un procesamiento más rápido, incluso en tiempo real o casi real, lo que proporciona a los agricultores información útil en cuestión de horas o minutos, no de días.

• Sensores mejores y más baratosLos sensores, especialmente los hiperespectrales de alta potencia (que capturan cientos de bandas de luz para un análisis ultradetallado), son cada vez más pequeños, ligeros y asequibles, lo que hace que la obtención de imágenes avanzadas sea más accesible.
• Herramientas más fáciles de usarLas empresas tecnológicas están creando plataformas y aplicaciones de análisis más sencillas. Los agricultores recibirán recomendaciones claras y prácticas directamente en sus tabletas o teléfonos, sin necesidad de tener un doctorado.
• Predicción y prescripciónEl enfoque cambia: de detectar problemas a prevenirlos. La IA pronosticará problemas (por ejemplo, plagas, potencial de rendimiento) con semanas de anticipación utilizando tendencias de imágenes y otros datos.

Conclusión

La obtención de imágenes de los cultivos se ha convertido en una herramienta poderosa que ha transformado radicalmente la forma en que cultivamos nuestros alimentos. Al brindar a los agricultores "ojos en el cielo" y "ojos en el campo" mediante tecnologías como drones, satélites y sensores terrestres especiales, se obtienen imágenes increíblemente detalladas de la salud de los cultivos, las condiciones del suelo y los posibles problemas. Esta capacidad de observar lo que sucede en vastos campos prácticamente en tiempo real es fundamental para la modernización de la agricultura.