Inteligencia artificial para estimar la cosecha de aguacate

14 de octubre 2026

El estudio Precision management in Avocado: UAV-based monitoring of nitrogen use efficiency, yield, and postharvest quality, publicado este año en la revista Smart Agricultural Technology, evaluó un sistema que integra información obtenida con drones, sensores y registros ambientales para estimar el estado nitrogenado, la producción y la calidad poscosecha del aguacate árbol por árbol. 

Incluso dentro de un mismo huerto, la cantidad de aguacates que produce cada árbol puede variar, aunque el riego y la fertilización sean similares. La investigación explora cómo combinar drones, sensores e inteligencia artificial para estimar cuánto podría cosecharse de cada árbol.

De las imágenes aéreas a la estimación de la producción 

El trabajo reunió mediciones realizadas entre 2022 y 2024 en tres sistemas. Se desarrolló un ensayo controlado con diferentes niveles de nitrógeno en Gilat y dos huertos comerciales, Kabri y Kfar Menachem, todos en Israel, con condiciones climáticas contrastantes. En todos los sitios se monitorearon árboles de la variedad Hass.

Los drones captaron imágenes multiespectrales, que registran la respuesta de la vegetación en diferentes bandas de luz y aportan indicadores relacionados con su estado nitrogenado. A esa información se sumaron mediciones LiDAR, una tecnología láser que permite describir la estructura tridimensional de la copa, incluyendo su altura y superficie.

Con esos datos, los investigadores desarrollaron modelos de aprendizaje automático del tipo Random Forest, un método que combina múltiples análisis de los datos para generar una estimación. Los modelos fueron entrenados y evaluados con mediciones de terreno, análisis foliares y registros de cosecha por árbol.

El modelo de rendimiento obtuvo un coeficiente de determinación (R²)  de 0,71 en el conjunto de predicción independiente, con un error cuadrático medio de aproximadamente 12,4 kilogramos por árbol (raíz del error cuadrático medio). Ese resultado muestra capacidad para estimar diferencias productivas, aunque no garantiza conocer con exactitud cuánto se cosechará de cada ejemplar. El estudio también identificó mayor incertidumbre en los árboles de rendimiento más alto.

El nitrógeno interpretado a través de la estructura de la copa 

Una de las contribuciones del trabajo fue integrar la concentración de nitrógeno en las hojas con información sobre la estructura de la copa. De esta forma, el diagnóstico incorpora diferencias de tamaño entre árboles que pueden presentar concentraciones foliares similares.

Al evaluar los modelos con datos que no se utilizaron para entrenarlos, estos explicaron el 78% de la variación observada en la concentración de nitrógeno de las hojas y el 73% en el contenido de nitrógeno de la copa. Estos resultados muestran su capacidad para estimar diferencias entre árboles, aunque las predicciones mantienen un margen de error.

Este enfoque permite identificar diferencias en el estado nitrogenado de los árboles y orientar muestreos en sectores específicos del huerto. Esa información podría apoyar decisiones de fertilización más ajustadas a las condiciones de cada zona, aunque el estudio no probó la aplicación de dosis variables en los huertos comerciales.

En el ensayo controlado de Gilat, los investigadores evaluaron cinco concentraciones de nitrógeno en la solución de fertirriego. 10, 20, 40, 80 y 120 miligramos por litro. El tratamiento de 20 miligramos por litro obtuvo la mayor eficiencia, que fue medida como la cantidad de fruta producida por unidad de nitrógeno aplicado y por unidad de nitrógeno absorbido. Al aumentar el suministro por encima de ese nivel, la producción no creció en la misma proporción.

El hallazgo muestra que aportar más nitrógeno no necesariamente permite aprovecharlo mejor. Sin embargo, los árboles del ensayo crecían en contenedores con perlita y bajo condiciones controladas, por lo que ese nivel no constituye una recomendación de fertilización para otros huertos.

Explorando la calidad poscosecha y el comportamiento del fruto 

La investigación evaluó, además, indicadores de pudrición, oscurecimiento interno y firmeza de la fruta. Los modelos de indicadores de pudrición alcanzaron valores de R² entre 0,83 y 0,92 en la prueba independiente, mientras que la predicción de firmeza obtuvo un resultado menor, de aproximadamente 0,65.

El análisis identificó al estado nitrogenado al final de la temporada, la estructura de la copa y las condiciones ambientales entre las variables relevantes para esas estimaciones. Los autores aclaran que estas relaciones son estadísticas y no demuestran, por sí solas, causalidad.

Un paso hacia la gestión agrícola de alta precisión 

La aplicación potencial consiste en disponer de diagnósticos y estimaciones por árbol para apoyar un manejo más diferenciado del huerto. Sin embargo, el estudio no implementó fertirriego de dosis variable ni evaluó sus beneficios económicos en condiciones operativas.

Los investigadores señalan que se requieren nuevas validaciones en otras temporadas, regiones y variedades. Por ahora, el trabajo sugiere que combinar sensores y aprendizaje automático puede acercar al productor a una lectura más detallada de su huerto, teniendo información más específica de cuánto podría producir cada árbol, cuál es su estado nitrogenado y cómo podría comportarse su fruta después de la cosecha.