Agricultura de precisión
El monitoreo multiespectral (Planet, Sentinel-2, NDVI) detecta que algo anda mal. El aprendizaje profundo hiperespectral diagnostica qué anda mal, por qué y qué hacer al respecto. Construimos la analítica espectral personalizada que cierra la brecha entre la detección y la prescripción para operaciones agrícolas a gran escala y productores de cultivos especializados.
7-14 días
Ventaja de detección presintomática
Brecha de latencia entre hiperespectral y RGB/NDVI
963 millones de bu.
Rendimiento de maíz estadounidense perdido por enfermedades en 2024
Crop Protection Network, 2024
$0.85/ac
Costo del monitoreo multiespectral de Planet
FarmQA/Planet, precios de 2026
Planet PlanetScope le ofrece 8 bandas. Sentinel-2 le ofrece 13. Ambos calculan NDVI, EVI y NDRE para rastrear la salud general del dosel. Esto funciona para el monitoreo de amplia cobertura: identificar qué campos necesitan atención y rastrear las tendencias estacionales de biomasa. Falla cuando usted necesita un diagnóstico.
Su agrónomo está observando un bloque de maíz de 200 hectáreas. El NDVI muestra una depresión en el cuarto noreste. El mapa de estrés multiespectral se ilumina en ámbar. Tres causas posibles:
El NDVI marca las tres como «estrés». No puede distinguirlas porque comprime todo el espectro rojo y NIR en dos valores de banda ancha. Aplicar nitrógeno a un campo con estrés hídrico desperdicia $15-25/acre en fertilizante. Perder la ventana de fungicida en la mancha de alquitrán cuesta hasta $29.75/acre (Illinois, 2024). La respuesta equivocada a una alerta ambigua suele ser peor que ninguna respuesta en absoluto.
Los sensores hiperespectrales resuelven más de 135-270 bandas espectrales estrechas. Una CNN-3D entrenada en las firmas espectrales de su cultivo lee la curva de reflectancia completa en cada píxel, extrayendo las características diagnósticas que los índices de banda ancha promedian y eliminan. La ventana de detección pasa de postsintomática (el NDVI detecta el daño después de que es visible) a presintomática (los modelos espectrales detectan cambios bioquímicos semanas antes de que el ojo humano o la cámara puedan verlos).
Saque esto en su próxima reunión de evaluación de proveedores. La pregunta no es si usar datos espectrales. Es quién construye la capa de analítica entre los datos espectrales en bruto y una prescripción accionable.
| Proveedor | Qué entregan | Profundidad espectral | Dónde se detiene |
|---|---|---|---|
| Planet (PlanetScope) | Imágenes multiespectrales globales diarias, resolución de 3m. Analítica NDVI/EVI. $0.85/ac/año vía FarmQA. | 8 bandas | Detecta el estrés, no puede diagnosticar la causa. Sin canal de prescripción. Sin integración VRT. |
| Planet (Tanager-1) | Hiperespectral 400-2500nm. Disponible de forma general desde sep. de 2025. Producto Methane Quicklook. Modelo de créditos de tasking. | VNIR+SWIR completo | Diseñado para monitoreo de metano/carbono, no para diagnóstico de cultivos. Sin modelos agronómicos incluidos. Un solo satélite limita la cadencia de revisita. |
| Pixxel (Firefly) | 6 satélites HSI operativos, 5.4m de GSD, 135 bandas (470-900nm). Vía UP42/SkyFi. Honeybee Zero (SWIR) previsto para 2026. | 135 bandas | Vende datos, no analítica. Sin modelos específicos para cultivos. La constelación actual carece de SWIR (sin detección de estrés hídrico hasta Honeybee Zero). La ventana mínima de tasking de 14 días puede pasar por alto eventos de enfermedad de evolución rápida. |
| Bayer Climate FieldView | Plataforma de gestión agrícola. Más de 150M de acres suscritos. Más de 60 integraciones. Ejecución de mapas de prescripción. | Ninguna (consumo) | Ingiere imágenes de terceros pero no realiza análisis espectral. Limitado a las recomendaciones agronómicas de Bayer para clientes de semillas/químicos. |
| Gamaya | HSI basado en drones. Experiencia en caña de azúcar (Brasil). Asociación con Google Cloud para el procesamiento. | Hiperespectral | Enfoque de cultivo estrecho (caña de azúcar). Disponibilidad geográfica limitada. No es una plataforma sobre la que se pueda construir para otros cultivos. |
| Headwall / Specim / Resonon | Sensores HSI montados en drones. Más de 270 bandas (Headwall Nano-Hyperspec). Serie Specim AFX con GPS/IMU. | Espectro completo | Proveedores de hardware. Sin analítica, sin modelos, sin interpretación agronómica. Los sensores cuestan entre $50K y $150K antes de cualquier desarrollo de software. |
| Accenture / Deloitte | Asesoría estratégica. Accenture adquirió una firma de analítica de agricultura de precisión de la UE (feb. de 2025). Deloitte se centra en ESG/sostenibilidad. | Ninguna (asesoría) | Implementan plataformas, no canales espectrales. Recomendarán FieldView o una solución SaaS. No pueden construir una CNN-3D ni recolectar muestras de verdad sobre el terreno. Las contrataciones cuestan entre $500K y más de $5M para una asesoría estratégica que aún requiere un constructor técnico. |
| Veriprajna | Analítica espectral personalizada: modelos CNN-3D/transformer, bibliotecas espectrales de enfermedades, canales de prescripción de HSI a VRT. | Independiente del sensor | No posee satélites ni fabrica sensores. Requiere una fuente de datos (Pixxel, Planet, HSI con drones) y el conocimiento agronómico del dominio del cliente para la recolección de verdad sobre el terreno. |
Cada contratación parte de la operación del comprador, no de un catálogo de productos. Estas son las capacidades a las que recurrimos con más frecuencia en la analítica espectral agrícola.
Modelos CNN-3D y transformer espectral-espacial personalizados que van más allá de «con estrés/sin estrés». Entrenamos en las firmas hiperespectrales de su cultivo para diferenciar la deficiencia de nitrógeno, el estrés hídrico y patógenos específicos leyendo la curva de reflectancia completa en cada píxel.
Recurrimos a las convoluciones 3D cuando la señal diagnóstica está en las correlaciones locales entre bandas (forma del borde rojo, fosas de absorción específicas). Añadimos capas de atención de transformer cuando la señal involucra dependencias espectrales de largo alcance (conectando patrones de clorofila visible con características de agua SWIR separadas por cientos de bandas). La arquitectura se deriva de la física, no al revés.
El activo más valioso en la agricultura espectral es una biblioteca validada en campo de firmas espectrales para los tipos de estrés específicos de su cultivo. Coordinamos la recolección de verdad sobre el terreno (muestreo de tejidos, análisis de laboratorio, correlación espectral) a lo largo de dos temporadas de cultivo para construir una biblioteca que alcance una precisión de clasificación del 92%+ para sus tres o cuatro vectores de estrés de mayor impacto.
Esto no es aprendizaje por transferencia a partir de referencias públicas. Los conjuntos de datos Indian Pines y Pavia University son tareas de clasificación de cobertura del suelo, no diagnóstico de estrés agrícola. Las firmas espectrales varían según el cultivar, la composición del suelo y el clima regional. Una firma de deficiencia de nitrógeno en trigo de Iowa no se transfiere a Punjab sin reentrenamiento.
Sistema integral desde el cubo espectral en bruto hasta el mapa de prescripción VRT. Incluye corrección atmosférica (MODTRAN/6S parametrizada por escena), calibración radiométrica contra paneles de referencia terrestres, corrección geométrica con co-registro subpíxel para análisis temporal, e inferencia de modelos.
El resultado no es un mapa de calor. Es una prescripción en ISO-XML o shapefile que se exporta a John Deere Operations Center (vía la API de Precision Tech) o Climate FieldView, respetando la geometría real de su equipo: ancho del aguilón, espaciado de boquillas, tasas mínimas de aplicación y zonas de compensación de giro.
A partir de enero de 2026, las granjas de la UE deben mantener registros electrónicos de pulverización con coordenadas geoespaciales, actualizados en un plazo de 30 días. El Manejo Integrado de Plagas requiere la aprobación de un agrónomo certificado para las aplicaciones de productos químicos.
Conectamos el diagnóstico espectral con los flujos de trabajo de cumplimiento: el mismo modelo que identifica una firma fúngica en la Zona B genera el registro de justificación del MIP (métodos alternativos evaluados, evidencia espectral de la presencia del patógeno, aplicación recomendada con coordenadas geoespaciales) que satisface la cadena regulatoria. Sus registros de pulverización se convierten en un resultado directo de su sistema de monitoreo, no en un trámite administrativo aparte.
Desde los fotones en bruto hasta el mapa de prescripción. Esta es la secuencia que ve su agrónomo, y el procesamiento que ocurre detrás de cada paso.
Satélite (Pixxel Firefly a 5.4m de GSD para cobertura amplia, o Planet Tanager-1 para análisis que incluya SWIR) o dron (Headwall Nano-Hyperspec para resolución submétrica en bloques de alto valor). Frecuencia de adquisición ajustada a la tasa de crecimiento del cultivo: revisita de 5-7 días durante etapas de crecimiento críticas (maíz V6-R3, envero-cosecha de la uva), 14-21 días durante la latencia.
Este paso consume aproximadamente el 40% del esfuerzo de desarrollo del canal y es donde fallan la mayoría de las soluciones listas para usar. Convertimos la radiancia en el tope de la atmósfera (TOA) a reflectancia de superficie en el fondo de la atmósfera (BOA) usando modelos de transferencia radiativa basados en física (MODTRAN o 6S), parametrizados por escena para el vapor de agua, la profundidad óptica de aerosoles y la geometría solar. Para los datos de dron, calibramos contra paneles de referencia en campo (Spectralon u objetivos grises calibrados) colocados antes de cada vuelo. Sin esta corrección, un modelo aprende las condiciones atmosféricas, no la química del cultivo.
El cubo hiperespectral calibrado alimenta el modelo CNN-3D/transformer específico del cultivo. La etapa frontal convolucional 3D extrae características espectral-espaciales locales (pendiente del borde rojo, profundidades de las fosas de absorción). La etapa final del transformer modela las dependencias espectrales de largo alcance (conectando patrones de pigmento visible con la absorción de agua SWIR). Resultado: clasificación por píxel (sano, deficiente en nitrógeno, con estrés hídrico, patógeno X, patógeno Y) con puntuaciones de confianza y estimaciones de severidad.
El resultado del modelo se convierte en mapas de prescripción VRT a la resolución operativa de su equipo. Un aguilón de 27 metros no se beneficia de una resolución diagnóstica de 1 metro. Agregamos zonas para que coincidan con su maquinaria, calculamos las tasas de aplicación con base en estimaciones de severidad y tablas de consulta agronómica (calibradas durante el desarrollo de la biblioteca), y exportamos como ISO-XML o shapefile a John Deere Operations Center o Climate FieldView.
El monitoreo espectral posterior a la aplicación valida si la prescripción funcionó. Si la Zona B fue diagnosticada como deficiente en nitrógeno y recibió 15 kg/ha de urea, la siguiente pasada de imagen debería mostrar la recuperación del borde rojo en un plazo de 10-14 días. Estos datos de bucle cerrado se retroalimentan en el modelo, mejorando la precisión a lo largo de temporadas de cultivo sucesivas. La biblioteca espectral de enfermedades es un activo vivo que se vuelve más valioso con cada temporada de datos validados.
No vendemos una suscripción SaaS. Construimos un sistema que opera su equipo. Así es como se ve el cronograma de la contratación.
| Fase | Duración | Qué ocurre | Entregable |
|---|---|---|---|
| Descubrimiento | 2-4 semanas | Auditar el stack de monitoreo actual. Identificar las brechas diagnósticas de mayor valor. Seleccionar la fuente de datos (satélite vs. dron vs. híbrido). Definir los tipos de estrés objetivo y el protocolo de recolección de verdad sobre el terreno. | Informe técnico: arquitectura recomendada, fuente de datos, puntos de integración, modelo de costos. |
| Temporada 1: Construcción de la biblioteca | 1 temporada de cultivo | Desplegar sensores. Coordinar la recolección de verdad sobre el terreno (80-150 puntos por vuelo, muestreo de tejidos, análisis de laboratorio). Construir el canal de corrección atmosférica. Entrenar los modelos CNN-3D iniciales. Entregar un borrador de la biblioteca espectral de enfermedades con un 85-90% de precisión. | Modelo diagnóstico funcional. Borrador de la biblioteca espectral. Canal de preprocesamiento ejecutándose en su nube. |
| Temporada 2: Validación | 1 temporada de cultivo | Pruebas del modelo en tiempo real contra nuevas condiciones de campo. Captura de casos límite (estrés mixto, variación del suelo, anomalías climáticas). Integración de prescripciones VRT y calibración del equipo. Elevar la precisión por encima del 92%. | Biblioteca espectral de grado de producción. Canal de prescripción integrado. Equipo de operaciones capacitado. |
| Traspaso + Expansión | Continuo (opcional) | Su equipo opera el sistema de forma independiente. Opcional: expandir a cultivos adicionales, geografías, o migrar de la escala de dron a la satelital a medida que Pixxel Honeybee Zero (SWIR, 2026) entre en funcionamiento. | Todos los modelos, bibliotecas y canales son sus activos propietarios. |
Salvedades: Los cronogramas asumen acceso a los campos durante la temporada de cultivo y la cooperación de su equipo agronómico para la recolección de verdad sobre el terreno. Los costos del muestreo de verdad sobre el terreno ($50-200 por punto) corren a cargo del cliente o se incluyen en el alcance de la contratación. Los costos de licencia de datos satelitales (Pixxel, Planet) son aparte.
Responda seis preguntas sobre su operación. La evaluación identifica dónde el monitoreo hiperespectral añade valor sobre su configuración actual y qué requisitos previos necesita antes de invertir.
La respuesta corta: el multiespectral le dice que algo anda mal; el hiperespectral le dice qué anda mal y qué hacer al respecto.
La respuesta más larga tiene que ver con cómo el NDVI comprime todo el espectro rojo y NIR en una sola proporción. Esa proporción se correlaciona con el verdor del dosel, pero se satura en doseles densos (por encima de un índice de área foliar (LAI) de 3-4, el NDVI se aplana y deja de distinguir entre «sano» y «muy sano») y no puede diferenciar los tipos de estrés porque la deficiencia de nitrógeno, el estrés hídrico y la infección fúngica temprana reducen todos el NDVI.
La información diagnóstica reside en características espectrales estrechas que los índices de banda ancha promedian y eliminan: la posición exacta del punto de inflexión del borde rojo (Red Edge Inflection Point) (que se desplaza 3-5nm hacia el azul bajo estrés de nitrógeno), la profundidad de las características de absorción del agua a 970nm y 1450nm (que se aplanan bajo sequía), y el Índice de Reflectancia Fotoquímica a 531nm (que responde a los cambios del ciclo de las xantofilas durante la colonización temprana por patógenos). Un sensor hiperespectral resuelve estas características. Un sensor multiespectral físicamente no puede, sin importar cuán sofisticada sea la capa de analítica.
La implicación práctica: su monitoreo existente se mantiene. Maneja bien la pregunta de amplia cobertura de «dónde mirar». El hiperespectral añade la capa de «qué es y qué hago» en los campos donde el diagnóstico erróneo le cuesta más.
No necesita su propio acceso satelital. Somos independientes del sensor y construimos sobre cualquier fuente de datos que se ajuste a la economía de su operación y a sus requisitos de revisita.
El árbol de decisión es sencillo. El HSI satelital (Pixxel Firefly vía UP42/SkyFi, o Planet Tanager-1) tiene sentido para carteras de más de 10,000 hectáreas donde el costo de los datos por hectárea debe ser bajo y se puede tolerar una cadencia de revisita de 7-14 días. La limitación actual: Pixxel Firefly cubre solo VNIR (470-900nm), por lo que la detección de estrés hídrico mediante bandas SWIR requiere su próxima constelación Honeybee Zero (prevista para 2026). Tanager-1 cubre VNIR+SWIR completo pero fue diseñado principalmente para el monitoreo de metano y carbono, no para el diagnóstico de cultivos.
El HSI basado en drones (Headwall Nano-Hyperspec, Specim AFX) tiene sentido para cultivos de alto valor de menos de 5,000 acres donde se necesita resolución espacial submétrica y programación de vuelos bajo demanda alineada con las etapas de crecimiento. Los sensores cuestan entre $50K y $150K, pero para viñedos que producen más de $10,000/acre el costo de analítica por vuelo ($15-50/acre) se justifica trivialmente.
Los enfoques híbridos funcionan bien: HSI con drones en sus bloques de mayor valor para el entrenamiento y la validación de modelos, HSI satelital a lo largo de la cartera más amplia para el monitoreo operativo una vez que los modelos están probados. Manejamos todo el stack de preprocesamiento independientemente de la elección del sensor, incluyendo la parametrización de la corrección atmosférica que consume aproximadamente el 40% del esfuerzo de desarrollo del canal.
Una biblioteca espectral de enfermedades validada en campo para un solo cultivo en una sola geografía normalmente requiere dos temporadas de cultivo.
La primera temporada es de recolección: desplegamos sensores hiperespectrales por sus campos a intervalos de 7-10 días, coordinamos con sus agrónomos para recolectar muestras de tejido en cada pasada de imagen (normalmente 80-150 puntos de verdad sobre el terreno por vuelo), y realizamos análisis de laboratorio para correlacionar las firmas espectrales con el contenido real de nitrógeno, la concentración de clorofila, la presencia de patógenos y las mediciones de potencial hídrico. El muestreo de verdad sobre el terreno cuesta entre $50 y $200 por punto, dependiendo del análisis requerido.
Para el final de la primera temporada, tenemos un borrador de la biblioteca espectral con modelos de clasificación iniciales que funcionan con una precisión del 85-90% para los tres o cuatro tipos de estrés más comunes en su cultivo. La segunda temporada es de validación y refinamiento. Probamos los modelos en tiempo real contra nuevas condiciones de campo, añadimos casos límite (estrés mixto, diferentes tipos de suelo, variación espectral relacionada con el clima), y elevamos la precisión por encima del 92% para el despliegue en producción. La biblioteca se convierte en su activo propietario.
Hemos visto que apresurar este proceso, intentar saltarse la validación de la segunda temporada o usar aprendizaje por transferencia a partir de conjuntos de datos hiperespectrales públicos como Indian Pines, produce modelos que funcionan en las referencias pero fallan en sus campos reales porque las firmas espectrales varían significativamente según el cultivar, la composición del suelo y los patrones climáticos regionales.
Sí, y esta integración es donde el valor práctico del monitoreo hiperespectral realmente se materializa. Construimos mapas de prescripción VRT que se exportan como shapefiles o en formato ISO-XML compatibles con John Deere Operations Center (vía la API de Precision Tech, que requiere certificación de socio) y Climate FieldView (vía su marco de conectividad de más de 60 socios).
Los mapas de prescripción tienen en cuenta las restricciones reales de su equipo: ancho del aguilón, espaciado de boquillas, tasas mínimas de aplicación y zonas de compensación de giro. Una falla común en la agricultura de precisión es generar un hermoso mapa de estrés de 1 metro de resolución que luego se aplica a través de un aguilón de pulverización de 27 metros, promediando toda la precisión. Diseñamos las prescripciones a la resolución operativa de su equipo desde el principio.
Para las operaciones de la UE sujetas a los requisitos de «De la granja a la mesa» a partir de enero de 2026, también conectamos las recomendaciones de aplicación basadas en datos espectrales con la generación automatizada de registros electrónicos de pulverización con las coordenadas geoespaciales requeridas, dando a su documentación de MIP un vínculo directo desde el diagnóstico espectral hasta la decisión de aplicación y el registro de cumplimiento.
La estructura de costos tiene tres capas. Primera, la adquisición de datos: el HSI satelital funciona con créditos de tasking por kilómetro cuadrado (Pixxel, Planet) mientras que el HSI con drones cuesta entre $15 y $50 por acre por vuelo, con 6-10 vuelos por temporada. Segunda, el desarrollo de la biblioteca espectral de enfermedades, que es la inversión fundamental de dos temporadas. Tercera, la operación continua del canal (cómputo en la nube, inferencia de modelos), que su equipo ejecuta después del traspaso.
Las cuentas del ROI difieren marcadamente según la economía del cultivo. Para las operaciones de productos básicos, el cálculo se basa en el volumen: prevenir aunque sea el 3% de las pérdidas por enfermedad descritas en la sección del problema anterior se traduce en ahorros significativos por acre, pero el costo de monitoreo por acre debe mantenerse por debajo de $5-8 para que cuadren las cuentas. El HSI satelital a escala alcanza esta cifra. Para los cultivos especializados (viñedos, cítricos, aguacates), el cálculo se invierte: los costos de monitoreo son un error de redondeo frente al valor del cultivo, y el motor del ROI es la preservación de la calidad en lugar del volumen de rendimiento. Un piloto en un viñedo de California mostró una reducción del 22% en el uso de fungicidas manteniendo las puntuaciones de calidad (2025), lo cual importa porque los residuos de fungicidas afectan tanto las calificaciones de calidad del vino como la elegibilidad para la certificación orgánica.
La variable que la mayoría de los compradores subestima es el valor de la especificidad en las prescripciones VRT. Pasar de la aplicación uniforme basada en zonas de suelo al nitrógeno a tasa variable informado espectralmente mejoró las ganancias en un 7.2% en un estudio de trigo de 2025 (164 EUR/ha). Esa ganancia se acumula en cada ciclo de aplicación durante la vida útil del sistema.
Preocupación legítima. Al menos 28 empresas de AgTech cesaron operaciones en 2024-2025, y la inversión de capital de riesgo en el sector cayó un 25.6% solo en 2024 (Agriculture Dive). El patrón es consistente: las startups financiadas con capital de riesgo construyen plataformas propietarias, queman capital adquiriendo clientes por debajo del costo, y quiebran cuando la financiación se agota. Usted pierde el acceso a sus datos, sus modelos y su inversión en integración.
Una contratación de consultoría es estructuralmente diferente en tres aspectos. Primero, construimos sobre infraestructura que usted controla. Sus modelos se ejecutan en su entorno en la nube, sus datos permanecen en sus sistemas, y la biblioteca espectral de enfermedades que desarrollamos es su activo propietario. Si Veriprajna desapareciera mañana, usted conserva todo. Segundo, somos independientes de la fuente de datos. Construimos sobre Pixxel, Planet, Headwall, Specim, o cualquier sensor que se ajuste a su economía. Si Pixxel cambia los precios o Planet descontinúa un producto, migramos su canal a la alternativa. Una startup de plataforma casada con una sola fuente de datos no puede hacer esto. Tercero, la contratación tiene un alcance y un estado final definidos. Entregamos un canal funcional, capacitamos a su equipo para operarlo, y seguimos adelante. Usted no depende de nuestra existencia continua para que el sistema funcione.
El modelo de consultoría cuesta más por adelantado que una suscripción SaaS, pero elimina el riesgo de dependencia de plataforma que ha perjudicado repetidamente a los compradores de AgTech.
La metodología de analítica espectral detrás de esta página de solución se detalla en nuestro whitepaper interactivo.
Arquitecturas CNN-3D y transformer espectral-espacial para la clasificación de imágenes hiperespectrales agrícolas, el análisis del borde rojo y el aprendizaje autosupervisado para conjuntos de datos agronómicos con escasez de etiquetas.
Solo las enfermedades del maíz costaron a los productores estadounidenses 963 millones de bushels en 2024. Un diagnóstico temprano y específico cambia la economía de cada decisión de tratamiento.
Ya sea que esté evaluando el hiperespectral por primera vez o escalando un piloto existente a cobertura satelital, construimos el canal de analítica espectral que conecta los datos del sensor con mapas de prescripción que su equipo puede ejecutar.