Capítulo seis: Inteligencia geoespacial

Capítulo seis: Inteligencia geoespacial

Mensaje del capítulo

Las imágenes y los mapas revelan lo que un solo par de ojos no puede ver desde un punto: la variación del crecimiento dentro de una parcela, la extensión de un rodal encharcado, el avance de una ola de calor y los cambios de la vegetación a lo largo de una campaña. Sin embargo, no explican por sí mismos por qué se produjo una diferencia ni qué acción debería seguir. El color en un mapa es una señal, no un diagnóstico; un píxel es una medición ligada a un momento, a un sensor y a un procesamiento, no una ventana neutra a la realidad.

Una inteligencia geoespacial agrícola sólida empieza por la decisión y elige después la escala, la frecuencia y la plataforma adecuadas. Vincula la información espectral al lugar y al momento, compara la imagen con los registros de riego, meteorología y labores de campo, y ordena una inspección o una muestra antes de pasar a una intervención que puede acarrear coste o consecuencias. Muestra además las zonas con datos ausentes y la incertidumbre, así como los límites de la exactitud, en lugar de ocultarlos bajo colores nítidos que sugieren una certeza que los datos no poseen.

Un mapa maduro no pretende sustituir al agricultor ni al especialista, sino estrechar el área de búsqueda y acelerar el descubrimiento de lo que merece inspección. Cuando el bucle se cierra desde la observación hasta la verificación, de la verificación a la acción y de la acción a la medición del resultado, la inteligencia geoespacial se convierte en una herramienta de aprendizaje y decisión. Si la cadena se detiene en una imagen bonita, en cambio, puede que hayamos cartografiado una posibilidad con precisión sin comprender su causa.

1. ¿Por qué importa el lugar?

Una parcela no se comporta como una superficie uniforme. Una línea de riego puede discurrir cerca de un lado, las propiedades del suelo pueden cambiar en una distancia corta y el estrés hídrico puede aparecer en una ligera elevación mientras el agua se acumula en una hondonada cercana. Una infestación o una avería pueden comenzar en unas pocas líneas y expandirse antes de que sus efectos se aprecien en la media de toda la parcela.

Si la humedad media del suelo es del 24%, la parcela puede parecer en condiciones aceptables. Sin embargo, esa media puede combinar una zona oriental húmeda con un 32% y una zona occidental seca con un 16%. La cifra global es matemáticamente correcta, pero oculta el problema que el agricultor necesita ver. El lugar no es un adorno añadido a los datos; revela que un mismo valor puede describir dos realidades contradictorias. De la media al patrón Los datos espaciales nos permiten formular preguntas que la media no responde:

• ¿Dónde se concentra el descenso o el ascenso?
• ¿Sigue el cambio las líneas de riego, el tipo de suelo, la pendiente o el límite de una operación anterior?
• ¿Es la mancha un caso aislado o forma parte de un patrón extenso?
• ¿El fenómeno se produce dentro de una parcela o atraviesa varias parcelas?
• ¿La ubicación inusual de hoy es la misma que difiere cada campaña?

Saber «dónde» no basta sin saber «cuándo». Un rodal persistentemente débil puede reflejar un suelo somero o un drenaje crónico, mientras que un rodal nuevo puede reflejar una rotura en la red de riego o el inicio de una enfermedad. La comparación temporal distingue una diferencia estructural recurrente de un cambio nuevo que exige una visita urgente.

Toda observación espacial puede entenderse como una combinación de cuatro elementos:

Propiedad medida + lugar especificado + momento especificado + escala conocida.

Si falta alguno de ellos, la comparabilidad se debilita. Una lectura de humedad sin profundidad no representa la capa medida; una imagen sin fecha no revela la fase de la campaña; y un mapa sin escala puede tentarnos a ver detalles menores de los que los datos pueden sostener. La escala sigue a la decisión La pregunta no es «¿cuál es la imagen de mayor resolución que podemos comprar?», sino «¿cuál es el detalle más pequeño que exige la decisión?». Estimar la superficie cultivada en una región depende más de una cobertura amplia y de una frecuencia de revisita adecuada que de ver cada planta. Detectar, en cambio, una línea de riego averiada o contar los huecos dentro de las líneas de cultivo exige un detalle más fino y un reconocimiento local.

La tabla muestra cómo cambia la escala apropiada según la decisión:

Un mayor detalle suele aumentar el volumen de datos y el coste de almacenamiento, transferencia y procesamiento, y puede reducir la superficie cubierta o la rapidez de las revisitas. La imagen más detallada puede requerir un vuelo específico, permisos y un procesamiento prolongado, mientras que una imagen menos detallada puede llegar cuando todavía es posible actuar. El tamaño del píxel no es lo mismo que la exactitud posicional Un píxel puede medir un metro de ancho mientras la imagen está desplazada varios metros; el fenómeno de interés puede ser demasiado pequeño para aparecer con claridad; o el píxel puede mezclar planta, suelo y sombra. Por tanto, no debe equipararse un píxel pequeño con una decisión exacta.

Tampoco una línea dibujada en un mapa convierte un límite en cierto. El límite de una parcela puede proceder de un teléfono móvil, de un mapa antiguo o de un croquis a mano alzada, cada uno con un nivel de incertidumbre distinto. Esa diferencia importa cuando el límite se usa para guiar maquinaria o calcular un derecho económico. El lugar orienta la inspección; no la sustituye El valor práctico de un mapa reside en que reduce el área de búsqueda. En lugar de recorrer toda la parcela sin guía, se puede dirigir a un trabajador a puntos que representen el centro y el borde del cambio y a una zona de comparación no afectada. Esos puntos no deben limitarse a los emplazamientos más fáciles o más próximos al camino, pues la inspección se limitaría a confirmar lo ya visible en lugar de poner a prueba lo que sigue siendo desconocido.

En este sentido, la inteligencia geoespacial no dice: «La parcela tiene sed». Dice: «Esta zona difiere de su patrón habitual y de las zonas vecinas; conviene inspeccionar primero estas ubicaciones». La distancia entre esos dos enunciados es la distancia entre un seguimiento responsable y un diagnóstico prematuro.

Para elegir el seguimiento apropiado, necesitamos comprender qué puede ver cada plataforma, cuánto abarca, con qué frecuencia mide y qué limitaciones tiene.

2. Plataformas de observación: ningún ojo por sí solo basta

Una parcela puede observarse mediante satélite, dron, sensor de suelo, cámara de teléfono móvil o una máquina que opera durante la siembra o la cosecha. Estas plataformas no compiten por el título de «la mejor»; cada una ve una parte de la realidad, a una escala, un momento y un coste distintos.

Las revisiones sobre digitalización y aplicaciones de detección ofrecen un panorama amplio de la diversidad de plataformas y tareas agrícolas [SRC001][SRC002][SRC035]. Pero la amplitud de usos no significa que toda plataforma sea adecuada para cualquier cultivo o decisión. La elección parte de la pregunta agrícola, después de las consecuencias del retraso y del error, y de la capacidad de la explotación para operar, mantener y acceder a los datos.

Satélite: amplitud e historial temporal La fortaleza de un satélite reside en que observa grandes superficies de forma coherente y permite comparar un lugar en múltiples fechas. Esto lo hace útil para detectar patrones amplios o seguir el cambio estacional. Pero no siempre está presente cuando se le necesita: las nubes pueden cubrir la parcela, el satélite puede pasar entre dos episodios de evolución rápida, o los píxeles pueden ser mayores que el elemento que se pretende detectar.

Además, una cobertura uniforme no significa que toda imagen sea válida. Los productos deben examinarse en cuanto a nubes, sombras, calidad del registro espacial, ángulo de observación y procesamiento. Un registro largo de imágenes de detalle moderado puede resultar más útil que una única imagen de gran detalle, porque la pregunta se refiere a la trayectoria del cambio, no a un instante aislado. Dron: detalle local en un momento elegido El dron permite al operador escoger el día de vuelo, la altitud y la ruta deseada, y puede portar una cámara visual, multiespectral o térmica. Pero requiere un plan de vuelo, una iluminación adecuada, un solape suficiente entre imágenes y tiempo para convertir cientos de tomas en un mosaico medible.

Un producto puede ser visualmente hermoso y, aun así, no ser apto para la comparación si la altitud, la cámara, la iluminación o el manejo cambian entre dos vuelos. Por eso, el dron se trata como un instrumento de medición que necesita un protocolo, y no como una simple cámara elevada. Sensor en tierra: profundidad en el tiempo y estrechez en el espacio El sensor puede enviar una lectura cada pocos minutos y detectar un cambio que una imagen que pasa una vez cada pocos días no ve. Pero mide un punto o un pequeño volumen a su alrededor, y puede no representar la parcela entera. Si se coloca cerca de un punto de agua o de un camino porque es lo más fácil de instalar, puede ofrecer un registro exacto de una ubicación no representativa.

Por ello, las ubicaciones de los sensores se seleccionan atendiendo a los distintos suelos, relieves y zonas de manejo, y se revisan su calibración y su ubicación real. Una lectura repetida no se convierte en una verdad espacial completa por el simple hecho de acumular muchos instantes en el tiempo. Teléfono: un ojo humano cerca de la acción La imagen de un teléfono móvil conecta la tecnología con la experiencia de quien está en el campo. Un trabajador puede fotografiar el síntoma, anotar lo que observó y precisar su ubicación. Aun así, la imagen refleja la selección del usuario: puede mostrar la peor hoja o la planta más nítida y, por tanto, no representar la prevalencia. La cámara, la iluminación, la distancia y el fondo también varían.

El valor puede mejorarse con un protocolo sencillo: imágenes desde ángulos y distancias determinados, con una toma del contexto general, registrando parcela, línea y hora, y sin convertir una única imagen en una estimación de la prevalencia del fenómeno. Datos de los equipos: medición en plena operación Las máquinas de siembra, pulverización y cosecha generan datos directamente relacionados con el proceso. Un mapa de rendimiento puede revelar un patrón que se repite o mostrar dónde ha cambiado la dosis de aplicación. Pero estos mapas se ven afectados por la calibración, el retardo del flujo de material, la velocidad de la máquina, la anchura de trabajo, los errores de posicionamiento y las paradas y giros en los bordes.

Los datos necesitan, por tanto, una depuración documentada y reglas claras, conservando al mismo tiempo los valores brutos. Los agricultores también necesitan saber si pueden descargar los datos de la máquina en un formato abierto, quién tiene derecho a usarlos y qué ocurre si cambian de proveedor. La integración vale más que una sola plataforma El mayor valor surge cuando cada plataforma desempeña el papel que mejor realiza:

1. El satélite revela un sector que se ha apartado de su patrón habitual.
2. Las fotografías de aeronave o de teléfono acotan el área de examen.
3. El sensor o el operario mide el estado del suelo y de la planta en puntos representativos.
4. Se revisan los registros de riego, meteorología y operaciones para explicar la posible causa.
5. Se ejecuta una actuación acotada y controlada.
6. Se repite la medición para ver si el estado ha cambiado como esperábamos.

Esta integración no significa recoger todos los datos posibles. La plataforma adicional compensa su coste cuando reduce la ambigüedad en la decisión. Si una visita al campo resulta más rápida y barata que un vuelo privado, puede ser la mejor opción. Si la pregunta es regional, una fotografía de teléfono puede no aportar nada a la cobertura buscada.

Pero las fotografías, sea cual sea su origen, no registran directamente la «salud de la planta». Registran la luz reflejada o la energía emitida, y después el procesamiento convierte esa señal en indicadores. Comprender este recorrido es esencial para que el indicador no se transforme en un diagnóstico.

3. De la radiación al índice: ¿qué ve realmente el sensor?

Cuando una persona mira una planta, el color, la forma, la textura, el contexto y la experiencia se combinan en una sola impresión. El sensor registra la cantidad de energía reflejada o emitida en rangos determinados. Algunas de esas bandas son visibles para el ojo, y otras quedan fuera de la visión humana, como partes del infrarrojo.

Esta señal no llega al mapa directamente. Atraviesa un recorrido de corrección, alineación y cálculo, y el error puede introducirse en cualquier etapa. Por ello conviene distinguir cuatro niveles:

Realidad agrícola → la señal que llegó al sensor → la imagen corregida → el índice o la capa derivada.

Cada nivel añade interpretación y supuestos. El indicador final no es la planta en sí, sino un método de cálculo que resume una relación entre bandas espectrales, temperaturas u otras características. ¿Qué afecta a la señal? La energía registrada puede variar debido a:

• La cantidad y densidad de la cubierta vegetal.
• El estado de las hojas, su contenido de agua y su estructura.
• El suelo visible, su color y su humedad.
• Las sombras, la orientación de las líneas y el ángulo solar.
• Las nubes, el polvo y el vapor de agua de la atmósfera.
• El ángulo de visión del sensor y la altura de la plataforma.
• El tipo de cámara, su respuesta y su calibración.
• El momento de la toma y el estado de crecimiento del cultivo.

Por tanto, un descenso en un índice de vegetación puede tener varias explicaciones: sed, enfermedad, falta de cobertura, germinación retrasada, suelo visible, sombra, diferencia de variedad o un error de registro entre dos fechas. El color por sí solo no puede elegir la razón correcta. Corrección antes del cálculo Según la plataforma y la finalidad, la imagen necesita operaciones como:

• Corrección geométrica: situar cada píxel en su ubicación correcta y ajustar las imágenes a lo largo del tiempo.
• Corrección radiométrica: convertir los valores de la cámara en mediciones que puedan compararse entre imágenes con mayor rigor.
• Corrección atmosférica: reducir el efecto de la atmósfera en imágenes lejanas cuando sea necesario.
• Eliminación de nubes y sombras: evita que las zonas ocultas entren en el análisis como vegetación débil.
• Calibración entre vuelos: reduce el efecto del cambio de luz o de la configuración de la cámara en las imágenes de dron.

Si se comparan dos imágenes que no están bien alineadas, el límite de la parcela o de la línea puede parecer que ha cambiado. Si la luz cambia entre dos salidas sin calibración, la planta puede parecer más débil o más vigorosa aunque su estado no haya variado. Por eso no basta con aplicar una ecuación de índice a la imagen bruta y después colorearla. El indicador es un sustituto, no la propiedad en sí Los índices se emplean porque comprimen la información espectral en un valor que facilita la comparación. Un indicador puede guardar relación con la densidad de la cubierta o con la actividad vegetal en ciertas condiciones, y una capa térmica puede ayudar a detectar zonas cuya temperatura varía. Pero la relación no es una igualdad.

El índice puede interpretarse así:

«Esta señal se asocia muy probablemente a esta característica en estas condiciones».

Y no de esta forma:

«Este valor establece la causa agrícola».

Algunos índices pueden saturarse cuando la cubierta vegetal se vuelve densa y pierden la capacidad de distinguir entre valores altos. Al comienzo de la campaña, el suelo y el fondo pueden influir en ellos. La temperatura de la cubierta también se ve afectada por el agua, el aire, el viento, la hora del día y la estructura de la planta; no todo punto caliente es evidencia de estrés hídrico. Los píxeles pueden ser una mezcla Si un píxel es mayor que una línea o un rodal, puede combinar planta, suelo, agua y sombra en un único valor. En la práctica, esto se denomina píxel mixto, y no representa un elemento puro. Su repercusión aumenta en los bordes, en las parcelas pequeñas y en los mosaicos agrícolas complejos.

Por ello no deben trazarse límites nítidos alrededor de zonas de manejo menores que la capacidad de separación de la imagen. Puede ser preferible mostrar una zona de transición o una banda de confianza en lugar de una línea que sugiera que la diferencia se detiene en un metro concreto. Una ficha de identificación para cada mapa Cada mapa o capa derivada necesita una ficha que indique:

• Fecha y hora de la captura.
• Plataforma y sensor.
• Tamaño del píxel y resolución aproximada del emplazamiento.
• Porcentaje de retirada o zona bloqueada.
• Correcciones y calibraciones aplicadas.
• El indicador o algoritmo y su versión.
• El sistema de coordenadas utilizado.
• La unidad o el rango de valores de la capa.
• Datos ausentes y zonas excluidas.
• Ámbito de validez y límites de interpretación.
• La fuente y quién revisó el producto.

Lo esencial puede mostrarse al agricultor en un lenguaje más sencillo:

Fecha de la imagen: 12 de agosto, 10:15 h Cobertura: 92% de la parcela; la parte norte está oculta por nubes Lo que muestra el mapa: zonas de cambio en la vegetación Lo que no demuestra: no determina el motivo del cambio Actuación sugerida: comprobar tres puntos antes de cualquier tratamiento

Una imagen sin historial, procesamiento, resolución y límites no es un producto de resolución, por muy hermosa que resulte visualmente. Para comprender de verdad qué significa «resolución», hay que desglosarla en varias dimensiones en lugar de reducirla a metros por píxel.

4. La resolución en sus cuatro dimensiones

La descripción «imagen de alta resolución» se emplea a menudo como un juicio completo sobre la calidad de un producto. Pero la resolución espacial es solo una dimensión. La imagen puede ser muy detallada y, aun así, ser antigua, no distinguir el rango espectral que la pregunta requiere, o no poder diferenciar entre pequeños cambios de la señal.

La capacidad de una plataforma de observación se comprende a través de cuatro dimensiones principales:

Resolución espacial: ¿qué tamaño tiene lo que vemos? Si el tamaño del píxel es de diez metros, resume una superficie de terreno relativamente grande y puede abarcar más de un tipo de cubierta. Si es de varios centímetros, pueden verse líneas, hojas y pequeños detalles. Ahora bien, los píxeles más pequeños aumentan el tamaño de los datos, pueden reducir la superficie cubierta e incrementan la sensibilidad del producto a las sombras, al movimiento y al contraste dentro de la planta.

También hay que distinguir el tamaño del píxel de la exactitud posicional. Una imagen puede tener píxeles pequeños y, sin embargo, estar desplazada espacialmente por un posicionamiento deficiente o por la falta de puntos de control. Podemos entonces ver el detalle sin conocer su ubicación con la precisión suficiente para guiar una máquina o comparar un vuelo con otro. Exactitud temporal: ¿llegó la información en el momento adecuado? Algunos fenómenos evolucionan despacio, como un cambio a largo plazo en la cubierta o en la estructura del drenaje, mientras que otros cambian en horas o días, como el estrés térmico, una avería del riego o el desarrollo de una enfermedad. Una imagen excelente que llegó después del final de la ventana de actuación puede ser útil para la documentación, pero es débil para decidir de inmediato.

El periodo teórico de revisita no significa que vaya a disponerse de una imagen válida en todas las ocasiones. El retraso, la calidad de la captura y la demora del procesamiento pueden reducir la frecuencia real. Por ello, la frecuencia se mide por los productos válidos que llegaron en el momento requerido, y no solo por el número de pasadas de la plataforma. Resolución espectral: ¿qué partes de la luz captamos? Una cámara corriente registra bandas visibles, mientras que otros sensores añaden bandas que pueden relacionarse con la estructura de la planta, el agua o la temperatura. Aumentar el número de bandas puede ampliar lo que es posible analizar, pero exige calibración, interpretación y datos de verificación. Un mapa no se vuelve agronómicamente más exacto por el mero hecho de que la cámara sea más cara o lleve más bandas.

La pregunta es: ¿las bandas utilizadas añaden información que ayude a la decisión, y se ha demostrado su relación con la característica en este cultivo, esta fase y este entorno? Resolución radiométrica: ¿reconocemos las pequeñas diferencias? La resolución radiométrica describe la capacidad de un sensor para registrar pequeñas diferencias en la señal. Dos dispositivos pueden tener el mismo tamaño de píxel y, sin embargo, uno distinguir diferencias más finas de brillo o de temperatura. Una mayor sensibilidad, no obstante, exige calibración y estabilidad; de lo contrario, el dispositivo puede registrar ruido o cambios de luz como diferencias reales. Contrapartidas entre dimensiones No siempre es posible maximizar las cuatro dimensiones a la vez dentro del coste y el tiempo disponibles. Un dron puede proporcionar un detalle espacial fino a demanda, pero cubre una superficie limitada y requiere un operador. Un satélite puede aportar una serie temporal extensa, pero las nubes o el tamaño del píxel limitan algunas misiones. Un sensor en tierra puede informar con mucha frecuencia, pero solo en un único punto pequeño.

Así pues, el equipo fija un umbral mínimo para cada dimensión en función de la decisión:

¿Cuál es la mancha más pequeña que debe detectarse? ¿Cuánto cambia la situación antes de que necesitemos una nueva medición? ¿Qué bandas se necesitan? ¿Cuál es la diferencia más pequeña que tiene significado agronómico? ¿Cuánto error de ubicación puede tolerar la decisión?

Una imagen menos detallada recibida hoy puede ser más útil que una imagen más precisa tomada hace una semana, y un único sensor que mide con frecuencia puede resultar más útil para vigilar una instalación pequeña que un reconocimiento aéreo espaciado. «La mejor imagen» no es una característica fija de un producto; es la imagen que satisface los requisitos de resolución con la menor ambigüedad y el menor coste aceptables.

Elegir la resolución apropiada no establece que la interpretación sea correcta. Debemos volver al campo y medir qué significa la señal en ubicaciones que representen genuinamente la diferencia.

5. Verificación en campo y diseño del muestreo

La expresión «verdad de campo» se emplea para describir las mediciones y observaciones recogidas en la parcela con el fin de comparar lo que la imagen o el mapa infieren. Sin embargo, el nombre puede sugerir una certeza absoluta que no siempre está disponible. La medición de laboratorio tiene error, el sensor de referencia necesita calibración y la estimación de la severidad de una enfermedad puede variar entre evaluadores. Por ello, es más exacto hablar de una referencia de campo verificada: la mejor medición disponible de la propiedad, tomada de una manera conocida y en un lugar y momento conocidos.

Si el mapa muestra un sector diferente, no basta con que el trabajador visite el punto más cercano y confirme que la planta parece débil. Necesitamos una muestra que represente los centros del cambio, sus límites y las zonas sanas, y un protocolo que explique qué se va a medir, cómo y cuándo. De lo contrario, la visita se convierte en un testimonio del color que vimos, y no en una prueba independiente de su interpretación. Verificamos la propiedad que la decisión necesita El tipo de referencia de campo depende de la pregunta:

Si el mapa ha de orientar el riego, debe compararse con una medición relacionada con el agua y la zona radicular, no con una estimación general del vigor del verde. Si va a emplearse para evaluar una enfermedad, la referencia debe ser un diagnóstico adecuado, y no solo un síntoma que puede tener múltiples causas. La muestra no se recoge en los emplazamientos más fáciles Los equipos de campo tienden por naturaleza a los puntos próximos al camino, a la entrada de la parcela o a las zonas por las que es seguro caminar. Pero esos emplazamientos pueden diferir del resto de la parcela, pueden recibir mejor atención o tener suelos de borde distintos. Si las muestras se recogen únicamente en ellos, el modelo aprende la accesibilidad en lugar del fenómeno.

El muestreo se diseña para incluir, según la pregunta:

• Distintos tipos de suelo o zonas de manejo.
• Varios grados de la condición: aceptable, moderado y grave.
• El centro de la mancha, sus bordes y el exterior.
• Zonas altas y bajas si influye el relieve.
• Profundidades de medición adecuadas a las raíces.
• Distintas variedades o estados de crecimiento cuando existan.
• Emplazamientos no utilizados en la construcción del modelo.
• Puntos que puedan volver a visitarse para hacer el seguimiento del cambio.

Puede emplearse para dividir la parcela en estratos y seleccionar después puntos de cada estrato, en lugar de distribuir los puntos aleatoriamente sin garantizar la representación de los casos raros. También pueden añadirse puntos aleatorios dentro de cada capa para que el equipo no elija únicamente ubicaciones que confirmen su predicción. El tiempo forma parte de la muestra Pueden transcurrir horas o días entre la toma de la imagen y la visita a campo. Durante ese periodo pueden producirse riegos, lluvias, tratamientos o un cambio meteorológico. Si no se registran la diferencia temporal y las operaciones ocurridas, podemos comparar dos casos distintos y atribuir después la diferencia a un error del mapa.

Es preferible que la referencia sea próxima al momento de la observación, en función de la rapidez del fenómeno. Se registran:

• Hora y fecha de la imagen.
• Hora y fecha de la medición en campo.
• Riego, lluvia y operaciones intermedias.
• Condiciones meteorológicas y de iluminación durante la observación.
• Si cambió el estado de la planta o se produjo una intervención.

La calidad, ídem La medición en campo no se trata como infalible. Cada registro conserva:

• Instrumento y método de medición.
• Calibración y límite de detección cuando proceda.
• Profundidad o parte de la planta medida.
• El número de repeticiones y el método para resumirlas.
• La persona o el laboratorio que realizó la medición.
• Estado de calidad y cualquier incidencia de campo.
• Exactitud de la ubicación.

Cuando la observación la realizan personas, los evaluadores necesitan definiciones, fotografías de referencia y formación. Puede medirse su concordancia sobre una muestra común y examinarse los casos de discrepancia. Las diferencias entre evaluadores no deben ocultarse; pueden revelar que la propia clase necesita una definición más precisa o que el fenómeno es gradual y se resiste a un límite nítido. Separar entrenamiento y prueba en el espacio y en el tiempo Un error frecuente consiste en dividir aleatoriamente los puntos entre entrenamiento y prueba, de modo que puntos muy próximos quedan en ambos grupos. Como los emplazamientos cercanos comparten suelo, meteorología y manejo, el modelo puede parecer perfecto cuando en realidad está reconociendo las características de un lugar conocido, no una base que se traslada a un lugar nuevo.

Para minimizar esta fuga, la prueba se separa en una unidad espacial con sentido: una franja independiente, otra parcela u otra explotación, según la afirmación que se pretenda sostener. Si el objetivo es utilizar el modelo en una campaña futura, la prueba debería incluir también un periodo temporal y no basarse íntegramente en la propia campaña.

La pregunta no es «¿predice el modelo los puntos que ocultó aleatoriamente?», sino «¿funciona a la distancia y en la campaña en las que le pedimos que funcione?». Incertidumbre espacial Los bordes de las manchas no son siempre líneas finas. El estrés puede escalonarse a lo largo de varios metros, su posición puede desplazarse con el tiempo y la resolución de la imagen puede diferir de la de un dispositivo GPS. Por eso el mapa debería mostrar una puntuación de confianza o una zona de transición, y no límites nítidos que sugieran que toda planta dentro del polígono está afectada y toda planta fuera está sana.

El agricultor puede ver un resumen como este:

Superficie de cambio relativamente confirmada: Unas 0.8 hectáreas Zona de borde que requiere examen: Unas 0.3 hectáreas Referencia de campo: Cinco puntos dentro del cambio y tres fuera de él Lo que se estableció: Menor humedad en dos puntos cerca del final de la línea Lo que no se estableció: No hay evidencia suficiente de enfermedad

La verificación en campo no es una etapa final que se realiza una sola vez para declarar válido un modelo; es un bucle de aprendizaje. Cada visita añade algo a nuestra comprensión de la relación entre la señal y el contexto, y puede revelar que un mapa captó un cambio real cuya causa difiere de lo que esperábamos. Esto conduce a una regla central: la detección del cambio no es el diagnóstico de la causa.

6. La detección del cambio no es el diagnóstico de la causa

La fortaleza de las series temporales reside en que permiten comparar un lugar consigo mismo. Un sector de una parcela puede ser menos verde que el resto en cada campaña por el tipo de suelo, de modo que su diferencia actual no representa un suceso nuevo. Por el contrario, el sector puede parecer próximo a la media de la parcela y, sin embargo, desviarse claramente de su patrón habitual en los últimos días. Una comparación temporal revela esa desviación antes de que la diferencia se vuelva marcada.

Pero la detección responde a una pregunta: ¿cambió la señal más de lo que cabría esperar del ruido y de la fluctuación natural? Por sí sola no responde a la pregunta: ¿cuál es la razón?

Un cambio real puede deberse a:

• Falta o exceso de agua.
• Avería o discrepancia en la red de riego.
• Enfermedad, plaga o daño mecánico.
• Falta de cobertura o germinación retrasada.
• Diferencia de variedad o de fecha de siembra.
• La operación de cosecha, poda o tratamiento.
• Encamado o daños tras vientos fuertes.
• Cambio en el suelo o en el drenaje.

El cambio aparente puede no ser agrícola en absoluto: una nube, una sombra, un ángulo de toma distinto, un error en la alineación de las dos imágenes o un cambio en la calibración del sensor. Un itinerario del indicio a la acción La siguiente vía refleja la cadena que va de la detección, los datos y el contexto a la decisión y la acción, subrayada por la revisión sobre digitalización [SRC035]:

1. Establecer una línea de base: ¿cuál es el patrón típico del emplazamiento en este punto de la campaña?
2. Detectar el cambio más allá del ruido: ¿es la diferencia mayor que la volatilidad esperada y el error de medición?
3. Comprobación de la calidad de la imagen: ¿hay nubes, sombras, zonas ausentes o distorsión espacial?
4. Revisión del contexto: ¿qué ocurrió con la meteorología, el riego, la fertilización, los tratamientos y las operaciones?
5. Comparación con otras fuentes: ¿respalda una lectura de campo u otra imagen la misma tendencia?
6. Dirigir un muestreo o una visita: elegir puntos que representen el centro, el borde y la zona intacta.
7. Construir una explicación contrastable: identificar una o más causas e indicar el grado de confianza.
8. Ejecución de una actuación limitada y adecuada: una reparación, una inspección adicional o un tratamiento tras la verificación.
9. Medir el resultado: ¿cambió la situación tras la acción como esperábamos?
10. Actualizar el modelo y el registro: guardar lo aprendido y lo que sigue siendo desconocido.

No todos los casos requieren todos los pasos con la misma profundidad, pero omitir el contexto y la verificación resulta más peligroso cuanto mayor es el coste de la intervención. Una buena alerta describe lo que sabe En lugar de emitir un aviso, el sistema dice:

«Enfermedad en el sector occidental»

El sistema puede decir:

«El índice de vegetación en el sector occidental ha disminuido más de su variación habitual, y la imagen está libre de nubes en esta ubicación. No hay causa confirmada. Se recomienda comprobar tres puntos y revisar el historial de riego antes de aplicar un tratamiento».

La segunda formulación es más larga, pero separa la medición de la interpretación, explica qué se ha excluido y qué sigue siendo desconocido, y sugiere un paso que podría darse. La línea de base no es siempre constante El patrón natural cambia con el estado de crecimiento, la variedad y la meteorología. No es admisible comparar el inicio de la campaña con el pico de cobertura sin tener en cuenta el desarrollo esperado. Una parcela puede diferir en un año seco respecto a un año húmedo sin que ninguno de los dos sea «anómalo» en el mismo sentido.

Así pues, la línea de base podría ser:

• El historial del mismo emplazamiento en un estado de crecimiento similar.
• Sectores similares dentro de la parcela.
• Parcelas de referencia con rendimiento y manejo similares.
• Un modelo que prediga el rango normal en función de la meteorología y del estado.

El sistema muestra qué línea de base se utilizó, porque la elección de la referencia cambia lo que cuenta como cambio. Medir el valor de la detección Un porcentaje aislado de exactitud de clasificación no basta para evaluar el sistema. Medimos el efecto de la cadena:

• ¿Cuánto tiempo se adelanta la alerta a la aparición del problema por la vía tradicional?
• ¿Cuántas visitas o muestras aportó o añadió el mapa?
• ¿Qué porcentaje de alertas condujo a una causa sobre la que se podía actuar?
• ¿Cuántas veces han llevado las falsas alarmas a una visita o a un tratamiento innecesarios?
• ¿Ha mejorado la rapidez de reparación, se ha reducido el desperdicio o se ha utilizado mejor el agua?
• ¿Cuál es el coste total del seguimiento, la verificación y la acción?

Puede que un sistema sea menos exacto al clasificar la causa y, sin embargo, mejor a la hora de orientar la investigación, porque revela la incertidumbre y no induce a una intervención temprana no probada.

La teledetección se convierte así en una herramienta de cribado y aprendizaje: identifica dónde y cuándo mirar, mientras que la explicación del porqué surge de combinar la imagen con el contexto y la medición en campo. Esta responsabilidad aumenta cuando la plataforma de observación es un dron cuyo momento y ruta elige el operador, o cuando un dron pasa de captar imágenes a ejecutar una acción.

7. Drones: flexibilidad y responsabilidad operativa

Un dron proporciona a la explotación un ojo local que puede desplegarse en el momento y el lugar requeridos. Puede fotografiar las líneas de cultivo con gran detalle, repetir la misma ruta tras una tormenta o una reparación del sistema de riego, y portar una cámara de luz visible, multiespectral o térmica. Sin embargo, su flexibilidad no elimina las condiciones de la medición; traslada buena parte de la responsabilidad sobre la calidad a la planificación de la misión.

Un dron puede volar con éxito y regresar con miles de imágenes y, aun así, la misión puede fracasar científicamente porque el solape fue insuficiente, la luz cambió durante el vuelo, las hojas se movieron con el viento o no se empleó ninguna calibración que respaldase la comparación con un vuelo anterior. Un vuelo exitoso no equivale a un producto de datos exitoso. Antes de despegar: el producto empieza por la pregunta El plan de misión especifica:

• La decisión o el fenómeno que queremos respaldar.
• La superficie, sus límites y las zonas prohibidas.
• El tamaño de detalle requerido.
• El tipo de sensor y los rangos necesarios.
• Altura, velocidad y solape entre imágenes.
• Hora del día, luz y condiciones de viento.
• Puntos de ajuste o método para mejorar la exactitud de la ubicación cuando se requiera.
• Planificación de baterías y retornos seguros.
• Qué mediciones en campo se recogerán simultáneamente.
• Qué aprobaciones y restricciones locales se exigen.

Si el objetivo es comparar dos vuelos, regístrense las condiciones de captura en la medida de lo posible: ruta, altitud, cámara, hora y método de procesamiento. No toda variación puede eliminarse, pero documentarla evita que se interprete como un cambio en la planta. De las fotografías a los mosaicos Un dron capta imágenes solapadas que el software combina después en un único mosaico. Pueden aparecer errores sobre superficies en movimiento, plantas que se balancean o zonas de textura repetitiva. Los límites también pueden desplazarse, o los elementos duplicarse, cuando el emparejamiento es deficiente.

Los mosaicos se examinan antes del análisis:

• ¿Cubre toda la parcela?
• ¿Hay lagunas o distorsiones?
• ¿Son idénticas las líneas y los objetos fijos en su ubicación?
• ¿Cambió el brillo entre partes del vuelo?
• ¿Puede compararse el producto con un vuelo anterior?
• ¿Qué magnitud de error de ubicación cabe esperar?

Las zonas de mala calidad no deben ocultarse mediante una interpolación no señalada; deberían mostrarse como datos incompletos o de baja calidad. Imágenes térmicas y multiespectrales Una cámara térmica puede ayudar a ver diferencias de temperatura en la cubierta vegetal o en el suelo, pero se ve afectada por la hora del día, el viento, la humedad, el ángulo y los distintos materiales dentro del píxel. La temperatura de la superficie del suelo puede ser más alta que la de la planta, de modo que la media cambia con el porcentaje de cobertura. Por tanto, la lectura exige calibración, contexto y referencia de campo.

Las cámaras multiespectrales añaden bandas que ayudan a calcular índices, pero no convierten un dron en un laboratorio de enfermedades o de nutrientes. El índice orienta la inspección; la causa sigue requiriendo una medición adecuada. Ley, privacidad y vecindario Los drones están sujetos a normativas que varían según el país, la ubicación y el tipo de operación. Por ello, antes de operar deben revisarse localmente los requisitos de registro, permisos, altitud, zonas restringidas, vuelo dentro del alcance visual, seguridad y privacidad. Una norma de un país no debe trasladarse a otro como un hecho universal.

El recorrido puede captar viviendas, trabajadores, parcelas vecinas o carreteras. Se fijan límites, se reduce la captación innecesaria de imágenes y se establecen los permisos de acceso y los plazos de conservación. La aprobación del propietario de una parcela no otorga el derecho a fotografiar todo lo que la rodea sin límites. Cuando el dron pasa de ser un ojo a ser una mano En la captación de imágenes, el dron produce datos. Al pulverizar, dispersar una sustancia o liberar un agente biológico, ejecuta una acción física. Los requisitos de seguridad aumentan en consecuencia, porque un error puede alcanzar a personas, animales, agua y cultivos vecinos.

La operación requiere revisión:

• Idoneidad del producto y de su uso para el cultivo y la ubicación conforme a los requisitos locales.
• Carga, caudal y calibración.
• Tamaño de gota, altura, velocidad, viento y probabilidad de deriva.
• Límites de aproximación a personas, animales, agua y viviendas.
• Trayectoria y zonas de exclusión.
• Plan ante fallo, aterrizaje de emergencia y pérdida de conexión.
• Registro del vuelo, del producto, de la cantidad y del operador.
• Posibilidad de parada inmediata y retorno seguro.

El éxito del algoritmo de planificación de la trayectoria no demuestra que la aplicación sea segura ni agronómicamente eficaz. La trayectoria es parte de un sistema que incluye el producto, la meteorología, la máquina, el operador, la ley y la verificación posterior a la ejecución. ¿Qué ve el agricultor? La misión de vuelo puede resumirse en una ficha práctica:

Objetivo del vuelo: Identificar zonas débiles dentro de la parcela de tomate Fecha de la captación: 12 de agosto, 10:10–10:28 h Cobertura válida: 96% de la parcela Incidencia de calidad: Sombras intensas en el borde occidental Resultado: Dos zonas requieren inspección; no hay diagnóstico automático Paso siguiente: Visitar cuatro puntos antes de cualquier tratamiento

Una aeronave es una herramienta potente cuando su operación está controlada y sus límites se hacen explícitos. Pero opera sobre una tierra que tiene límites, derechos y usos que pueden no coincidir con la línea dibujada en la pantalla. Por ello, la inteligencia espacial exige gobernanza de los límites y privacidad del lugar.

8. Cartografía de límites y derechos espaciales

Dibujar el límite de una parcela parece una tarea sencilla: se unen unos puntos con una línea y se calcula después un polígono. Pero esa línea puede entrar más adelante en el cálculo de la superficie y del rendimiento, en el guiado de una máquina, en la evaluación de un seguro, en la asignación de ayudas y en la determinación de quién queda incluido en una recomendación o en un riesgo. Cuanto mayor es la consecuencia del uso, mayor es el deber de conocer el origen del límite, su exactitud y quién lo adoptó. No todos los límites son del mismo tipo Puede que necesitemos distinguir entre:

• Límite oficial de propiedad o de parcela: tal como figura en un registro o mapa legal pertinente.
• Límite de uso efectivo: la superficie cultivada o gestionada por el usuario en cada campaña.
• Límite de cultivo: la porción sembrada con un cultivo o una variedad determinados.
• Límite de zona de manejo: un sector dentro de una parcela que recibe un tratamiento distinto.
• Límite del fenómeno: una mancha de cambio, enfermedad o encharcamiento inferida a partir de los datos.

Estos límites pueden coincidir o pueden diferir. Una única parcela oficial puede incluir más de un cultivo, el usuario puede cultivar solo una parte de ella y un uso consuetudinario puede extenderse más allá de una línea que el mapa oficial no representa del mismo modo. Si el sistema los mete todos en la casilla «límite de parcela», se pierde un significado importante y puede surgir un conflicto. ¿Cómo creo el límite? Cada límite lleva un registro que indica:

• Su tipo y finalidad.
• Método de creación: registro oficial, escaneo, recorrido a pie con un teléfono o trazado sobre una imagen.
• Fecha de creación e imagen o referencia utilizada.
• Exactitud de ubicación prevista.
• Quién lo dibujó, quién lo revisó y quién lo aprobó.
• Si es temporal, estacional o está en disputa.
• Fecha de las modificaciones y sus motivos.
• El derecho del usuario a objetar y a corregir.

Un error de cinco metros puede resultar aceptable para un mapa regional y, sin embargo, alterar la superficie de una parcela pequeña o guiar una máquina más allá de la zona prevista. No existe una «exactitud suficiente» absoluta; solo existe una exactitud adecuada a la finalidad. La objeción forma parte de la calidad del mapa Un límite digital no debería convertirse en una realidad definitiva por el hecho de figurar en una base de datos. El agricultor o titular del derecho puede ver el límite, conocer su origen y aportar una corrección o una prueba. Se conservan el límite anterior, la modificación y el motivo, en lugar de borrar el historial.

Si el límite va a utilizarse en una decisión financiera o regulatoria, el procedimiento de objeción requiere una parte responsable, un plazo de revisión y una vía para detener la decisión cuando exista una disputa seria. La automatización no hace que el límite sea más legítimo de lo que permite su fuente. El mapa puede revelar más de lo que se pretende Los mapas contienen información sobre producción, infraestructuras, agua, activos y patrones de negocio. La capa puede parecer anónima porque no lleva el nombre del agricultor, pero la forma y la ubicación de la parcela pueden permitir la reidentificación, sobre todo en una comunidad pequeña o al combinarse con fuentes públicas.

Por ello, los riesgos de divulgación se comprueban antes de compartir o publicar capas. Los controles incluyen:

• Reducir la exactitud del emplazamiento o la recogida de datos cuando resulte suficiente para la finalidad.
• Eliminar campos innecesarios.
• Separar los datos de identidad de las capas analíticas.
• Limitar quién puede descargar los límites en bruto.
• Impedir la reutilización ajena a la finalidad.
• Revisar qué puede concluirse cuando el mapa se combina con otras fuentes.
• Determinar el plazo de conservación y las copias compartidas.

La agregación no significa que la privacidad se logre automáticamente. Si el grupo contiene una única explotación singular, la identificación puede seguir siendo posible. Derechos oficiales y usos consuetudinarios La relación de las personas con la tierra puede no resumirse en un único registro de propiedad. Existen acuerdos de aparcería, usos estacionales, pastoreo, derechos de agua y vías pecuarias consuetudinarias. El sistema no debería convertir una única forma de propiedad en una descripción completa de cada lugar, ni borrar a usuarios que no aparecen en el registro elegido.

Esto no significa que la plataforma dirima disputas legales, sino que describe el tipo de fuente y de derecho que los datos reclaman, y preserva la diferencia o la disputa en lugar de resolverla matemáticamente. El registro puede admitir más de una relación: propietario oficial, usuario actual, gestor de la campaña y titular del derecho de agua, con facultades distintas para cada papel.

Un mapa responsable no se limita a preguntar «¿dónde está el límite?», sino «¿qué límite?». ¿Quién lo trazó? ¿Con qué exactitud? ¿Y con qué finalidad? ¿Quién puede objetar? A medida que el mapa o el modelo se traslada a una nueva región o campaña, estas preguntas cobran aún más importancia, porque la forma de tenencia, el suelo, el clima y la práctica pueden diferir de aquello que el sistema aprendió.

9. Transferencia entre regiones y campañas

Un modelo espacial puede funcionar en una parcela o región y deteriorarse después al trasladarse a un nuevo emplazamiento, aun cuando el nombre del cultivo no cambie. El color que el modelo aprendió no procede únicamente de la planta; depende del suelo, la luz, el clima, la variedad, el estado de crecimiento, la práctica agrícola, el sensor y el método de procesamiento.

Si el modelo se entrena en parcelas amplias y regulares, puede tener dificultades con un mosaico de pequeñas explotaciones donde bordes, caminos y árboles se mezclan dentro del píxel. Si aprende de una campaña seca, puede interpretar el patrón de la campaña húmeda como una anomalía. Si se basa en imágenes con pocas nubes, puede no funcionar igual de bien en un entorno tropical donde las vistas despejadas son escasas.

La transferencia, pues, no es cuestión de copiar un modelo a un servidor nuevo; es una prueba de si las relaciones que aprendió siguen siendo válidas en otro contexto. ¿Qué cambia entre dos lugares? Entre las razones del cambio de rendimiento figuran:

• El clima y la distribución de la lluvia, el calor y la humedad.
• Color, estructura, humedad y salinidad del suelo.
• Variedades, fechas de siembra y duración de la campaña.
• Forma de la explotación, tamaño de la parcela y orientación de las líneas.
• Sistemas de riego, fertilización, protección y mecanización.
• La intensidad de nubes, polvo y sombras.
• Tipo, exactitud y calibración del sensor.
• Métodos de recogida de la referencia de campo y de definición de las categorías.
• Diferencias de lengua, denominaciones y registros operativos.

Puede cambiar más de un factor al mismo tiempo, de modo que resulta difícil conocer la razón de un descenso en un indicador de rendimiento. Por ello se registran el contexto de los datos de entrenamiento y el contexto del nuevo uso, y se comparan las diferencias antes de la implantación. Una prueba geográfica real Si puntos adyacentes de la misma parcela se reparten aleatoriamente entre entrenamiento y prueba, el modelo puede parecer que funciona bien porque los datos de prueba contienen suelo, manejo y patrones próximos a los que vio durante el entrenamiento. Eso no establece su capacidad de transferirse a otra parcela.

La prueba se elige conforme a la afirmación:

• Si la afirmación es que funciona en nuevos sectores de la parcela, se reserva un sector independiente para la prueba.
• Si la afirmación es que funciona en nuevas explotaciones, se dejan explotaciones enteras fuera del entrenamiento.
• Si la afirmación es que funciona en un nuevo territorio, se prueba en un territorio sobre el que no se ha construido.
• Si la afirmación es que funciona en una campaña próxima, se prueba en una campaña temporalmente independiente.

Puede que necesitemos una prueba que combine lo espacial y lo temporal: nuevas explotaciones en una nueva campaña. Es más difícil, pero está más cerca de la realidad de ese sistema. La exactitud no basta; la confianza debe estar calibrada Un modelo puede asignar la clase correcta en la mayoría de los casos y, aun así, expresar más confianza de la que merece. Si declara un «95% de confianza» en una región nueva, aproximadamente esa proporción de casos comparables debería ser, de hecho, correcta. Un exceso de confianza puede empujar al usuario hacia una intervención o hacer que se descuide una verificación necesaria.

Por eso se comprueba la calibración junto con la exactitud: ¿coinciden las puntuaciones de confianza con la tasa real de aciertos? Si el rendimiento o la calibración decaen en una zona nueva, la autoridad del sistema puede reducirse a alertar y revisar, en lugar de diagnosticar o ejecutar. Descubrir lo que queda fuera de la experiencia del modelo El sistema debería detectar los casos claramente distintos de sus datos de entrenamiento: una variedad que no vio, un nuevo color de suelo, un sensor diferente, un estado de crecimiento fuera de rango, o nubes y cobertura que no se parecen a los ejemplos anteriores. Este descubrimiento no garantiza la causa, pero permite al sistema decir «esta condición queda fuera de mi experiencia» en lugar de producir una respuesta segura.

La respuesta podría ser:

• Reducir la confianza y mostrar una advertencia.
• Solicitar una muestra o una imagen adicional.
• Derivar el caso a un especialista.
• Impedir la toma de decisiones automatizada.
• Recoger datos locales y reevaluar.

La adaptación local no siempre significa un entrenamiento completo En algunos casos puede bastar con fijar un umbral, actualizar un diccionario o calibrar un sensor; otros casos pueden exigir muestreo local y reentrenamiento. La decisión depende de la magnitud de la variación, de la consecuencia del error y de la cantidad de datos disponibles.

La adaptación empieza por una línea de base local: ¿cómo se comporta el modelo antes de cualquier modificación? Después se recogen muestras que representen los casos difíciles y distintos, no solo los casos fáciles. Tras la actualización, la prueba se repite sobre un conjunto independiente y se guarda una versión local explícita en lugar de sustituir silenciosamente el modelo global. La variación regional no es una clasificación de preparación Los perfiles regionales del blog de procedencia muestran las distintas prioridades y restricciones de Türkiye, Indonesia, América del Sur, el Golfo y África. Las nubes, la humedad y la conectividad pueden ser predominantes en un entorno; la sequía y el agua pueden serlo en otro; y las grandes superficies, los mosaicos de pequeñas explotaciones o la falta de referencia de campo pueden emerger en contextos diferentes.

Estas diferencias se utilizan para construir requisitos de prueba y preguntas de diseño, no para ordenar regiones según su «preparación para la inteligencia artificial» a partir de cifras o indicadores de mercado heterogéneos. Un contexto que hace más difícil una plataforma puede hacer más apropiada otra herramienta, y la preparación no es un único adjetivo que resuma una comunidad, una infraestructura, un cultivo o una institución.

La revisión del traslado puede resumirse en una ficha:

Lugar de entrenamiento: Grandes parcelas de regadío en un clima seco Nuevo lugar de uso: Parcelas pequeñas y mixtas en un clima más húmedo Diferencias básicas: Tamaño de la parcela, borrador, variedades y sistema de riego Resultado de la prueba local: Válido para orientar la inspección, no aprobado para el diagnóstico ni para la operación Paso siguiente: Recoger una referencia de campo de dos campañas y revisar la calibración

El modelo responsable no reclama generalidad porque su mapa funcione en un lugar. Especifica dónde ha sido probado, qué ha cambiado y qué nivel de uso se permite en el nuevo contexto. El valor de este enfoque se demuestra con claridad cuando situamos las plataformas, el mapa y la verificación en un único caso de aplicación desde el inicio hasta la medición del resultado.

10. Un caso de estudio integrado: del mapa a una visita dirigida

Imaginemos una parcela de tomate con un sistema de riego por goteo, con imágenes periódicas, un historial de funcionamiento de la bomba y un número limitado de sensores de humedad del suelo. A mitad de campaña, una fotografía reciente muestra una zona de cambio térmico y vegetativo cerca del final de uno de los sectores de riego.

El escenario irresponsable salta del color a la causa: «El sistema ha detectado estrés hídrico», y a continuación recomienda añadir más agua. El escenario evaluable trata el mapa como el comienzo de una pregunta, no como el final de un diagnóstico. Primera etapa: definir la decisión antes del análisis La pregunta no es «¿hay una mancha de un color distinto?», sino más bien:

¿Existe un problema de distribución del agua que justifique una visita urgente y por dónde debería comenzar la inspección?

Se determina antes del análisis:

• El mapa orientará la visita; no operará el riego directamente.
• La causa no dependerá únicamente de la imagen.
• La decisión requerida se sitúa dentro de un día.
• El error aceptable es enviar una visita adicional, no realizar un riego adicional.
• El éxito del sistema se mide por el tiempo hasta llegar a la causa y por el coste del examen, no solo por el color del mapa.

Segunda etapa: comprobar la calidad del seguimiento El sistema verifica que la imagen es reciente, que la zona no está cubierta por nubes o sombras y que su alineación con las imágenes anteriores es aceptable. Después se compara el sector consigo mismo en fechas anteriores y con sectores similares.

El resultado muestra:

Un cambio continuo en una mancha cercana al final de la línea a lo largo de dos fechas, más allá de la tolerancia habitual, con una calidad de imagen aceptable.

Este resultado establece que una señal merece inspección; no establece un déficit hídrico. Tercera fase: revisión del contexto operativo Antes de enviar al operario, el sistema comprueba:

• El registro de funcionamiento de la bomba.
• La compresión de la red, si está disponible.
• Los tiempos y las cantidades de riego.
• Lluvia, calor y viento.
• Operaciones recientes de fertilización o pulverización.
• Averías o mantenimientos registrados.
• Lecturas de los sensores próximos y sus ubicaciones.

Se aprecia que la bomba funcionó a su hora, pero no existe una medición directa de la presión al final del sector. No hay lluvia ni operación que explique el cambio. Permanecen varias hipótesis: obstrucción, fuga, variación del suelo, enfermedad o error local de medición. Cuarta etapa: diseñar una visita guiada El sistema selecciona puntos, y no solo el centro de la mancha:

1. Un punto en el centro del cambio.
2. Un punto en su borde, cerca de la línea de riego.
3. Un punto fuera del cambio dentro del mismo sector.
4. Un punto sano en un sector similar, para comparar.

Al operario se le presenta una tarea clara:

Comprobar la humedad del suelo a 20 cm de profundidad, el estado de la planta, el caudal de los goteros, la presión al final de la línea, y registrar cualquier daño o síntoma no relacionado con el agua. Tomar una foto general y una foto de detalle en cada punto. Quinta etapa: recoger la referencia de campo El operario encuentra que la humedad del suelo es baja únicamente en el centro del cambio, y que el caudal puntual desciende cerca del final de la línea. No hay síntomas definidos de enfermedad, y las plantas situadas fuera de la zona parecen estar en mejor estado. Las mediciones, las imágenes, la hora y el dispositivo se registran y se vinculan a los puntos del mapa.

El resultado ahora no es «la imagen descubrió la sed», sino más bien:

La serie espacial reveló un cambio y dirigió un examen que reveló un posible desequilibrio en la distribución del agua cerca del final del sector. Sexta etapa: acción limitada El técnico revisa el filtro y la línea y encuentra una obstrucción parcial. Se realiza la reparación, después se miden los caudales y se opera el riego con la configuración habitual, sin un aumento general de la cantidad de agua en la parcela.

El sistema registra:

• La avería encontrada.
• Quién la aprobó y la corrigió.
• El tiempo de reparación.
• Que no se ha cambiado nada en la operación.
• Las mediciones antes y después de la reparación.

Séptima etapa: medir el resultado Tras un intervalo adecuado, se repite la lectura de humedad y se capta una imagen de seguimiento en condiciones comparables. La distribución del agua mejora y la diferencia espacial disminuye entonces de forma gradual. Si la planta no mejora, el sistema no supone de inmediato que la reparación fracasó; la respuesta biológica puede ser más lenta, o una segunda causa puede requerir investigación. ¿Cómo evaluamos el sistema?

¿Qué demuestra el caso y qué no demuestra? El caso, si se ejecuta tal como se ha descrito, demuestra que el seguimiento espacial ayudó a acotar el área de búsqueda y a vincular el cambio con una imagen, una inspección, una reparación y un seguimiento. No demuestra que todo cambio de temperatura signifique un problema de riego, ni que el sistema vaya a funcionar en todo cultivo y campaña, ni que el mapa sustituya la necesidad de un técnico.

Se trata de un caso docente complejo, no del resultado de un experimento de campo publicado. Su valor reside en que explica cómo se construye una cadena medible, cómo se detalla el diagnóstico y cómo se mide el impacto de la herramienta sobre el flujo de trabajo en lugar de limitarse a un porcentaje de exactitud.

Tras comprender esta serie, los principios de separación pueden transformarse en una lista de verificación que ayude a evaluar cualquier producto espacial antes de que su mapa pase a formar parte de una decisión o de una intervención.

11. Lista de verificación del producto espacial

La lista no se utiliza para obtener una puntuación general, sino más bien para descubrir ambigüedades antes de la compra o de la publicación. Las preguntas se responden con evidencia: una imagen con sus metadatos, un informe de calidad, una muestra de campo, una prueba de exportación o un procedimiento operativo documentado. La respuesta «el sistema admite esto» no es suficiente sin un ejemplo que pueda examinarse. Primero: decisión y escala

1. ¿Qué decisión agrícola concreta apoyará el mapa?
2. ¿Se utilizará para explorar, para orientar una visita, para recomendar o para el control automatizado?
3. ¿Cuál es la mancha o el elemento más pequeño que la decisión debe ver?
4. ¿Necesita realmente la decisión esta resolución espacial, o bastan datos menos costosos?
5. ¿Cuál es la velocidad del fenómeno y cuánto puede retrasarse el seguimiento antes de que se pierda la ventana de actuación?
6. ¿Cuál es la consecuencia de una falsa alarma o de pasar por alto el caso?

Segundo: plataforma y calidad de la captura

7. ¿Por qué se eligió un satélite, un dron, un sensor o un teléfono móvil para esta tarea?
8. ¿Cuál es la fecha y la hora de captura, y se corresponde con el estado del cultivo?
9. ¿Cuál es el tamaño del píxel, cuál es la resolución de localización, y están separados?
10. ¿Qué porcentaje de nubes, sombras o superficie se pierde?
11. ¿Cuál es el estado de la calibración del sensor?
12. En dron: ¿están documentados el plan de vuelo, la altura, las interferencias, la luz y el viento?
13. ¿Puede compararse este producto con fechas anteriores del mismo modo?

Tercero: tratamiento e indicador

14. ¿Qué correcciones geométricas, radiométricas y atmosféricas se aplican?
15. ¿Es la alineación de las imágenes a lo largo del tiempo suficientemente precisa para la resolución?
16. ¿Cuál es el indicador o algoritmo y su versión?
17. ¿Con qué característica se asocia el indicador y cuáles son las causas alternativas de su cambio?
18. ¿Existen condiciones de saturación, efectos del suelo o píxeles mixtos?
19. ¿Muestra el mapa los datos ausentes y las zonas de baja calidad?
20. ¿Se muestra la confianza y la incertidumbre, o se trazan líneas nítidas sin evidencia?

Cuarto: la referencia de campo

21. ¿Qué referencia de campo se utiliza y mide la característica asociada a la decisión?
22. ¿Cómo se distribuyeron los puntos de muestreo? ¿Incluyen el centro, el borde y las zonas sanas?
23. ¿Evitó la muestra limitarse a los lugares más accesibles?
24. ¿Cuál es la diferencia temporal entre la imagen y la medición de campo?
25. ¿Se registraron las operaciones y la meteorología entre el seguimiento y la visita?
26. ¿Son de calidad documentada el instrumento, el laboratorio o la evaluación humana?
27. ¿Se han separado los lugares de entrenamiento y de prueba mediante una unidad geográfica apropiada?

Quinto: interpretación y acción

28. ¿Distingue el producto entre «detectar un cambio» y «diagnosticar una causa»?
29. ¿Qué otros registros se revisan antes de la interpretación: riego, meteorología, operaciones, averías?
30. ¿Qué procedimiento de campo establece la causa antes de una intervención de consecuencias elevadas?
31. ¿Puede el usuario ver los límites del resultado y objetar frente a él?
32. ¿Existe un mecanismo que impida que un mapa de baja confianza opere una máquina o desencadene un tratamiento?
33. ¿Se registra la acción posterior y se mide su resultado?

Sexto: transferencia y continuidad

34. ¿Dónde y cuándo se probó el modelo o el indicador?
35. ¿Se asemeja el lugar de uso a los datos de entrenamiento en clima, suelo, variedad y manejo?
36. ¿Se probó en una parcela, una explotación o una campaña que no se incluyó en el entrenamiento?
37. ¿Se midió la confianza, y no solo se estudió la exactitud?
38. ¿Detecta el sistema las situaciones ajenas a su ámbito de competencia y reduce su autoridad?
39. ¿Cuál es el plan de recogida de datos locales y de reevaluación?

Séptimo: derechos, privacidad y salida

40. ¿Quién tiene acceso a las imágenes, los límites y las capas derivadas?
41. ¿Podría el mapa revelar explotaciones cercanas, trabajadores, activos o parcelas?
42. ¿Cuáles son las aprobaciones y restricciones regulatorias locales, en especial para el dron?
43. ¿Puede el usuario corregir los límites y objetar frente a su uso?
44. ¿Puede descargar imágenes o capas en bruto, derivadas y metadatos?
45. ¿Son las fórmulas utilizables en otro sistema, o están bloqueadas en la plataforma?
46. ¿Qué ocurre con los datos, las claves y los enlaces cuando finaliza el contrato?

Octavo: operación y seguridad

47. ¿Quién opera la plataforma y qué formación se exige?
48. ¿Cuál es el plan ante la pérdida de comunicación, el fallo de un sensor o la pérdida del dron?
49. ¿Puede continuar la funcionalidad esencial de forma segura sin el servicio en la nube?
50. Si la plataforma realiza una pulverización o una acción física, ¿cuáles son los límites de seguridad, de deriva y de parada?
51. ¿Se registran la ruta, las órdenes, el material, la cantidad y el operador?
52. ¿Se ha probado el retorno manual o la parada de emergencia?

Noveno: valor agrícola

53. ¿Redujo la herramienta el tiempo de detección, el espacio de búsqueda o el número de visitas?
54. ¿Mejoró una decisión o un resultado medible, o solo produjo un mapa?
55. ¿Cuál es el coste de la captura, el procesamiento, la comunicación, la verificación y el mantenimiento?
56. ¿Quién se benefició y quién asumió el nuevo trabajo y los nuevos riesgos?
57. ¿Se mantuvo el beneficio en otra campaña o en otro lugar?
58. ¿Existe un método más sencillo que logre la misma decisión con menos coste y menos riesgo?

Barreras de detención Hay situaciones que no deberían pasar a una recomendación o a una implantación hasta que se resuelvan:

• La imagen carece de información sobre fecha, plataforma, exactitud o procesamiento.
• El indicador se presenta como un diagnóstico sin verificación.
• La referencia de campo se toma únicamente de puntos fáciles o adyacentes a los de entrenamiento.
• Se ocultan las nubes, las sombras y los datos ausentes.
• Las capas no pueden exportarse o el resultado no puede rastrearse hasta su fuente.
• Los límites de las parcelas no están documentados y se utilizan para decisiones financieras u operativas sensibles.
• El modelo no se ha probado en una unidad geográfica o temporal que represente el uso.
• No existe un mecanismo que impida que un resultado de baja confianza conduzca a una acción física.
• El operador no puede detener el sistema ni devolverlo a una posición segura.

Que se dé una de estas condiciones no hace que todo uso del mapa esté prohibido; puede seguir siendo adecuado para exploración o formación. Pero impide otorgarle una autoridad mayor que la que permite la evidencia disponible.

Resumen del capítulo

La inteligencia geoespacial añade una perspectiva inaccesible a un solo par de ojos. Ve la extensión de un patrón, compara un lugar consigo mismo a lo largo del tiempo y revela que una media puede ocultar una zona con dificultades o que el color inusual de hoy persistió durante toda la campaña. Sin embargo, no elimina la necesidad de visitar el campo; hace que la visita sea más dirigida y sus preguntas más precisas.

Cada píxel combina lugar, tiempo, sensor y procesamiento. Puede mezclar planta, suelo y sombra; su posición puede estar desplazada; y su valor puede cambiar con la nube, la luz y el ángulo de observación. Por ello, un índice no se convierte en una propiedad agronómica, un punto caliente no se convierte en estrés hídrico y un cambio de color no se convierte en enfermedad sin contexto, una referencia de campo y una evidencia proporcionada a la afirmación.

Ninguna plataforma es la mejor en términos absolutos. El satélite ofrece amplitud y un registro temporal; el dron ofrece detalle local en un momento elegido; el sensor registra el cambio repetido en un punto; el teléfono móvil lleva el ojo del usuario al sistema; y la máquina registra lo que ocurre durante una operación. El valor procede de asignar funciones entre ellos, no de reunirlos todos sin preguntar antes por qué.

La exactitud tampoco es un número único. Una decisión exige un equilibrio entre resolución espacial, temporal, espectral y radiométrica, así como exactitud posicional. Una imagen menos detallada que llega a tiempo puede ser más útil que una imagen de muy alta resolución que llega después de que se haya cerrado la ventana de actuación. Un límite visualmente preciso puede seguir siendo inadecuado para guiar maquinaria o determinar un derecho si se desconocen su fuente y su exactitud posicional.

La verificación de campo tiende un puente entre la señal y el significado, pero no es una verdad exenta de error. Exige un diseño de muestreo que represente suelos, estados de crecimiento, bordes de parcela y condiciones no afectadas; observaciones realizadas en un momento próximo a la medición remota; e instrumentos y evaluadores documentados. La prueba exige además una separación espacial y temporal, de modo que el modelo no pueda tener éxito memorizando una ubicación en lugar de aprender una relación transferible.

La regla central permanece: detectar un cambio no es diagnosticar una causa. Un buen mapa muestra dónde cambió la señal y con qué confianza, después compara meteorología, riego y operaciones, dirige una inspección y actualiza su interpretación tras la medición. Un mapa que salta del color al tratamiento sustituye un área de búsqueda amplia por una falsa certeza más rápida.

Los drones multiplican a la vez estas capacidades y estas responsabilidades. La flexibilidad en el momento y en el detalle exige planificación del vuelo, calibración, procesamiento y respeto de la privacidad. Si un dron pasa de la observación a la pulverización o a la aplicación, pasa de producir datos a realizar una acción; la seguridad, la regulación, la deriva, la parada y los límites se convierten entonces en parte de la idoneidad del sistema, no en consideraciones externas.

Los mapas portan derechos además de colores. Un límite puede representar la propiedad, el uso, un cultivo, una zona de manejo o un fenómeno inferido, y estos significados no deben colapsarse en uno solo. Un mapa puede revelar activos y patrones de producción incluso después de eliminar los nombres. Por ello deben conservarse el método utilizado para crear un límite, su exactitud y la persona u organismo que lo aprobó, mientras la objeción, la corrección y la exportación siguen siendo derechos prácticos.

Un modelo no se transfiere a una nueva región o campaña por el mero hecho de que los datos nombren el mismo cultivo. Cambian el clima, el suelo, la variedad, la estructura de la explotación, el sensor y la práctica. Por tanto, la transferencia debe probarse en unidades geográficas y temporales independientes, debe revisarse la calibración de la confianza y el sistema debe ser capaz de reconocer cuándo un caso queda fuera de su experiencia. En un entorno nuevo, el producto puede comenzar únicamente como herramienta de alerta y ganar mayor autoridad si se acumula suficiente evidencia local.

Un sistema espacial maduro no promete que un mapa conozca una parcela mejor que las personas que la trabajan. Combina una visión amplia con memoria temporal, medición de campo y experiencia local, y hace inspeccionable cada tránsito de la señal a la acción. Cuando el ciclo se cierra desde la observación hasta la verificación, desde la verificación hasta una acción limitada y desde la acción hasta el seguimiento del resultado, el mapa se convierte en una herramienta para la decisión y el aprendizaje. Cuando esa conexión se rompe, lo único que queda es una presentación atractiva de una posibilidad cuya causa se desconoce.

Notas sobre la evidencia

El relato general sobre la digitalización, la detección y las aplicaciones de las plataformas se apoya en las revisiones [SRC001], [SRC002] y [SRC035]. [SRC035] se utiliza en particular para enmarcar la cadena que vincula detección, datos, contexto, decisión y acción, no para establecer que todo índice o plataforma produzca impacto en campo en todos los cultivos y entornos.

Los ejemplos de campo, las fichas de presentación, las vías de verificación, el caso de avería en la distribución del riego y la lista de verificación del producto son construcciones docentes y de diseño que muestran cómo puede evaluarse el sistema. No son los resultados de un nuevo experimento de campo, ni un diagnóstico agrícola, ni una prueba del rendimiento de un producto concreto. Las cifras de adopción de drones y de tamaño de mercado no se trasladaron desde los archivos regionales porque sus fuentes, definiciones y años no eran comparables; las diferencias regionales se utilizaron para construir preguntas de prueba, no para ordenar regiones según una «preparación para la inteligencia artificial» general.