Sistema de riego inteligente y detección temprana de enfermedades en plantas usando IoT y una novedosa red neuronal autoorganizada de crecimiento no lineal

Por qué importa regar y vigilar las plantas de forma más inteligente

Alimentar a un mundo en crecimiento depende de que los agricultores detecten problemas en los cultivos antes de que se propaguen y de que utilicen el agua escasa con criterio. Este estudio se centra en la caña de azúcar, una fuente importante de azúcar y biocombustible, y muestra cómo la combinación de sensores en el campo, drones con cámaras y algoritmos informáticos avanzados puede detectar enfermedades foliares de forma temprana y optimizar el riego. El resultado son cosechas más fiables, menos agua desperdiciada y una visión práctica de cómo podrían funcionar pronto las “granjas inteligentes” en campos comunes.

Vigilando el campo desde el suelo y el cielo

Los investigadores diseñaron un sistema que vigila continuamente las plantas de caña desde dos puntos de vista. En el suelo y alrededor de las plantas, pequeños dispositivos conectados a internet registran temperatura, humedad, humedad del suelo y sombra sobre las hojas. Desde arriba, vehículos aéreos no tripulados (UAV) —drones— capturan imágenes nítidas en color y en el infrarrojo cercano de las hojas. Cambios sutiles en la textura y el color de las hojas pueden señalar infecciones como pudrición roja, mal del cabezo o roya antes de que sean visibles a simple vista. Al recopilar lecturas ambientales y imágenes aéreas de tres importantes regiones productoras de caña en India, el equipo construyó una imagen rica del estado sanitario de las plantas en distintos climas, suelos y fases de crecimiento.

Limpiar y destilar las pistas

Los datos en bruto del campo son desordenados. Los sensores pueden desviarse o captar ruido, y las imágenes de dron pueden verse afectadas por cambios de iluminación o desenfoque. Por ello, el sistema comienza filtrando y normalizando las lecturas, eliminando picos aleatorios y poniendo todas las medidas en una escala común. Las imágenes de dron se realzan y se mejora su contraste para que manchas, vetas y parches descoloridos en las hojas destaquen con claridad. A partir de estas imágenes mejoradas, el programa extrae descripciones compactas de textura y color, mientras un índice de vegetación estándar resalta la vigorosidad de cada parcela de caña. Estas pistas destiladas se combinan con las lecturas de temperatura y humedad en un único conjunto de datos que resume el estado de cada parte del campo.

Cómo el cerebro digital aprende los patrones de enfermedad

En el corazón del sistema hay un “cerebro” digital construido a partir de unidades de procesamiento interconectadas inspiradas en las neuronas biológicas. La primera etapa organiza las características mixtas de imágenes y sensores en un mapa de patrones recurrentes, colocando casos similares cerca y ampliando su estructura cuando encuentra combinaciones nuevas. Esto ayuda a exponer las relaciones complejas y no lineales entre el clima, las condiciones del suelo y la apariencia de las hojas que suelen indicar enfermedad. Una segunda etapa aprende, a partir de miles de ejemplos etiquetados, qué patrones corresponden a plantas sanas y cuáles señalan enfermedades específicas. Dado que el modelo puede representar fronteras curvas y enmarañadas entre estos grupos, puede separar condiciones de apariencia similar que herramientas más simples confundirían.

De la alerta temprana al riego más inteligente

Una vez entrenado, el sistema no solo etiqueta cada parcela de caña como sana o enferma, sino que también estima cuánto puede reducir la infección el rendimiento. Hace esto relacionando la severidad de la enfermedad en las imágenes, junto con los niveles de temperatura y humedad, con registros pasados de cosecha. En pruebas con 10.000 muestras de plantas, el enfoque identificó correctamente enfermedades de la caña en más del 95% de los casos y redujo las falsas alarmas en comparación con otros métodos líderes. Sus predicciones de pérdida de rendimiento también fueron más precisas, lo que le permitió sugerir cuándo y dónde ajustar el riego o aplicar tratamientos. En zonas marcadas como estresadas, el sistema indicaría riegos dirigidos, mientras que las zonas sanas podrían evitar un uso innecesario de agua.

Qué significa esto para los agricultores y la seguridad alimentaria

Para los agricultores, el estudio apunta a un futuro en el que una mezcla de sensores de bajo coste, drones y software apto para la explotación proporcionen un chequeo continuo de la salud de sus cultivos y orienten las decisiones de riego. Al detectar tempranamente las enfermedades de la caña y vincular esos hallazgos directamente con la producción esperada, este enfoque ayuda a centrar la atención y los recursos donde más importan. En términos prácticos, eso se traduce en una producción mayor y más estable con menos agua desperdiciada y menos tratamientos generales. Aunque este trabajo se centra en la caña de azúcar, las mismas ideas podrían adaptarse a muchos otros cultivos, haciendo la agricultura de precisión más accesible y contribuyendo a proteger el suministro de alimentos en un mundo que se calienta y sufre estrés hídrico.

Cita: Gorijavolu, D., Sharma, K. & Rao, N.S. Smart irrigation system and early plant disease detection using IoT and novel non-linear growing self-organizing map based artificial neural network. Sci Rep 16, 9488 (2026). https://doi.org/10.1038/s41598-025-33323-w

Palabras clave: riego inteligente, detección de enfermedades de cultivos, agricultura IoT, imágenes con dron, rendimiento de caña de azúcar