Inteligencia artificial para el diagnóstico de enfermedades en los cultivos
Un equipo multidisciplinar de la Estación Experimental del Zaidín (EEZ-CSIC) y el Instituto Andaluz Interuniversitario en Ciencia de Datos e Inteligencia Computacional (DaSCI), ha dado un paso decisivo hacia uno de los grandes retos de la agricultura moderna: detectar las enfermedades de las plantas antes de que muestren el menor síntoma. Su estudio, recién publicado, se ha centrado en el melón y demuestra que es posible «ver» una infección incluso cuando las hojas parecen completamente sanas. La amenaza analizada en este trabajo es la podredumbre blanda causada por Botrytis cinerea, un hongo muy común y devastador que afecta a numerosos cultivos. Cuando el agricultor detecta visualmente sus efectos, normalmente ya es tarde: la enfermedad se ha extendido y las pérdidas son inevitables.
Cómo ver lo invisible
Para adelantar el diagnóstico, los investigadores emplearon dos tecnologías: la imagen hiperespectral, que analiza cómo la hoja refleja la luz en cientos de longitudes de onda distintas, y la fluorescencia multicolor, que captura la luz que la planta emite cuando se ilumina con ultravioleta, revelando pistas sobre su estado fisiológico. A simple vista, una hoja infectada y otra sana eran indistinguibles. Pero estas cámaras veían lo que el ojo humano no puede ver: pequeños cambios metabólicos y estructurales que aparecen horas después de que el hongo entra en la hoja.
La inteligencia artificial hizo el resto
Tras recopilar imágenes de casi 740 muestras de hojas con ambos sensores (reflectancia y fluorescencia), el equipo entrenó seis modelos de inteligencia artificial. La pregunta era directa: ¿puede un algoritmo distinguir qué hojas están infectadas antes de que cualquier persona pueda detectarlo?
La respuesta fue sí, y además con resultados sorprendentemente buenos. Lo más llamativo fue que los modelos que combinaban ambas tecnologías —la hiperespectral y la fluorescencia— superaban claramente a los que usaban solo una de ellas. El modelo más eficaz, llamado FUSIONNNLINE, logró acertar en torno al 80% de los casos, llegando incluso al 90% en sus mejores pruebas. Esto significa que, en la práctica, podría alertar de una infección cuando todavía no existe ningún síntoma visible.
¿Por qué combinar sensores funciona mejor?
La clave está en que cada tecnología aporta información distinta. La fluorescencia detecta cambios metabólicos; la imagen hiperespectral muestra variaciones en pigmentos, agua o estructura interna de la hoja. Juntas, ofrecen una especie de «radiografía bioquímica» temprana del estado de la planta. Curiosamente, los modelos que utilizaban únicamente fluorescencia tuvieron malos resultados, lo que demuestra que esta técnica, usada sola, no siempre es suficiente. Pero al integrarse con la otra se convierte en una pieza valiosa del rompecabezas.
Un futuro prometedor para los agricultores
Este avance abre la puerta a herramientas que podrían incorporarse en invernaderos, fincas o sistemas automáticos de vigilancia de cultivos. Los agricultores podrían recibir alertas tempranas y actuar antes de que la enfermedad se extienda, ahorrando costes en fungicidas y reduciendo pérdidas de producción.
Los propios autores advierten que aún queda camino por recorrer: lo ideal es probar estas técnicas directamente en campo, con variaciones de clima, luz, suelo y variedades de cultivo. Pero este estudio es un sólido punto de partida. En un sector en el que una enfermedad puede arruinar una cosecha completa, disponer de un «sistema de alerta temprana» basado en inteligencia artificial sería un cambio radical. Ese futuro podría estar mucho más cerca de lo que imaginábamos.
El artículo, publicado en acceso abierto, está disponible en el siguiente enlace:
Gutiérrez S, Barón M, Moreno-Martín MT, Pineda, M. (2026) Fusion architectures for soft rot detection in melon plants using hyperspectral and multicolor fluorescence imaging. Smart Agricultural Technology, 101892. doi: 10.1016/j.atech.2026.101892
https://www.sciencedirect.com/science/article/pii/S2772375526001164
Contacto:
salvaguti@decsai.ugr.es
monica.pineda@eez.csic.es
mbaron@eez.csic.es
Imagen generada con IA por el autor del artículo
