Revista Multidisciplinar Epistemología de las Ciencias
Vol. 3, Núm. 3, 2026, julio-septiembre, Edición Especial
DOI: https://doi.org/10.71112/5yx9sp43
MONITOREO DEL DESARROLLO DE CULTIVOS DE MAÍZ MEDIANTE IMÁGENES
AÉREAS MULTIESPECTRALES PROCESADAS CON INTELIGENCIA ARTIFICIAL
MONITORING OF MAIZE CROPS THROUGH MULTISPECTRAL AERIAL IMAGERY
PROCESSED WITH ARTIFICIAL INTELLIGENCE.
Carlos Roberto Martínez Martínez
El Salvador
DOI: https://doi.org/10.71112/5yx9sp43
66 Revista Multidisciplinar Epistemología de las Ciencias | Vol. 3, Núm. 3, 2026, julio-septiembre, Edición Especial
Monitoreo del desarrollo de cultivos de maíz mediante imágenes aéreas
multiespectrales procesadas con inteligencia artificial
Monitoring of maize crops through multispectral aerial imagery processed with
artificial intelligence.
Carlos Roberto Martínez Martínez
a,*
carlos.martinez@usonsonate.edu.sv
https://orcid.org/0000-0002-6098-8765
Facultad de Ingeniería y Ciencias Naturales.
*Autor de correspondencia: carlos.martinez@usonsonate.edu.sv,
a
Universidad de Sonsonate,
El Salvador.
RESUMEN
Distintos modelos de inteligencia artificial fueron evaluados para la segmentación de imágenes
multiespectrales de cultivos de maíz obtenidas mediante dron, con el propósito de monitorear
su desarrollo bajo condiciones de agricultura tradicional en El Salvador. Se aplicaron los
modelos Binary Threshold, Random Forest, K-Means, DNN y CNN-MobileNet para discriminar
áreas de maíz, malezas y suelo a partir imágenes con colores normalizados con base en el el
índice GNDVI. Los resultados demostraron que Random Forest alcanzó la mayor precisión
(0.95) y consistencia en la predicción de los índices de vegetación LAI y GNDVI, superando
significativamente a los modelos de aprendizaje profundo, cuyos resultados se vieron limitados
por la calidad de las máscaras generadas por K-Means. El método Binary Threshold también
mostró desempeño aceptable por su sencillez y rapidez. Se concluyó que Random Forest
DOI: https://doi.org/10.71112/5yx9sp43
67 Revista Multidisciplinar Epistemología de las Ciencias | Vol. 3, Núm. 3, 2026, julio-septiembre, Edición Especial
ofreció resultados equilibrados entre precisión, costo y aplicabilidad práctica para el monitoreo
de cultivos de subsistencia.
Palabras clave: Teledetección; agricultura de precisión; Índice de vegetación; segmentación
de imágenes; aprendizaje automático.
ABSTRACT
Different artificial intelligence models were evaluated for the segmentation of multispectral
images of maize crops obtained by drone, with the purpose of monitoring their development
under traditional farming conditions in El Salvador. The models Binary Threshold, Random
Forest, K-Means, DNN, and CNN-MobileNet were applied to discriminate maize, weed, and soil
areas from images with colors normalized based on the GNDVI index. The results showed that
Random Forest achieved the highest accuracy (0.95) and consistency in predicting the
vegetation indices LAI and GNDVI, significantly outperforming deep learning models, whose
results were limited by the quality of the masks generated by K-Means. The Binary Threshold
method also showed acceptable performance due to its simplicity and speed. It was concluded
that Random Forest provided balanced results in terms of accuracy, cost, and practical
applicability for monitoring subsistence crops.
Keywords: Remote sensing; precision agriculture; vegetation index; image segmentation;
machine learning.
Recibido: 16 febrero 2026 | Aceptado: 30 junio 2026 | Publicado: 1 julio 2026
DOI: https://doi.org/10.71112/5yx9sp43
68 Revista Multidisciplinar Epistemología de las Ciencias | Vol. 3, Núm. 3, 2026, julio-septiembre, Edición Especial
INTRODUCCIÓN
El cultivo del maíz es fundamental para garantizar la soberanía alimentaria en los países
de México y Centroamérica. Sin embargo, en las últimas décadas ha tenido que enfrentar
serias dificultades, como los altos costos de producción, la disponibilidad de suelos con
fertilidad y topografía poco adecuadas, los cambios en los patrones de lluvia que limitan su
capacidad de cosecha (Radia et al., 2024; Chen et al., 2021; Ubilava & Abdolrahimi, 2019), el
incremento en la incidencia de plagas y enfermedades como la mancha asfáltica (Mohanty et
al., 2023; Pan et al., 2022), la resistencia inducida de las malezas por el uso inadecuado de
herbicidas y la falta de tecnificación para la recolección oportuna de información científica para
la toma de decisiones. Una de las nuevas tendencias en la agricultura es el uso de tecnologías
de monitoreo remoto mediante drones no tripulados que poseen cámaras multiespectrales,
capaces de medir y cuantificar la reflectancia de la clorofila como indicador de vigor vegetal
(Huang et al., 2021; Guo et al., 2020). Sin embargo, los datos provenientes de estas
mediciones usualmente necesitan ser procesados para que sean útiles, empleando software
especializado que ensambla múltiples fotografías aéreas en imágenes consolidadas, calcula
índices normalizados de verdor que homogeneizan la representación pictográfica de las plantas
y, con base en ello, discrimina las áreas que corresponden a cultivos, malezas, follaje de
árboles de sombra, suelo parcial o completamente descubierto, entre otros factores.
A la discriminación de figuras en imágenes con base en su forma o rango de color se le
conoce como “segmentación”, y este proceso puede lograrse mediante la implementación de
algoritmos de aprendizaje automatizado como Random Forest (Cheng et al., 2022; Marques et
al., 2020), o de aprendizaje profundo, como Redes Neuronales Profundas o “DNN” (Danilevicz
et al., 2021; Kim et al., 2020) y Redes Neuronales Convolucionales o “CNN” (Shahi et al., 2023;
Tseng et al., 2022), todos los cuales se clasifican como ramas de la inteligencia artificial (IA), y
cuya aplicación ha sido reportada exitosamente en distintos tipos de casos según la literatura.
DOI: https://doi.org/10.71112/5yx9sp43
69 Revista Multidisciplinar Epistemología de las Ciencias | Vol. 3, Núm. 3, 2026, julio-septiembre, Edición Especial
El presente estudio analiza la conveniencia de uso de estos principales modelos de IA,
enfocados a la segmentación de imágenes multiespectrales ortocompuestas, con base en
rangos de color normalizados a través del cálculo de índices de verdor.
Marco Teórico
Los avances tecnológicos en sistemas monitoreo remoto por drones, combinados con la
inteligencia artificial y el análisis de datos, están revolucionando la agricultura de precisión.
Estas tecnologías emergentes mejoran el monitoreo de cultivos, la predicción del rendimiento,
la detección de enfermedades, el estrés hídrico y las deficiencias de nutrientes, lo que resulta
en prácticas agrícolas más eficientes. Los drones suelen estar equipados con cámaras RGB de
alta resolución y sensores multiespectrales (Hunt et al., 2010), que capturan y registran cuatro
espectros de la luz: verde (560 ± 16 nm), rojo (650 ± 16 nm), borde del rojo o “Red Edge” (730
± 16 nm) e infrarrojo cercano o “NIR” (840 ± 26 nm). Las imágenes que captan son
ensambladas en un proceso llamado “ortocomposición” y que permite el cálculo generalizado
de índices de vegetación que miden el vigor del follage, como el Índice de Vegetación de
Diferencia Normalizada (NDVI) y su variante GNDVI, que se especializa en el color verde.
Estos pueden utilizarse para medir la reflectancia de la luz que causa la clorofila de las hojas lo
cual es útil para distintos tipos de estudios, como la estimación del estrés hídrico en el maíz
(Mndela et al., 2023; Shuai & Basso, 2022) y la clasificación de enfermedades en maíz (Nan et
al., 2023).
Las tecnologías de aprendizaje automático son un excelente complemento ya que
procesan conjuntos de imágenes con otros datos como registros climáticos y resultados de
cosechas. El flujo de trabajo generalmente incluye la recopilación de datos, el
preprocesamiento, el entrenamiento del modelo y su optimización para lograr predicciones
precisas. Los modelos Random Forest, comúnmente utilizados para la detección de
enfermedades, se configuran ajustando el número y la profundidad de los árboles de decisión
DOI: https://doi.org/10.71112/5yx9sp43
70 Revista Multidisciplinar Epistemología de las Ciencias | Vol. 3, Núm. 3, 2026, julio-septiembre, Edición Especial
para explorar interacciones complejas en los datos (DeSalvio et al., 2022). En cambio, para la
predicción del rendimiento de cosechas, modelos como XGBoost se han ajustado
eficientemente (Chen et al., 2022). De manera similar, K-Nearest Neighbors (KNN) clasifica los
datos comparándolos con un número específico de vecinos similares, facilitando tareas como la
predicción de rendimientos en diferentes regiones (Cedric et al., 2022). Por su parte, Bolfe et al.
(2023) aplicaron Random Forest para clasificar tipos de cultivos y evaluar la intensificación
agrícola, superando desafíos como la cobertura nubosa en imágenes satelitales mediante el
ajuste de hiperparámetros.
En cuanto a las innovaciones en el aprendizaje profundo, Darwin et al. (2021) revisaron
el uso de CNN para la predicción del rendimiento y la detección de floración en diversos
cultivos, destacando la eficiencia de esta red neurales el procesamiento de datos de imagen.
Sin embargo, dicha revisión también señaló desafíos como los altos costos computacionales y
la necesidad de grandes conjuntos de datos. Liu et al. (2021) compararon modelos de
aprendizaje profundo y superficial para estimar el Índice de Área Foliar (LAI) en maíz, utilizando
CNNs para procesar imágenes RGB, mejorando la precisión en la segmentación y clasificación
de hojas, superando a otros métodos tradicionales con una exactitud de clasificación del
92.3%. A pesar de estos avances, el estudio identificó desafíos en condiciones de campo,
particularmente debido a la variabilidad ambiental. Nowakowski et al. (2021) demostraron que
las CNN preentrenadas, como GoogLeNet y VGG16, podían alcanzar alta precisión en la
clasificación de diferentes cultivos, incluso en condiciones de poca disponibilidad de con datos
etiquetados. Por su parte, Danilevicz et al. (2021) utilizaron modelos diferentes para predecir la
capacidad de cosechas de cultivos de maíz, entrenando un modelo DNN que realizó análisis
cruzado de datos provenientes de imágenes multiespectrales con información de genotipos de
maíz, obteniendo un nivel aceptable de confiabilidad. Luego, Shao et al. (2022) compararon la
eficiencia de varios modelos como Random Forest, DNN y Support Vector Machine (SVM),
DOI: https://doi.org/10.71112/5yx9sp43
71 Revista Multidisciplinar Epistemología de las Ciencias | Vol. 3, Núm. 3, 2026, julio-septiembre, Edición Especial
entrenados con datos multiespectrales y de temperatura, para la predicción de coeficientes de
cultivo (Kc) de maíz y su respectiva evapotranspiración de cultivo (Etc), obteniendo un alto nivel
de confiabilidad.
Todos estos trabajos han brindado aportes significativos al análisis tecnológico de
cultivos de maíz, aunque cada uno desde una perspectiva o con un propósito distinto. A
continuación, se describe la metodología empleada en el presente estudio, en la cual se reporta
el uso de los mismos modelos que han demostrado ser efectivos, pero aplicados a la
segmentación de imágenes normalizadas mediante la diferenciación de cultivos de maíz a
través de umbrales de color basados en índices GNDVI, con el fin de mesurar el vigor del
cultivo en sus diferentes etapas fenológicas, bajo condiciones de campo en El Salvador.
METODOLOGÍA
Este estudio empleó un enfoque de métodos mixtos, integrando tanto técnicas
cuantitativas como cualitativas. La investigación se llevó a cabo en seis plantaciones de maíz
de pequeños agricultores ubicadas en el departamento de Santa Ana, El Salvador, situadas a
altitudes entre 680 y 700 metros sobre el nivel del mar, con un terreno irregular y densidades
variables de malezas que compiten con el cultivo. Todas las plantaciones fueron fertilizadas
manualmente con sulfato de amonio, a una dosis aproximada de 231 lb por acre, con una dosis
15 días después de la germinación y una segunda luego de los 30 días siguientes. Para
monitorear el desarrollo y la salud vegetal de los cultivos, se tomaron colecciones de fotografías
aéreas en las siguientes etapas: El primer vuelo del dron, a los 15 días después de la
germinación, correspondió a las etapas vegetativas V3–V4. El segundo vuelo, a los 30 días, se
realizó en V6–V7. El tercer vuelo, a los 45 días, coincidió con V9–V10. El cuarto vuelo, a los 60
días, se ubicó en V12–V14. El quinto vuelo, a los 75 días, correspondió a la terminación de la
etapa vegetativa o VT, que corresponde al espigameinto. El sexto vuelo, a los 90 días, se
DOI: https://doi.org/10.71112/5yx9sp43
72 Revista Multidisciplinar Epistemología de las Ciencias | Vol. 3, Núm. 3, 2026, julio-septiembre, Edición Especial
realizó en etapa reproductiva R1. El séptimo vuelo, a los 105 días, coincidió con R2–R3.
Finalmente, el octavo vuelo, a los 120 días, se ubicó en R4–R5.
Las imágenes aéreas fueron capturadas utilizando un dron DJI equipado con una
cámara RGB de 20 MP y cuatro sensores multiespectrales de 5 MP que operaban en las
siguientes bandas de luz G, R, RE y NIR, que corresponden a los espectros del verde (560 ±
16 nm), rojo (650 ± 16 nm), borde rojo (730 ± 16 nm) e infrarrojo cercano (860 ± 26 nm). Los
vuelos se realizaron a 30 m de altitud con un traslape del 80% y una resolución espacial (GSD)
de 3.31 cm/píxel. El procesamiento de imágenes se llevó a cabo mediante la API de
OpenDroneMap para generar ortofotos compuestas de fotografías individuales
georeferenciadas y solapadas, con las cuales se calcularon mapas de color normalizados
según el índice GNDVI. Esta “estandarización” de colores, permitió la diferenciación visual
entre plantas de maíz, malezas y suelo. Para que el análisis del cultivo tomara en cuenta
únicamente los pixeles relativos a plantas de maíz, se implementó un proceso de segmentación
basado en el color de las imágenes GNDVI. Primero, se muestrearon manualmente los valores
RGB más claros y más oscuros de 30 plantas de maíz por cada campo, con el fin de definir
umbrales superiores e inferiores para la inclusión de píxeles. Estos umbrales se usaron
inicialmente para probar un algoritmo de umbralización binaria. Posteriormente, los mismos
rangos fueron introducidos en un modelo de Random Forest para entrenar un clasificador de
píxeles. En un enfoque alternativo, los umbrales RGB se emplearon en una rutina de
agrupamiento K-means para generar una máscara de pseudo “ground truth”, que luego se
utilizó para entrenar una Red Neuronal Profunda (DNN) y una Red Neuronal Convolucional
(CNN) basada en la arquitectura MobileNet. Estos modelos permitieron la exclusión
automatizada de malezas y elementos del suelo. Una vez completada la segmentación, un
script personalizado en Python calculó el GNDVI promedio utilizando (1), realizando los
DOI: https://doi.org/10.71112/5yx9sp43
73 Revista Multidisciplinar Epistemología de las Ciencias | Vol. 3, Núm. 3, 2026, julio-septiembre, Edición Especial
cálculos en función de los valores de color de los píxeles identificados como maíz, mientras se
excluía la interferencia de otros estratos de vegetación o suelo.
=
+
=
(
1)
donde:
es el valor verde del píxel i en escala RGB,
es el valor rojo del píxel i en escala RGB,
es el total de píxeles clasificados como plantas de maíz.
Por otra parte, la sumatoria de píxeles dentro de las máscaras de maíz se utilizó para
calcular el índice de área foliar, como medida de la cobertura vegetal del cultivo en sus
diferentes estados. Para validar los resultados, los valores obtenidos a partir de los píxeles
segmentados se compararon con curvas de desarrollo reportadas en otras investigaciones,
basadas en métodos clásicos para estimar el incremento del LAI y el GNDVI a lo largo de las
etapas fenológicas del maíz.
RESULTADOS
Las parcelas usadas como objeto de estudio fueron seleccionas porque
representaban las prácticas tradicionales en la agricultura salvadoreña, realizadas por
agricultores de subsistencia, con el fin de evidenciar los retos y desafíos que deben encarar
para brindar su aporte en la seguridad alimentaria de sus familias y del país. En las imágenes
RGB de cada vuelo, pudo observarse anomalías en el crecimiento del cultivo y en el manejo de
suelos, sobre todo en lo relativo a escorrentías (Fig. 1). Las colecciones de imágenes
multiespectrales se tomaron mediante un recorrido de líneas rectas sobre el cultivo,
incorporando un vuelo en diagonal (Fig. 2) para incrementar la precisión de datos de
georeferenciación de imágenes para el ensamblaje del plano ortomosaico.
DOI: https://doi.org/10.71112/5yx9sp43
74 Revista Multidisciplinar Epistemología de las Ciencias | Vol. 3, Núm. 3, 2026, julio-septiembre, Edición Especial
Figura 1
Cultivo tradicional de maíz con problemas de desarrollo y de escorrentías.
Figura 2
Construcción 3D de la trayectoria de vuelo del dron.
En cada punto de muestreo, el dron capturó cuatro fotografías multiespectrales (G, R,
RE y NIR) que se utilizaron para calcular una única capa ráster de reflectancia de clorofila. Esta
se obtuvo a partir del cálculo del índice de reflectancia con base en los cuatro canales de color
multiespectral. Posteriormente, el software aplicó una normalización de color mediante el
DOI: https://doi.org/10.71112/5yx9sp43
75 Revista Multidisciplinar Epistemología de las Ciencias | Vol. 3, Núm. 3, 2026, julio-septiembre, Edición Especial
cálculo del índice GNDVI, el cual está fundamentado en el canal verde como indicador de salud
vegetal. Como resultado, las que plantas de una misma especie, como el maíz y otras
gramíneas consideradas malezas, presentaran colores semejantes entre sí, pero diferenciados
respecto a otras especies. Este índice normalizado permitió diferenciar las plantas tanto por
especie como por su estado de vigor. Fue notorio que luego de la normalización de color, se
preservaron los patrones visuales de cultivos por surco (Fig. 3, izquierda) y anomalías como
microcuencas con malezas por donde se descargaban escorrentías (Fig. 3, derecha). Por cada
etapa de cultivo, la presencia de malezas era menor debido a la presión de cultivo que el maíz
ejerció sobre las malezas en competencia por la luz solar, dejando cada vez menos espacios
vacíos y creando un patrón progresivo de color más homogéneo a través de los estados de
desarrollo agronómico o “stages”.
Figura 3
Imágenes procesadas del cultivo, con índices de verdor normalizados
Cada modelo informático generó sus propias configuraciones de filtrado de píxeles
para el cultivo de maíz, a partir de la clasificación de sus rangos de verdor. La Fig. 4 muestra
una imagen correspondiente a una etapa vegetativa temprana, caracterizada por una marcada
variabilidad en el desarrollo del cultivo debido a la anegación del terreno, lo que favoreció la
DOI: https://doi.org/10.71112/5yx9sp43
76 Revista Multidisciplinar Epistemología de las Ciencias | Vol. 3, Núm. 3, 2026, julio-septiembre, Edición Especial
competencia de malezas. Aun así, el índice de color normalizado se mantuvo estable y la
segmentación del maíz conservó su coherencia visual, evidenciándose claramente en el patrón
regular de los surcos. Esta imagen no solo demuestra la posibilidad de detección inmediata de
problemas de manejo agronómico que son característicos de la agricultura de subsistencia en
lo relativo al manejo del suelo y drenajes, sino que también demuestra la capacidad del modelo
para preservar la distribución espacial del dosel de interés, logrando minimizar las
interferencias asociadas a factores que afectan la captura de imágenes multiespectrales, como
las sombras proyectadas por la propia cobertura vegetal, las irregularidades topográficas y la
variabilidad en la reflectancia de la clorofila generada por la presencia de distintas especies de
maleza.
Figura 4
Segmentación y selección de píxeles correspondientes al cultivo de maíz
Las métricas que se obtuvieron para cuantificar la efectividad de los modelos
predictivos fueron:
1. “Accuracy” o exactitud, que indicó la proporción de predicciones correctas que el
modelo realizó con base en los datos de prueba.
2. “Precision” o precisión, que midió la pureza de las predicciones aceptadas, descartando
los falsos positivos.
DOI: https://doi.org/10.71112/5yx9sp43
77 Revista Multidisciplinar Epistemología de las Ciencias | Vol. 3, Núm. 3, 2026, julio-septiembre, Edición Especial
3. “Recall” o exhaustividad, fue la métrica utilizada para evaluar la capacidad del modelo
de evitar omisiones en las predicciones positivas.
4. “F1 Score” o media F de igual ponderación, que integró los datos de precisión y de
exhaustividad en un solo indicador de desempeño.
5. “IoU” o intersección sobre unión de áreas, indicó el grado de coincidencia espacial entre
la segmentación predicha y la máscara de referencia para la selección de píxeles.
Los resultados de cada modelo se presentan en la Tabla 1. El método básico de
clasificación binaria, que no usa ningún tipo de IA, tuvo un desempeño comparativamente bajo
para clasificar las áreas de cultivos según los insumos tecnológicos y las condiciones de este
caso de estudio. Por su parte, el modelo de machine learning llamado Random Forest alcanzó
los valores más altos de cada métrica, evidenciando una mejor capacidad para la tarea de
clasificación de píxels.
Tabla 1
Comparación de métricas de entrenamiento de los modelos de IA
Modelo
Accuracy
Precision
Recall
F1 Score
IoU
Binary Threshold
0.55
0.71
0.61
0.57
0.42
Randonm Forest
0.95
0.91
0.98
0.95
0.91
K-Means
0.73
0.82
0.40
0.54
0.36
DNN
0.58
0.61
0.79
0.69
0.50
CNN-MobileNet
0.47
0.66
0.55
0.60
0.41
Los modelos deep learning utilizados no tuvieron buenos resultados al ser
probados como una posible herramienta de detección rápida, basados en la clasificación no
DOI: https://doi.org/10.71112/5yx9sp43
78 Revista Multidisciplinar Epistemología de las Ciencias | Vol. 3, Núm. 3, 2026, julio-septiembre, Edición Especial
supervisada de K-Means. Éste último tuvo rendimientos no muy altos en la generación de
máscaras, por lo cual al ser utilizadas como insumo de entrenamiento de las redes neurales
DNN y CNN, estas mostraron una desventaja que no pudo ser compensada a pesar de los
entrenamientos iterativos con las imágenes de los cultivos.
Las imágenes extractadas sirvieron posteriormente como entrada de un script
que calculaba los índices LAI y GNDVI promedio para todas las plantaciones, pero subdivididas
según los estados vegetativos del cultivo, permitiendo evidenciar el progreso en el desarrollo
agronómico. La efectividad de la máscara generada por K-Means fue limitada, lo cual
disminuyó la exactitud de DNN y CNN. Sin embargo, estos últimos fueron capaces de simular
con cierta verosimilitud la tendencia de la curva de desarrollo foliar en función del tiempo. Con
respecto al LAI, Random Forest tuvo una progresión similar, aunque más exacta que Binary
Threshold (Fig. 5). En el caso del GNDVI (Fig. 6), la respuesta del pronóstico de verdor fue más
consistente en función del tiempo debido a la pronta y repetida aplicación del fertilizante sulfato
de amonio, que aporta dosis altas de nitrógeno y azufre para la formación de clorofila y la
activación metabólica. En este caso, Random Forest y Binary Threshold mostraron las mejores
predicciones, muy similares entre sí, mientras que DNN se pudo solamente imitar el patrón
producido por K-Means y CNN presentó una respuesta menos coherente. Los resultados
muestran cierta similitud en la tendencia de los datos generados por los modelos a lo largo de
los distintos estados vegetativos de las plantas de maíz, sugiriendo una coherencia transversal
entre los datos de las parcelas, a pesar de ciertos factores que podrían inducir cambios en el
análisis de datos, tales como el tiempo transcurrido entre las tomas aéreas con dron, el avance
del crecimiento de malezas y los cambios fisiológicos del cultivo en sus etapas tempranas,
intermedias y reproductivas.
DOI: https://doi.org/10.71112/5yx9sp43
79 Revista Multidisciplinar Epistemología de las Ciencias | Vol. 3, Núm. 3, 2026, julio-septiembre, Edición Especial
Figura 5
Predicción del desarrollo de LAI del cultivo de maíz, según distintos modelos
Figura 6
Predicción del índice GNDVI del cultivo de maíz, según distintos modelos
DOI: https://doi.org/10.71112/5yx9sp43
80 Revista Multidisciplinar Epistemología de las Ciencias | Vol. 3, Núm. 3, 2026, julio-septiembre, Edición Especial
DISCUSIÓN
Las imágenes multiespectrales captadas por dron de uso científico fueron sometidas
al procesamiento del índice normalizado de verdor GNDVI, como recurso que habilitó la
determinación del estado de salud y la progresión del desarrollo del área foliar de seis cultivos
de maíz, a través de ocho etapas fenológicas. Dado que el contexto era la evaluación rápida de
plantaciones en condiciones de producción tradicional enfocada en la subsistencia del
agricultor, se probaron tecnologías de software que no requirieran el levantamiento exhaustivo
de datos para la generación de rásteres de tipo “ground truth”. Como primera opción, se utilizó
Binary Threshold, que es una técnica clásica de procesamiento de imágenes que toma como
base umbrales fijos de colores normalizados para discriminar los píxeles correspondientes a
áreas de interés. Como segunda opción se entrenó un modelo de Random Forest, el cual se
reporta en la literatura como bien evaluado para este tipo de propósito (Du et al., 2022).
Random Forest obtuvo resultados de exactitud y precisión más elevados que Binary Threshold
en cuanto a la identificación de los píxeles correspondientes a plantas de maíz, con respecto a
los de follaje de malezas y los del suelo. Al ocupar estas imágenes segmentadas para el
cálculo de los índices LAI y GNDVI que miden el desarrollo y la salud vegetal exclusivos de las
plantas de maíz, los promedios generales en cada etapa agronómica fueron muy semejantes y
mantuvieron la tendencia fisiológica esperada. Los resultados sugieren que el desempeño de
las herramientas de OpenDroneMap para normalizar colores contribuyó a que el método simple
de clasificación binaria tuviera buen desempeño (Markov et al., 2025; Radócz et al., 2024;
Hernandez et al., 2024). Sin embargo, Random Forest ofreció bordes más definidos en las
imágenes segmentadas y mejor continuidad en surcos, aportando mayor confiabilidad para
posibles usos cartográficos (Savitha et al., 2025) o de estudio de variabilidad espacial (Xie et
al., 2025).
DOI: https://doi.org/10.71112/5yx9sp43
81 Revista Multidisciplinar Epistemología de las Ciencias | Vol. 3, Núm. 3, 2026, julio-septiembre, Edición Especial
El modelo K-Means fue utilizado para generar una máscara no supervisada de pseudo
ground-truth con la intención de generar una alternativa de bajo costo. Se logró obtener una
buena segmentación visual de las imágenes, aunque con métricas de calidad inferiores a las de
Random Forest. El posterior uso de este recurso como insumo para el entrenamiento de redes
neuronales complejas como DNN y CNN+MobileNet obtuvo un rendimiento limitado en la
predicción de datos de LAI y GNDVI. Se identificó que una mayor cantidad de datos y una
configuración más robusta del entrenamiento podrían haber mejorado la calidad de los
resultados, pero esto habría añadido más complejidad a una solución informática que buscaba
ser asequible para aplicaciones de agricultura de subsistencia.
Los hallazgos del presente estudio brindan un aporte específico para la selección y
articulación de un conjunto combinado de tecnologías que constituyan una herramienta
integrada de apoyo al monitoreo del desarrollo de cultivos de maíz y la detección temprana de
posibles problemas agronómicos, determinando la conveniencia técnica de distintos métodos
de software para la extracción y análisis de datos. Este tema se ha convertido en sujeto de gran
interés y distintos estudios reportan resultados comparables a pesar de poseer enfoques
metodológicos diferentes (Deng et al., 2024; Buthelezi et al., 2023). El uso de drones para la
captura de imágenes multiespectrales que permitan medir la reflectancia de clorofila como
indicador de salud vegetal, resulta muy práctico pero a su vez requiere de tecnologías
complementarias de softwrae que normalicen los datos, los seleccionen adecuadamente y que
permitan una evaluación rápida, confiable y de bajo costo para la obtención de datos técnicos
que promuevan la toma informada de decisiones agronómicas.
CONCLUSIONES
Este estudio demostró que, al analizar cultivos de maíz bajo condiciones de
producción tradicional utilizando imágenes multiespectrales con colores normalizados, el
DOI: https://doi.org/10.71112/5yx9sp43
82 Revista Multidisciplinar Epistemología de las Ciencias | Vol. 3, Núm. 3, 2026, julio-septiembre, Edición Especial
método Binary Threshold permitió una buena representación y predicción de la tendencia
fenológica de índices como LAI y GNDVI. Por su parte, Random Forest proporcionó una
segmentación acertada y con buena capacidad de predicción de índices vegetativos,
generando máscaras más precisas y confiables para otros usos basados en tecnologías de
reconocimiento de imágenes. El rendimiento limitado de modelos DNN y CNN+MobileNet se
asoció al uso de pseudoetiquetas de K-Means; mejorar la calidad de máscaras y aplicar
transfer learning podría haber mejorado esa situación, pero posiblemente sin superar la
practicidad y rapidez de Random Forest. Finalmente, el análisis de datos provenientes de
imágenes normalizadas es posible en términos del desarrollo fenológico de cultivos a lo largo
del tiempo, pero su adopción como herramienta de apoyo para la toma de decisiones en campo
requiere soluciones prácticas y accesibles, para lo cual Random Forest equilibra precisión y
costo.
Declaración de conflicto de interés
El autor declara no tener ningún conflicto de interés relacionado con esta investigación.
Declaración de uso de inteligencia artificial
El autor declara que utilizó la inteligencia artificial como apoyo para este artículo y para
el análisis de datos, dada la temática. Sin embargo, esta herramienta no sustituye de ninguna
manera la tarea o proceso intelectual. Después de rigurosas revisiones con diferentes
herramientas en la que se comprobó que no existe plagio como constan en las evidencias, el
autor manifiesta y reconoce que este trabajo fue producto de un trabajo intelectual propio, que
no ha sido escrito ni publicado en ninguna plataforma electrónica o de IA.
DOI: https://doi.org/10.71112/5yx9sp43
83 Revista Multidisciplinar Epistemología de las Ciencias | Vol. 3, Núm. 3, 2026, julio-septiembre, Edición Especial
REFERENCIAS
Bolfe, L., Parreiras, C., daSilva, L., Sano, E., Maranhão, G., Victoria, C, Del’Arco, I., & Eduardo
Vicente, L. (2023). Mapping Agricultural Intensification in the Brazilian Savanna: A
Machine Learning Approach Using Harmonized Data from Landsat Sentinel-2. ISPRS
International Journal of Geo-Information. https://doi.org/10.3390/ijgi12070263
Buthelezi, S., Mutanga, O., Sibanda, M., Odindi, J., Clulow, A. D., Chimonyo, V. G. P., &
Mabhaudhi, T. (2023). Assessing the Prospects of Remote Sensing Maize Leaf Area
Index Using UAV-Derived Multi-Spectral Data in Smallholder Farms across the
Growing Season. Remote Sensing, 15(6), 1597. https://doi.org/10.3390/rs15061597
Cedric, S., Hamilton, W. Y., Aworka, R., Thouakesseh, J., Kalala, F., Krichen, M., & Mberi, C. L.
(2022). Crops yield prediction based on machine learning models: Case of West
African countries. Smart Agricultural Technology.
https://doi.org/10.1016/j.atech.2022.100049
Chen, J., Liu, X., Du, S., Ma, Y., Liu, L. (2021). Effects of drought on the relationship between
photosynthesis and chlorophyll fluorescence for maize. IEEE Journal of Selected
Topics in Applied Earth Observations and Remote Sensing.
https://doi.org/10.1109/JSTARS.2021.3123111
Chen, S., Liu, W., Feng, P., Ye, T., Ma, Y., & Zhang, Z. (2022). Improving Spatial
Disaggregation of Crop Yield by Incorporating Machine Learning with Multisource Data:
A Case Study of Chinese Maize Yield. Remote Sensing.
https://doi.org/10.3390/rs14102340
Cheng, Q., Xu, H., Fei, S., Li, Z., & Chen, Z. (2022). Estimation of Maize LAI Using Ensemble
Learning and UAV Multispectral Imagery under Different Water and Fertilizer
Treatments. Agriculture. https://doi.org/10.3390/agriculture12081267
DOI: https://doi.org/10.71112/5yx9sp43
84 Revista Multidisciplinar Epistemología de las Ciencias | Vol. 3, Núm. 3, 2026, julio-septiembre, Edición Especial
Danilevicz, M., Bayer, P., Boussaid, F., Bennamoun, M., & Edwards, D. (2021). Maize yield
prediction at an early developmental stage using multispectral images and genotype
data for preliminary hybrid selection. Remote Sensing, 13(19), 3976.
https://doi.org/10.3390/rs13193976
Darwin, B., Dharmaraj, P., Prince, S., Popescu, D. E., & Hemanth, D. J. (2021). Recognition of
bloom/yield in crop images using deep learning models for smart agriculture: A review.
Agronomy, 11(4), 646. https://doi.org/10.3390/agronomy11040646
Deng, H., Zhang, W., Zheng, X., & Zhang, H. (2024). Crop Classification Combining Object-
Oriented Method and Random Forest Model Using Unmanned Aerial Vehicle (UAV)
Multispectral Image. Agriculture, 14(4), 548.
https://doi.org/10.3390/agriculture14040548
DeSalvio, A., Adak, A., C. Murray, S., C. Wilde, S., & Isakeit, T. (2022). Phenomic data-
facilitated rust and senescence prediction in maize using machine learning algorithms.
Scientific Reports. https://doi.org/10.1038/s41598-022-11591-0
Du, L., Yang, H., Song, X., Wei, N., Yu, C., Wang, W., & Zhao, Y. (2022). Estimating leaf area
index of maize using UAV-based digital imagery and machine learning methods.
Scientific Reports, 12, 15937. https://doi.org/10.1038/s41598-022-20299-0
Guo, Y., Yin, G., Sun, H., Wang, H., Chen, S., Senthilnath, J., Wang, J., & Fu, Y. (2020).
Scaling effects on chlorophyll content estimations with RGB camera mounted on a
UAV platform using machine-learning methods. Sensors.
https://doi.org/10.3390/s20185130
Hernandez, A., Bushman, S., Johnson, P., Robbins, M. D., & Patten, K. (2024). Prediction of
Turfgrass Quality Using Multispectral UAV Imagery and Ordinal Forests: Validation
Using a Fuzzy Approach. Agronomy, 14(11), 2575.
https://doi.org/10.3390/agronomy14112575
DOI: https://doi.org/10.71112/5yx9sp43
85 Revista Multidisciplinar Epistemología de las Ciencias | Vol. 3, Núm. 3, 2026, julio-septiembre, Edición Especial
Huang, S., Tang, L., Hupy, J. P., Wang, Y., & Shao, G. (2021). A commentary review on the use
of normalized difference vegetation index (NDVI) in the era of popular remote sensing.
Journal of Forestry Research, 32, 1-12. https://doi.org/10.1007/s11676-020-01155-1
Hunt, E. R., Jr., Hively, W. D., Fujikawa, S. J., Linden, D. S., Daughtry, C. S. T., & McCarty, G.
W. (2010). Acquisition of NIR-green-blue digital photographs from unmanned aircraft
for crop monitoring. Remote Sensing, 2(1), 290-305. https://doi.org/10.3390/rs2010290
Kim, N., Na, S., Park, C., Huh, M., Oh, J., Ha, K., Cho, J., & Lee, Y. (2020). An artificial
intelligence approach to prediction of corn yields under extreme weather conditions
using satellite and meteorological data. Applied Sciences, 10(11), 3785.
https://doi.org/10.3390/app10113785
Liu, J., Goering, C. E., & Tian, L. (2001). A neural network for setting target corn yields.
Transactions of the American Society of Agricultural Engineers, 44(3), 705–710.
https://doi.org/10.13031/2013.6097
Markov, N., Yorgov, D., Veleva, P., Petrova, A., & Atanasova, S. (2025). Assessing the
applicability of drone-mounted multispectral camera measurements to characterize
wheat status during the vegetation. AGRICULTURAL SCIENCE AND TECHNOLOGY,
17(1), 81-86.
Marques, A. P., Prado, L., Garcia, D. E., Nunes, W., Cordeiro, D., Ribeiro, L. P., Silva, C. A. d.,
Capristo, G., Li, J., Rojo, F. H., Marcato, J. & Pistori, H. (2020). A random forest
ranking approach to predict yield in maize with UAV-based vegetation spectral indices.
Computers and Electronics in Agriculture.
https://doi.org/10.1016/j.compag.2020.105791
Mndela, Y., Ndou, N., & Nyamugama, A. (2023). Irrigation scheduling for small-scale crops
based on crop water content patterns derived from UAV multispectral imagery.
Sustainability, 15(15), 12034. https://doi.org/10.3390/su151512034
DOI: https://doi.org/10.71112/5yx9sp43
86 Revista Multidisciplinar Epistemología de las Ciencias | Vol. 3, Núm. 3, 2026, julio-septiembre, Edición Especial
Mohanty, S., Ghosh, H., Rahat, I. S., & Reddy, C. V. R. (2023). Advanced deep learning models
for corn leaf disease classification: A field study in Bangladesh. Engineering
Proceedings, 3(5), 59–69. https://doi.org/10.3390/engproc2023059069
Nan, F., Song, Y., Yu, X., Nie, C., Liu, Y., Bai, Y., Zou, D., Wang, C., Yin, D., Yang, W., & Jin, X.
(2023). A novel method for maize leaf disease classification using the RGB-D post-
segmentation image data. Frontiers in Plant Science.
https://doi.org/10.3389/fpls.2023.1268015
Nowakowski, A., Mrziglod, J., Spiller, D., Bonifacio, R., Ferrari, I., Mathieu, P. P., Garcia-
Herranz, M., & Kim, D.-H. (2021). Crop type mapping by using transfer learning.
International Journal of Applied Earth Observations and Geoinformation, 101, 102313.
https://doi.org/10.1016/j.jag.2021.102313
Pan, S., Qiao, J., Wang, R., Yu, H., Wang, C., Taylor, K., & Pan, H. (2022). Intelligent diagnosis
of northern corn leaf blight with deep learning model. Journal of Integrative Agriculture,
21(1), 637–707. https://doi.org/10.1016/S2095-3119(21)63707-3
Radia, B., Assia, B., Narimene, S. R, & Ali, G. (2024). Evaluation of the Biochemical and
Antioxidant Behaviour of Four Species Chenopodium quinoa Willd, Zea mays L.,
Triticosecale wittmack and Hordeum vulgare L. Effected by Oxidative Stress Caused
by Water Stress. Basrah Journal of Agricultural Sciences, 37(2), 113–123.
https://doi.org/10.37077/25200860.2024.37.2.10
Radócz, L., Juhász, C., Tamás, A., Illés, Á., Ragán, P., & Radócz, L. (2024). Multispectral UAV-
Based Disease Identification Using Vegetation Indices for Maize Hybrids. Agriculture,
14(11), 2002. https://doi.org/10.3390/agriculture14112002
Savitha, C., & Talari, R. (2025). Evaluating the performance of random forest, support vector
machine, gradient tree boost, and CART for improved crop-type monitoring using
DOI: https://doi.org/10.71112/5yx9sp43
87 Revista Multidisciplinar Epistemología de las Ciencias | Vol. 3, Núm. 3, 2026, julio-septiembre, Edición Especial
greenest pixel composite in Google Earth Engine. Environmental Monitoring and
Assessment, 197(4), 1-25.
Shao, G., Han, W., Zhang, H., Zhang, L., Wang, Y., & Zhang, Y. (2022). Prediction of maize
crop coefficient from UAV multisensor remote sensing using machine learning
methods. Agricultural Water Management. https://doi.org/10.1016/j.agwat.2022.108064
Shuai, G., & Basso, B. (2022). Subfield maize yield prediction improves when in-season crop
water deficit is included in remote sensing imagery-based models. Remote Sensing of
Environment, 268, 112938. https://doi.org/10.1016/j.rse.2022.112938
Tseng, H., Yang, M., Saminathan, R., Hsu, Y., Yang, C., & Wu, D. (2022). Rice seedling
detection in UAV images using transfer learning and machine learning. Remote
Sensing, 14(12), 2837. https://doi.org/10.3390/rs14122837
Ubilava, D. & Abdolrahimi, M. (2019). The el niño impact on maize yields is amplified in lower
income teleconnected countries. Environmental Research Letters.
https://doi.org/10.1088/1748-9326/ab0cd0
Xie, Y., Nhu, A. N., Song, X. P., Jia, X., Skakun, S., Li, H., & Wang, Z. (2025). Accounting for
spatial variability with geo-aware random forest: A case study for US major crop
mapping. Remote Sensing of Environment, 319, 114585.
