Clasificación del déficit hídrico en plantas de arándano mediante termografía de bajo costo e inteligencia artificial

Resumen

Introducción. El estrés por déficit hídrico es un factor limitante en la producción de arándano (Vaccinium corymbosum L. ‘Biloxi’). La termografía infrarroja detecta este estrés, pero su alto costo limita su adopción. Objetivo. Desarrollar y validar un sistema de bajo costo, basado en termografía de baja resolución y una arquitectura de red neuronal multicapa, para la clasificación automática del estado hídrico en plantas de arándano bajo condiciones controladas. Materiales y métodos. Se utilizó un diseño longitudinal de caso único, estructurado como prueba de concepto computacional, con una planta ‘Biloxi’ en un microinvernadero en Cundinamarca, Colombia, durante 53 días, entre junio y agosto de 2025. Un microcontrolador gestionó un sensor térmico matricial (32 × 24 píxeles), sensores ambientales y una cámara RGB, y registró datos cada 20 min. Se generó un conjunto de datos etiquetado (“sana” o “estresada”) mediante un índice empírico de estrés hídrico del cultivo. Se entrenó una red neuronal multicapa con arquitectura 768-30-1. Resultados. El modelo alcanzó el error cuadrático medio deseado en once épocas. La precisión de validación final fue del 99,34 %. La matriz de confusión mostró cuatro falsos negativos y un falso positivo, lo cual evidenció la capacidad de discriminación. Conclusiones. Los patrones térmicos de baja resolución contienen información suficiente para que una red neuronal multicapa clasifique el estado hídrico en plantas de arándano bajo condiciones controladas. Esta metodología constituye una alternativa de bajo costo y accesible para la agricultura de precisión.