Cada vez que alguien nos pregunta si pueden usar el dron que ya tienen —generalmente un DJI Phantom 4 Pro o un Mavic 3, cámaras RGB de alta resolución— para monitorear sigatoka en sus bloques, la respuesta honesta requiere un poco más de explicación que un simple sí o no. La cámara del dron tiene que ver con la pregunta que uno le está haciendo al campo, y si la pregunta es "¿dónde está el estrés foliar pre-sintomático por Mycosphaerella fijiensis?", la cámara RGB —sin importar cuántos megapíxeles tenga— no es el instrumento adecuado.
Esto no es una limitación de las cámaras RGB de última generación. Es una limitación física del rango espectral que capturan. Entender por qué requiere entender qué le pasa a la hoja de banano cuando el hongo la está infectando, antes de que el síntoma sea visible.
Cómo ve el ojo humano y cómo ve la planta enferma
El ojo humano detecta radiación electromagnética en el rango aproximado de 380 a 750 nm: desde el violeta hasta el rojo profundo. Dentro de ese rango, distingue principalmente la presencia o ausencia de clorofila (que absorbe en azul ~450 nm y en rojo ~670 nm y refleja en verde ~550 nm), necrosis tisular (pardo oscuro), y variación de turgencia foliar visible como cambios en el brillo superficial.
Las cámaras RGB de dron capturan exactamente esos tres canales: rojo, verde, azul. Cámaras como la del DJI Mavic 3 Multispectral tienen una cámara RGB de 20 MP con sensores de nitidez y color excelentes. Para fotografía de alta resolución, identificación de daño mecánico severo, conteo de plantas, mapeo topográfico y detección de manchas de agua, esa calidad es completamente adecuada.
Pero la infección por M. fijiensis en fase pre-sintomática no altera primero el color visible de la hoja. Altera primero la arquitectura del mesófilo, que es la estructura interna de la hoja responsable de la reflectancia en el infrarrojo cercano (NIR, 780–900 nm). Esa zona del espectro es invisible para el ojo humano y para cualquier sensor que solo capture los tres canales RGB.
Las cinco bandas que necesita el diagnóstico
Un sensor multiespectral agrícola como la Micasense RedEdge-MX captura cinco bandas simultáneas: azul (475 nm), verde (560 nm), rojo (668 nm), Red Edge (717 nm) y NIR (840 nm). Cada banda captura información diferente sobre el estado fisiológico de la planta:
- Azul y verde: información sobre clorofila superficial y turgencia foliar. Similar a lo que ve el ojo humano.
- Rojo: absorción principal de la clorofila. Base del cálculo de NDVI.
- Red Edge (717 nm): la zona de transición entre la absorción en rojo y el plateau NIR. Sensible a cambios tempranos en la actividad clorofílica y al "blue shift" que ocurre cuando el mesófilo está bajo estrés.
- NIR (840 nm): reflectancia del mesófilo. En una hoja sana, refleja alta cantidad de NIR por la estructura de células de aire del parénquima esponjoso. Cuando esa estructura empieza a colapsar —como ocurre en la infección fúngica temprana— la reflectancia NIR cae de forma detectable.
Las bandas RGB son las primeras tres. El diagnóstico de sigatoka pre-sintomática requiere las cinco.
Un escenario concreto sobre el mismo lote
Imaginemos un lote de 30 ha de banano Cavendish en el municipio de Turbo, volado el mismo día con dos cámaras: una RGB de alta resolución y una Micasense RedEdge-MX. La cámara RGB produce un ortomosaico de aspecto homogéneo: el dosel aparece verde, uniforme, sin variaciones de color apreciables. No hay manchas amarillas visibles, no hay necrosis. El lote parece sano.
El ortomosaico multiespectral, procesado y calculados los índices espectrales, revela en el sector noreste del lote —aproximadamente 1.5 ha— una reducción del NDRE de 0.038 unidades respecto a la mediana del bloque, acompañada de una caída de la reflectancia NIR media de 0.06 unidades y un coeficiente de variación NIR intra-sub-bloque elevado respecto al resto del lote. El índice de severidad compuesto para ese sector es naranja.
Cuatro días después, el agrónomo que recorre ese sector encuentra hojas en estadío 2 de Gauhl en el 6% de las plantas revisadas. El resto del lote, en la misma inspección, está en estadío 1 o limpio. La cámara RGB, en el vuelo de ese mismo día, sigue sin mostrar diferencia visual apreciable entre ese sector y el resto del lote.
Ese es el tipo de escenario que justifica el sensor multiespectral. No es un escenario imaginario: es el patrón que vemos repetido en vuelos sobre fincas con presión activa de sigatoka.
Por qué la resolución en megapíxeles no resuelve el problema
Un error conceptual frecuente es pensar que una cámara RGB de 48 o 64 megapíxeles podría detectar lo que una de 20 no detecta. En términos espectrales, más megapíxeles no añaden nuevas bandas: siguen siendo los mismos tres canales (rojo, verde, azul) con más píxeles por unidad de área. La información espectral es idéntica; solo la resolución espacial aumenta.
Mayor resolución espacial sí tiene valor para otras aplicaciones: conteo de plantas, detección de daño mecánico a nivel de hoja individual, identificación de malezas. Pero para la detección de estrés espectral pre-sintomático, la resolución espacial que necesitamos ya la tenemos con el sensor multiespectral a 80 m de altura —5–6 cm/px—, y el factor limitante no es la resolución espacial sino el rango espectral.
No estamos diciendo que los drones con cámara RGB sean inútiles en la agricultura. Para muchas tareas —topografía, conteo de plantas, detección de encharcamiento, inspección de canales de drenaje— son perfectamente adecuados y económicamente más accesibles que los sistemas multiespectrales. Lo que sí decimos es que para diagnóstico de sigatoka con ventana de detección pre-sintomática, la cámara RGB es el instrumento equivocado para el trabajo.
El costo del sensor correcto
El argumento más legítimo que escuchamos sobre la cámara RGB en este contexto es el económico. Una Micasense RedEdge-MX tiene un costo de adquisición varias veces mayor que una cámara RGB de alta gama. Para un productor o una empresa de servicios de drones que quiere empezar a ofrecer monitoreo agrícola, esa diferencia de costo es real y relevante.
El contrapunto que vale la pena considerar es cuál es el costo de un diagnóstico incorrecto. En una finca de 600 ha de banano de exportación con un programa de fungicidas que cuesta varios millones de pesos mensuales, la diferencia entre aplicar de forma focalizada (donde el inóculo está) y de forma uniforme (en todos los bloques, por igual) puede ser del 30–40% del costo de insumos en ciclos de alta presión. Si el monitoreo RGB genera un reporte que dice "lote sano" cuando el lote tiene focos pre-sintomáticos activos, ese diagnóstico no solo es inútil: es económicamente costoso porque la infestación avanza sin respuesta.
La cámara es el sensor, no la solución
Una nota final que nos parece importante: el sensor multiespectral es condición necesaria pero no suficiente para el diagnóstico que describimos. La calidad del diagnóstico depende también de la calibración radiométrica correcta en campo, de la consistencia de las condiciones de vuelo, del modelo de clasificación entrenado con datos de campo colombiano, y de la interpretación agronómica del reporte. Un ortomosaico multiespectral producido con mala calibración o en condiciones de nubosidad variable puede generar índices espectrales tan poco confiables como una imagen RGB bien tomada.
La cámara multiespectral da acceso a las bandas que el diagnóstico requiere. Qué se hace con esas bandas —cómo se procesan, cómo se calibran, cómo se interpretan— determina si el reporte final tiene valor agronómico real o es simplemente un mapa de colores más sofisticado. Ese es exactamente el trabajo que hacemos en Sioma: el procesamiento, la calibración y la interpretación agronómica de la señal espectral que el sensor captura.