La Universidad de Georgia desarrolla dispositivos capaces de registrar señales químicas y fisiológicas directamente en las plantas para anticipar respuestas a sequía, enfermedades, insectos y deficiencias nutricionales
Redacción: Redacción Mundo Agropecuario BET
Editor: Eduardo Schmitz
Investigadores de la Universidad de Georgia, en Estados Unidos, están desarrollando una nueva generación de sensores agrícolas diseñados para detectar cambios dentro de las plantas antes de que el estrés resulte evidente a simple vista. El trabajo dirigido por el profesor Liang Dong busca medir en tiempo real señales relacionadas con sequía, enfermedades, insectos, nutrición, transpiración y actividad fotosintética, con el objetivo de convertir la respuesta fisiológica del cultivo en información útil para la agricultura de precisión.
La propuesta cambia el lugar desde el que se observa el cultivo. En vez de depender exclusivamente de estaciones meteorológicas, sensores de suelo, imágenes aéreas o inspecciones visuales, los dispositivos estudian señales producidas por la propia planta. La Universidad de Georgia presentó el 2 de octubre de 2026 esta línea de investigación como parte del trabajo de Dong en el Institute for Integrative Precision Agriculture.
El enfoque complementa tecnologías que ya observan los cultivos desde otras escalas. En septiembre, por ejemplo, investigadores estadounidenses probaron drones con sensores capaces de anticipar señales de estrés vegetal mediante mediciones térmicas y ópticas. Los dispositivos desarrollados por el equipo de Dong buscan acercarse todavía más a la fisiología de la planta.
Los sensores registran las señales que produce la planta
Dong compara el concepto con los dispositivos portátiles utilizados para seguir variables fisiológicas en personas. Un reloj inteligente puede registrar señales del organismo y convertirlas en datos; en agricultura, la idea consiste en colocar sensores alrededor o directamente sobre la planta para observar cómo responde internamente a las condiciones del entorno.
Entre las variables que los sistemas experimentales pueden detectar figuran especies reactivas de oxígeno, fitohormonas y compuestos volátiles. Estas señales forman parte de redes bioquímicas que intervienen en el crecimiento, el desarrollo y las respuestas de las plantas frente a diferentes tipos de estrés.
Los sensores también pueden medir niveles de nutrientes, transpiración y actividad fotosintética. El interés no está únicamente en acumular datos, sino en determinar si determinadas variaciones aparecen suficientemente temprano como para proporcionar una alerta antes de que las hojas, tallos o frutos presenten síntomas visibles.
La instrumentación directa de las plantas ya empieza a adoptar formas diversas. En Bélgica, sensores extensibles de metal líquido fueron colocados directamente sobre peras para registrar cambios de crecimiento inferiores a un milímetro, mostrando cómo la medición agrícola puede trasladarse desde el entorno hasta el propio organismo vegetal.
Sequía y bioseguridad agrícola son dos objetivos prioritarios
Desde su llegada a Georgia, Dong ha trabajado con agricultores, investigadores de cultivos y especialistas de la extensión universitaria para identificar problemas en los que estos sensores puedan tener una aplicación práctica. Entre las prioridades señaladas aparecen la gestión del agua durante las sequías y la bioseguridad de los cultivos.
Georgia combina periodos propensos a la sequía con condiciones cálidas y húmedas que pueden favorecer diferentes presiones sobre la producción agrícola. En las zonas costeras se añade además el problema de la salinidad. Esa diversidad permite evaluar cómo responden los sistemas de detección ante diferentes tipos de estrés y ambientes productivos.
La pregunta que el equipo pretende responder es si una planta puede revelar mediante sus señales internas que está sufriendo una alteración antes de mostrar síntomas externos. Si esa anticipación se valida en condiciones agrícolas, el productor podría disponer de más tiempo para investigar la causa y decidir si necesita ajustar el riego, comprobar una enfermedad, vigilar insectos o modificar otra práctica de manejo.
Un principio semejante se aplica al diagnóstico nutricional. La agricultura digital está avanzando desde análisis puntuales hacia mediciones continuas, como demuestra un sensor desarrollado para medir nitrato directamente en el suelo en tiempo real. La línea de Georgia añade información procedente de la respuesta del cultivo y no solamente del medio que rodea sus raíces.
Detectar el estrés no significa identificar automáticamente su causa
La capacidad de medir una señal fisiológica no implica que un sensor pueda diagnosticar por sí solo todos los problemas de una planta. Diferentes factores pueden desencadenar respuestas parcialmente similares, y una misma variable puede cambiar por la interacción entre genética, ambiente, etapa de crecimiento y manejo.
Esta es una de las razones por las que Dong plantea la agricultura de precisión como un trabajo interdisciplinario. El desarrollo de sensores requiere ingeniería, pero interpretar qué señales son realmente relevantes exige conocimientos de fisiología vegetal, agronomía y sanidad de cultivos. Posteriormente, la inteligencia artificial y la ciencia de datos pueden contribuir a combinar las mediciones y convertirlas en información manejable.
Una revisión científica publicada el 1 de octubre de 2026 en la revista Sensors coincide en esa cautela. El análisis de sensores portátiles para plantas advierte que una elevada sensibilidad analítica o la capacidad de mantener un dispositivo adherido durante un periodo corto no demuestran por sí solas que la tecnología esté preparada para utilizarse comercialmente en campo.
Los autores de esa revisión identifican desafíos como la deriva de las mediciones, la calibración, la integración temporal de diferentes señales y la necesidad de comprobar si unas pocas plantas instrumentadas representan adecuadamente lo que ocurre en una parcela completa.
Del sensor individual a una red de vigilancia del cultivo
Uno de los objetivos a largo plazo consiste en desarrollar sistemas de detección continua que comuniquen lo que está ocurriendo dentro del cultivo y relacionen esas señales con recomendaciones de manejo. Para alcanzar ese nivel será necesario determinar cuántas plantas deben monitorizarse, dónde colocar los sensores y cómo extrapolar las mediciones al resto del terreno.
La revisión publicada en Sensors propone el concepto de nodos fisiológicos centinela: plantas seleccionadas que actuarían como puntos de observación dentro de un cultivo. Antes de utilizar ese planteamiento a gran escala, será necesario comprobar experimentalmente hasta qué punto las señales obtenidas en esos individuos representan la variabilidad existente dentro de la parcela.
La agricultura de precisión ya trabaja con observaciones a distintas escalas. Los drones pueden cubrir rápidamente superficies extensas; los robots terrestres pueden penetrar dentro del dosel; los sensores de suelo miden las condiciones de la zona radicular; y los nuevos dispositivos portátiles pretenden registrar directamente procesos fisiológicos.
Esta complementariedad se observa también en la robótica agrícola. Un proyecto de Southern Illinois University utiliza un robot con cámaras e inteligencia artificial para estudiar enfermedades de la soja desde ángulos que los drones no pueden observar adecuadamente. Cada plataforma obtiene una parte distinta de la información necesaria para interpretar el estado del cultivo.
Los datos deberán transformarse en decisiones de riego y manejo
Una aplicación especialmente concreta es el riego. Las plantas comienzan a modificar procesos fisiológicos cuando experimentan déficit hídrico, por lo que una detección suficientemente temprana podría aportar información adicional para decidir cuándo y cuánto regar.
El Departamento de Agricultura de Estados Unidos ya financia trabajos en los que participan la Universidad de Georgia, Iowa State University y la Universidad de Nebraska-Lincoln para combinar pequeños sensores, electrónica, software y aprendizaje automático. Una de las líneas desarrolladas previamente por Dong utiliza sensores aplicados a las plantas para obtener mediciones directas de su uso del agua.
El objetivo es reducir la distancia entre una medición y una decisión agronómica. Conocer la humedad del suelo proporciona una parte del diagnóstico, pero saber cómo está reaccionando la planta puede añadir otra capa de información para determinar si realmente está experimentando estrés.
Una lógica semejante aparece en otros sistemas de agricultura de precisión, donde la inteligencia artificial combina datos agrícolas para ajustar decisiones dentro de una misma parcela. En ambos casos, el desafío consiste en pasar de grandes cantidades de mediciones a recomendaciones que tengan una utilidad operativa demostrable.
La inteligencia artificial será necesaria para interpretar múltiples señales
Si los sensores registran simultáneamente fitohormonas, compuestos volátiles, nutrientes, transpiración, fotosíntesis y variables ambientales, la cantidad de información puede superar rápidamente lo que un productor podría interpretar manualmente.
Los modelos computacionales pueden buscar relaciones entre esas señales y estados conocidos de las plantas. Sin embargo, para que una inteligencia artificial diferencie de manera fiable una respuesta a sequía de una enfermedad o una deficiencia nutricional necesita conjuntos de datos suficientemente amplios, experimentos controlados y validación independiente en campo.
La integración de distintas fuentes ya está siendo utilizada para resolver otros problemas agrícolas. En Corea del Sur, una inteligencia artificial fusionó imágenes de drones con mediciones LiDAR de robots para localizar equipos y construir mapas digitales de huertos con precisión de pocos centímetros.
En el caso de los sensores fisiológicos, la fusión de datos tendría otro propósito: interpretar el estado de la planta. El valor final dependerá de que los modelos puedan distinguir señales relevantes del ruido producido por temperatura, humedad, edad de los tejidos, variedad, manejo y otras fuentes de variación.
La validación en campo determinará la utilidad de los sensores
La Universidad de Georgia plantea que el éxito de esta tecnología no debe medirse por el número de sensores desarrollados, sino por su capacidad para ayudar a los productores a tomar mejores decisiones, mejorar la productividad y utilizar con mayor eficiencia recursos como agua, fertilizantes y productos fitosanitarios.
Para llegar a ese punto será necesario avanzar desde experimentos sobre órganos y plantas individuales hacia ensayos replicados en condiciones productivas. También habrá que evaluar duración de los dispositivos, mantenimiento, conectividad, costos, calibración y resistencia frente a lluvia, radiación solar, polvo y cambios de temperatura.
La investigación de Dong busca precisamente conectar el desarrollo de sensores con especialistas agrícolas, productores y sistemas de análisis de datos. El planteamiento sitúa a la planta como una fuente directa de información: en lugar de esperar a que una alteración sea suficientemente intensa para verla, la agricultura digital intenta reconocer las señales fisiológicas que aparecen mientras el cultivo comienza a responder.
Fuentes referenciales:
University of Georgia
Sensors
USDA National Institute of Food and Agriculture
