Predicción de cosechas con inteligencia artificial

Predicción de cosechas con inteligencia artificial: cómo saber cuánta fruta producirá su huerto

Saber cuántas cajas saldrán de un cuartel antes de que empiece la cosecha es una de las preguntas más caras de la fruticultura. De esa cifra dependen la contratación de temporeros, la reserva de bins y fletes, la programación del packing, los compromisos con recibidores y las negociaciones con exportadoras. Durante décadas se respondió con conteos manuales en unas pocas plantas y mucha experiencia. Hoy la predicción de cosechas con inteligencia artificial permite responderla con datos de cada árbol.

Cámaras montadas en tractores, drones y pulverizadores ya cuentan flores, frutitos y frutos de forma automática, y modelos de machine learning combinan esos conteos con clima e historial productivo. La tecnología es comercial, pero no es infalible. En los estudios independientes el error baja a cerca de 5% cuando la cosecha está próxima, y puede superar el 20% en etapas tempranas si el sistema no se calibra con conteos de campo. En este artículo de la serie Pulverización inteligente revisamos cómo funciona la predicción de cosechas, qué precisión muestran los ensayos, qué empresas la ofrecen en el mundo y en Chile, y cómo empezar a usarla con criterio.

1. Qué es la predicción de cosechas y por qué importa

La predicción de cosechas, también llamada estimación de rendimiento frutal (en inglés, yield forecasting), es el cálculo anticipado del volumen y calibre de fruta que producirá un huerto. No es solo un dato productivo: es una herramienta de gestión transversal. Permite dimensionar la mano de obra de raleo y cosecha, planificar logística y cámaras de frío, definir la estrategia comercial y respaldar seguros agrícolas o créditos.

Un estudio del Instituto Fraunhofer sobre cerezos recuerda que los datos de rendimiento sustentan decisiones de mano de obra, almacenaje, transporte y comercialización. También describe el método tradicional: contar o pesar muestras de áreas pequeñas y extrapolar al huerto completo [1].

Equivocarse tiene un costo comercial directo. Jim McDougall, cofundador de la agtech británica Outfield, explicó que incluso un día antes de cosechar, un productor de manzanas suele conocer su rendimiento con alrededor de 80% de exactitud. Por eso muchos comprometen menos fruta de la que realmente tienen, para no incumplir contratos [2]. En un mercado exportador como el chileno, donde los programas con recibidores se cierran con semanas de anticipación, un error de 20% en la estimación de rendimiento puede traducirse en fruta vendida a precio spot o en penalidades por volúmenes no entregados.

2. Métodos tradicionales de estimación de rendimiento frutal y sus límites

En Chile, la práctica habitual es contar dardos, flores, racimos o frutos en ramillas o plantas "representativas" y multiplicar por la densidad de plantación. En uva de mesa, la estimación se basa en conteos visuales de cargadores y racimos. En cerezos, un proyecto FIA de 2015 constataba que no existía una metodología formal de estimación de cosecha [3].

Las limitaciones de la estimación de rendimiento frutal manual son conocidas:

• Muestras pequeñas que no capturan la variabilidad entre hileras, portainjertos, edades de plantas o sectores de riego.
• Subjetividad del contador y fatiga en jornadas largas, que introducen sesgos difíciles de corregir.
• Costo y lentitud: una cuadrilla cuenta pocas plantas por hora, por lo que rara vez se repite el muestreo durante la temporada.
• Falta de trazabilidad espacial: el dato queda como promedio del cuartel y no como mapa útil para manejo diferenciado.

La empresa chilena de analítica agrícola ViLab señala que el método convencional suele errar entre 15% y 20% cuando se realiza un mes antes de cosecha, y que el error puede llegar a 30% si se hace en cuaja o brotación [4]. A nivel internacional, una revisión publicada en Computers and Electronics in Agriculture cita errores de hasta 66% en conteos manuales extrapolados [5]. Ese es el margen que la inteligencia artificial busca reducir.

3. Cómo funciona la predicción de cosechas con inteligencia artificial

Un sistema de predicción de cosechas con inteligencia artificial tiene tres capas: captura de imágenes y datos en el huerto, detección y conteo automático de órganos (yemas, flores, frutos) y un modelo que transforma esos conteos en una proyección de kilos y calibres. El siguiente diagrama resume el flujo.

3.1 Visión artificial y deep learning para el conteo de frutos

El núcleo del sistema es el conteo de frutos con IA. Redes neuronales de detección de objetos (familias YOLO o Faster R-CNN) y de segmentación (Mask R-CNN, U-Net) se entrenan con miles de imágenes etiquetadas para reconocer yemas, flores, frutitos y frutos. Luego, algoritmos de seguimiento evitan contar dos veces la misma fruta entre cuadros de video, y la georreferenciación GNSS asigna cada conteo a un árbol específico.

Como la cámara no ve toda la fruta, especialmente la que queda dentro del dosel, los sistemas aplican factores de corrección que se ajustan con conteos manuales de referencia. Esa calibración explica buena parte de la diferencia entre un buen y un mal resultado. Una revisión de 2026 en Frontiers in Plant Science sostiene que el aprendizaje profundo de extremo a extremo se convirtió en el paradigma dominante para estimar rendimiento en huertos [6].

3.2 Plataformas de captura de datos en el huerto

• Cámaras terrestres en tractor, cuadrimoto o pulverizador: ven ambos lados de la hilera de cerca. Varias usan iluminación estroboscópica para trabajar con cualquier luz, incluso de noche.
• LiDAR: mide altura, volumen y densidad del dosel, variables que ayudan a estimar la fruta oculta.
• Drones: rápidos para cubrir superficie, útiles en floración y en sistemas de conducción planos.
• Satélites (Sentinel-2 y otros) con índices como NDVI: no cuentan frutos, pero relacionan vigor del dosel con rendimiento a escala de cuartel o predio.
• Estaciones meteorológicas e IoT: aportan grados-día, horas frío, heladas y episodios de estrés térmico.

3.3 Modelos predictivos que integran conteo, clima e historial

El conteo por sí solo no basta. Los modelos de machine learning combinan el número de frutos con calibre, clima, suelo, fenología e historial productivo, y los modelos de crecimiento del fruto proyectan el calibre final a partir de mediciones sucesivas. La Universidad de Jaén, por ejemplo, desarrolló un modelo satelital para viñedos que en junio alcanza un error medio cercano a 11% [7]. En paltos, un estudio de 2025 en Limpopo, Sudáfrica, combinó imágenes Sentinel-2 y variables climáticas para anticipar años "on" y "off" de añerismo [8], un problema muy conocido en la palta Hass chilena.

4. Predicción de cosechas y pulverización inteligente

Aquí la predicción de cosechas y la pulverización inteligente se encuentran. Un pulverizador recorre todas las hileras varias veces por temporada. Si lleva cámaras, cada pasada puede dejar un inventario de flores y frutos por árbol sin costo de recorrido adicional, y ese inventario puede volver al mismo equipo convertido en una prescripción de dosis.

4.1 Raleo químico guiado por el conteo de frutos con IA

En mayo de 2024, investigadores de Penn State montaron la cámara Vivid XV3 en un vehículo utilitario para contar frutitos de manzano 'Fuji' en la Fruit Research and Experiment Station de Biglerville, Pensilvania. Según el paper, la plataforma logró aproximadamente 90% de exactitud al detectar y contar frutitos visibles. Con ese conteo generaron un mapa de prescripción para el pulverizador de tasa variable Intelligent Spray Application® de Hol Spraying Systems, que ajustó la dosis árbol por árbol. Ambos tratamientos lograron un raleo y un calibre comparables, pero el de precisión usó aproximadamente 18% menos raleador [9].

4.2 Pulverizadores que monitorean mientras aplican

• Kubota y Bloomfield Robotics. Kubota adquirió en 2024 la startup Bloomfield Robotics, cuyas cámaras se montan en tractores y vehículos agrícolas para estimar color, madurez, calibre y rendimiento planta por planta. La empresa declaró que la compra acelera su integración en tractores y pulverizadores [10]. Kubota también mostró un pulverizador autónomo que inspecciona plagas con la cámara Bloomfield mientras aplica [11].
• Mapas listos para el equipo. Plataformas como Green Atlas entregan archivos CSV, GeoJSON o shapefile para raleo, pulverización o fertilización de tasa variable [12]. Así, la agricultura de precisión deja de ser un informe y se convierte en una orden de trabajo.

5. Etapas de la predicción de cosechas durante la temporada

La estimación de rendimiento frutal no es una sola medición, sino una secuencia que se refina a lo largo del ciclo:

6. Precisión de la predicción de cosechas: lo que dicen los estudios

Al evaluar la precisión de la predicción de cosechas conviene distinguir entre cifras declaradas por las empresas y validaciones independientes. Las primeras suelen provenir de condiciones favorables; las segundas muestran el comportamiento real en distintas variedades, etapas y temporadas.

6.1 Manzano y cerezo

• Manzano: en manzanas 'ANABP 01', Agriculture Victoria y Green Atlas reportaron errores inferiores a 5% en número de flores, número de frutos y rendimiento [13]. La validación independiente de Bhalekar, Munguia de la Cruz, Sallato y Khot (WSU Tree Fruit, marzo de 2026, temporadas 2024 y 2025) fue más matizada. El error en calibre bajó de 15% a inicios de temporada a 2% cerca de cosecha. En el conteo de frutos de 2025 (Zillah, Washington, cv. Envi), el sistema estimó 100,7 frutos por árbol en cuaja temprana frente a 52,7 contados en campo. El error bajó a 20,4% a mitad de temporada y a 11,8% al final. El conteo de racimos florales sobreestimó 45% por un problema de calibración [12].
• Cerezo: es la especie más difícil. Frutos pequeños, agrupados en racimos y tapados por hojas hicieron fallar un método de conteo de última generación en el estudio de Fraunhofer [1].

6.2 Kiwi, cítricos, arándano y palto

• Kiwi: un sistema comercial en Italia sobreestimó el rendimiento en 15% y 6% en dos huertos [14].
• Cítricos: a nivel de árbol individual, el mejor modelo tuvo un error medio de 23%, pero a nivel de bloque la exactitud superó el 99% [15].
• Arándano: un modelo YOLOv8 alcanzó cerca de 93% de precisión media de detección en imágenes de dosel [16].
• Palto: índices de vegetación satelitales explicaron más de 68% de la variación del rendimiento por árbol en huertos australianos [17].

7. Empresas y plataformas de predicción de cosechas con IA

La oferta comercial creció rápido en los últimos años. Las cifras de exactitud que publican los proveedores son autodeclaradas y no auditadas, por lo que deben leerse como referencia y no como garantía.

7.1 Proveedores internacionales

• Green Atlas (Australia): su Cartographer combina LiDAR, cámaras con luz estroboscópica y GPS. Según WSU Tree Fruit, puede operar a 12,5 mph (unos 20 km/h) y cubrir hasta 15 acres (cerca de 6 ha) por hora [12].
• Outfield (Reino Unido): usa drones comerciales y declara un error menor a 5% en plantaciones de alta densidad [18].
• Aerobotics (Sudáfrica): estimación de rendimiento y calibre en cítricos con drones e imágenes de teléfono; declara hasta 95% de exactitud.
• Orchard Robotics (EE.UU.): su cámara FruitScope procesa imágenes a bordo con una computadora NVIDIA Jetson, útil donde la conectividad es limitada, y declara más de 95% de exactitud en predicción de rendimiento [19]. En septiembre de 2025 anunció una Serie A de US$22 millones liderada por Quiet Capital y Shine Capital, con lo que su financiamiento total supera los US$25 millones; su tecnología, nacida en manzanos y vides, se amplió a arándanos, cerezos, almendros, pistachos, cítricos y frutillas [20].
• Vivid Machines (Canadá) y Bloomfield/Kubota (EE.UU.): cámaras montables en cualquier vehículo, con foco en raleo y monitoreo.
• Hectre (Nueva Zelanda): su app Spectre mide calibre y color fotografiando bins y declara hasta 98,7% de exactitud [21].
• Agerpix (España): visión artificial para conteo y calibre; participa en el proyecto PreVid de uva de mesa con un robot cuadrúpedo.
• Tevel (Israel): robots voladores de cosecha que registran peso, calibre y color de cada fruta. Ocho de estos robots, montados en una plataforma de Darwin Harvesting Group, cosecharon manzanas en huertos de Unifrutti Chile en Linares entre marzo y mayo de 2023 [22].

7.2 Casos en Chile y Latinoamérica

• BigFrut (ANASAC Digital Solutions y Smartdici): cuenta dardos en cerezos, racimos en uva de mesa, frutos antes y después del raleo químico en manzanos, y frutos en ciruelos y kiwi. Se desarrolló junto a Agerpix y Green Atlas [23]. Entre sus usuarios figuran Tuniche Fruits, Greenvic y Uvanova [24].
• ASOEX, Subsole, Universidad Católica del Norte y SpaceAG: piloto con financiamiento Corfo para digitalizar el conteo de uva de mesa en Coquimbo con fotos y videos georreferenciados, con potencial de replicarse en cerezas [25]. Aún no hay resultados de precisión publicados.
• Universidad de O'Higgins: proyecto FIC con sensores LoRaWAN, cámaras y drones para contar dardos, flores y frutos de cerezo en San Fernando y Rengo, en la región que concentra cerca del 47% de la producción nacional [26].
• Universidad de Talca (Centro de Pomáceas): IA para evaluar nuevas variedades de manzano y cerezo en el Maule, con información para 2.293 productores a través de la plataforma Ikaros [27].

8. Beneficios, costos y barreras de adopción

Los beneficios más citados de la predicción de cosechas con inteligencia artificial son operativos: mejor dimensionamiento de cuadrillas, raleo más preciso, menor uso de insumos, packing y ventas planificados con calibres reales, y mapas de variabilidad que orientan la poda y la nutrición. El ahorro de aproximadamente 18% en raleador del ensayo de Penn State es un ejemplo medible [9].

Las barreras también son concretas:

• Costos de suscripción o arriendo de equipos por temporada; la mayoría de los proveedores no publica precios.
• Calibración obligatoria por variedad y sistema de conducción, con su curva de aprendizaje.
• Oportunidad de los resultados: un productor de Pensilvania que probó FruitScout reportó demoras en recibir datos durante la ventana de raleo [28].
• Conectividad rural: en Chile, el acceso rural a internet llegó a 94,5% en 2024, frente a 96,8% urbano, pero 51,4% de la población rural se conecta solo por celular [29]. Conviene preferir equipos que procesen en el borde o sincronicen después.

9. Cómo empezar con la predicción de cosechas en su huerto

1. Defina la decisión que quiere mejorar: raleo, contratación de cosecha o compromiso comercial. Cada una requiere una etapa de medición distinta.
2. Parta con un cuartel piloto representativo, de preferencia en conducción en eje o pared frutal, donde la visibilidad de la fruta es mejor.
3. Exija calibración con conteos manuales y compare la estimación contra los kilos reales cosechados. Ese es el único indicador de exactitud que importa.
4. Mida en al menos dos momentos (post-cuaja y precosecha) y combine los datos con registros históricos y clima.
5. Pregunte por la integración con su pulverizador, su software de gestión y los formatos de mapas de prescripción.
6. Evalúe dos temporadas antes de escalar. Una helada o un año de añerismo pueden distorsionar cualquier modelo.

10. Tendencias: gemelos digitales y robótica de cosecha

El siguiente paso son los gemelos digitales: réplicas virtuales de cada árbol que se actualizan con datos de sensores y permiten simular escenarios de manejo antes de aplicarlos en el campo. Plant & Food Research de Nueva Zelanda trabaja desde 2021 en un gemelo digital de huertos de manzano en cordón planar [30], y el proyecto alemán For5G hace lo propio en cerezos.

A esto se suma la robótica de cosecha, que convierte cada fruta cosechada en un dato y cierra el ciclo entre lo que se predijo y lo que realmente se obtuvo. La integración con plataformas de gestión permitirá conectar el conteo del pulverizador con la orden de trabajo, el plan de packing y el programa de ventas en un solo flujo de información.

11. Conclusión

La predicción de cosechas con inteligencia artificial dejó de ser experimental. Las cámaras ya cuentan flores y frutos árbol por árbol, los modelos integran clima e historial, y los ensayos muestran que un mapa de conteo puede guiar un pulverizador de tasa variable con ahorros medibles de raleador. Al mismo tiempo, la evidencia independiente es clara sobre sus límites: la precisión mejora a medida que se acerca la cosecha, el cerezo sigue siendo un desafío y ninguna plataforma funciona bien sin calibración con conteos de campo.

Para los huertos chilenos de exportación, la oportunidad está en aprovechar la maquinaria que ya recorre las hileras, en especial el pulverizador, y en tratar la estimación de rendimiento frutal como un proceso que se refina durante la temporada. Un piloto bien medido, comparado contra los kilos reales, es la forma más segura de saber si la herramienta reduce de verdad el margen de error frente al conteo manual y si se justifica escalarla.