04 — Publicaciones / Quinua

Investigación sobre la quinua

La quinua es un grano originario de los Andes de Sudamérica. Es muy nutritiva y resiste la sequía y el frío, por lo que despierta interés en todo el mundo.

Nuestro grupo estima el crecimiento y el rendimiento de la quinua a partir de imágenes tomadas con dron. Aquí presentamos tres artículos, cada uno con un vídeo de unos dos minutos.

Este trabajo forma parte de SATREPS Super Food Bolivia, un proyecto de investigación internacional con Bolivia.

2026

Estimar de forma sencilla el rendimiento de quinuas de muchos colores en parcelas de agricultores

En el Altiplano boliviano, entre 3.700 y 4.000 metros de altitud, intentamos predecir el rendimiento de la quinua en parcelas de agricultores mediante el análisis de imágenes de dron.

El análisis 3D es preciso, pero exige trabajo y mucho cálculo. Por eso mejoramos el análisis 2D convencional para estimar el rendimiento. El método combina dos índices de vegetación que captan la extensión horizontal de cada planta y, después, añade un paso que rellena los huecos dentro de cada planta. Así logramos una precisión comparable a la del método 3D.

¿Qué significa rellenar los huecos de una planta?
Vista desde arriba, cada planta de quinua muestra pequeños huecos por dentro. Al rellenarlos antes de medir cuánto se extiende la planta, un análisis 2D sencillo igualó la precisión del 3D.

UAV-based quinoa yield monitoring for smallholder fields via dual-vegetation-index hole-filling: A practical alternative to canopy surface modeling

Yamaguchi T.†, Yoshikawa Y.†, Kushino S., Villca M., Katsura K.

Remote Sensing Applications: Society and Environment 44, 102306 (2026)

† Primeros autores con igual contribución

2026

Predecir el rendimiento antes de la cosecha con aprendizaje automático

Cultivamos ocho variedades de quinua, muy distintas en color y forma, durante dos temporadas en una parcela de la Universidad de Agricultura y Tecnología de Tokio, en Fuchu (Tokio). A partir de imágenes de dron, medimos la forma de cada planta, como su altura y su volumen, junto con su color. Después, predijimos el rendimiento de cada planta con aprendizaje automático.

Como las variedades de quinua difieren mucho en color y forma, la información sobre la forma, como el volumen y la superficie, resultó más útil para la predicción que el color. Las imágenes tomadas en la floración dieron las predicciones más precisas. Incluso las imágenes del inicio del cultivo predijeron el rendimiento casi igual de bien.

¿Se puede predecir el rendimiento aunque las plantas tengan colores tan distintos?
La forma, como el volumen y la superficie de cada planta, ayudó más que el color. Las imágenes de la floración fueron las más precisas, y las del inicio del cultivo quedaron cerca.

Plant-level yield prediction of quinoa in field plots across growth stages using UAV-derived 3D structural and spectral features with machine learning

Sesay S., Yamaguchi T., Kushino S., Yoshikawa Y., Adachi S., Katsura K.

Smart Agricultural Technology 13, 101940 (2026)

2025

Estimar el crecimiento combinando datos 3D e información de color

Cultivamos ocho variedades de quinua, muy distintas en color y forma, en una parcela de la Universidad de Agricultura y Tecnología de Tokio, en Fuchu (Tokio), y fotografiamos cada planta con un dron que volaba en círculo a su alrededor. Con esas fotos construimos un modelo 3D de la planta entera y combinamos su volumen con la información de imágenes multiespectrales y de imágenes en color normales (RGB).

Así estimamos el peso seco de la parte aérea de la planta (biomasa) y el área de hojas por unidad de superficie de suelo (índice de área foliar). Solo con el volumen obtenido del modelo 3D, la biomasa se estimó con más precisión que con la altura o la superficie de la planta. Al combinar las tres fuentes, la precisión mejoró aún más, y las estimaciones se mantuvieron estables de una variedad a otra.

¿Qué se aprende al volar alrededor de una planta?
Se obtiene un modelo 3D de la planta entera. Solo con su volumen, el peso seco se estimó mejor que con la altura o la superficie. Al añadir la información de color, la precisión mejoró aún más.

Fusion of UAV-based 3D mesh and spectral features improves quinoa biomass and LAI estimation across genotypic and temporal variations

Sesay S., Yamaguchi T., Kushino S., Yoshikawa Y., Adachi S., Katsura K.

Smart Agricultural Technology 10, 100818 (2025)

← Volver a Publicaciones