210
VEHÍCULOS AÉREOS NO TRIPULADOS (VANT) PARA EL
MONITOREO AGRONÓMICO DE CULTIVO DE MANÍ.
Cristhian Martín Delgado Marcillo
Maestría en Geomática. Facultad de Posgrado. Universidad Técnica de Manabí -
UTM
cristhian.delgado@utm.edu.ec
https://orcid.org/0009-0006-7248-6718
Ezequiel Zamora-Ledezma
Laboratorio de Agroecosistemas y Cambio Climático, Departamento de Ciencias
Agrícolas, Facultad de Ingeniería Agrícola, Universidad Técnica de Manabí - UTM
ezequiel.zamora@utm.edu.ec
https://orcid.org/0000-0002-5315-2708
Henry Antonio Pacheco Gil
Departamento de Ciencias Agrícolas, Facultad de Ingeniería Agrícola, Universidad
Técnica de Manabí - UTM
henry.pacheco@utm.edu.ec
https://orcid.org/0000-0002-9997-9591
Autor para correspondencia: ezequiel.zamora@utm.edu.ec
Recibido: 05/04/2025 Aceptado: 07/05/2025 Publicado: 07/07/2025
RESUMEN
El presente estudio tuvo como objetivo monitorear las condiciones agronómicas
del cultivo de maní (Arachis hypogaea) mediante el uso de vehículos aéreos no
tripulados (VANT) equipados con cámara RGB, con el fin de mejorar la eficiencia
en el uso de recursos agrícolas. Se evaluaron cinco índices espectrales (GLI, SAVI,
RGBVI, MGRVI y VIgreen) en una parcela experimental de 7.000 m2, utilizando un
diseño factorial que incluyó cuatro variedades de maní, dos densidades de
siembra y dos tipos de labranza. Los datos fueron capturados con un dron DJI
Phantom 4 Pro y procesados con software fotogramétrico y herramientas de
análisis espacial. Los resultados mostraron que el índice RGBVI presentó los
valores más altos de reflectancia (0,52 ± 0,05), siendo el más efectivo para
evaluar la vigorosidad del cultivo. Las variedades INIAP-381 e INIAP-383
mostraron mayor vigor, mientras que la labranza convencional favoreció el
desarrollo del cultivo en comparación con la labranza cero. La interacción entre
la variedad INIAP-381 y la densidad de siembra de 62.500 plantas/hectárea
211
resultó con una mayor reflectancia, indicando un mejor aprovechamiento de los
recursos nutricionales. Estos hallazgos sugieren que el uso de VANT equipados
con sensores RGB y el índice espectral RGBVI pueden ser herramientas accesibles
y eficaces para el monitoreo de cultivos de maní, reduciendo costos y facilitando
la toma de decisiones en la agricultura de precisión. La aplicación de estas
tecnologías puede contribuir a la formulación de políticas públicas orientadas a
revitalizar el sector manicero en Ecuador, fortaleciendo la cadena de valor
incrementando la productividad.
Palabras clave: Agricultura de precisión, índices espectrales, vigorosidad de
cultivos, análisis espacial, tecnología agrícola.
ABSTRACT
This study aimed to monitor the agronomic conditions of peanut (Arachis
hypogaea) crops using unmanned aerial vehicles (UAVs) equipped with RGB
cameras to improve the efficiency of agricultural resource use. Five spectral
indices (GLI, SAVI, RGBVI, MGRVI, and VIgreen) were evaluated in a 7,000 m²
experimental plot, using a factorial design that included four peanut varieties, two
planting densities, and two types of tillage. Data were captured with a DJI
Phantom 4 Pro drone and processed using photogrammetric software and spatial
analysis tools. The results showed that the RGBVI index had the highest reflectance
values (0.52 ± 0.05), making it the most effective for evaluating crop vigor. The
INIAP-381 and INIAP-383 varieties demonstrated higher vigor, while conventional
tillage favored crop development compared to zero tillage. The interaction
between the INIAP-381 variety and a planting density of 62.500 plants/hectare
resulted in higher reflectance, indicating better resource utilization. These
findings suggest that UAVs equipped with RGB sensors and the RGBVI spectral index
can be accessible and effective tools for peanut crop monitoring, reducing costs
and facilitating decision-making in precision agriculture. The application of these
technologies can contribute to public policy formulation aimed at revitalizing the
peanut sector in Ecuador, strengthening the value chain and increasing
productivity.
Keywords: Precision agriculture, spectral indices, crop vigor, spatial analysis,
agricultural technology.
INTRODUCTION
La rápida urbanización global representa un desafío significativo para los sistemas
agroalimentarios. En 2018, el 55 % de la población mundial residía en áreas
urbanas, y se proyecta que esta cifra aumente al 68 % para 2050 (Al-Qubati et al.,
212
2024). Este crecimiento urbano y demográfico impulsa una mayor demanda de
alimentos, la cual se estima que incrementará entre un 35 % y un 56 % para
mediados de este siglo (Al-Qubati et al., 2024). Paralelamente, la variabilidad
climática y la creciente presión sobre los recursos hídricos verdes y azules están
llevando los sistemas agroalimentarios al límite de la sostenibilidad. Esto exige
maximizar la productividad de dichos recursos mediante métodos y prácticas
sostenibles que aseguren la producción alimentaria sin comprometer el medio
ambiente. Además, la pérdida de biodiversidad y la degradación de los
ecosistemas, impulsadas principalmente por el cambio en el uso de la tierra y la
intensificación agrícola, constituyen amenazas significativas para el bienestar
humano, subrayando la necesidad de enfoques integrados que equilibren la
producción y la conservación (López Rodríguez et al., 2024).
El uso de drones como plataforma de teledetección se plantea como una
alternativa eficaz para la gestión, supervisión y regulación de los cultivos
agrícolas en diferentes etapas de su ciclo de crecimiento, con el propósito de
potenciar la productividad y disminuir los costos (Ingole et al., 2024). Los
vehículos aéreos no tripulados se utilizan en la agricultura para el monitoreo
de cultivos, ya que es posible utilizar cámaras infrarrojas y de color para
detectar la aparición de enfermedades a través de cambios en el color de los
cultivos (Zhang et al., 2025).
En este contexto, la agricultura de precisión (AP) valora la teledetección como
una herramienta clave para el monitoreo de cultivos. El uso de imágenes de
distintas longitudes de onda y el análisis de índices de vegetación, los drones
pueden evaluar las condiciones de los cultivos con precisión, permitiendo
ajustes rápidos en las prácticas agronómicas (Qu et al., 2024). Esta tecnología
contribuye a mejorar la salud del suelo, preservar la calidad del agua y
213
fomentar el crecimiento económico local, promoviendo una agricultura más
eficiente y sostenible (Marin et al., 2024).
El maní (
Arachis hipogaea
.) es el sexto cultivo oleaginoso más cultivado del
mundo, con un valor significativo en términos de seguridad nutricional debido
a su contenido de grasas, proteínas, minerales y vitaminas (FAO, 2018). El
rendimiento del maní está influenciado por diversos factores, entre los que
destacan el diseño agronómico del cultivo, la preparación del terreno, la
densidad de siembra, el riego y la fertilización
(Moreira et al., 2024)
. Como
parte de la familia de las leguminosas, el maní tiene la capacidad de fijar
nitrógeno atmosférico y donarlo al suelo, lo que reduce la necesidad de
fertilizantes nitrogenados (Cedeño Vélez, 2023). La potencialidad como bio-
fábrica de nitrógeno que exhibe el maní, aunado al hecho de que, en el
Ecuador, y especialmente en provincias como Manabí y Loja, donde el rubro
representa un segmento importante del aparato agro productivo (Zamora-
Ledezma, 2024) con una demanda de mercado significativa en función de la
dieta rica en maní y sus derivados, constituye una amplia justificación para
realizar estudios de esta naturaleza.
En la agricultura, es importante contar con una estimación de cosecha rápida,
precisa y económica debido a sus implicaciones logísticas, técnicas y
económicas, para reducir las pérdidas al mínimo (Cedeño Vélez, 2023). En este
sentido, el monitoreo del cultivo, mediante índices de vegetación obtenidos a
partir de imágenes espectrales, ofrece la oportunidad de adoptar nuevos
enfoques y herramientas para el seguimiento fenológico y la estimación de
cosechas en sistemas agrícolas (Shojaeezadeh et al., 2024). Asimismo, el uso
de drones equipados con cámaras RGB ha demostrado ser efectivo en la
estimación del rendimiento de la caña de azúcar y otros rubros de interés
nacional, al mapear atributos de los cultivos como la altura de la planta y la
214
densidad del tallo con alta precisión, facilitando la planificación de labores
agrícolas como la cosecha y la molienda (Sumesh et al., 2021).
Con base a los antecedentes expuestos, la finalidad del presente estudio es
monitorear las condiciones agronómicas del cultivo de maní mediante el uso
de un vehículo aéreo no tripulado (VANT) como técnica de teledetección, para
optimizar el uso de los recursos agrícolas.
METODOLOGÍA
Esta investigación se realizó en una parcela experimental de 7,000 m2 establecida
en los predios del campus Lodana de la Facultad de Ingeniería Agrícola, ubicada
en el la parroquia Lodana cantón Santa Ana, provincia Manabí, Ecuador (Figura 1).
Figura 1. (A) Macro ubicación, Ecuador. (B) Meso ubicación, (C) Ubicación de las
parcelas experimentales. Coordenadas proyectadas UTM (Universal Transversal
Mercator), Zona 17Sur”.
215
Diseño experimental
La presente investigación tuvo un enfoque experimental y cuantitativo, empleando
un diseño factorial 4×2×2 (A×B×C) con tres factores principales, generando 16
tratamientos con tres repeticiones cada uno (Tabla 1).
El factor A correspondió a cuatro variedades de maní desarrolladas por el Instituto
Nacional de Investigaciones Agropecuarias (INIAP): INIAP-381, INIAP-383, INIAP-380
e INIAP-382. Estas variedades fueron seleccionadas debido a su relevancia
agronómica y adaptabilidad a diversas condiciones de cultivo.
El factor B incluyó dos densidades de siembra: 62.500 plantas/hectárea (pl/ha)
(densidad recomendada por el INIAP) y 100.000 pl/ha, establecidas para evaluar si
una mayor densidad mejora las condiciones del cultivo en comparación con la
densidad estándar. Este análisis permitió estudiar la respuesta de las plantas ante
diferentes niveles de competencia intraespecífica.
El factor C evaluó dos tipos de labranza: labranza cero (L0) que consistió en no
aplicar ningún tipo de arado y labranza convencional (LC) aplicando un arado de
romplow con una capa arable de 15 cm de profundidad. Este componente se diseñó
para analizar el efecto de las prácticas de manejo y mecanización del suelo en el
desarrollo del cultivo de maní.
Tabla 1. Descripción de los tratamientos
Tratamientos
Factor A
Factor B
Factor C
Interacción
T1
V1: INIAP 381 ROSITA
D1: 100.000 plantas/hectárea
(0,2m x 0,5m)
L0: Labranza
cero
V1 M1 L0
T2
V1: INIAP 381 ROSITA
D2: 62.500 plantas/hectárea (0,2m
x 0,8m)
V1 M2 L0
T3
V2: INIAP 383 Pintado
D1: 100.000 plantas/hectárea
(0,2m x 0,5m)
V2 M1 L0
T4
V2: INIAP 383 Pintado
D2: 62.500 plantas/hectárea (0,2m
x 0,8m)
V2 M2 L0
T5
V3: INIAP 380
Charapoto
D1: 100.000 plantas/hectárea
(0,2m x 0,5m)
V3 M1 L0
216
T6
V3: INIAP 380
Charapoto
D2: 62.500 plantas/hectárea (0,2m
x 0,8m)
V3 M2 L0
T7
V4: INIAP 382
Caramelo
D1: 100.000 plantas/hectárea
(0,2m x 0,5m)
V4 M1 L0
T8
V4: INIAP 382
Caramelo
D2: 62.500 plantas/hectárea (0,2m
x 0,8m)
V4 M2 L0
T9
V4: INIAP 382
Caramelo
D1: 100.000 plantas/hectárea
(0,2m x 0,5m)
LC: Labranza
convencional
V4 M1 LC
T10
V4: INIAP 382
Caramelo
D2: 62.500 plantas/hectárea (0,2m
x 0,8m)
V4 M2 LC
T11
V3: INIAP 380
Charapoto
D1: 100.000 plantas/hectárea
(0,2m x 0,5m)
V4 M1 LC
T12
V3: INIAP 380
Charapoto
D2: 62.500 plantas/hectárea (0,2m
x 0,8m)
V4 M2 LC
T13
V2: INIAP 383 Pintado
D1: 100.000 plantas/hectárea
(0,2m x 0,5m)
V4 M1 LC
T14
V2: INIAP 383 Pintado
D2: 62.500 plantas/hectárea (0,2m
x 0,8m)
V4 M2 LC
T15
V1: INIAP 381 ROSITA
D1: 100.000 plantas/hectárea
(0,2m x 0,5m)
V4 M1 LC
T16
V1: INIAP 381 ROSITA
D2: 62.500 plantas/hectárea (0,2m
x 0,8m)
V4 M2 LC
Variables evaluadas
Para determinar el vigor del cultivo de maní, se analizaron cinco índices
espectrales RGB (Tabla 2), seleccionados con base en el estudio de Lóránt et al.,
(2024).
Tabla 2. Índices de vegetación RGB. R: banda visible roja, G: banda visible verde
y B: banda visible azul.
Índice
Nombre
Fórmula
Referencia
bibliográfica
GLI
Green Leaf Index
(Ponce Conforme et
al., 2024)
SAVI
Soil Adjusted Vegetation
Index
Lóránt et al., (2024)
217
RGBVI
Red Green Blue
Vegetation Index
Lóránt et al., (2024)
MGRVI
Modified Green Red
Vegetation Index
Pacheco y Montilla,
(2020)
VIgreen
Vegetation Index Green
Pacheco y Montilla,
(2020)
Para monitorear la fenología del cultivo, se llevó a cabo una misión de vuelo con
un VANT durante la etapa fenológica de mayor vigor del cultivo, a los 60 días
después de la germinación. Para ello, se utilizó un VANT modelo DJI Phantom 4
Pro, equipado con una cámara RGB con un sensor CMOS de 1" y 20 Mpx de
resolución. El plan de vuelo fue diseñado mediante el software DJI GS PRO,
delimitando un polígono rectangular georreferenciado que abarcaba la totalidad
de la zona de estudio. Los parámetros de vuelo fueron ajustados conforme a las
recomendaciones establecidas por Anfruns Espuña, (2023) (Tabla 3).
Tabla 3. Parámetros de vuelo (Anfruns Espuña, 2023)
Parámetro
Descripción
Altura de vuelo (m)
50
Velocidad de vuelo (m/s)
4
Área de cobertura (m2)
10.000
Tipo de sensor
CMOS de 1", 20 Mpx (RGB)
Solapamiento Lateral (%)
70
Solapamiento Frontal (%)
80
Inclinación del gimbal (ᵒ)
90
Hora de vuelo aproximada
10 am - 11 am
Las imágenes capturadas durante el vuelo fueron procesadas mediante un análisis
fotogramétrico utilizando el software Pix4Dmapper, reconocido por su autonomía
y eficiencia (Hernández-Cole et al., 2023). Este proceso permitió generar una
ortofoto georreferenciada de la zona de estudio a partir de las bandas visibles
(RGB) obtenidas en cada sesión de vuelo.
218
Para garantizar la precisión espacial de la ortofoto generada, se establecieron seis
puntos de control georreferenciados mediante un equipo GNSS (Global Navigation
Satellite System) de la marca TOPCON, modelo GR-5. Los datos se procesaron
utilizando el método estático (IGM, 2016), lo que permitió registrar información
con alta exactitud espacial en el procesamiento de las imágenes.
Finalmente, se calcularon los índices espectrales utilizando el software ArcGIS,
específicamente el módulo ArcMap. Las bandas RGB (Red-Green-Blue) fueron
integradas y procesadas mediante la herramienta "Map Algebra - Raster
Calculator", donde se aplicaron las ecuaciones correspondientes para derivar los
valores de cada índice de vegetación.
Análisis estadístico
Se empleó un ANOVA de tres vías para evaluar los efectos principales de cada
factor y sus interacciones sobre la vigorosidad de las variedades de maní.
Posteriormente, se aplicó la prueba post hoc de Tukey para identificar diferencias
significativas entre tratamientos.
Se realizó un análisis de regresión con el algoritmo Random Forest entre los índices
calculados y la concentración de clorofila foliar medida con el SPAD
RESULTADOS
Vigorosidad del cultivo maní utilizando la reflectancia como proxy
A partir de la información de los índices espectrales (Tabla 4), se obtuvieron los
valores promedio de reflectancia para los distintos tratamientos en cada una de
las parcelas experimentales, lo que permitió cuantificar las diferencias en la
vigorosidad del cultivo de maní (Tabla 4).
219
Figura 2. Índices espectrales calculados. GLI: Green Leaf Index, SAVI: Soil
Adjusted Vegetation Index, RGBVI: Red Green Blue Vegetation Index, MGRVI:
Modified Green Red Vegetation Index y VIgreen: Vegetation Index Green
Tabla 4. Valores de los índices espectrales para cada uno de los tratamientos en
las parcelas experimentales. GLI: Green Leaf Index, SAVI: Soil Adjusted Vegetation
Index, RGBVI: Red Green Blue Vegetation Index, MGRVI: Modified Green Red
Vegetation Index y VIgreen: Vegetation Index Green.
Tratamiento
Variedad
Densidad
Labranza
GLI
SAVI
RGBVI
MGRVI
VIgreen
T1
V1
D1
L0
0,24
0,30
0,44
0,36
0,20
T1
V1
D1
L0
0,22
0,25
0,40
0,30
0,16
220
T1
V1
D1
L0
0,19
0,22
0,36
0,27
0,15
T2
V1
D2
L0
0,31
0,41
0,55
0,49
0,27
T2
V1
D2
L0
0,32
0,42
0,56
0,51
0,28
T2
V1
D2
L0
0,30
0,42
0,54
0,50
0,28
T3
V2
D1
L0
0,24
0,31
0,44
0,39
0,21
T3
V2
D1
L0
0,21
0,25
0,39
0,32
0,17
T3
V2
D1
L0
0,22
0,27
0,41
0,33
0,18
T4
V2
D2
L0
0,23
0,30
0,44
0,37
0,20
T4
V2
D2
L0
0,17
0,19
0,33
0,25
0,13
T4
V2
D2
L0
0,26
0,29
0,48
0,37
0,20
T5
V3
D1
L0
0,13
0,13
0,24
0,17
0,09
T5
V3
D1
L0
0,13
0,13
0,25
0,17
0,09
T5
V3
D1
L0
0,12
0,12
0,24
0,15
0,08
T6
V3
D2
L0
0,16
0,17
0,31
0,22
0,12
T6
V3
D2
L0
0,18
0,22
0,35
0,28
0,15
T6
V3
D2
L0
0,18
0,21
0,35
0,27
0,14
T7
V4
D1
L0
0,28
0,39
0,51
0,46
0,26
T7
V4
D1
L0
0,32
0,43
0,56
0,51
0,29
T7
V4
D1
L0
0,17
0,19
0,32
0,24
0,13
T8
V4
D2
L0
0,20
0,25
0,38
0,32
0,17
T8
V4
D2
L0
0,22
0,25
0,41
0,32
0,17
T8
V4
D2
L0
0,11
0,10
0,22
0,14
0,07
T9
V4
D1
LC
0,18
0,23
0,33
0,28
0,15
T9
V4
D1
LC
0,21
0,26
0,39
0,32
0,17
T9
V4
D1
LC
0,31
0,42
0,56
0,51
0,28
T10
V4
D2
LC
0,12
0,14
0,23
0,18
0,09
T10
V4
D2
LC
0,27
0,33
0,50
0,41
0,22
T10
V4
D2
LC
0,33
0,43
0,59
0,52
0,29
T11
V3
D1
LC
0,13
0,16
0,26
0,21
0,11
T11
V3
D1
LC
0,12
0,13
0,24
0,16
0,08
T11
V3
D1
LC
0,17
0,20
0,33
0,26
0,14
T12
V3
D2
LC
0,21
0,29
0,39
0,36
0,19
T12
V3
D2
LC
0,18
0,22
0,35
0,27
0,14
T12
V3
D2
LC
0,24
0,32
0,45
0,40
0,22
221
T13
V2
D1
LC
0,22
0,31
0,41
0,37
0,20
T13
V2
D1
LC
0,35
0,49
0,60
0,57
0,33
T13
V2
D1
LC
0,36
0,51
0,61
0,59
0,34
T14
V2
D2
LC
0,29
0,39
0,51
0,47
0,26
T14
V2
D2
LC
0,35
0,51
0,61
0,59
0,34
T14
V2
D2
LC
0,39
0,55
0,66
0,63
0,37
T15
V1
D1
LC
0,30
0,43
0,53
0,51
0,29
T15
V1
D1
LC
0,29
0,41
0,52
0,48
0,27
T15
V1
D1
LC
0,30
0,41
0,54
0,48
0,27
T16
V1
D2
LC
0,34
0,52
0,59
0,59
0,34
T16
V1
D2
LC
0,34
0,49
0,59
0,57
0,33
T16
V1
D2
LC
0,37
0,53
0,62
0,60
0,35
El análisis estadístico mostró diferencias significativas con un valor de p<0,05 en
el factor A (variedades de maní), Factor C (tipo de labranza y la interacción entre
el factor A y el Factor B (Variedades de maní y densidad de siembra).
Tabla 5. Resultados del análisis estadístico de varianza (ANOVA) tri factorial. GLI:
Green Leaf Index, SAVI: Soil Adjusted Vegetation Index, RGBVI: Red Green Blue
Vegetation Index, MGRVI: Modified Green Red Vegetation Index y VIgreen:
Vegetation Index Green.
INTERACIÓN
GLI
SAVI
RGBVI
MGRVI
VIgreen
Factor A
<0,00
<0,00
<0,00
<0,00
<0,00
Factor B
0,06
0,05
0,06
0,06
0,05
Factor C
0,00
<0,00
0,00
0,00
<0,00
Factor A * Factor B
0,06
0,02
0,06
0,05
0,02
Factor A * Factor C
0,17
0,06
0,31
0,12
0,06
Factor B * Factor C
0,40
0,35
0,45
0,39
0,35
Factor A * Factor B* Factor C
0,49
0,45
0,47
0,38
0,45
Donde valor <0,05 indican diferencia significativa entre los factores analizados.
222
Como se observa en la Figura 3, las variedades V1 (INIAP 381) y V2 (INIAP 383)
presentaron una mayor vigorosidad, evidenciada por la reflectancia captada a
través de los índices espectrales. Esto sugiere que el tipo de variedad utilizada
puede desarrollar mejores condiciones fenológicas bajo distintas condiciones
edafológicas y climáticas (El-Hendawy et al., 2015). En términos edafológicos,
estas variedades han demostrado una mayor tolerancia a suelos con limitantes
como baja fertilidad, salinidad o compactación. Por ejemplo, su sistema radicular
más desarrollado les permite acceder a nutrientes y agua en profundidades
mayores, lo que es crucial en suelos con baja retención de humedad o con
problemas de estrés hídrico (Fernando et al., 2021). Su alta eficiencia en el uso de
nutrientes, incluso en suelos con poco fósforo o nitrógeno, las hace adecuadas para
suelos degradados.
En cuanto a las condiciones climáticas, las variedades V1 y V2 han mostrado una
notable resiliencia frente a factores como la sequía, las altas temperaturas y la
variabilidad climática. Esto se debe, a su capacidad para regular la transpiración
y mantener un balance hídrico óptimo, incluso en condiciones de estrés (Wajhat
et al., 2019).
Figura 3. Efecto de las variedades de maní en la reflectancia de los índices
espectrales. V1: INIAP 380, V2: INIAP 383, V3: INIAP 380, V4: INIAP 382, GLI: Green
Leaf Index, SAVI: Soil Adjusted Vegetation Index, RGBVI: Red Green Blue
Vegetation Index, MGRVI: Modified Green Red Vegetation Index y VIgreen:
Vegetation Index Green. Letras pequeñas distintas sobre cada barra representan
diferencias significativas en los valores de reflectancia entre las variedades de
maní
223
En cuanto al tipo de labranza aplicado, los tratamientos en parcelas sembradas
bajo un sistema de labranza convencional (LC) mostraron un mayor vigor en las
plantas de maní en comparación con la labranza cero (L0) mostrando valores de
reflectancia de 0,40 ± 0,10 con el índice RGBVI (Figura 4). Esto sugiere que la LC
favorece el desarrollo del cultivo, como lo destacan Betiol et al., (2023) y
Raghuwanshi et al., (2024) en sus investigaciones. Estos autores señalan que la
aplicación de LC mejora la disponibilidad de nutrientes y la filtración de agua en
el suelo, factores clave para el vigor y la productividad de los cultivos.
Figura 4. Resultado del efecto del tipo de labranza aplicado en la reflectancia de
los índices espectrales. L0: Labranza cero, LC: Labranza convencional, GLI: Green
Leaf Index, SAVI: Soil Adjusted Vegetation Index, RGBVI: Red Green Blue
Vegetation Index, MGRVI: Modified Green Red Vegetation Index y VIgreen:
Vegetation Index Green. Letras pequeñas distintas sobre cada barra representan
diferencias significativas entre los tratamientos.
224
En cuanto al efecto de la interacción entre las variedades y la densidad de siembra
(Figura 5), se observará que las parcelas con la variedad V1: INIAP 381 sembrada
bajo la densidad D2 (0,20 x 0,80 m), mostró una mayor vigorosidad del cultivo,
reflejada en la reflectancia de los índices espectrales, sobre todo con el RGBVI
(0,58 ± 0,03). Estos resultados coinciden con investigaciones previas que sugieren
que un aumento en la densidad de siembra puede mejorar diversos parámetros de
crecimiento al optimizar la competencia y el aprovechamiento de los recursos del
suelo (SWETHASREE et al., 2024)
Figura 6. Resultados del efecto de la interacción entre las variedades de maní y
la densidad de siembra aplicados en la reflectancia de los índices espectrales
calculados. V1: INIAP 380, V2: INIAP 383, V3: INIAP 380, V4: INIAP 382, D1: densidad
uno (0,20x0,50 m), D2: densidad dos (0,20x0,80 m), GLI: Green Leaf Index, SAVI:
Soil Adjusted Vegetation Index, RGBVI: Red Green Blue Vegetation Index, MGRVI:
Modified Green Red Vegetation Index y VIgreen: Vegetation Index Green. Letras
pequeñas distintas sobre cada barra representan diferencias significativas entre
los tratamientos.
225
Entre los índices espectrales evaluados, el índice RGBVI (Red-Green Blue
Vegetation Index) registró los valores más altos de reflectancia, con un rango de
0,26 a 0,58. Este resultado superó ampliamente los rangos observados en los otros
índices analizados, como el MGRVI (Modified Green Red Vegetation Index), que
presentó un rango de reflectancia de 0,19 a 0,54, y el SAVI (Soil Adjusted
Vegetation Index), con un rango de 0,15 a 0,48 (Tabla 6). La superioridad del RGBVI
en términos de sensibilidad espectral sugiere que este índice tiene una mayor
capacidad para captar la variabilidad del cultivo, influenciada por factores como
la variedad, la densidad de siembra y el tipo de labranza aplicado.
Tabla 6. Valores promedio de los índices espectrales para cada una de las
interacciones que reflejaron diferencia estadística significativa (p<0,05). GLI:
Green Leaf Index, SAVI: Soil Adjusted Vegetation Index, RGBVI: Red Green Blue
Vegetation Index, MGRVI: Modified Green Red Vegetation Index y VIgreen:
Vegetation Index Green.
Factores
Interacción
GLI
SAVI
RGBVI
MGRVI
VIgreen
Factor A
V1: INIAP 381
0,29
0,40
0,52
0,47
0,27
V2: INIAP 383
0,27
0,36
0,49
0,44
0,24
V3: INIAP 380
0,16
0,19
0,31
0,24
0,13
V4: INIAP 382
0,23
0,29
0,42
0,35
0,19
226
Factor C
L0: Labranza cero
0,22
0,27
0,40
0,33
0,18
LC: Labranza convencional
0,27
0,36
0,48
0,43
0,24
Factor
A*Factor B
V1(INIAP 381) * D1(0,2x0,5 m)
0,26
0,33
0,46
0,40
0,22
V1(INIAP 381) * D2(0,2x0,8 m)
0,33
0,46
0,58
0,54
0,31
V2(INIAP 383) * D1(0,2x0,5 m)
0,26
0,36
0,48
0,43
0,24
V2(INIAP 383) * D2(0,2x0,8 m)
0,28
0,37
0,50
0,45
0,25
V3(INIAP 380) * D1(0,2x0,5 m)
0,13
0,15
0,26
0,19
0,10
V3(INIAP 380) * D2(0,2x0,8 m)
0,19
0,24
0,37
0,30
0,16
V4(INIAP 382) * D1(0,2x0,5 m)
0,24
0,32
0,45
0,39
0,21
V4(INIAP 382) * D2(0,2x0,8 m)
0,21
0,25
0,39
0,31
0,17
Tabla 7. Resultados del análisis de regresión con el algoritmo Random Forest.
Random Forest
Clorophyll
R2
MSE
MAE
GLI
0,11
0,02
0,09
RGBVI
0,12
0,02
0,12
SAVI
0,33
0,05
0,10
MGRVI
0,51
0,01
0,09
Vigreen
0,73
13,2
3,18
La efectividad del VIgreen como indicador de la vigorosidad del cultivo de maní
radica en su capacidad para reflejar con precisión el estado fisiológico de las
plantas, como lo indica su alta correlación con la concentración de clorofila en las
plantas (R2 = 0,73). Este hallazgo es particularmente relevante, ya que el VIgreen
puede ser calculado utilizando imágenes capturadas con cámaras estándar RGB, lo
que representa una ventaja significativa en comparación con tecnologías más
complejas y costosas, como los sensores multiespectrales o hiperespectrales. La
accesibilidad de las cámaras RGB no solo reduce los costos asociados con la
monitorización de cultivos, sino que también democratiza el uso de técnicas
avanzadas de análisis espectral, especialmente en regiones con recursos limitados
o en sistemas agrícolas de pequeña y mediana escala.
227
Esta posibilidad está respaldada por estudios previos, como el de Pacheco y
Montilla, (2020), quienes destacan la utilidad de los índices basados en imágenes
RGB para aplicaciones en diversas condiciones agrícolas, reforzando la viabilidad
de su implementación a gran escala. Estos autores resaltan que, a pesar de su
simplicidad, las cámaras RGB pueden proporcionar información valiosa para la
monitorización de cultivos, especialmente en contextos donde el acceso a
tecnologías más avanzadas es limitado. De manera similar, Ponce et al., (2024),
evidenciaron que la teledetección mediante imágenes RGB permite obtener datos
detallados y actualizados sobre el estado de los cultivos. En su estudio, analizaron
índices como el VIgreen, que registró valores de reflectancia entre 0,10 y 0,25, y
el GLI, con un rango de 0,17 a 0,32. Estos resultados son consistentes con los
obtenidos en la presente investigación, donde el VIgreen mostró un rango de
reflectancia de 0,10 a 0,27 y el GLI un rango de 0,13 a 0,33. Aunque estos índices
fueron los que registraron los rangos más bajos de reflectancia en este estudio, su
similitud con los hallazgos de Ponce et al., (2024) sugiere que tienen una capacidad
confiable para captar la variabilidad en la vigorosidad de los cultivos. Esta
consistencia entre estudios refuerza la validez de estas herramientas y su
aplicabilidad en diferentes tipos de cultivos y condiciones agrícolas. Además, estos
resultados consolidan el valor de los índices basados en imágenes RGB como
herramientas accesibles y efectivas para la agricultura de precisión, especialmente
en regiones donde la adopción de tecnologías más complejas no es viable.
Fortalecimiento del Sector Manicero y Políticas Públicas en Ecuador
La implementación de tecnologías geoespaciales y agricultura de precisión, tiene
un potencial significativo para revitalizar la cadena de valor del maní en Ecuador,
un sector que ha experimentado una notable reducción en su producción en los
últimos años (Cuenca et al., 2021). Los resultados obtenidos con el uso del índice
VIgreen y cámaras RGB demuestran que el monitoreo eficiente del cultivo puede
228
ser accesible y económicamente viable, lo que resulta fundamental para fomentar
la adopción tecnológica por parte de los productores (Delgado Marcillo, et al.,
2024).
Desde una perspectiva de políticas públicas, es imprescindible el diseño de
programas que impulsen la transferencia tecnológica hacia el sector agrícola,
fomentando la capacitación en herramientas de monitoreo de cultivos y la
integración de técnicas de agricultura de precisión. Esto permitiría una
optimización de recursos y un incremento en la productividad del maní, generando
mayores incentivos para los agricultores (Bello Parra et al., 2023).
En el ámbito económico, el apalancamiento del sector manicero mediante políticas
de financiamiento agrícola y la adopción de sistemas de certificación de calidad
podría incrementar su rentabilidad, favoreciendo la integración de los pequeños y
medianos productores a cadenas de valor más robustas (Jiménez Guayanay & Peña
Merino, 2021). Esto contribuiría a la reactivación de un sector clave para la
diversificación agroproductiva y la seguridad alimentaria del país, fortaleciendo el
desarrollo rural y mejorando la calidad de vida de los agricultores.
CONCLUSIONES Y CONSIDERACIONES FINALES
El índice VIgreen demostró ser el más efectivo entre los índices espectrales
evaluados, registrando los valores más sensibles en las interacciones analizadas,
el cual tuvo una correlación de fuerza alta con variables biofísicas como la
concentración de clorofila en la hoja. Esto lo convierte en un indicador
prometedor para evaluar la vigorosidad del cultivo de maní, permitiendo
identificar con precisión el estado fisiológico de las plantas.
Las variedades INIAP-381 e INIAP-383 mostraron una mayor vigorosidad en
comparación con las otras variedades evaluadas, lo que sugiere que estas
229
variedades pueden adaptarse mejor a diferentes condiciones edafológicas y
climáticas.
La interacción entre la variedad INIAP-381 y una densidad de siembra de 62.500
plantas/hectárea (pl/ ha) (0,20 x 0,80 m) resultó en una mayor reflectancia,
indicando un mejor aprovechamiento de los recursos y una mayor vigorosidad del
cultivo.
El uso de cámaras RGB y el índice VIgreen ofrece una alternativa accesible y
económica para el monitoreo de cultivos, especialmente en regiones con recursos
limitados. En términos de costos, las cámaras RGB son aproximadamente 94% más
económicas que los sensores multiespectrales y 99.4% más económicas que los
sensores hiperespectrales (Lv et al., 2024). Esta reducción significativa en el costo
no solo democratiza el acceso a tecnologías de monitoreo agrícola, sino que
también reduce la dependencia de equipos especializados y software costoso,
manteniendo una capacidad aceptable para evaluar la salud y el vigor de los
cultivos.
Los resultados respaldan la viabilidad de implementar estas técnicas a gran escala
en la agricultura de precisión, facilitando la toma de decisiones y mejorando la
eficiencia en el uso de recursos agrícolas.
Desde una perspectiva de políticas públicas y reactivación agroproductiva, la
integración de tecnologías geoespaciales y técnicas de agricultura de precisión
constituye una herramienta estratégica para incrementar la eficiencia y
rentabilidad del cultivo de maní en Ecuador.
REFERENCIAS BIBLIORAFICAS
Al-Qubati, A., Zhang, L., & Forkel, M. (2024). Urban and peri-urban agriculture
under climate change: A review on carbon emissions and sequestration.
230
Sustainable Cities and Society, 115, 105830.
https://doi.org/10.1016/J.SCS.2024.105830
Anfruns Espuña, L. (2023). USE AND IMPLEMENTATION OF RGB AND MULTISPECTRAL
SENSORS INSTALLED IN DRONES FOR THE MONITORING OF COFFEE CROPS.
GeoFocus, 2023(31), 5–38. https://doi.org/10.21138/GF.800
Bello Parra, R. O., Valarezo Beltrón, C. O., & Valarezo Molina, M. J. (2023).
Diagnóstico de la cadena de valor de mantequilla de maní en Tosagua,
Ecuador. ECA Sinergia, 14(3), 91–104.
https://doi.org/10.33936/ECASINERGIA.V14I3.5754
Betiol, O., Bolonhezi, D., Leal, É. R. P., Gruener, C. E., Michelotto, M. D., Furlani,
C. E. A., & Ruiz, F. F. (2023). Conservation agriculture practices in a peanut
cropping system: Effects on pod yield and soil penetration resistance.
Revista Brasileira de Ciencia Do Solo, 47.
https://doi.org/10.36783/18069657RBCS20230004
Cedeño Vélez, S. J. (2023). Niveles de fertilización en el cultivo de maní (Arachis
hypogaea L.) [Universidad Laica Eloy Alfaro de Manabí].
https://repositorio.uleam.edu.ec/handle/123456789/4628
Cuenca, K., Quizhpe C., W. R., & Ramírez-Iglesias, E. (2021). Evaluación de
sustentabilidad en sistemas de producción de maíz y maní en la provincia
de Loja, Ecuador. Agronomía Tropical, 71: e4567645.
https://doi.org/10.5281/ZENODO.4567645
El-Hendawy, S., Al-Suhaibani, N., Salem, A. E. A., Ur Rehman, S., & Schmidhalter,
U. (2015). Spectral reflectance indices as a rapid and nondestructive
phenotyping tool for estimating different morphophysiological traits of
contrasting spring wheat germplasms under arid conditions. Turkish Journal
of Agriculture and Forestry, 39(4), 572–587. https://doi.org/10.3906/tar-
1406-164
FAO. (2018). Perspectivas por sectores principales. 1–43.
https://www.fao.org/3/y3557s/y3557s04.pdf
Fernando, K. M. C., Ehoche, O. G., Atkinson, J. A., & Sparkes, D. L. (2021). Root
system architecture and nitrogen uptake efficiency of wheat species.
Journal of Agricultural Sciences - Sri Lanka, 16(1), 37–53.
https://doi.org/10.4038/jas.v16i1.9182
Hernández-Cole, J., Villalobos-Barquero, V., Guevara-Bonilla, M., & Ortiz-
Malavasi, E. (2023). Planificación de vuelos y procesamiento de datos de
vehículos aéreos no tripulados (VANTs) en el monitoreo de plantaciones
forestales. https://doi.org/https://doi.org/10.18845/rfmk.v21i48.7041
231
IGM. (2016). GEODESIA Manual de Especificaciones Técnicas Levantamiento
Geodésicos-Control Horizontal.
Ingole, R. S., Ingole, N. S., Khandelwal, R. R., & Kalambe, J. P. (2024). Detection
of Crop Disease and Spraying of Pesticides using Drone. 2024 IEEE 9th
International Conference for Convergence in Technology, I2CT 2024.
https://doi.org/10.1109/I2CT61223.2024.10543617
Jiménez Guayanay, T. A., & Peña Merino, S. B. (2021). Análisis de mercadeo y
comercialización en la cadena de valor de maní arachis hypogaea l., en la
provincia de Loja [Universidad Nacional de Loja].
https://dspace.unl.edu.ec//handle/123456789/23759
Kamenova, I., Filchev, L., & Ilieva, I. (2017). REVIEW OF SPECTRAL VEGETATION
INDICES AND METHODS FOR ESTIMATION OF CROP BIOPHYSICAL VARIABLES.
29.
López Rodríguez, S., van Bussel, L. G. J., & Alkemade, R. (2024). Classification of
agricultural land management systems for global modeling of biodiversity
and ecosystem services. Agriculture, Ecosystems & Environment, 360,
108795. https://doi.org/10.1016/J.AGEE.2023.108795
Lóránt, B., Veronika, K.-B., & József, B. (2024). Comparison of RGB Indices used
for Vegetation Studies based on Structured Similarity Index (SSIM). Journal
of Plant Science and Phytopathology, 8(1), 007–012.
https://doi.org/10.29328/JOURNAL.JPSP.1001124
Lv, X., Zhang, X., Gao, H., He, T., Lv, Z., & Zhangzhong, L. (2024). When crops
meet machine vision: A review and development framework for a low-cost
nondestructive online monitoring technology in agricultural production.
Agriculture Communications, 2(1), 100029.
https://doi.org/10.1016/J.AGRCOM.2024.100029
Marin, D. B., Rossi, G., Araújo, G., Ferraz, S., Dorbu, F., & Hashemi-Beni, L.
(2024). Detection of Individual Corn Crop and Canopy Delineation from
Unmanned Aerial Vehicle Imagery. Remote Sensing 2024, Vol. 16, Page
2679, 16(14), 2679. https://doi.org/10.3390/RS16142679
Moreira, B. R. de A., Marra, T. M., Silva, E. A. da, Brito Filho, A. L. de, Barbosa
Júnior, M. R., Santos, A. F. dos, Silva, R. P. da, & Vellidis, G. (2024).
Advancements in peanut mechanization: Implications for sustainable
agriculture. Agricultural Systems, 215, 103868.
https://doi.org/10.1016/J.AGSY.2024.103868
Pacheco Gil, H. A., & Montilla Pacheco, A. de J. (2020). RGB Spectral Indices for
the Analysis of Soil Protection by Vegetation Cover against Erosive
232
Processes. Soil Erosion - Current Challenges and Future Perspectives in a
Changing World. https://doi.org/10.5772/INTECHOPEN.95055
Ponce Conforme, A. M., Rodríguez Mala, A. S., & Pacheco Gil, H. A. (2024).
Condiciones agronómicas del cultivo de arroz con imágenes de vehículos
aéreos no tripulados. Revista Científica Multidisciplinaria SAPIENTIAE. ISSN:
2600-6030, 7(14), 35–54. https://doi.org/10.56124/SAPIENTIAE.V7I14.0003
Qu, H., Zheng, C., Ji, H., Barai, K., & Zhang, Y. J. (2024). A fast and efficient
approach to estimate wild blueberry yield using machine learning with drone
photography: Flight altitude, sampling method and model effects.
Computers and Electronics in Agriculture, 216, 108543.
https://doi.org/10.1016/J.COMPAG.2023.108543
Raghuwanshi, S., Chaudhary, R. S., Somasundaram, J., Sinha, N. K., Trivedi, S. K.,
Kurmi, P., Vijayaraje, R., Krishi, S., Vidyalaya, V., Gwalior, M., & Pradesh,
I. (2024). A Comparative Study of Long-Term Conventional and No-Tillage
Practices on the Basis of Available Soil Nutrients, Soil Organic Carbon and
Crop Productivity in Black Soils of Central India. Asian Journal of Soil Science
and Plant Nutrition, 10(3), 561–571.
https://doi.org/10.9734/AJSSPN/2024/V10I3369
Shojaeezadeh, S., Elnashar, A., & Weber, T. K. D. (2024). Estimating Crop
Phenology from Satellite Data using Machine Learning. EGU24.
https://doi.org/10.5194/EGUSPHERE-EGU24-15347
Sumesh, K. C., Ninsawat, S., & Som-ard, J. (2021). Integration of RGB-based
vegetation index, crop surface model and object-based image analysis
approach for sugarcane yield estimation using unmanned aerial vehicle.
Computers and Electronics in Agriculture, 180, 105903.
https://doi.org/10.1016/J.COMPAG.2020.105903
SWETHASREE, M., SUDHAKAR, P., UMAMAHESH, V., PRATHIMA, T., & KRISHNA, T.
G. (2024). Effect of planting density on yield and architecture suitability of
groundnut (Arachis hypogaea) varieties. Indian Journal of Agricultural
Sciences, 94(3), 297–302. https://doi.org/10.56093/IJAS.V94.I3.138914
Wajhat, N., V, N., SA, N., & ZA, D. (2019). Drought tolerance mechanism in wheat:
A Review. The Pharma Innovation, 714–724.
https://doi.org/https://dx.doi.org/10.22271/tpi
Zhang, P., Lu, B., Ge, J., Wang, X., Yang, Y., Shang, J., La, Z., Zang, H., & Zeng,
Z. (2025). Using UAV-based multispectral and RGB imagery to monitor
above-ground biomass of oat-based diversified cropping. European Journal
of Agronomy, 162, 127422. https://doi.org/10.1016/J.EJA.2024.12742
