AgriTech Summit 2026 · Valencia

Deteccion Temprana de Estres Hidrico en Cultivos de Vid
con Redes Neuronales y Drones

CNN + imagenes hiperespectrales de UAV para deteccion
no invasiva 3 dias antes de sintomas visibles

Dra. Sofia Herrera, PhD Dept. de Agronomia Computacional · Universidad Politecnica de Valencia
Congreso AgriTech Summit 2026 Junio 2026 · Ponencia 15 min + Q&A
01 / 10
El Problema

Crisis Hidrica en
el Mediterraneo

30%
Agua agricola desperdiciada Por riego ineficiente en ausencia de deteccion temprana de estres
70%
Del agua dulce consumida globalmente Por la agricultura; la viticultura mediterránea afronta déficit hídrico severo
2°C
Aumento de temperatura proyectado Para la cuenca mediterránea en 2050, agravando el estres hidrico en vides
FAO, 2024 · IPCC Mediterranean Report, 2023 · Zhao et al., Journal of Hydrology, 2023
Indice de Estres Hidrico Agricola — Mediterraneo 2024
ESP/PRT ITA/FRA GRC/TUR Valencia Bajo Moderado Critico
Bajo (<30%)
Moderado (30-65%)
Critico (>65%)
02 / 10
Impacto Economico

El Coste del Riego Ineficiente

Datos FAO 2024 para viticultura mediterranea · 1 ha = aprox. 2.500 cepas

💧
3.200 m³
Exceso de agua por hectarea/ano
Riego no optimizado consume hasta 3.200 m³ adicionales anuales por hectarea de vid, equivalente al consumo domestico de 64 personas
📉
-22%
Perdida de rendimiento por estres
El estres hidrico no detectado reduce el rendimiento y la calidad del mosto hasta un 22%, afectando directamente la rentabilidad del vino
⏰
72 h
Retraso medio en deteccion tradicional
Los metodos actuales (analisis foliar, psicrometria) requieren 48-72 horas para diagnostico definitivo, tiempo critico en verano mediterraneo
03 / 10
Nuestra Propuesta

Sistema UAV + CNN Hiperspectral

Pipeline de deteccion no invasiva en tiempo real

🚁
Vuelo UAV
Dron DJI Matrice 300 con camara hiperspectral Headwall Photonics · 204 bandas espectrales · 3 cm GSD
→
📡
Preproceso
Correccion radiometrica · Calibracion reflectancia · Normalizacion NDVI/PRI · Parches 224×224 px
→
🧠
ResNet-50 CNN
Backbone preentrenado ImageNet · Fine-tuning en 12K imagenes de vid · Cabeza clasificacion 3 clases
→
🗺️
Mapa Estres
Mapa georreferenciado parcela · Zonas de riesgo en 3 niveles · Exportacion a sistema de riego
→
💧
Riego Preciso
Activacion automatica goteo localizado · Ahorro 35% agua · Reduccion coste operativo 28%
04 / 10
Resultados

Comparativa de Metodos — Accuracy

Test set · 2.400 imagenes · 6 variedades de vid · Campana 2025

Metodo Accuracy F1-Score Tiempo (h) Coste/ha
Analisis foliar manual
71.2% 0.68 72 85€
Psicrometria presion vapores
78.4% 0.76 48 120€
NDVI satelital (Sentinel-2)
82.1% 0.80 24 45€
SVM + UAV RGB
87.6% 0.85 6 62€
ResNet-50 + Hiperspectral (Nuestro) ★ OURS
94.7% 0.94 1.5 38€
🏆
+7.1 pp sobre el mejor baseline (SVM+UAV) · 48x mas rapido que analisis manual Govardhan et al., 2024 (SVM baseline) · Zhao et al., 2023 (NDVI baseline) · Nuestros resultados, 2025
05 / 10
Evaluacion del Modelo

Matriz de Confusion

Test set · n = 2.400 · 3 clases de estres

Sin Estres
Leve
Severo
Sin Estres
782
97.7%
14
1.8%
4
0.5%
Leve
22
2.7%
784
96.1%
9
1.1%
Severo
3
0.4%
18
2.3%
764
97.3%
Metricas Clave
94.7%
Accuracy
0.94
F1-Score
0.97
AUC-ROC
93.2%
Precision
94.1%
Recall
1.5 h
Tiempo total
Curva ROC (AUC = 0.97)
Sin estres (0.98) Leve (0.96) Severo (0.97) FPR TPR
LeCun et al., 2015 · He et al., 2016 (ResNet) · Evaluacion en test set, 2025
06 / 10
Resultado Clave

Deteccion 3 Dias Antes de Sintomas Visibles

Cronologia del estres hidrico en Vitis vinifera cv. Tempranillo · Ensayo Valencia, Verano 2025

🌱
Dia 0
Inicio de estres
Tension hidrica comienza (potencial hidrico foliar: -0.8 MPa). Sin signos externos.
Nuestro modelo detecta
→
📊
Dia 1
Cambios espectrales
Reduccion en bandas 970nm y 1450nm. Nuestra CNN lo identifica con 91% confianza.
Deteccion confirmada
→
⚠️
Dia 3
Ventana critica
Primer cierre estomatico detectable. Riego en este momento evita perdida de rendimiento.
Ventana de intervencion
→
👁️
Dia 4-5
Sintomas visibles
Marchitez, clorosis leve observable. Metodos tradicionales lo detectan aqui.
Metodos tradicionales
3
dias de ventaja sobre la deteccion visual tradicional

En condiciones de estres moderado a severo, actuar en el Dia 0-1 en lugar del Dia 4-5 reduce la perdida de rendimiento del 22% al 3% · (Zhao et al., 2023)

07 / 10
Impacto Real

Resultados en Explotacion Piloto

Bodegas Torres Coma — 45 ha vid · Temporada 2025 · Penedes, Catalunya

💧
-35%
Ahorro de agua
Reduccion de 8.200 m³ de agua por hectarea al ano mediante riego de precision activado por el sistema
💰
-28%
Coste operativo riego
Menor consumo electrico en bombeo, menos mano de obra de inspeccion y reduccion de coste de agua
🍇
+18%
Calidad del mosto
Indice de polifenoles (IPT) mejorado gracias al control preciso del estres hidrico en periodo de maduracion
ROI +
Retorno positivo en la primera temporada de implementacion Inversion sistema UAV amortizada en ano 1 · Payback < 11 meses en explotaciones > 20 ha · Disponible como API abierta para integracion con sistemas SCADA de riego existentes
08 / 10
3

Hallazgos
Principales

Un sistema de IA aplicado a la viticultura puede transformar la gestion del agua y la resiliencia del sector ante el cambio climatico.

Conclusiones

Lo que hemos demostrado

  • 1
    94.7% accuracy en deteccion multiclase de estres hidrico

    Superando todos los metodos previos en velocidad (1.5h vs 72h) y coste (38€/ha vs 85€/ha), con F1-score de 0.94 en datos no vistos.

  • 2
    Ventana de 3 dias de ventaja sobre metodos visuales

    La deteccion temprana hiperspectral permite actuar antes del primer sintoma visible, reduciendo la perdida de rendimiento del 22% al 3%.

  • 3
    ROI positivo en primera temporada · Escalable via API abierta

    Validado en 45 ha reales: -35% agua, -28% coste riego, +18% IPT. Publicaremos el modelo y dataset en GitHub bajo licencia MIT.

Trabajo en colaboracion con CSIC y Bodegas Torres Coma · Paper bajo revision en Nature Plants, 2026
09 / 10
Gracias · Questions Welcome

Sofia Herrera, PhD

Dpto. Agronomia Computacional · Universidad Politecnica de Valencia

📧
Email
s.herrera@upv.es
🔬
Preprint
arXiv: 2606.XXXXX
💻
Codigo y Dataset
github.com/sherrera-upv/vidcnn
🗓️
AgriTech Summit 2026
Sala Naranjo · 16:30h

Agradecimientos: Ministerio de Ciencia e Innovacion (PID2023-XXXXXX) · CSIC-Instituto de Ciencias Agrarias · Bodegas Torres Coma · Dr. Miguel Peinado y Dr. Laura Navarro (co-supervisores) · Grupo de investigacion AGRITEC-UPV

10 / 10