Tecnología
La IA ahora puede ayudar a detectar cultivos de cannabis desde el espacio
Añade MyCannabis.com a tus fuentes preferidas en Google
Tradicionalmente, el cultivo de cannabis se ha monitoreado desde el suelo. Los reguladores inspeccionan instalaciones con licencia, las fuerzas del orden buscan cultivos ilícitos y los productores dependen de trabajadores y sensores para evaluar las condiciones de los cultivos. Los avances en imágenes satelitales e inteligencia artificial están comenzando a añadir una capa adicional: la capacidad de analizar el cultivo de cannabis desde arriba.
Una nueva revisión sistemática1 que examina 105 estudios de teledetección publicados entre 2020 y 2025 destaca cuán avanzado está la IA agrícola. Los investigadores están combinando aprendizaje automático con satélites, drones, radar, cámaras hiperespectrales, imágenes térmicas y LiDAR para identificar cultivos, predecir rendimientos, detectar estrés y monitorear cómo cambia la vegetación a lo largo del tiempo.
Entre esos estudios hubo un ejemplo especialmente relevante para la industria del cannabis. Investigadores en Indonesia demostraron que el aprendizaje automático podría identificar plantaciones ilícitas de cannabis a partir de imágenes satelitales multitemporales con aproximadamente un 95 % de precisión.
La importancia va más allá de identificar cultivos ilegales. Los mismos avances tecnológicos podrían, eventualmente, respaldar el cultivo de cannabis con licencia, el monitoreo de la salud de los cultivos, el cumplimiento normativo, la gestión del agua y la previsión de la producción. A medida que la IA se integra cada vez más en el cultivo de cannabis, la teledetección podría convertirse en otra fuente de datos que alimenten esos sistemas.
Cómo los satélites pueden identificar cultivos de cannabis
Un satélite no necesita fotografiar la forma distintiva de una hoja de cannabis para reconocer un campo de cannabis. En su lugar, los sistemas de teledetección pueden medir características de la vegetación que son invisibles o difíciles de distinguir a simple vista.
Los satélites multiespectrales registran la energía reflejada en varias longitudes de onda. Estas mediciones proporcionan información sobre la densidad de la vegetación, la actividad de la clorofila, la humedad, la estructura de las plantas y otras características biológicas.
El estudio indonesio sobre cannabis resumido en la revisión utilizó imágenes satelitales Sentinel‑2 recopiladas en varios momentos. En lugar de basarse en una sola imagen, los investigadores analizaron cómo cambiaba la vegetación a lo largo del período de crecimiento.
Esta dimensión temporal es importante porque los cultivos siguen ciclos de crecimiento reconocibles. El cannabis pasa por etapas de plántula, vegetativa, floración y cosecha. Estas transiciones modifican la cantidad y el tipo de luz reflejada por el dosel del cultivo.
Los investigadores extrajeron características estadísticas de mediciones en rojo, verde, azul, infrarrojo cercano e índices de vegetación obtenidas a lo largo de múltiples observaciones. Luego, una red neuronal de retropropagación clasificó las áreas como plantaciones de cannabis, bosque o vegetación arbustiva.
La revisión informa una precisión de aproximadamente el 94,9 % y una puntuación kappa de 0,92 para el sistema de detección de cannabis.
En términos prácticos, la IA estaba aprendiendo algo más cercano a la huella estacional del cultivo.
La IA agrícola avanza más allá de imágenes individuales
El ejemplo del cannabis forma parte de un cambio mucho más amplio en la teledetección. La revisión encontró que las imágenes ópticas satelitales aparecían en aproximadamente el 63 % de los estudios examinados, mientras que el radar de apertura sintética aparecía en alrededor del 25 % y la detección basada en UAV en aproximadamente el 18 %. Los estudios pueden usar múltiples sensores, por lo que estas categorías se superponen.
Diferentes arquitecturas de IA también demostraron ser útiles para distintos tipos de problemas agrícolas.
- Las CNN se usaron ampliamente para mapeo, segmentación, detección de enfermedades y análisis de imágenes.
- Las redes LSTM y los Transformers se aplicaron cada vez más a datos de series temporales agrícolas.
- Random Forest y gradient boosting siguieron siendo competitivos cuando se podían generar características útiles a partir de conjuntos de datos más pequeños.
- Los sistemas multimodales combinaron imágenes ópticas con radar, clima, suelo, datos térmicos o información estructural.
Esto es importante porque los entornos agrícolas reales son caóticos. Las nubes ocultan a los satélites. Los cultivos pueden parecerse a la vegetación circundante. Los campos varían en tamaño y densidad de plantación. El clima cambia los patrones de crecimiento. Un sistema diseñado para una región puede funcionar de manera diferente en otra.
El uso de múltiples observaciones y fuentes de datos brinda a la IA más contexto para realizar una clasificación.
Qué encontró la revisión sobre teledetección e IA
| Hallazgo | Resultado |
|---|---|
| Estudios incluidos en la revisión | 105 |
| Estudios centrados en agricultura | Aproximadamente 89 % |
| Estudios que utilizan sensores ópticos satelitales | Aproximadamente 63 % |
| Estudios que utilizan SAR | Aproximadamente 25 % |
| Estudios que utilizan detección con UAV | Aproximadamente 18 % |
| Prevalencia de CNN entre los enfoques de deep learning revisados | 78.2% |
| Prevalencia de Random Forest entre los enfoques clásicos de ML revisados | 70.3% |
| Precisión reportada en la detección de cannabis | Aproximadamente 94,9 % |
La diversidad de estos enfoques sugiere que la IA agrícola está dejando de depender de un único sensor o algoritmo. En su lugar, los desarrolladores pueden elegir distintas combinaciones según el problema que se pretenda resolver.
Esa distinción podría resultar particularmente relevante para el cannabis, ya que los entornos de cultivo interior, en invernaderos y al aire libre presentan desafíos de monitoreo muy diferentes.
La detección satelital no implica que todas las plantas de cannabis sean visibles
La precisión de aproximadamente el 95 % reportada para la detección de cannabis no debe interpretarse como que los satélites pueden identificar cualquier cultivo de cannabis en cualquier lugar con una fiabilidad del 95 %.
El sistema evaluó un entorno geográfico concreto utilizando datos de entrenamiento específicos, observaciones satelitales y sitios de cultivo de cannabis conocidos. La revisión más amplia advierte repetidamente que los modelos de IA agrícola pueden tener dificultades al trasladarse entre regiones, estaciones, climas y prácticas de gestión.
Los investigadores se refieren a esto como un problema de generalización.
Un modelo entrenado con plantaciones de cannabis rodeadas de selva indonesia puede encontrarse con condiciones muy distintas en California, Columbia Británica, Marruecos o en una zona agrícola donde se cultivan numerosos cultivos visualmente similares en las proximidades.
La cobertura de nubes también representa una limitación práctica para los satélites ópticos. El radar puede ayudar a abordar ese problema porque el radar de apertura sintética no depende de la luz visible y puede recopilar información a través de las nubes. La revisión encontró un creciente interés en combinar observaciones ópticas y de radar precisamente porque los dos sensores aportan información complementaria.
Eso sugiere una dirección probable para los futuros sistemas de detección de cannabis: no una fotografía perfecta, sino múltiples mediciones acumuladas a lo largo del tiempo.
Lo que la teledetección podría significar para el cannabis legal
La vigilancia de cultivos ilícitos es la aplicación de cannabis más evidente discutida en la revisión, pero la tecnología subyacente no está inherentemente limitada a la aplicación policial.
La IA de teledetección también puede estimar el estrés hídrico, las condiciones de nutrientes, la salud de las plantas, la biomasa y el rendimiento en la agricultura convencional. La revisión incluye sistemas diseñados para detectar enfermedades, identificar requerimientos de riego, monitorear niveles de clorofila y nitrógeno, y predecir la producción antes de la cosecha.
Conceptos similares podrían, eventualmente, complementar las tecnologías de cultivo existentes dentro de operaciones legales de cannabis al aire libre o en invernaderos.
De la vigilancia a la gestión de cultivos
Para los productores con licencia, la teledetección podría apoyar el monitoreo de áreas de cultivo más extensas, donde inspeccionar manualmente cada planta o sección del campo resulta difícil.
Los cambios en la temperatura del dosel, los índices de vegetación o el desarrollo de las plantas podrían identificar áreas que requieran una inspección más detallada. En lugar de reemplazar a los cultivadores, la IA podría ayudar a priorizar dónde deben enfocarse sus observaciones.
Esto refleja desarrollos que ya están ocurriendo dentro de instalaciones de cultivo de cannabis, donde tecnologías como sistemas de riego de precisión convierten cada vez más las mediciones de los cultivos en decisiones de gestión.
La teledetección añade otra capa potencial a esa pila de datos.
La vigilancia de cannabis mediante IA plantea cuestiones regulatorias
La tecnología se vuelve más compleja cuando la teledetección pasa de la gestión agrícola a la aplicación policial.
La revisión identifica específicamente preocupaciones de gobernanza en torno a aplicaciones de vigilancia como la detección de cultivos ilícitos. Sus autores señalan que los marcos de uso responsable y la validación independiente siguen estando poco desarrollados en los estudios analizados.
Esta distinción es importante porque los errores de clasificación tienen consecuencias distintas según el uso que se le dé al sistema.
Si un modelo agrícola identifica erróneamente una zona de estrés en un campo, el cultivador puede inspeccionar el lugar y corregir el error. Si un sistema de vigilancia automatizado clasifica incorrectamente vegetación legal como cultivo ilícito de cannabis, las consecuencias podrían incluir investigaciones o acciones de cumplimiento.
Por lo tanto, la precisión no puede ser la única métrica.
Los sistemas operativos también necesitarían estimaciones fiables de incertidumbre, validación externa, procedimientos transparentes y algún mecanismo para confirmar las detecciones generadas por IA antes de tomar decisiones.
La revisión plantea un punto más amplio que se aplica particularmente a la regulación del cannabis: pasar de una demostración de investigación a un sistema operativo confiable requiere mucho más que obtener una alta puntuación de precisión.
El futuro podría ser un monitoreo continuo del cannabis
La próxima generación de IA de teledetección podría volverse sustancialmente más capaz.
La reseña destaca tecnologías emergentes, incluidos los Transformers, el aprendizaje auto‑supervisado, la fusión multimodal de sensores, las redes neuronales 3D, los gemelos digitales y los modelos fundacionales de observación de la Tierra. Estos enfoques podrían reducir la cantidad de datos etiquetados manualmente necesarios para construir sistemas agrícolas especializados.
Eso podría, eventualmente, hacer que el monitoreo de cultivos sea mucho más escalable.
En lugar de desarrollar un modelo completamente nuevo para cada ubicación, los sistemas futuros podrían comenzar con una comprensión preentrenada de la vegetación, el terreno, los patrones estacionales y el uso del suelo, y luego adaptar ese conocimiento a cultivos o regiones particulares.
Para el cannabis, eso crea dos posibilidades paralelas.
Los reguladores y las fuerzas del orden podrían obtener mejores herramientas para identificar cultivos al aire libre no autorizados. Al mismo tiempo, los cultivadores con licencia podrían acceder a sistemas de monitoreo cada vez más sofisticados, capaces de identificar estrés, estimar la producción o rastrear el desarrollo del cultivo de forma remota.
El cambio tecnológico importante, por lo tanto, no es simplemente que la IA pueda detectar cannabis desde el espacio. Es que los satélites, los sensores y la IA son cada vez más capaces de tratar la tierra agrícola como un sistema medible de forma continua.
El cannabis ahora se está convirtiendo en parte de esa transformación.
Referencias:
1 Gracia Rojas, D. A., Gómez Díaz, H. J., & Gil Herrera, R. de J. (2026). Aprendizaje automático y aprendizaje profundo basados en teledetección para la agricultura y la silvicultura: estimación de rendimiento, mapeo de cobertura terrestre y estrés de plantas: una revisión sistemática (2020–2025). Remote Sensing Applications: Society and Environment, 102279. https://doi.org/10.1016/j.rsase.2026.102279
