Aplicaciones de drones para la detección y manejo de “Hemileia vastatrix”: Revisión de alcance
Fecha
Título de la revista
ISSN de la revista
Título del volumen
Editor
Resumen
La roya del café (Hemileia vastatrix) genera pérdidas drásticas de entre el 10% y el 15% en la producción agroindustrial, lo que evidencia la ineficacia del monitoreo visual tradicional. Esta revisión de alcance mapea y caracteriza la evidencia científica sobre el uso de vehículos aéreos no tripulados (UAV) integrados con sistemas de visión de máquina para la detección temprana y el control fitosanitario del patógeno. Siguiendo los lineamientos PRISMA-ScR y el modelo analítico TCCM, se evaluaron 38 artículos indexados publicados entre 2016 y 2026. El análisis de la información evidencia que la combinación de drones equipados con sensores y arquitecturas de análisis como (ResNet 50 y YOLOv5) permite realizar un diagnóstico presintomático del estrés de la planta con valores superiores al 90%. Igualmente, la calibración aerodinámica de los vehículos aéreos no tripulados (UAV) dotados de pulverizadores incrementa la uniformidad en la aspersión, dentro del envés de la hoja en doseles densos mediante el flujo de aire descendente. Los resultados demuestran que la transición a la agricultura de precisión permite realizar una migración desde un control foliar de correctivo a uno predictivo, su adopción por pequeños caficultores está limitada por barreras de capital y brechas digitales rurales, lo que demanda impulsar modelos de asociación rural.
Coffee leaf rust (Hemileia vastatrix) causes drastic losses—ranging from 10% to 15%—in agroindustrial production, highlighting the ineffectiveness of traditional visual monitoring. This scoping review maps and characterizes scientific evidence regarding the use of unmanned aerial vehicles (UAVs) integrated with machine vision systems for the early detection and phytosanitary control of this pathogen. Following the PRISMA-ScR guidelines and the TCCM analytical framework, 38 indexed articles published between 2016 and 2026 were evaluated. The analysis indicates that combining drones equipped with sensors and analytical architectures (such as ResNet-50 and YOLOv5) enables the pre-symptomatic diagnosis of plant stress with an accuracy exceeding 90%. Furthermore, the aerodynamic calibration of UAVs equipped with sprayers enhances the uniformity of application—reaching the undersides of leaves even within dense foliage—by leveraging the downward airflow (downwash). The results demonstrate that the transition to precision agriculture allows for a shift from corrective to predictive foliar management; however, adoption by small-scale coffee farmers is constrained by capital barriers and the rural digital divide, underscoring the need to promote rural partnership models.
