El estudio muestra cómo el error cometido al ignorar la variabilidad tiene consecuencias económicas directas

El almendro (Prunus dulcis L.) es uno de los cultivos leñosos de mayor expansión en España durante la última década, con casi 90.000 ha incorporadas al regadío en los últimos siete años (MAPA-ESYRCE, 2024). Este crecimiento ha intensificado la presión sobre los recursos hídricos en un contexto especialmente comprometido: el sur de España es una de las regiones europeas más vulnerables a la escasez de agua y a la variabilidad climática, con proyecciones que apuntan a sequías estivales más frecuentes e intensas en el futuro (Böhnisch et al., 2021). En este escenario, optimizar el uso del agua de riego es una necesidad tanto productiva como ambiental.

La metodología de programación del riego más extendida se basa en estimar la evapotranspiración del cultivo (ETc) a partir de un coeficiente de cultivo (Kc) y la evapotranspiración de referencia (ET₀). En almendro, estudios de referencia realizados en España han determinado los valores de Kc para almendro que son función de la cobertura de suelo (GC, del inglés Ground Cover), es decir, la proyección horizontal de las copas de los árboles sobre el terreno (López-López et al., 2018; Moldero et al., 2021). Esta metodología ha sido adoptada y validada por primera vez en condiciones de finca comercial por Orozco-Morán et al. (2025).

En un ensayo de cuatro años con la variedad Lauranne, se demostró que la programación del riego basada en el balance hídrico, aprovechando la reserva de agua disponible en el suelo derivada de las lluvias invernales, permite cubrir con precisión las necesidades reales del cultivo. Además, aplicar láminas de riego estacionales un 22% o un 44% superiores al control no produjeron incrementos significativos del rendimiento de pepita, pero sí proporcionaron datos muy valiosos de sobre las funciones de respuesta al riego del almendro.

Para verificar que la lámina aplicada era realmente adecuada, el estudio incorporó además la monitorización continua de la temperatura de dosel mediante sensores infrarrojos, calculando el Índice de Estrés Hídrico del Cultivo (CWSI) a lo largo de toda la campaña. Esta información en tiempo real permitió confirmar que el tratamiento control no inducía estrés hídrico significativo, y que los árboles con déficit de riego presentaban temperaturas de dosel consistentemente más elevadas, validando así tanto el método de programación como los valores de Kc obtenidos.

El estudio se realizó en la finca Cortijo La Reina (Almodóvar del Río, Córdoba), una explotación comercial de almendro de 68,7 ha con varias combinaciones variedad-portainjerto.

En la práctica, sin embargo, esta metodología se aplica con una simplificación que puede ser importante: Para calcular la dotación de riego se usa un único valor de GC representativo para toda la parcela, asumiendo implícitamente que todos los árboles son idénticos en tamaño. Esta suposición raramente se cumple en plantaciones comerciales con distintas variedades, portainjertos o edades de plantación, donde coexisten árboles de tamaños muy dispares. Bajo riego uniforme, los árboles más pequeños reciben agua en exceso mientras que los más grandes sufren déficit hídrico, comprometiendo la eficiencia productiva del conjunto.

Para caracterizar con precisión esta variabilidad estructural dentro de la plantación es donde precisamente entra el juego el LiDAR (Light Detection and Ranging): una tecnología de teledetección activa que emite pulsos láser y mide el tiempo que tardan en regresar tras impactar en los objetos, generando nubes de puntos tridimensionales de alta densidad.

A diferencia de las cámaras convencionales, el LiDAR penetra en el interior del dosel y captura su estructura volumétrica completa, lo que permite calcular con gran precisión parámetros tales como la altura o el volumen de copa y la cobertura de suelo (GC) a escala de árbol individual en grandes superficies agrícolas, con precisión y rapidez impensables hace pocos años (Jiménez-Berni et al., 2018; Song et al., 2025) permitiendo cuantificar la variabilidad de tamaños dentro de cada unidad de gestión agronómica.

El presente artículo sintetiza los resultados de un estudio publicado en la revista Scientia Horticulturae (Orozco-Morán et al., 2026), cuyo objetivo fue cuantificar el impacto de esa variabilidad estructural sobre las relaciones agua-rendimiento en una finca comercial, apoyándose en funciones de producción validadas experimentalmente durante cuatro campañas (Orozco-Morán et al., 2025).

El estudio se realizó en la finca Cortijo La Reina (Almodóvar del Río, Córdoba), una explotación comercial de almendro de 68,7 ha con varias combinaciones variedad-portainjerto: Lauranne sobre GN, GF-677 y RR; Marta sobre RR; y Soleta sobre RR. La base experimental procede de un ensayo de campo de cuatro años (2021-2024) sobre Lauranne/GF-677, con cuatro tratamientos de riego: control (F), déficit (D, −30%) y dos sobreriegos (SR1, +22%; SR2, +44%), del que se obtuvieron las funciones de producción agua-rendimiento y tamaño de copa-rendimiento.

Para la caracterización estructural se realizaron vuelos con dron (DJI M300 RTK) equipado con sensor LiDAR (DJI Zenmuse L1). A partir de la nube de puntos se extrajeron polígonos individuales de copa para cada árbol, obteniendo así el valor de GC con precisión centimétrica, y por tanto un valor de Kc individual. Con estos datos se definieron dos escenarios de simulación:

• Escenario A (enfoque convencional): aplica la función de producción al árbol de tamaño medio de la parcela, usando el GC promedio del sector (GC = 0,57). Representa el procedimiento estándar actualmente utilizado.
• Escenario B (variabilidad real): estratifica los árboles en 10 familias por tamaño de copa, calcula la demanda hídrica específica de cada una y obtiene el rendimiento del sector como la suma ponderada de la respuesta de cada familia.

Para evaluar la eficiencia económica del agua se calculó además la Productividad Marginal del Agua (PMA, kg m^-3), definida como el incremento de rendimiento por unidad adicional de agua aplicada.

Variabilidad de cobertura de suelo en la finca

La segmentación LiDAR reveló una amplia variabilidad estructural, con valores de GC entre 0,30 y casi 0,70 (Figura 2). La distribución global muestra un pico en torno a 0,50-0,55, con el 50% de los árboles por debajo de GC = 0,52. La mayor parte de esta heterogeneidad tiene origen varietal y de portainjerto: Lauranne sobre GF-677 presenta los doseles más vigorosos, mientras que Lauranne sobre RR desarrolla copas notablemente más pequeñas y variables.

Las variedades Marta y Soleta, ambas sobre RR, muestran distribuciones más estrechas y valores más bajos. Todo ello pone de manifiesto que, incluso bajo un manejo de riego uniforme desde la plantación, la elección del material genético determina de forma decisiva la estructura del dosel y, por tanto, las necesidades hídricas de cada árbol.

Figura 1. Imagen ejemplo del modelo 3D resultado de mapeo con LiDAR sobre una finca de almendro y perfil transversal de los árboles de la finca.

Figura 2. Distribución de cobertura de suelo (GC) en la finca, global y por combinación de sector de riego.

Impacto de la variabilidad sobre la curva de producción

La comparación entre escenarios muestra que el modelo convencional para predecir la producción en función del agua aplicada, sobreestima el rendimiento alcanzable bajo riego uniforme (Figura 3a). En el Escenario A el rendimiento máximo es de 2.103 kg/ha con 684 mm de agua aplicada (AW). Al incorporar la variabilidad real de GC (Escenario B), el rendimiento agregado es sistemáticamente inferior para el mismo volumen: alcanzar la producción máxima requeriría un aporte de 811 mm, 127 mm más de lo que indica el árbol medio.

La causa es clara: bajo riego uniforme, los árboles pequeños reciben agua en exceso sin traducirla en producción adicional, efecto amortiguado por la forma cóncava de la función de producción, bien documentada para el almendro (Goldhamer y Fereres, 2017), mientras que los árboles grandes sufren un déficit hídrico que limita su potencial. El modelo no incorpora aún la posible penalización del rendimiento por exceso de riego en árboles pequeños, documentada experimentalmente en Orozco-Morán et al. (2025), por lo que las pérdidas reales podrían ser superiores a las estimadas.

Productividad marginal del agua y efecto de la heterogeneidad

El análisis de la PMA en los dos escenarios revela otra limitación importante del enfoque uniforme (Figura 3b): cuando el riego se planifica con la GC media, la PMA subestima los retornos reales del agua. En el Escenario B la PMA se mantiene positiva y superior sobre un rango más amplio de agua aplicada, lo que implica que regar más sigue siendo rentable a niveles más altos de los que sugeriría el árbol medio. El agricultor que use el enfoque convencional puede estar seleccionando láminas de riego por debajo del óptimo económico, perdiendo producción rentable de sus árboles más vigorosos.

Las simulaciones con coeficientes de variación (CV) de tamaños de copa crecientes, 10% (valor real de la finca), 20% y 60%, confirman que esta divergencia se amplifica con la heterogeneidad. El resultado es especialmente relevante en plantaciones que mezclan variedades o portainjertos de vigor muy diferente, y en cultivos como el pistacho, donde los CV de tamaño de copa son aún mayores que en almendro (Vélez et al., 2022).

Figura 3. Curvas de rendimiento (a) y productividad marginal del agua (b) para el Escenario A (árbol medio) y Escenario B (variabilidad real), con zona de ganancia potencial del riego de precisión.

Una implicación práctica inmediata es que, incluso sin sistemas de riego de dosis variable, conocer la distribución real de GC permite tomar mejores decisiones sobre la lámina uniforme a aplicar. El Escenario B identifica que el umbral óptimo de riego es más alto de lo que sugiere el árbol medio, en este caso, unos 127 mm adicionales para alcanzar el máximo productivo, información directamente utilizable por el técnico de riego sin necesidad de infraestructura adicional.

Desde el punto de vista tecnológico, el LiDAR aerotransportado ha demostrado ser la herramienta más adecuada para esta tarea. Aunque la fotogrametría con imágenes RGB ofrece una alternativa más económica, presenta limitaciones en la penetración del dosel y en la resolución vertical que dificultan la caracterización precisa de copas complejas o solapadas (Song et al., 2025). La capacidad del LiDAR para segmentar árboles individualmente y asociarles información de múltiples fuentes abre además la puerta a una gestión agronómica de precisión a escala de árbol individual, algo que hasta hace poco era inviable en condiciones comerciales. Un ejemplo de esta integración es precisamente la combinación del balance hídrico con la monitorización continua de temperatura de dosel demostrada en Orozco-Morán et al. (2025): conocer qué árbol tiene qué tamaño de copa, y por tanto qué Kc, y saber simultáneamente si ese árbol está o no bajo estrés hídrico mediante sensores infrarrojos son dos capas de información que, combinadas, permitirían afinar el riego con una precisión hoy al alcance de cualquier explotación comercial.

Con base en estos resultados, se propone un protocolo de implementación estructurado en cuatro fases (Figura 4): (i) caracterización inicial de la finca: análisis climático y mapeo de sectores de riego (LiDAR); (ii) instalación de la instrumentación necesaria, incluyendo estación meteorológica, sensores de temperatura de copa y caudalímetros por sector; (iii) programación del riego diferenciada por familia de tamaño de copa, integrando el cálculo de necesidades hídricas y la optimización de turnos; y (iv) seguimiento continuo mediante indicadores de estrés hídrico y detección de fallos del sistema. Este marco operativo permite trasladar de forma directa los resultados del modelado hacia una gestión óptima del riego.

Referencias bibliográficas

Böhnisch, A.; Mittermeier, M.; Leduc, M.; Ludwig, R. (2021). Hot spots and climate trends of meteorological droughts in Europe. Frontiers in Water 3.

Goldhamer, D.A.; Fereres, E. (2017). Establishing an almond water production function for California using long-term yield response to variable irrigation. Irrigation Science 35 (3), 169-179.

Jiménez-Berni, J.A. et al. (2018). High throughput determination of plant height, ground cover, and above-ground biomass in wheat with LiDAR. Frontiers in Plant Science 9, 237.

López-López, M.; Espadafor, M.; Testi, L.; Lorite, I.J.; Orgaz, F.; Fereres, E. (2018). Water requirements of mature almond trees in response to atmospheric demand. Irrigation Science 36 (4-5).

MAPA-ESYRCE (2024). Encuesta sobre Superficies y Rendimientos de Cultivos — Resultados 2023. Secretaría General Técnica, Madrid.

Moldero, D.; López-Bernal, Á.; Testi, L.; Lorite, I.J.; Fereres, E.; Orgaz, F. (2021). Long-term almond yield response to deficit irrigation. Irrigation Science 39 (4), 409-420.

Orozco-Morán, R.; Jiménez-Berni, J.A.; Fereres, E.; Orgaz, F. (2025). Irrigation scheduling of an almond orchard using the water balance and remote and proximal sensing. Agricultural Water Management 313, 109455.

Orozco-Morán, R.; Jiménez-Berni, J.A.; Fereres, E.; Orgaz, F. (2026). LiDAR-based assessment of canopy size variability and its impact on irrigation efficiency and yield in almond orchards. Scientia Horticulturae 357, 114652.

Song, H.; Wen, W.; Wu, S.; Guo, X. (2025). Comprehensive review on 3D point cloud segmentation in plants. Artificial Intelligence in Agriculture 15 (2), 296-315.

Vélez, S. et al. (2022). A novel technique using planar area and ground shadows calculated from UAV RGB imagery to estimate pistachio tree canopy volume. Remote Sensing 14 (23).

Caracterizar la variabilidad estructural mediante teledetección de alta resolución debe ser un paso previo al diseño de cualquier estrategia de riego eficiente