Uso de nuevas tecnologías de teledetección en el cultivo del pistacho

El pistachero, debido a su arquitectura y generalmente al encontrarse en marcos regulares, es un cultivo idóneo para la aplicación de tecnologías de agricultura de precisión basadas en imágenes y datos. Autores: Raquel Martínez-Peña¹, Julián Guerrero-Villaseñor¹, Rosa Mérida-García¹, David Fariña-Flores¹, Sergio Vélez²  ¹ Centro de Investigación Agroambiental «El Chaparrillo», Instituto Regional de Investigación y Desarrollo Agroalimentario y Forestal de Castilla-La Mancha (IRIAF), Ciudad Real, Spain ² JRU Tecnología de Drones, Departamento de Construcciones Arquitectónicas e I.C.T., Universidad de Burgos, Burgos, 09001, España El cultivo del pistacho (Pistacia vera L.) ha experimentado un notable crecimiento en superficie y relevancia económica durante las dos últimas décadas, tanto a escala global como en países mediterráneos. Este incremento ha coincidido con la rápida expansión de un conjunto de tecnologías destinadas a optimizar la producción agrícola. Entre ellas destacan los vehículos aéreos no tripulados (UAV o drones), los sensores de imagen de alta resolución, las técnicas de fotogrametría digital, el aprendizaje automático y profundo (Machine Learning y Deep Learning), y la integración de datos en sistemas de información geográfica. El pistachero, debido a su arquitectura y generalmente al encontrarse en marcos regulares, es un cultivo idóneo para la aplicación de tecnologías de agricultura de precisión basadas en imágenes y datos.

1. CONTEXTO GLOBAL DEL CULTIVO DEL PISTACHO Y ADOPCIÓN TECNOLÓGICA

El pistacho se ha consolidado como un cultivo leñoso de alto valor, con superficies significativas en Estados Unidos (principalmente California), Irán, Turquía y, más recientemente, España, Italia y otros países de la cuenca mediterránea. En muchos de estos territorios, el pistachero se ha implantado sobre suelos semiáridos y sistemas de riego presurizado, lo que sitúa la gestión del agua, el seguimiento del estado hídrico y la reducción de costes de mano de obra como prioridades estratégicas para el sector. En paralelo, la disponibilidad comercial de drones multirrotor y de ala fija, así como de cámaras RGB (Red (rojo), Green (verde), Blue (azul)), multiespectrales y térmicas, ha facilitado la realización de vuelos para la adquisición de datos con resoluciones espaciales del orden de 1-5 cm por píxel. Esta resolución permite trabajar a escala de árbol individual, algo difícilmente alcanzable con sensores satelitales convencionales, o incluso con sensores a bordo de aviones. En la literatura reciente se observa una migración desde enfoques basados exclusivamente en índices de vegetación hacia flujos de trabajo o “pipelines” más complejos que combinan reconstrucción tridimensional, segmentación de copas y modelos de aprendizaje automático para estimar variables agronómicas (Martínez-Peña et al., 2023; Khormizi et al., 2024). En España, el pistacho ha pasado en pocos años de ser un cultivo testimonial a convertirse en una alternativa estratégica en zonas de secano mejorado y regadío con limitaciones de dotación. Comunidades autónomas como Castilla-La Mancha, Andalucía o Extremadura han impulsado plantaciones de gran tamaño apoyadas en cooperativas y empresas de servicios. En este contexto, el uso de drones se ha introducido inicialmente a través de empresas especializadas en cartografía de vigor y planificación de riegos, y progresivamente se han incorporado proyectos de investigación orientados a la estimación de rendimiento, el seguimiento fenológico y la reconstrucción de copas (Vélez et al., 2022; Jacygrad et al., 2022).

2. SENSORES Y PLATAFORMAS EMPLEADAS EN PISTACHERO

Las plataformas UAV utilizadas en pistachero son mayoritariamente multirrotores eléctricos, debido a su capacidad para despegar y aterrizar en espacios reducidos y para operar a baja altura con trayectorias precisas. Estas plataformas suelen volar entre 15 y 50 m de altura sobre el terreno, generando resoluciones espaciales del orden de 1-3 cm por píxel con cámaras RGB estándar y del orden de 3-10 cm por píxel con sensores multiespectrales o 5-30cm con térmicos, dependiendo de la óptica y la altura de vuelo (Martínez-Peña et al., 2023). En lo que respecta a sensores, los más habituales son: a) cámaras RGB, utilizadas para generación de ortomosaicos de alta resolución, fotogrametría y extracción de características geométricas y texturales de las copas; b) cámaras multiespectrales con bandas centradas en el visible y el infrarrojo cercano, que permiten calcular índices de vegetación como por ejemplo el  NDVI (Índice de Vegetación de Diferencia Normalizada); y c) cámaras térmicas en el infrarrojo de onda larga, que permiten estimar la temperatura de la cubierta vegetal y derivar índices de estrés hídrico como el Índice de Estrés Hídrico del Cultivo (CWSI). En algunos trabajos se ha experimentado con sistemas LiDAR (Light Detection and Ranging) aerotransportados o montados sobre plataformas terrestres, pero, a día de hoy, la mayor parte de los estudios en pistachero con UAVs se apoyan en fotogrametría basada en imágenes. La elección del sensor y de la plataforma condiciona el tiempo de vuelo, la precisión de las estimaciones y el tipo de algoritmos que pueden aplicarse posteriormente.

3. PROCESAMIENTO DE IMAGEN, FOTOGRAMETRÍA Y MODELOS DE APRENDIZAJE

El flujo de trabajo típico (Figura 1) en estudios con drones en pistachero comienza con la planificación del vuelo, la adquisición de imágenes con solapes longitudinales y transversales (usualmente superiores al 70 %), y la georreferenciación mediante puntos de control en tierra, si el sensor no tiene acceso a posicionamiento de alta precisión (por ejemplo, RTK). A continuación, se generan los productos fotogramétricos con técnicas como Structure from Motion (SfM), generando productos como nubes de puntos densas, modelos digitales de superficie y ortomosaicos. Sobre estos productos se aplican diferentes algoritmos según el objetivo del estudio.

Figura 1. Flujo de trabajo habitual en Fotogrametría con drones.

En el ámbito de la detección y segmentación de copas, se han utilizado tanto enfoques basados en análisis de imagen orientado a objetos (OBIA) como modelos de aprendizaje profundo. Los enfoques OBIA agrupan píxeles en objetos homogéneos y aplican reglas basadas en forma, tamaño, textura o índices espectrales para separar las copas del suelo, entre otras clases. Aunque son relativamente sencillos de implementar, tienden a ser sensibles a las condiciones de iluminación y a la fenología, y generalmente requieren una calibración por escena. En contraste, los modelos de aprendizaje profundo, como Mask R-CNN (Mask Region-Based Convolutional Neural Network) o las diferentes variantes de YOLO (You Only Look Once), permiten detectar copas (o incluso frutos) mediante cajas delimitadoras o máscaras de segmentación a partir de conjuntos de entrenamiento anotados. En pistachero y otros frutales se ha demostrado que estos modelos pueden alcanzar precisiones elevadas (valores altos de IoU y F1-Score), siempre que se disponga de un número suficiente de ejemplos anotados y que las imágenes cubran una amplia gama de condiciones (Kelly et al., 2025). Además de la detección y segmentación, la literatura reciente explora distintos tipos de regresión, en las que las características extraídas de las imágenes (índices espectrales, métricas de textura, altura derivada de la nube de puntos, etc.) sirven como variables explicativas para predecir magnitudes agronómicas tales como el rendimiento, la biomasa, la evapotranspiración o el contenido hídrico del suelo mediante el uso de diferentes modelos de Machine Learning (Martínez-Peña et al., 2023, 2024 ; Khormizi et al., 2024).

4. TAXONOMÍA DE TAREAS TECNOLÓGICAS EN PISTACHERO

A partir de la revisión de la literatura científica reciente, es posible proponer una taxonomía (Figura 2) de tareas computacionales específicas para el cultivo del pistacho, que agrupan tanto los trabajos ya publicados como las líneas de investigación emergentes:

Figura 2. Taxonomía de tareas tecnológicas en pistachero

• Detección

La detección se refiere a la identificación de objetos discretos en la escena, típicamente copas de árboles, parcelas o incluso racimos o frutos individuales. En pistachero, la mayor parte de los estudios con UAV se centran en la detección de copas como unidad de gestión, mientras que el conteo de frutos se ha abordado principalmente en líneas de procesado mediante visión artificial y modelos de detección de objetos (Rahimzadeh and Attar, 2022,).

• Segmentación

La segmentación comprende tanto la segmentación semántica (asignación de clase a cada píxel) como la segmentación por instancias (delimitación individualizada de cada copa). Se utiliza para separar la vegetación del suelo, delimitar copas y construir máscaras que permitan el cálculo de índices y métricas por árbol. En este sentido, se han empleado enfoques OBIA y también modelos como Mask R-CNN o segmentadores basados en transformadores, que se están empezando a aplicar a escenas complejas de plantaciones arbóreas (Vélez et al., 2022; Kelly et al., 2025).

• Regresión

Bajo la etiqueta de regresión se agrupan tareas de predicción de variables continuas a partir de datos de imagen. En pistachero, se han desarrollado modelos para estimar el rendimiento, la calidad, la evapotranspiración, el estrés hídrico o el volumen de copa a partir de indicadores derivados de imágenes multiespectrales e hiperespectrales, térmicas y nubes de puntos (Aliabad et al., 2022; Khormizi et al., 2024, Martínez-Peña et al., 2024).

• Reconstrucción tridimensional (3D)

La reconstrucción 3D abarca desde la generación de modelos digitales de superficie y de altura de la cubierta hasta la obtención de nubes de puntos a partir de técnicas de fotogrametría como SfM. En otros frutales, se han explorado también enfoques basados en campos de radiancia neural (NeRF) que permiten representar de forma implícita la geometría y apariencia tridimensional de los árboles (PENG et al., 2025).

• Fusión de datos

La fusión de datos integra información procedente de diferentes fuentes: UAV, satélite, sensores en planta, estaciones meteorológicas y datos de postcosecha. Esta combinación permite extender en espacio y tiempo las estimaciones realizadas con drones, así como mejorar la robustez de los modelos (Reza et al., 2021). En pistachero, la fusión UAV-Landsat o UAV-Sentinel-2 se está utilizando para extrapolar mapas de vigor y estrés hídrico a períodos en los que no se dispone de vuelos, así como para mejorar las estimaciones de las imágenes de satélite gracias a los datos UAV.

• Series temporales

Finalmente, las series temporales incluyen el seguimiento fenológico y multianual de las plantaciones mediante secuencias de imágenes. En pistachero, la repetición de vuelos en diferentes momentos de la campaña permite analizar el desarrollo vegetativo, el cierre progresivo de copas y la respuesta a estrategias de riego o poda. Cuando se dispone de identificadores estables por árbol, la serie temporal puede asociarse a cada individuo, acercándose a un seguimiento tipo «tracking» agronómico a lo largo de la misma campaña o incluso de varias campañas (Jacygrad et al., 2022; Martínez- Peña et al., 2023). La Tabla 1 ofrece una síntesis comparativa de sensores, resolución espacial, algoritmos y variables objetivo en estudios recientes sobre pistachero. Tabla 1. Comparación de sensores, resolución espacial, algoritmos y variables objetivo en estudios recientes sobre pistachero.

Sensor/método	GSD (cm píxel⁻¹)	Algoritmo principal	Variable objetivo	Métricas habituales
RGB	1-3	OBIA	Área y copa del árbol	IoU, precisión, recall
RGB	1-3	Mask R-CNN / YOLO	Delimitación de copas	IoU, F1-score, AP
Multiespectral	3-10	Regresión (RF, SVM, DL)	NDVI, vigor, rendimiento	R², RMSE, MAE
Térmico	5-30	Modelos de energía (SEBAL, CWSI)	Estrés hídrico, ET	R², RMSE
RGB + SfM	1-3	Reconstrucción 3D	Altura y volumen de copa	R², bias, RMSE

* RGB (Rojo-Verde- Azul); SfM (Structure from Motion); OBIA (Object-Based Image Analysis); Mask R-CNN (Mask Region-Based Convolutional Neural Network); YOLO (You Only Look Once); RF (Random Forest); SVM (Support Vector Machine); DL (Deep Learning); SEBAL(Surface Energy Balance Algorithm for Land); CWSI (Crop Water Stress Index); NDVI (Normalized Difference Vegetation Index); ET (Evapotranspiración); IoU (Intersection over Union); F1-Score (media armónica precisión-recuerdo); AP (Average Precision); R² (Coeficiente de determinación);RMSE (Raíz del Error Cuadrático Medio); MAE (Error Absoluto Medio).

5. APLICACIONES EN ESTRÉS HÍDRICO, EVAPOTRANSPIRACIÓN Y VIGOR

El estrés hídrico es uno de los factores más determinantes para el rendimiento y la calidad del pistacho. Los drones equipados con cámaras térmicas y multiespectrales permiten estimar la temperatura de la copa y la reflectancia en diferentes bandas, lo que posibilita derivar indicadores de estrés y evapotranspiración (ET) por árbol. Trabajos recientes han combinado imágenes térmicas de UAV con modelos de balance de energía tipo SEBAL para estimar la ET en plantaciones de pistachero, reportando valores aceptables en los coeficientes de determinación respecto a las medidas de campo (Aliabad et al., 2022; Khormizi et al., 2024). En estos estudios se suelen calibrar relaciones entre el CWSI y la disponibilidad hídrica, de manera que se puedan identificar árboles con estrés moderado o severo y ajustar las dotaciones de riego. El uso de mapas de ET y estrés hídrico permite también evaluar estrategias de riego deficitario controlado y cuantificar su impacto sobre el desarrollo vegetativo y la producción, lo que resulta especialmente relevante en regiones con limitaciones de agua como las zonas semiáridas de la Cuenca Mediterránea. Además de los parámetros hídricos, las imágenes multiespectrales de alta resolución se emplean para derivar mapas de vigor basados en índices de vegetación (Figura 3). Estos mapas se utilizan para la zonificación de las plantaciones (definiendo unidades de manejo homogéneo), para el seguimiento interanual del desarrollo de los árboles, identificando fallos de marras, problemas de establecimiento o diferencias de crecimiento, e incluso para estimar parámetros agronómicos y de calidad (Vélez et al., 2022; Martínez-Peña et al., 2023). Figura 3. Ejemplos de ortomosaico (a) y mapas de índices de vegetación en pistacho (b, c, d, e) para la estimación de parámetros agronómicos y de calidad (adaptado de Martínez-Peña et al., 2023).

6. APLICACIONES DE LA RECONSTRUCCIÓN TRIDIMENSIONAL Y ESTIMACIÓN DE VOLUMEN DE COPA

Como se ha indicado, la reconstrucción tridimensional de la copa de pistachero a partir de imágenes de dron permite obtener modelos digitales de superficie y nubes de puntos de alta densidad. A partir de estos productos es posible estimar la altura de los árboles, el volumen de copa y otros parámetros estructurales que se relacionan con el vigor y el potencial productivo. El volumen de copa estimado por fotogrametría RGB tanto por modelos simplificados de geometría se correlaciona de forma significativa con parámetros agronómicos medidos en campo, lo que abre la puerta a la caracterización masiva de plantaciones (Vélez et al., 2022). En cuanto a los métodos basados en campos de radiancia neural (NeRF), se han empleado para representar de forma continua la estructura tridimensional del dosel de frutales a partir de imágenes multivista (Peng et al., 2025). Aunque estos métodos son computacionalmente más exigentes, permiten una representación detallada de la copa y la generación de vistas sintéticas, lo que podría resultar útil para la simulación de tratamientos y la planificación de podas.

7. APLICACIONES POSTCOSECHA: CONTEO Y CLASIFICACIÓN DE FRUTOS

En el ámbito postcosecha, las nuevas tecnologías se han aplicado fundamentalmente al conteo y clasificación de frutos de pistacho en líneas de procesado. La combinación de cámaras RGB de alta velocidad con modelos de detección de objetos y algoritmos de seguimiento (tracking) permite contar los frutos que pasan por una cinta transportadora evitando duplicidades debidas a la presencia del mismo fruto en varios fotogramas. Rahimzadeh and Attar, (2022) desarrollaron un sistema basado en redes de detección y seguimiento que logró realizar conteos con errores reducidos, mejorando la eficiencia del proceso industrial. Aunque la mayor parte de estos sistemas se ha diseñado para ambientes controlados, la experiencia acumulada en postcosecha ofrece lecciones valiosas para futuros desarrollos en campo, por ejemplo, en conteo de racimos o frutos expuestos mediante imágenes de proximidad o capturas con drones a muy baja altura. No obstante, el ocultamiento de los frutos por las hojas y la variabilidad de la iluminación siguen siendo retos importantes para el cuento directo en el árbol.

8. SANIDAD VEGETAL Y DETECCIÓN DE ENFERMEDADES

Desde el punto de vista sanitario, el pistachero presenta problemas asociados a plagas como la psylla y diversas enfermedades foliares y de madera que pueden afectar al vigor y al rendimiento. Sin embargo, la literatura científica específica sobre la aplicación de tecnologías de teledetección e inteligencia artificial a la sanidad del pistachero es todavía incipiente. Los trabajos publicados se centran principalmente en la caracterización espectral de hojas y en estudios de fisiología asociados al estrés hídrico, mientras que la detección de patologías mediante imagen y modelos de visión artificial permanece como una línea emergente. Sin embargo, se están comenzando a incorporar técnicas empleadas en otros cultivos. Por ejemplo, en otros cultivos leñosos, se ha avanzado de forma notable en la detección temprana de enfermedades mediante imágenes, por ejemplo, la integración de imágenes multiespectrales y térmicas ha mostrado utilidad en la identificación de focos relacionados con la presencia de Xylella fastidiosa (Poblete et al., 2020) o el uso de imágenes multiespectrales y mapas de riesgo para la identificación de Botrytis cinérea (Vélez et al., 2023). Estos avances constituyen referencias metodológicas útiles para el pistachero, donde el desarrollo de sets de datos específicos, la anotación sanitaria y la estandarización de protocolos de adquisición representan los principales retos para la aplicación de estas técnicas en condiciones reales de campo.

9. CASO DE USO: ADOPCIÓN DE NUEVAS TECNOLOGÍAS EN ESPAÑA

En España, la implantación del pistachero ha ido acompañada de un creciente interés por las herramientas de agricultura de precisión. Las cooperativas y empresas de servicios han incorporado drones como herramienta de diagnóstico y planificación, especialmente en fases de diseño de plantaciones, detección de fallos de marras y apoyo a la toma de decisiones en riego. La disponibilidad de técnicos con formación en teledetección y SIG (Sistemas de Información Geográfica) es crucial para la interpretación de los productos generados. Desde el punto de vista de la investigación, varios grupos han desarrollado proyectos específicos sobre pistachero, centrados en la estimación del volumen de copa a partir de imágenes RGB y fotogrametría, la cartografía de vigor mediante índices multiespectrales y la exploración de metodologías de segmentación de copas. También se han planteado casos piloto de integración de datos UAV con imágenes Sentinel-2 para extrapolar mapas de vigor a escalas regionales. No obstante, persisten barreras de adopción relacionadas con el coste de los servicios, la necesidad de personal especializado para la interpretación de resultados y la integración efectiva de la información en los sistemas de asesoramiento y toma de decisiones de las explotaciones. La estandarización de protocolos y la formación de técnicos y agricultores serán claves para que las nuevas tecnologías pasen de proyectos puntuales a herramientas de uso cotidiano en el sector pistachero español.

10. LIMITACIONES, DESAFÍOS Y OPORTUNIDADES FUTURAS

A pesar de los avances descritos, el uso de nuevas tecnologías de teledetección en el cultivo del pistacho se enfrenta a varias limitaciones. Desde el punto de vista técnico, la variabilidad fenológica, las oclusiones por el follaje y el efecto de las condiciones de iluminación complican la detección de copas y cualquier intento de conteo de frutos en campo. En términos de modelización, la generalización de los modelos de aprendizaje profundo requiere conjuntos de datos amplios y representativos, así como estrategias de validación rigurosas que incluyan datos independientes. Otro desafío es la integración operativa de la información generada por drones y otros sensores en los sistemas de gestión de las explotaciones. Para que los mapas de vigor, estrés hídrico o volumen de copa tengan impacto real, deben traducirse en decisiones concretas de riego, fertilización, poda o control de plagas. Esto exige desarrollar interfaces amigables, servicios de asesoramiento adaptados y herramientas que integren los resultados en flujos de trabajo agronómicos ya existentes. De cara al futuro, se identifican varias oportunidades. La combinación de reconstrucción 3D avanzada (incluyendo NeRF) con modelos fisiológicos podría permitir estimar la interceptación de radiación y la distribución de la biomasa en la copa. La integración de datos UAV con sensores en planta y modelos meteorológicos ofrecerá nuevas posibilidades para el seguimiento en tiempo casi real del estado hídrico y nutricional. Por último, el desarrollo de sistemas de apoyo a la decision (DSS, por sus siglas en inglés) específicos para pistachero, que integren datos multifuente y ofrezcan recomendaciones claras y cuantificadas, será un campo de trabajo prioritario en los próximos años.

11. CONCLUSIONES

El cultivo del pistacho se encuentra en un momento de fuerte expansión y modernización, en el que las nuevas tecnologías desempeñan un papel central. Permitiéndonos observar la plantación a escala de árbol individual, generando información detallada sobre su estructura, el vigor y el estado hídrico que habría sido complicado de obtener con métodos tradicionales. La combinación de fotogrametría, índices espectrales y modelos de aprendizaje automático ha demostrado su capacidad para mejorar la comprensión del funcionamiento de las plantaciones y apoyar la toma de decisiones agronómicas. La taxonomía de tareas descrita (detección, segmentación, regresión, reconstrucción tridimensional, fusión de datos y análisis de series temporales),  proporciona un marco conceptual para organizar las diferentes aplicaciones y orientar futuras líneas de investigación e innovación. Los casos de uso revisados, tanto a escala global como en España, muestran que estas tecnologías han pasado ya de la fase experimental a una fase de adopción incipiente pero creciente. Quedan, sin embargo, retos importantes en términos de estandarización, validación, escalabilidad y formación, así como oportunidades claras para el desarrollo de sistemas avanzados de apoyo a la decisión y para la integración de las nuevas tecnologías en cadenas de valor que incluyen no solo la producción en campo, sino también la postcosecha, la calidad y la trazabilidad. En este contexto, el pistachero se perfila como un cultivo especialmente adecuado para la aplicación de la agricultura de precisión basada en datos y modelos. REFERENCIAS BIBLIOGRÁFICAS Aliabad, F. A., Shojaei, S., Mortaz, M., Ferreira, C. S. S., & Kalantari, Z. (2022). Use of Landsat 8 and UAV Images to Assess Changes in Temperature and Evapotranspiration by Economic Trees following Foliar Spraying with Light-Reflecting Compounds. Remote Sensing, 14(23), 6153. https://doi.org/10.3390/rs14236153 Barajas, E., Álvarez, S., Fernández, E., Vélez, S., Rubio, J. A., & Martín, H. (2020). Sentinel-2 Satellite Imagery for Agronomic and Quality Variability Assessment of Pistachio (Pistacia vera L.). Sustainability, 12(20), 8437. https://doi.org/10.3390/su12208437 Jacygrad, E., Kelly, M., Hogan, S., Preece, J., Golino, D., & Michelmore, R. (2022). Comparison between Field Measured and UAV-Derived Pistachio Tree Crown Characteristics throughout a Growing Season. Drones, 6(11), 343. https://doi.org/10.3390/drones6110343 Kelly, M., Feirer, S., Hogan, S., Lyons, A., Lin, F., & Jacygrad, E. (2025). Mapping Orchard Trees from UAV Imagery Through One Growing Season: A Comparison Between OBIA-Based and Three CNN-Based Object Detection Methods. Drones, 9(9), 593. https://doi.org/10.3390/drones9090593 Khormizi, H. Z., Malamiri, H. R. G., & Ferreira, C. S. S. (2024). Estimation of Evaporation and Drought Stress of Pistachio Plant Using UAV Multispectral Images and a Surface Energy Balance Approach. Horticulturae, 10(5), 515. https://doi.org/10.3390/horticulturae10050515 Martínez-Peña, R., Castillo-Gironés, S., Álvarez, S., & Vélez, S. (2024). Tracing pistachio nuts’ origin and irrigation practices through hyperspectral imaging. Current Research in Food Science, 9, 100835. https://doi.org/10.1016/j.crfs.2024.100835 Martínez-Peña, R., Vélez, S., Vacas, R., Martín, H., & Álvarez, S. (2023). Remote Sensing for Sustainable Pistachio Cultivation and Improved Quality Traits Evaluation through Thermal and Non-Thermal UAV Vegetation Indices. Applied Sciences, 13(13), 7716. https://doi.org/10.3390/app13137716 Peng, H., Guo, S., Zou, X., Wang, H., Xiong, J., & Liang, Q. (2025). UAVO-NeRF: 3D reconstruction of orchards and semantic segmentation of fruit trees based on neural radiance field in UAV images. Computers and Electronics in Agriculture, 237, 110631. https://doi.org/10.1016/j.compag.2025.110631 Poblete, T., Camino, C., Beck, P. S. A., Hornero, A., Kattenborn, T., Saponari, M., Boscia, D., Navas-Cortés, J. A., & Zarco-Tejada, P. J. (2020). Detection of Xylella fastidiosa infection symptoms with airborne multispectral and thermal imagery: Assessing bandset reduction performance from hyperspectral analysis. ISPRS Journal of Photogrammetry and Remote Sensing, 162, 27–40. https://doi.org/10.1016/j.isprsjprs.2020.02.010 Rahimzadeh, M., & Attar, A. (2022). Detecting and counting pistachios based on deep learning. Iran Journal of Computer Science, 5(1), 69-81. https://doi.org/10.1007/s42044-021-00090-6 Reza Ghafarian Malamiri, H., Arabi Aliabad, F., Shojaei, S., Morad, M., & Band, S. S. (2021). A study on the use of UAV images to improve the separation accuracy of agricultural land areas. Computers and Electronics in Agriculture, 184, 106079. https://doi.org/10.1016/j.compag.2021.106079 Vélez, S., Vacas, R., Martín, H., Ruano-Rosa, D., & Álvarez, S. (2022). A Novel Technique Using Planar Area and Ground Shadows Calculated from UAV RGB Imagery to Estimate Pistachio Tree (Pistacia vera L.) Canopy Volume. Remote Sensing, 14(23), 6006. https://doi.org/10.3390/rs14236006 Vélez, S., Ariza-Sentís, M., & Valente, J. (2023). Mapping the spatial variability of Botrytis bunch rot risk in vineyards using UAV multispectral imagery. European Journal of Agronomy, 142, 126691. https://doi.org/10.1016/j.eja.2022.126691