El índice de área foliar (LAI) es un rasgo biofísico del cultivo de gran interés para los productores y mejoradores de maíz, ya que está directamente relacionado con el potencial productivo del cultivo. El LAI se define como el área foliar fotosintéticamente activa por unidad de superficie de suelo. Las estimaciones directas del LAI mediante la recolección y el análisis de las hojas son tediosas y llevan mucho tiempo. Por lo tanto, para la estimación in situ del LAI se utilizan frecuentemente métodos indirectos basados en la fracción de vegetación cubierta. Diversos autores han obtenido a menudo mediciones del LAI mediante la correlación de valores e índices de reflectancia basados en satélites o en vehículos aéreos no tripulados, como el NDVI, con valores medidos en tierra. Este enfoque plantea otras cuestiones relacionadas con la escalabilidad espacio-temporal o el alto costo de los sensores empleados. Otras soluciones como el uso de imágenes hemisféricas nadirales del cultivo han sido comúnmente empleadas para estimar el llamado LAI verdadero por su relativa simplicidad técnica, pero aún así su análisis requiere de tiempo y paciencia.
El uso de los vehículos aéreos no tripulados o drones en el ámbito agrícola ha permitido en los últimos años una obtención de la información sobre los cultivos a mayor resolución tanto espacial como temporal. De la misma forma, las técnicas de computación y análisis de imágenes automáticos de aprendizaje profundo o Deep Learning, generan resultados cada vez más precisos, rápido y útiles en las diversas aplicaciones a la agricultura. En el presente documento se describe una metodología para estimar el LAI a partir de imágenes RGB tomadas con un UAV a baja altitud (15 m) durante la campaña de 2019 en un ensayo de cultivo de maíz realizado cerca de Sevilla (España). Para el cálculo del LAI, la imagen original se divide en diferentes bandas de análisis según la perspectiva angular del sensor RGB embarcado en el UAV. Para cada una de las perspectivas, se ha utilizado una red neural artificial pre-entrenada basada en Keras y TensorFlow como back-end para realizar automáticamente el cálculo del LAI. Los resultados de salida se compararon con las mediciones directas del LAI en tierra. Los primeros resultados obtenidos muestran que este enfoque, que utiliza imágenes RGB tomadas de un vehículo aéreo no tripulado que vuela a baja altitud y que se combina con el análisis de la red neural profunda, puede ser una metodología factible y precisa para estimar el LAI de las parcelas de cultivo de maíz en un tiempo significativamente más corto y a un costo bajo.