VISITAS RECIENTES

AUTISMO TEA PDF

AUTISMO TEA PDF
TRASTORNO ESPECTRO AUTISMO y URGENCIAS PDF

We Support The Free Share of the Medical Information

Enlaces PDF por Temas

Nota Importante

Aunque pueda contener afirmaciones, datos o apuntes procedentes de instituciones o profesionales sanitarios, la información contenida en el blog EMS Solutions International está editada y elaborada por profesionales de la salud. Recomendamos al lector que cualquier duda relacionada con la salud sea consultada con un profesional del ámbito sanitario. by Dr. Ramon REYES, MD

Niveles de Alerta Antiterrorista en España. Nivel Actual 4 de 5.

Niveles de Alerta Antiterrorista en España. Nivel Actual 4 de 5.
Fuente Ministerio de Interior de España

lunes, 5 de octubre de 2026

¿Conoces estos tipos de barcos de vela históricos?


 ¿Conoces estos tipos de barcos de vela históricos?

Antes de la propulsión a vapor y de los motores modernos, los grandes viajes marítimos dependían de la fuerza del viento y de complejos sistemas de velas y aparejos.

En la imagen podemos reconocer diferentes tipos de embarcaciones y aparejos tradicionales:

🔹 Bergantín: embarcación de dos palos, utilizada ampliamente para navegación comercial y militar.

🔹 Goleta: diseñada principalmente con velas de cuchillo, destacaba por su maniobrabilidad.

🔹 Cúter: embarcación de un solo palo, rápida y maniobrable.

🔹 Bergantina: combinación de características de diferentes aparejos tradicionales.

🔹 Barca: gran velero de varios palos, empleado especialmente en navegación oceánica.

🔹 Lúgre: embarcación de vela tradicional, utilizada especialmente en actividades costeras y pesqueras.

🔹 Queche: embarcación de dos palos, con el palo de mesana situado por delante del timón.

🔹 Barco de tres palos: aparejo utilizado en numerosos buques mercantes y de navegación oceánica.

🔹 Barquentina: combinación de aparejos, normalmente con velas cuadras en el trinquete y velas de cuchillo en los demás palos.

Cada aparejo respondía a las necesidades de su época: carga, velocidad, autonomía, maniobrabilidad y navegación oceánica.

#NáuticosDelMundo #HistoriaNaval #Vela #Náutica #Marinería

MANPADS CONTRA DRONES DE LARGO ALCANCE EN 2026

 

MANPADS CONTRA DRONES DE LARGO ALCANCE EN 2026

Qué muestra realmente el vídeo: defensa aérea portátil, misiles de guía infrarroja, drones de ataque unidireccional y el nuevo problema C-UAS en entornos urbanos

Análisis científico, tecnológico y estratégico actualizado — octubre de 2026

By DrRamonReyesMD

EMS Solutions International



RESUMEN

El vídeo analizado muestra una escena que hace apenas unos años habría resultado extraordinaria: un militar, situado junto a una vía rápida en un entorno urbano-industrial, apunta con un sistema antiaéreo portátil hacia un objetivo aéreo de baja altura; segundos después se observa a distancia un objeto envuelto en llamas y humo descendiendo hacia el horizonte.



Las publicaciones que acompañan actualmente estas imágenes las presentan como la interceptación de un UAV ucraniano mediante un MANPADS ruso de la familia Igla, posiblemente un Igla-S. Sin embargo, el rigor obliga a introducir una distinción fundamental:


el vídeo demuestra una secuencia compatible con una intervención antiaérea, pero no permite por sí solo establecer con certeza el modelo exacto del misil, la identidad del dron, el lugar preciso, la fecha original ni reconstruir íntegramente el impacto.


Análisis OSINT publicados el 5 de octubre de 2026 han llegado a la misma conclusión y advierten expresamente que parte de la atribución que circula en redes permanece sin verificación independiente. 


Más allá de la identificación exacta de este episodio, las imágenes ilustran perfectamente una de las transformaciones militares más importantes de la guerra contemporánea:


el regreso de la defensa aérea de muy corto alcance para combatir drones baratos, numerosos y capaces de atacar objetivos situados cientos de kilómetros detrás del frente.



---


1. ¿QUÉ PUEDE AFIRMARSE DEL VÍDEO?


La secuencia dura aproximadamente quince segundos.


Visualmente pueden identificarse varios elementos:


un operador vestido con uniforme militar;


un lanzador tubular apoyado sobre el hombro;


un dispositivo de puntería asociado;


un entorno urbano o periurbano;


una carretera de varios carriles;


barreras acústicas;


tráfico civil;


seguimiento visual hacia un objetivo aéreo;


posteriormente, un objeto incendiado descendiendo a distancia.



La configuración del arma es compatible con un sistema MANPADS.


Las publicaciones de octubre de 2026 lo han identificado como perteneciente a la familia:


Igla / Igla-S.


Pero una identificación visual a partir de estos fotogramas no permite afirmar con absoluta certeza la variante.


Rusia opera varios sistemas portátiles visualmente relacionados, entre ellos:


9K38 Igla;


Igla-S;


9K333 Verba.



Por tanto, la formulación científicamente responsable es:


> Las imágenes son compatibles con el empleo de un MANPADS ruso de la familia Igla o similar; la atribución específica a Igla-S procede principalmente de las publicaciones que distribuyen el vídeo y no puede demostrarse únicamente mediante estos fotogramas.





---


2. ¿QUÉ ES UN MANPADS?


MANPADS significa:


Man-Portable Air-Defense System


o:


sistema portátil de defensa aérea.


Son sistemas de misiles superficie-aire suficientemente compactos para ser transportados y empleados por personal terrestre.


Su misión tradicional ha sido combatir objetivos que vuelan a baja altura, como:


helicópteros;


aviones de ataque;


aeronaves de transporte;


determinados misiles de crucero.



La aparición masiva de UAV ha añadido un nuevo grupo de objetivos:


drones.


Los sistemas MANPADS forman parte de la categoría conocida generalmente como:


VSHORAD — Very Short Range Air Defence.



---


3. DE LOS HELICÓPTEROS A LOS DRONES


Los MANPADS fueron concebidos mucho antes del actual boom de los UAV.


Sin embargo, algunas características de determinados drones modernos los convierten también en blancos potenciales:


vuelan relativamente bajo;


siguen trayectorias prolongadas;


utilizan motores que generan calor;


pueden mantener velocidades inferiores a las de un avión de combate;


suelen carecer de sistemas defensivos sofisticados.



El fabricante ruso Rosoboronexport describe oficialmente el Igla-S como un sistema diseñado también contra:


misiles de crucero;


blancos aéreos pequeños;


vehículos aéreos no tripulados.





Esto explica por qué un arma diseñada originalmente alrededor de amenazas de aviación clásica continúa apareciendo en la guerra de drones de 2026.



---


4. ¿CÓMO FUNCIONA UN MISIL DE GUÍA INFRARROJA?


El principio fundamental es relativamente sencillo.


Todo cuerpo con temperatura superior al cero absoluto emite radiación electromagnética.


Los motores de una aeronave generan zonas relativamente calientes:


escape;


motor;


gases;


superficies calentadas.



Un sensor infrarrojo puede detectar parte de esa energía y diferenciarla del fondo.


El misil utiliza esa información para mantener el seguimiento del objetivo durante su vuelo.


En los sistemas MANPADS modernos, la guía suele ser:


pasiva.


Esto significa que el misil no necesita iluminar el objetivo mediante radar propio.


La aeronave no recibe necesariamente una señal radar procedente del misil.


De ahí surge una de las características históricas más importantes de estos sistemas:


fire-and-forget.


Una vez iniciada correctamente la interceptación, el misil dispone de su propio sistema de seguimiento.



---


5. EL IGLA-S


El:


9K338 Igla-S


conocido en la nomenclatura OTAN como:


SA-24 Grinch,


representa una evolución de la familia soviética Igla.


El sistema anterior:


9K38 Igla — SA-18 Grouse


entró en servicio durante la década de 1980.


El Igla-S incorporó posteriormente:


mejoras en el buscador infrarrojo;


mayor resistencia frente a perturbaciones;


mejor capacidad frente a blancos pequeños;


mejoras en la carga de combate;


aumento del alcance respecto a generaciones previas.



La documentación oficial de Rosoboronexport señala explícitamente su capacidad contra UAV y blancos pequeños. 


En 2026 la familia continúa siendo relevante internacionalmente y convive en Rusia con sistemas más recientes como:


Verba.



---


6. VERBA: LA SIGUIENTE GENERACIÓN


El:


9K333 Verba


representa una evolución posterior.


Rosoboronexport destaca especialmente su capacidad contra blancos pequeños con baja firma térmica mediante un buscador óptico más avanzado. 


Rostec confirmó además en septiembre de 2026 que Rusia sigue comercializando y exhibiendo sistemas Verba como solución para la defensa de corto alcance frente a:


UAV;


misiles;


otras amenazas aéreas.





Esto refleja una tendencia importante:


la defensa aérea portátil no ha desaparecido con los drones.


Se está adaptando a ellos.



---


7. ¿POR QUÉ UN DRON PUEDE SER DETECTADO MEDIANTE INFRARROJO?


Depende mucho del tipo de UAV.


No todos los drones tienen la misma firma térmica.


Un pequeño cuadricóptero eléctrico presenta un problema muy diferente de un UAV de largo alcance equipado con motor de combustión.


Un motor térmico produce:


calor;


gases calientes;


superficies calientes.



Por ello puede generar suficiente contraste infrarrojo para determinadas tecnologías de búsqueda.


La situación depende, entre otros factores, de:


temperatura atmosférica;


condiciones meteorológicas;


motor;


tamaño;


orientación;


fondo térmico.



Consecuentemente:


MANPADS contra UAV no significa MANPADS contra cualquier dron.



---


8. EL GRAN PROBLEMA: LOS DRONES SON OBJETIVOS PEQUEÑOS


Un caza convencional ofrece generalmente:


mayor superficie;


mayor potencia térmica;


velocidades elevadas;


una firma electromagnética considerable.



Un UAV puede presentar:


pequeña sección radar;


menor firma térmica;


vuelo muy bajo;


tamaño reducido.



Esto obliga a los sistemas defensivos a resolver tres problemas diferentes:


detectar


identificar


interceptar.


La interceptación es solamente el último paso.



---


9. LA KILL CHAIN C-UAS


En defensa contra drones modernos suele hablarse de una cadena funcional:


DETECTAR


↓

CLASIFICAR

↓

IDENTIFICAR

↓

SEGUIR

↓

DECIDIR

↓

INTERCEPTAR

↓

CONFIRMAR EL RESULTADO


Un MANPADS actúa principalmente en la parte final:


el efector.


Pero previamente alguien debe detectar el UAV y proporcionar suficiente alerta.


Por eso la defensa moderna no puede depender exclusivamente del soldado que observa el cielo.



---


10. DEFENSA C-UAS EN CAPAS


En 2026 la OTAN está evolucionando claramente hacia sistemas:


multilayered C-UAS.


La NSPA anunció en julio de 2026 contratos marco para soluciones contra UAV que integran bajo un mismo sistema de mando:


radar;


radiogoniometría;


electroóptica;


infrarrojo;


sensores acústicos;


guerra electrónica;


interceptores cinéticos.





La idea central es:


> ningún sensor y ningún arma resuelven por sí solos todo el problema de los drones.





---


11. SOFT KILL Y HARD KILL


La defensa contra UAV puede dividirse conceptualmente en dos grandes familias.


SOFT KILL


Busca neutralizar el sistema sin destruirlo físicamente.


Puede incluir:


guerra electrónica;


interferencia;


alteración de enlaces;


otras medidas electromagnéticas.



HARD KILL


Busca destruir físicamente el UAV.


Puede utilizar:


cañones;


misiles;


drones interceptores;


otros efectores cinéticos.



Un MANPADS pertenece a:


hard kill.



---


12. POR QUÉ NO BASTA CON GUERRA ELECTRÓNICA


Algunos drones dependen fuertemente de:


control remoto;


GPS/GNSS;


comunicaciones.



Pero otros incorporan:


navegación inercial;


rutas preprogramadas;


navegación visual;


autonomía creciente.



Esto reduce la posibilidad de derrotarlos únicamente mediante interferencia.


Por ello las arquitecturas modernas combinan:


EW + sensores + interceptores.



---


13. NATO TIE 26: LA RESPUESTA DE 2026


La importancia de esta amenaza puede medirse observando las actividades de la OTAN.


Entre el 11 y el 22 de mayo de 2026, la NATO Communications and Information Agency organizó el ejercicio:


TIE 26.


Participaron aproximadamente:


300 especialistas;


40 compañías;


11 países aliados;


Ucrania;


Australia.



Se probaron más de:


60 sistemas C-UAS


y aproximadamente:


40 aplicaciones de mando y control.




No estamos ante una tecnología marginal.


Estamos ante una de las áreas prioritarias de modernización militar.



---


14. LA GUERRA DE UCRANIA COMO LABORATORIO DE DEFENSA AÉREA


Desde 2022, Rusia y Ucrania han utilizado masivamente:


cuadricópteros;


FPV;


UAV de reconocimiento;


municiones merodeadoras;


drones de ataque de largo alcance;


interceptores UAV.



El resultado ha sido una transformación rápida de la defensa aérea.


Sistemas originalmente concebidos para:


aviones y helicópteros


ahora tienen que enfrentarse también a:


objetivos pequeños y relativamente baratos.



---


15. EL PROBLEMA ECONÓMICO


Esta guerra ha demostrado otro principio fundamental:


cost-per-kill.


Si un dron relativamente económico obliga a utilizar un misil muy costoso, el atacante puede generar una presión económica incluso aunque el UAV sea destruido.


Por eso las defensas actuales intentan disponer de diferentes escalones.


Por ejemplo:


amenaza barata

→ efector económico


amenaza compleja

→ interceptor más sofisticado.


El objetivo es evitar utilizar el arma más cara disponible contra cada amenaza.



---


16. ¿POR QUÉ SE SIGUEN UTILIZANDO MANPADS?


Porque ofrecen varias ventajas:


portabilidad;


movilidad;


dispersión;


capacidad de ocultación;


independencia de grandes plataformas;


posibilidad de reforzar rápidamente un punto vulnerable.



Además pueden funcionar como:


última capa defensiva.


Es decir, cuando el UAV ya ha atravesado otras capas.



---


17. EL VÍDEO Y LA DEFENSA DE INFRAESTRUCTURAS


Las publicaciones que actualmente distribuyen el vídeo afirman que el objetivo sería un UAV aproximándose a infraestructura petrolera de Moscú.


Esa atribución concreta debe tratarse con cautela.


No obstante, el contexto estratégico es perfectamente real.


Reuters documentó el 18 de junio de 2026 un importante ataque ucraniano mediante drones contra una refinería situada al sureste de Moscú, a aproximadamente 16 km del Kremlin. El ataque provocó explosiones e incendio y obligó temporalmente a alterar operaciones aeroportuarias y tráfico en la capital. 


En octubre de 2026 Ucrania ha reiterado públicamente su intención de atacar refinerías rusas como parte de su campaña estratégica contra la infraestructura energética vinculada al esfuerzo bélico ruso. 



---


18. UN DETALLE IMPORTANTE: EL VÍDEO PODRÍA ESTAR RECIRCULANDO


Este punto es fundamental para una auditoría OSINT rigurosa.


El 5 de octubre de 2026 diferentes publicaciones han presentado estas imágenes como nuevas.


Sin embargo, secuencias muy similares de operadores rusos empleando MANPADS junto a carreteras de Moscú fueron ampliamente difundidas durante los ataques de junio de 2026. 


Por eso no debe afirmarse categóricamente:


> «Esto ocurrió el 5 de octubre de 2026.»




Lo correcto es:


> El vídeo circula ampliamente el 5 de octubre de 2026 y se atribuye a una interceptación reciente; la fecha original exacta y la geolocalización precisan verificación independiente.





---


19. ¿DEMUESTRA EL VÍDEO UNA INTERCEPTACIÓN EXITOSA?


Probablemente muestra una secuencia compatible con ello.


Pero existe una limitación probatoria.


La cámara no documenta de manera continua y perfectamente visible:


lanzamiento

→ trayectoria completa del misil

→ contacto con el objetivo

→ destrucción.


Se observa posteriormente un objeto en llamas.


Eso es compatible con un UAV alcanzado.


Pero también significa que científicamente debemos diferenciar:


correlación temporal


de


evidencia balística completa.


El análisis OSINT publicado actualmente señala precisamente esta discontinuidad. 



---


20. LA FÍSICA DE LA INTERCEPTACIÓN


Un misil antiaéreo debe resolver un problema geométrico fundamental.


No consiste simplemente en:


> «perseguir al objetivo».




Debe alcanzar un punto en el espacio donde:


misil y objetivo coincidan simultáneamente.


Esto requiere corregir continuamente la trayectoria según:


posición relativa;


velocidad;


dirección del objetivo.



Los sistemas modernos automatizan la mayor parte de ese proceso mediante su sistema de guiado.



---


21. ENERGÍA CINÉTICA Y DESTRUCCIÓN


Un interceptor antiaéreo no depende exclusivamente de impactar exactamente el centro geométrico del objetivo.


Los sistemas de este tipo utilizan normalmente una combinación de:


energía cinética;


explosión;


fragmentación.



Un UAV es particularmente vulnerable porque contiene:


superficies aerodinámicas;


controles;


motor;


combustible;


electrónica;


sistemas de navegación.



Daños relativamente pequeños pueden provocar:


pérdida de control.



---


22. EL OBJETIVO PUEDE CONTINUAR SIENDO PELIGROSO DESPUÉS DE SER INTERCEPTADO


Este aspecto suele olvidarse.


Destruir un UAV en el aire no hace desaparecer:


masa;


combustible;


motor;


estructura;


posible carga explosiva.



Todo ello debe regresar al suelo.


Por tanto:


interceptación ≠ eliminación instantánea del riesgo.


En áreas urbanas, una interceptación puede producir:


fragmentos;


incendios secundarios;


daños estructurales;


víctimas.




---


23. AQUÍ APARECE EL PRINCIPAL PROBLEMA DEL VÍDEO


La escena se desarrolla aparentemente muy cerca de:


una carretera;


vehículos civiles;


edificios;


infraestructura.



Desde el punto de vista de seguridad, esto supone un entorno extraordinariamente complejo.


La defensa aérea urbana debe considerar no solamente:


¿puedo destruir el objetivo?


sino también:


¿qué ocurrirá con el interceptor y los restos del objetivo?



---


24. LA GUERRA DE DRONES HA LLEGADO A LAS CIUDADES


Durante gran parte del siglo XX la defensa aérea militar podía concebirse fundamentalmente alrededor de:


bases;


frentes;


instalaciones militares.



Los UAV de largo alcance han modificado esa geometría.


Ahora pueden aparecer amenazas sobre:


refinerías;


aeropuertos;


depósitos;


centrales;


ciudades;


infraestructuras logísticas.



Por eso la separación histórica entre:


frente


y


retaguardia


es cada vez menos clara.



---


25. INFRAESTRUCTURA CRÍTICA: EL NUEVO CAMPO DE BATALLA


Las refinerías son particularmente importantes porque transforman crudo en productos utilizables como:


diésel;


gasolina;


combustible de aviación;


otros derivados.



Una instalación de este tipo contiene además numerosos componentes potencialmente vulnerables:


tuberías;


bombas;


torres;


sistemas eléctricos;


depósitos;


unidades de proceso.



Por ello un UAV no necesita destruir toda la instalación para producir un efecto.


Puede bastar con:


interrumpir un proceso crítico.



---


26. ¿QUÉ NOS ENSEÑA EL CASO DE MOSCÚ?


El episodio demuestra que las operaciones mediante drones de largo alcance producen varias consecuencias simultáneamente:


Militar


obligan a redistribuir defensa aérea.


Económica


obligan a gastar recursos defensivos.


Industrial


pueden interrumpir producción.


Logística


afectan aeropuertos, carreteras y servicios.


Psicológica


trasladan la percepción de guerra hacia ciudades alejadas del frente.



---


27. DEFENDER UNA CIUDAD ES MUCHO MÁS DIFÍCIL QUE DEFENDER UN PUNTO


Un complejo militar puede organizarse alrededor de:


perímetros;


sensores;


sectores;


zonas de seguridad.



Una ciudad contiene simultáneamente:


edificios;


tráfico;


aviones civiles;


helicópteros;


antenas;


población;


interferencias electromagnéticas;


múltiples fuentes térmicas.



Todo ello complica:


detectar


clasificar


decidir


interceptar.



---


28. EL PROBLEMA DE LA IDENTIFICACIÓN


Uno de los riesgos más importantes en defensa aérea es:


identificar correctamente qué se está observando.


Una señal aérea puede corresponder a:


UAV hostil;


aeronave civil;


helicóptero;


ave;


objeto no identificado;


falso eco.



Por eso la defensa aérea moderna necesita:


sensor fusion.


La combinación de diferentes sensores reduce errores.



---


29. SENSOR FUSION


Una arquitectura moderna puede combinar:


RADAR


Detecta movimiento y posición.


EO — ELECTRO-ÓPTICO


Permite identificación visual.


IR


Detecta firmas térmicas.


RF


Detecta determinadas emisiones.


ACÚSTICA


Puede reconocer patrones de motores.


La OTAN está evaluando precisamente esta combinación de sensores dentro de sus sistemas C-UAS de 2026. 



---


30. LA IA EN DEFENSA ANTIDRÓN


La inteligencia artificial está entrando rápidamente en esta arquitectura.


Puede ayudar a:


clasificar blancos;


reducir falsas alarmas;


fusionar sensores;


priorizar amenazas;


seguir múltiples objetos;


automatizar partes de la respuesta.



Esto no significa necesariamente eliminar al operador humano.


Especialmente en ambientes urbanos, las consecuencias de un error pueden ser demasiado graves.



---


31. INTERCEPTORES DRON CONTRA DRON


Otra gran transformación de 2025-2026 es el crecimiento de:


interceptor UAV.


La lógica económica es evidente.


En lugar de utilizar siempre un misil antiaéreo, otro dron puede intentar alcanzar al atacante.


La OTAN ya está ensayando sistemas de este tipo para defensa aérea de bajo coste. 


La guerra de drones está generando:


drones cazando drones.



---


32. DEFENSA EN CAPAS: EL MODELO MÁS REALISTA


Una arquitectura moderna puede conceptualizarse así:


CAPA 1 — vigilancia


Radar, EO/IR, inteligencia.


CAPA 2 — identificación


Clasificación y fusión de sensores.


CAPA 3 — guerra electrónica


Cuando resulte adecuada.


CAPA 4 — interceptores económicos


Drones defensivos o sistemas cinéticos de bajo coste.


CAPA 5 — VSHORAD/MANPADS


Amenazas que alcanzan la zona de corto alcance.


CAPAS SUPERIORES


Sistemas antiaéreos de mayor capacidad contra amenazas más complejas.



---


33. NINGUNA CAPA ES PERFECTA


Incluso una tasa de interceptación muy alta puede resultar insuficiente durante un ataque masivo.


Supongamos conceptualmente:


muchos drones aproximándose simultáneamente.


Incluso si se destruye la mayoría:


unos pocos pueden atravesar.


Este fenómeno se conoce como:


saturación.


Por eso el número de amenazas importa tanto como su calidad individual.



---


34. EL DRON COMO ARMA DE SATURACIÓN


Una de las características estratégicas de los UAV es que permiten fabricar y lanzar cantidades que serían mucho más difíciles de conseguir con aviones tripulados o grandes misiles.


El atacante puede intentar forzar al defensor a:


detectar muchos blancos;


utilizar munición;


dividir sensores;


proteger numerosas instalaciones.



Esto convierte la economía industrial en parte directa de la batalla.



---


35. UN MISIL CARO CONTRA UN DRON BARATO


Aquí aparece uno de los problemas centrales de la defensa aérea del siglo XXI.


Si:


atacante gasta poco


pero


defensor debe gastar mucho,


la defensa puede ser militarmente exitosa pero económicamente insostenible.


La solución no consiste necesariamente en abandonar los misiles.


Consiste en utilizarlos dentro de una:


arquitectura escalonada.



---


36. EL MANPADS SIGUE TENIENDO UN NICHO


En 2026 sigue siendo útil porque proporciona:


defensa puntual;


movilidad;


dispersión;


capacidad contra determinados objetivos;


refuerzo rápido.



Pero no constituye por sí solo un sistema C-UAS completo.


El soldado con lanzador que aparece en el vídeo es solamente:


la última parte visible de un problema muchísimo mayor.



---


37. LECCIONES CIENTÍFICO-OPERATIVAS DEL VÍDEO


1. LOS DRONES DE LARGO ALCANCE PUEDEN LLEGAR A LA RETAGUARDIA


La profundidad estratégica ya no garantiza inmunidad.


2. LOS MANPADS SIGUEN SIENDO RELEVANTES


Armas desarrolladas décadas atrás pueden encontrar nuevas misiones.


3. NO TODOS LOS DRONES SON IGUALES


La eficacia de cada defensa depende del tipo de UAV.


4. LA DEFENSA URBANA ES PARTICULARMENTE COMPLEJA


Interceptar genera también riesgos secundarios.


5. C-UAS NECESITA CAPAS


Sensores, EW, cañones, interceptores y misiles desempeñan funciones diferentes.


6. EL COSTE IMPORTA


No basta con destruir el objetivo: hay que hacerlo de manera sostenible.


7. LA VERIFICACIÓN OSINT ES FUNDAMENTAL


Un vídeo puede mostrar un hecho real y aun así circular con fecha, lugar o descripción incorrectos.



---


38. AUDITORÍA FINAL DEL VÍDEO


LO QUE PODEMOS VER


✔ Operador militar.


✔ Sistema portátil compatible con MANPADS.


✔ Seguimiento de un blanco aéreo.


✔ Entorno urbano/periurbano.


✔ Carretera próxima.


✔ Posterior aparición de un objeto aéreo incendiado.



---


LO QUE ES PLAUSIBLE


✔ Interceptación de un UAV.


✔ Empleo de un sistema de la familia Igla.


✔ Uso como defensa de muy corto alcance.



---


LO QUE NO DEBE AFIRMARSE COMO HECHO DEMOSTRADO SOLO CON EL VÍDEO


⚠ Modelo exacto del misil.


⚠ Tipo exacto del UAV.


⚠ Fecha original exacta.


⚠ Coordenadas exactas.


⚠ Identidad de la unidad militar.


⚠ Instalación concreta que pretendía atacar el UAV.


⚠ Que la caída observada sea consecuencia indiscutible del misil sin una secuencia visual continua.


Esta separación entre:


observado


y


atribuido


es esencial para mantener rigor 10/10.



---


CONCLUSIÓN


El vídeo constituye una imagen extraordinariamente representativa de la guerra aérea de 2026.


Un soldado situado junto a una autopista utiliza una tecnología originalmente desarrollada durante la Guerra Fría para enfrentarse a una amenaza característica de la guerra del siglo XXI:


el dron de largo alcance.


Esa sola escena resume una transformación enorme.


La defensa aérea ya no se enfrenta únicamente a:


cazas;


bombarderos;


helicópteros;


misiles.



Debe enfrentar también sistemas no tripulados que pueden ser:


pequeños;


numerosos;


relativamente baratos;


difíciles de detectar;


capaces de alcanzar infraestructura estratégica.



Los MANPADS continúan teniendo utilidad, especialmente contra determinados UAV con suficiente firma térmica, pero representan únicamente una pieza del sistema.


La defensa antidron moderna exige:


**detección


identificación


fusión de sensores


mando y control


guerra electrónica


interceptores


defensa cinética


protección pasiva


evaluación posterior.**



Eso explica por qué en 2026 la OTAN está invirtiendo de forma acelerada en arquitecturas C-UAS integradas y por qué Rusia y Ucrania están adaptando continuamente sistemas antiguos y nuevos a la guerra de drones. 


El mensaje final del vídeo no es simplemente:


> «un misil derriba un dron».




Es mucho más importante:


> La proliferación de UAV está obligando a reconstruir la defensa aérea desde abajo, combinando tecnologías de la Guerra Fría con inteligencia artificial, guerra electrónica, sensores distribuidos y nuevos interceptores concebidos específicamente para una era dominada por sistemas no tripulados.





---


FUENTES Y REFERENCIAS — ACTUALIZACIÓN OCTUBRE 2026


Reuters — 18 junio 2026. Ataque mediante drones ucranianos contra la refinería de Moscú y efectos sobre tráfico, aeropuertos e infraestructura. 


Reuters — 3 octubre 2026. Declaraciones ucranianas sobre continuación de ataques contra refinerías rusas dentro de la campaña estratégica de 2026. 


Defence Security Asia — 5 octubre 2026. Análisis OSINT del vídeo difundido como una supuesta interceptación mediante Igla cerca de infraestructura petrolera de Moscú; señala expresamente las limitaciones de verificación del material. 


NATO Communications and Information Agency — TIE 26. Ejercicio de interoperabilidad antidrones de mayo de 2026: aproximadamente 300 participantes, más de 60 sistemas C-UAS y 40 aplicaciones de mando y control. 


NATO Support and Procurement Agency — julio 2026. Contratos marco para sistemas C-UAS integrando radar, EO/IR, RF, sensores acústicos, guerra electrónica y efectores cinéticos. 


NATO Innovation Range — marzo 2026. Programa de evaluación y validación de sistemas UAS/C-UAS y tecnologías de interceptación. 


NATO — 2025/2026. Desarrollo y demostración de interceptores UAV de bajo coste como complemento de los sistemas antiaéreos tradicionales. 


Rosoboronexport. Documentación pública del sistema Igla-S y su empleo frente a UAV, blancos aéreos pequeños y misiles de crucero. 


Rosoboronexport. Documentación sobre Verba y mejoras orientadas a blancos de reducida firma térmica, incluidos UAV. 


Rostec / Rosoboronexport — septiembre 2026. Presentación de sistemas de defensa aérea y contra-UAV, incluido Verba, durante el El Alamein International Airshow 2026. 



---


By DrRamonReyesMD

EMS Solutions International


Artículo técnico-científico y de análisis de defensa. La identificación específica de armas, UAV, lugar y cronología del vídeo se ha separado deliberadamente entre evidencia visual y atribuciones de fuentes abiertas. No constituye una guía operativa para empleo de sistemas de armas.


Qué muestra realmente el vídeo: defensa aérea portátil, misiles de guía infrarroja, drones de ataque unidireccional y el nuevo problema C-UAS en entornos urbanos


Análisis científico, tecnológico y estratégico actualizado — octubre de 2026


By DrRamonReyesMD

EMS Solutions International



---


RESUMEN


El vídeo analizado muestra una escena que hace apenas unos años habría resultado extraordinaria: un militar, situado junto a una vía rápida en un entorno urbano-industrial, apunta con un sistema antiaéreo portátil hacia un objetivo aéreo de baja altura; segundos después se observa a distancia un objeto envuelto en llamas y humo descendiendo hacia el horizonte.


Las publicaciones que acompañan actualmente estas imágenes las presentan como la interceptación de un UAV ucraniano mediante un MANPADS ruso de la familia Igla, posiblemente un Igla-S. Sin embargo, el rigor obliga a introducir una distinción fundamental:


el vídeo demuestra una secuencia compatible con una intervención antiaérea, pero no permite por sí solo establecer con certeza el modelo exacto del misil, la identidad del dron, el lugar preciso, la fecha original ni reconstruir íntegramente el impacto.


Análisis OSINT publicados el 5 de octubre de 2026 han llegado a la misma conclusión y advierten expresamente que parte de la atribución que circula en redes permanece sin verificación independiente. 


Más allá de la identificación exacta de este episodio, las imágenes ilustran perfectamente una de las transformaciones militares más importantes de la guerra contemporánea:


el regreso de la defensa aérea de muy corto alcance para combatir drones baratos, numerosos y capaces de atacar objetivos situados cientos de kilómetros detrás del frente.



---


1. ¿QUÉ PUEDE AFIRMARSE DEL VÍDEO?


La secuencia dura aproximadamente quince segundos.


Visualmente pueden identificarse varios elementos:


un operador vestido con uniforme militar;


un lanzador tubular apoyado sobre el hombro;


un dispositivo de puntería asociado;


un entorno urbano o periurbano;


una carretera de varios carriles;


barreras acústicas;


tráfico civil;


seguimiento visual hacia un objetivo aéreo;


posteriormente, un objeto incendiado descendiendo a distancia.



La configuración del arma es compatible con un sistema MANPADS.


Las publicaciones de octubre de 2026 lo han identificado como perteneciente a la familia:


Igla / Igla-S.


Pero una identificación visual a partir de estos fotogramas no permite afirmar con absoluta certeza la variante.


Rusia opera varios sistemas portátiles visualmente relacionados, entre ellos:


9K38 Igla;


Igla-S;


9K333 Verba.



Por tanto, la formulación científicamente responsable es:


> Las imágenes son compatibles con el empleo de un MANPADS ruso de la familia Igla o similar; la atribución específica a Igla-S procede principalmente de las publicaciones que distribuyen el vídeo y no puede demostrarse únicamente mediante estos fotogramas.





---


2. ¿QUÉ ES UN MANPADS?


MANPADS significa:


Man-Portable Air-Defense System


o:


sistema portátil de defensa aérea.


Son sistemas de misiles superficie-aire suficientemente compactos para ser transportados y empleados por personal terrestre.


Su misión tradicional ha sido combatir objetivos que vuelan a baja altura, como:


helicópteros;


aviones de ataque;


aeronaves de transporte;


determinados misiles de crucero.



La aparición masiva de UAV ha añadido un nuevo grupo de objetivos:


drones.


Los sistemas MANPADS forman parte de la categoría conocida generalmente como:


VSHORAD — Very Short Range Air Defence.



---


3. DE LOS HELICÓPTEROS A LOS DRONES


Los MANPADS fueron concebidos mucho antes del actual boom de los UAV.


Sin embargo, algunas características de determinados drones modernos los convierten también en blancos potenciales:


vuelan relativamente bajo;


siguen trayectorias prolongadas;


utilizan motores que generan calor;


pueden mantener velocidades inferiores a las de un avión de combate;


suelen carecer de sistemas defensivos sofisticados.



El fabricante ruso Rosoboronexport describe oficialmente el Igla-S como un sistema diseñado también contra:


misiles de crucero;


blancos aéreos pequeños;


vehículos aéreos no tripulados.





Esto explica por qué un arma diseñada originalmente alrededor de amenazas de aviación clásica continúa apareciendo en la guerra de drones de 2026.



---


4. ¿CÓMO FUNCIONA UN MISIL DE GUÍA INFRARROJA?


El principio fundamental es relativamente sencillo.


Todo cuerpo con temperatura superior al cero absoluto emite radiación electromagnética.


Los motores de una aeronave generan zonas relativamente calientes:


escape;


motor;


gases;


superficies calentadas.



Un sensor infrarrojo puede detectar parte de esa energía y diferenciarla del fondo.


El misil utiliza esa información para mantener el seguimiento del objetivo durante su vuelo.


En los sistemas MANPADS modernos, la guía suele ser:


pasiva.


Esto significa que el misil no necesita iluminar el objetivo mediante radar propio.


La aeronave no recibe necesariamente una señal radar procedente del misil.


De ahí surge una de las características históricas más importantes de estos sistemas:


fire-and-forget.


Una vez iniciada correctamente la interceptación, el misil dispone de su propio sistema de seguimiento.



---


5. EL IGLA-S


El:


9K338 Igla-S


conocido en la nomenclatura OTAN como:


SA-24 Grinch,


representa una evolución de la familia soviética Igla.


El sistema anterior:


9K38 Igla — SA-18 Grouse


entró en servicio durante la década de 1980.


El Igla-S incorporó posteriormente:


mejoras en el buscador infrarrojo;


mayor resistencia frente a perturbaciones;


mejor capacidad frente a blancos pequeños;


mejoras en la carga de combate;


aumento del alcance respecto a generaciones previas.



La documentación oficial de Rosoboronexport señala explícitamente su capacidad contra UAV y blancos pequeños. 


En 2026 la familia continúa siendo relevante internacionalmente y convive en Rusia con sistemas más recientes como:


Verba.



---


6. VERBA: LA SIGUIENTE GENERACIÓN


El:


9K333 Verba


representa una evolución posterior.


Rosoboronexport destaca especialmente su capacidad contra blancos pequeños con baja firma térmica mediante un buscador óptico más avanzado. 


Rostec confirmó además en septiembre de 2026 que Rusia sigue comercializando y exhibiendo sistemas Verba como solución para la defensa de corto alcance frente a:


UAV;


misiles;


otras amenazas aéreas.





Esto refleja una tendencia importante:


la defensa aérea portátil no ha desaparecido con los drones.


Se está adaptando a ellos.



---


7. ¿POR QUÉ UN DRON PUEDE SER DETECTADO MEDIANTE INFRARROJO?


Depende mucho del tipo de UAV.


No todos los drones tienen la misma firma térmica.


Un pequeño cuadricóptero eléctrico presenta un problema muy diferente de un UAV de largo alcance equipado con motor de combustión.


Un motor térmico produce:


calor;


gases calientes;


superficies calientes.



Por ello puede generar suficiente contraste infrarrojo para determinadas tecnologías de búsqueda.


La situación depende, entre otros factores, de:


temperatura atmosférica;


condiciones meteorológicas;


motor;


tamaño;


orientación;


fondo térmico.



Consecuentemente:


MANPADS contra UAV no significa MANPADS contra cualquier dron.



---


8. EL GRAN PROBLEMA: LOS DRONES SON OBJETIVOS PEQUEÑOS


Un caza convencional ofrece generalmente:


mayor superficie;


mayor potencia térmica;


velocidades elevadas;


una firma electromagnética considerable.



Un UAV puede presentar:


pequeña sección radar;


menor firma térmica;


vuelo muy bajo;


tamaño reducido.



Esto obliga a los sistemas defensivos a resolver tres problemas diferentes:


detectar


identificar


interceptar.


La interceptación es solamente el último paso.



---


9. LA KILL CHAIN C-UAS


En defensa contra drones modernos suele hablarse de una cadena funcional:


DETECTAR


↓

CLASIFICAR

↓

IDENTIFICAR

↓

SEGUIR

↓

DECIDIR

↓

INTERCEPTAR

↓

CONFIRMAR EL RESULTADO


Un MANPADS actúa principalmente en la parte final:


el efector.


Pero previamente alguien debe detectar el UAV y proporcionar suficiente alerta.


Por eso la defensa moderna no puede depender exclusivamente del soldado que observa el cielo.



---


10. DEFENSA C-UAS EN CAPAS


En 2026 la OTAN está evolucionando claramente hacia sistemas:


multilayered C-UAS.


La NSPA anunció en julio de 2026 contratos marco para soluciones contra UAV que integran bajo un mismo sistema de mando:


radar;


radiogoniometría;


electroóptica;


infrarrojo;


sensores acústicos;


guerra electrónica;


interceptores cinéticos.





La idea central es:


> ningún sensor y ningún arma resuelven por sí solos todo el problema de los drones.





---


11. SOFT KILL Y HARD KILL


La defensa contra UAV puede dividirse conceptualmente en dos grandes familias.


SOFT KILL


Busca neutralizar el sistema sin destruirlo físicamente.


Puede incluir:


guerra electrónica;


interferencia;


alteración de enlaces;


otras medidas electromagnéticas.



HARD KILL


Busca destruir físicamente el UAV.


Puede utilizar:


cañones;


misiles;


drones interceptores;


otros efectores cinéticos.



Un MANPADS pertenece a:


hard kill.



---


12. POR QUÉ NO BASTA CON GUERRA ELECTRÓNICA


Algunos drones dependen fuertemente de:


control remoto;


GPS/GNSS;


comunicaciones.



Pero otros incorporan:


navegación inercial;


rutas preprogramadas;


navegación visual;


autonomía creciente.



Esto reduce la posibilidad de derrotarlos únicamente mediante interferencia.


Por ello las arquitecturas modernas combinan:


EW + sensores + interceptores.



---


13. NATO TIE 26: LA RESPUESTA DE 2026


La importancia de esta amenaza puede medirse observando las actividades de la OTAN.


Entre el 11 y el 22 de mayo de 2026, la NATO Communications and Information Agency organizó el ejercicio:


TIE 26.


Participaron aproximadamente:


300 especialistas;


40 compañías;


11 países aliados;


Ucrania;


Australia.



Se probaron más de:


60 sistemas C-UAS


y aproximadamente:


40 aplicaciones de mando y control.




No estamos ante una tecnología marginal.


Estamos ante una de las áreas prioritarias de modernización militar.



---


14. LA GUERRA DE UCRANIA COMO LABORATORIO DE DEFENSA AÉREA


Desde 2022, Rusia y Ucrania han utilizado masivamente:


cuadricópteros;


FPV;


UAV de reconocimiento;


municiones merodeadoras;


drones de ataque de largo alcance;


interceptores UAV.



El resultado ha sido una transformación rápida de la defensa aérea.


Sistemas originalmente concebidos para:


aviones y helicópteros


ahora tienen que enfrentarse también a:


objetivos pequeños y relativamente baratos.



---


15. EL PROBLEMA ECONÓMICO


Esta guerra ha demostrado otro principio fundamental:


cost-per-kill.


Si un dron relativamente económico obliga a utilizar un misil muy costoso, el atacante puede generar una presión económica incluso aunque el UAV sea destruido.


Por eso las defensas actuales intentan disponer de diferentes escalones.


Por ejemplo:


amenaza barata

→ efector económico


amenaza compleja

→ interceptor más sofisticado.


El objetivo es evitar utilizar el arma más cara disponible contra cada amenaza.



---


16. ¿POR QUÉ SE SIGUEN UTILIZANDO MANPADS?


Porque ofrecen varias ventajas:


portabilidad;


movilidad;


dispersión;


capacidad de ocultación;


independencia de grandes plataformas;


posibilidad de reforzar rápidamente un punto vulnerable.



Además pueden funcionar como:


última capa defensiva.


Es decir, cuando el UAV ya ha atravesado otras capas.



---


17. EL VÍDEO Y LA DEFENSA DE INFRAESTRUCTURAS


Las publicaciones que actualmente distribuyen el vídeo afirman que el objetivo sería un UAV aproximándose a infraestructura petrolera de Moscú.


Esa atribución concreta debe tratarse con cautela.


No obstante, el contexto estratégico es perfectamente real.


Reuters documentó el 18 de junio de 2026 un importante ataque ucraniano mediante drones contra una refinería situada al sureste de Moscú, a aproximadamente 16 km del Kremlin. El ataque provocó explosiones e incendio y obligó temporalmente a alterar operaciones aeroportuarias y tráfico en la capital. 


En octubre de 2026 Ucrania ha reiterado públicamente su intención de atacar refinerías rusas como parte de su campaña estratégica contra la infraestructura energética vinculada al esfuerzo bélico ruso. 



---


18. UN DETALLE IMPORTANTE: EL VÍDEO PODRÍA ESTAR RECIRCULANDO


Este punto es fundamental para una auditoría OSINT rigurosa.


El 5 de octubre de 2026 diferentes publicaciones han presentado estas imágenes como nuevas.


Sin embargo, secuencias muy similares de operadores rusos empleando MANPADS junto a carreteras de Moscú fueron ampliamente difundidas durante los ataques de junio de 2026. 


Por eso no debe afirmarse categóricamente:


> «Esto ocurrió el 5 de octubre de 2026.»




Lo correcto es:


> El vídeo circula ampliamente el 5 de octubre de 2026 y se atribuye a una interceptación reciente; la fecha original exacta y la geolocalización precisan verificación independiente.





---


19. ¿DEMUESTRA EL VÍDEO UNA INTERCEPTACIÓN EXITOSA?


Probablemente muestra una secuencia compatible con ello.


Pero existe una limitación probatoria.


La cámara no documenta de manera continua y perfectamente visible:


lanzamiento

→ trayectoria completa del misil

→ contacto con el objetivo

→ destrucción.


Se observa posteriormente un objeto en llamas.


Eso es compatible con un UAV alcanzado.


Pero también significa que científicamente debemos diferenciar:


correlación temporal


de


evidencia balística completa.


El análisis OSINT publicado actualmente señala precisamente esta discontinuidad. 



---


20. LA FÍSICA DE LA INTERCEPTACIÓN


Un misil antiaéreo debe resolver un problema geométrico fundamental.


No consiste simplemente en:


> «perseguir al objetivo».




Debe alcanzar un punto en el espacio donde:


misil y objetivo coincidan simultáneamente.


Esto requiere corregir continuamente la trayectoria según:


posición relativa;


velocidad;


dirección del objetivo.



Los sistemas modernos automatizan la mayor parte de ese proceso mediante su sistema de guiado.



---


21. ENERGÍA CINÉTICA Y DESTRUCCIÓN


Un interceptor antiaéreo no depende exclusivamente de impactar exactamente el centro geométrico del objetivo.


Los sistemas de este tipo utilizan normalmente una combinación de:


energía cinética;


explosión;


fragmentación.



Un UAV es particularmente vulnerable porque contiene:


superficies aerodinámicas;


controles;


motor;


combustible;


electrónica;


sistemas de navegación.



Daños relativamente pequeños pueden provocar:


pérdida de control.



---


22. EL OBJETIVO PUEDE CONTINUAR SIENDO PELIGROSO DESPUÉS DE SER INTERCEPTADO


Este aspecto suele olvidarse.


Destruir un UAV en el aire no hace desaparecer:


masa;


combustible;


motor;


estructura;


posible carga explosiva.



Todo ello debe regresar al suelo.


Por tanto:


interceptación ≠ eliminación instantánea del riesgo.


En áreas urbanas, una interceptación puede producir:


fragmentos;


incendios secundarios;


daños estructurales;


víctimas.




---


23. AQUÍ APARECE EL PRINCIPAL PROBLEMA DEL VÍDEO


La escena se desarrolla aparentemente muy cerca de:


una carretera;


vehículos civiles;


edificios;


infraestructura.



Desde el punto de vista de seguridad, esto supone un entorno extraordinariamente complejo.


La defensa aérea urbana debe considerar no solamente:


¿puedo destruir el objetivo?


sino también:


¿qué ocurrirá con el interceptor y los restos del objetivo?



---


24. LA GUERRA DE DRONES HA LLEGADO A LAS CIUDADES


Durante gran parte del siglo XX la defensa aérea militar podía concebirse fundamentalmente alrededor de:


bases;


frentes;


instalaciones militares.



Los UAV de largo alcance han modificado esa geometría.


Ahora pueden aparecer amenazas sobre:


refinerías;


aeropuertos;


depósitos;


centrales;


ciudades;


infraestructuras logísticas.



Por eso la separación histórica entre:


frente


y


retaguardia


es cada vez menos clara.



---


25. INFRAESTRUCTURA CRÍTICA: EL NUEVO CAMPO DE BATALLA


Las refinerías son particularmente importantes porque transforman crudo en productos utilizables como:


diésel;


gasolina;


combustible de aviación;


otros derivados.



Una instalación de este tipo contiene además numerosos componentes potencialmente vulnerables:


tuberías;


bombas;


torres;


sistemas eléctricos;


depósitos;


unidades de proceso.



Por ello un UAV no necesita destruir toda la instalación para producir un efecto.


Puede bastar con:


interrumpir un proceso crítico.



---


26. ¿QUÉ NOS ENSEÑA EL CASO DE MOSCÚ?


El episodio demuestra que las operaciones mediante drones de largo alcance producen varias consecuencias simultáneamente:


Militar


obligan a redistribuir defensa aérea.


Económica


obligan a gastar recursos defensivos.


Industrial


pueden interrumpir producción.


Logística


afectan aeropuertos, carreteras y servicios.


Psicológica


trasladan la percepción de guerra hacia ciudades alejadas del frente.



---


27. DEFENDER UNA CIUDAD ES MUCHO MÁS DIFÍCIL QUE DEFENDER UN PUNTO


Un complejo militar puede organizarse alrededor de:


perímetros;


sensores;


sectores;


zonas de seguridad.



Una ciudad contiene simultáneamente:


edificios;


tráfico;


aviones civiles;


helicópteros;


antenas;


población;


interferencias electromagnéticas;


múltiples fuentes térmicas.



Todo ello complica:


detectar


clasificar


decidir


interceptar.



---


28. EL PROBLEMA DE LA IDENTIFICACIÓN


Uno de los riesgos más importantes en defensa aérea es:


identificar correctamente qué se está observando.


Una señal aérea puede corresponder a:


UAV hostil;


aeronave civil;


helicóptero;


ave;


objeto no identificado;


falso eco.



Por eso la defensa aérea moderna necesita:


sensor fusion.


La combinación de diferentes sensores reduce errores.



---


29. SENSOR FUSION


Una arquitectura moderna puede combinar:


RADAR


Detecta movimiento y posición.


EO — ELECTRO-ÓPTICO


Permite identificación visual.


IR


Detecta firmas térmicas.


RF


Detecta determinadas emisiones.


ACÚSTICA


Puede reconocer patrones de motores.


La OTAN está evaluando precisamente esta combinación de sensores dentro de sus sistemas C-UAS de 2026. 



---


30. LA IA EN DEFENSA ANTIDRÓN


La inteligencia artificial está entrando rápidamente en esta arquitectura.


Puede ayudar a:


clasificar blancos;


reducir falsas alarmas;


fusionar sensores;


priorizar amenazas;


seguir múltiples objetos;


automatizar partes de la respuesta.



Esto no significa necesariamente eliminar al operador humano.


Especialmente en ambientes urbanos, las consecuencias de un error pueden ser demasiado graves.



---


31. INTERCEPTORES DRON CONTRA DRON


Otra gran transformación de 2025-2026 es el crecimiento de:


interceptor UAV.


La lógica económica es evidente.


En lugar de utilizar siempre un misil antiaéreo, otro dron puede intentar alcanzar al atacante.


La OTAN ya está ensayando sistemas de este tipo para defensa aérea de bajo coste. 


La guerra de drones está generando:


drones cazando drones.



---


32. DEFENSA EN CAPAS: EL MODELO MÁS REALISTA


Una arquitectura moderna puede conceptualizarse así:


CAPA 1 — vigilancia


Radar, EO/IR, inteligencia.


CAPA 2 — identificación


Clasificación y fusión de sensores.


CAPA 3 — guerra electrónica


Cuando resulte adecuada.


CAPA 4 — interceptores económicos


Drones defensivos o sistemas cinéticos de bajo coste.


CAPA 5 — VSHORAD/MANPADS


Amenazas que alcanzan la zona de corto alcance.


CAPAS SUPERIORES


Sistemas antiaéreos de mayor capacidad contra amenazas más complejas.



---


33. NINGUNA CAPA ES PERFECTA


Incluso una tasa de interceptación muy alta puede resultar insuficiente durante un ataque masivo.


Supongamos conceptualmente:


muchos drones aproximándose simultáneamente.


Incluso si se destruye la mayoría:


unos pocos pueden atravesar.


Este fenómeno se conoce como:


saturación.


Por eso el número de amenazas importa tanto como su calidad individual.



---


34. EL DRON COMO ARMA DE SATURACIÓN


Una de las características estratégicas de los UAV es que permiten fabricar y lanzar cantidades que serían mucho más difíciles de conseguir con aviones tripulados o grandes misiles.


El atacante puede intentar forzar al defensor a:


detectar muchos blancos;


utilizar munición;


dividir sensores;


proteger numerosas instalaciones.



Esto convierte la economía industrial en parte directa de la batalla.



---


35. UN MISIL CARO CONTRA UN DRON BARATO


Aquí aparece uno de los problemas centrales de la defensa aérea del siglo XXI.


Si:


atacante gasta poco


pero


defensor debe gastar mucho,


la defensa puede ser militarmente exitosa pero económicamente insostenible.


La solución no consiste necesariamente en abandonar los misiles.


Consiste en utilizarlos dentro de una:


arquitectura escalonada.



---


36. EL MANPADS SIGUE TENIENDO UN NICHO


En 2026 sigue siendo útil porque proporciona:


defensa puntual;


movilidad;


dispersión;


capacidad contra determinados objetivos;


refuerzo rápido.



Pero no constituye por sí solo un sistema C-UAS completo.


El soldado con lanzador que aparece en el vídeo es solamente:


la última parte visible de un problema muchísimo mayor.



---


37. LECCIONES CIENTÍFICO-OPERATIVAS DEL VÍDEO


1. LOS DRONES DE LARGO ALCANCE PUEDEN LLEGAR A LA RETAGUARDIA


La profundidad estratégica ya no garantiza inmunidad.


2. LOS MANPADS SIGUEN SIENDO RELEVANTES


Armas desarrolladas décadas atrás pueden encontrar nuevas misiones.


3. NO TODOS LOS DRONES SON IGUALES


La eficacia de cada defensa depende del tipo de UAV.


4. LA DEFENSA URBANA ES PARTICULARMENTE COMPLEJA


Interceptar genera también riesgos secundarios.


5. C-UAS NECESITA CAPAS


Sensores, EW, cañones, interceptores y misiles desempeñan funciones diferentes.


6. EL COSTE IMPORTA


No basta con destruir el objetivo: hay que hacerlo de manera sostenible.


7. LA VERIFICACIÓN OSINT ES FUNDAMENTAL


Un vídeo puede mostrar un hecho real y aun así circular con fecha, lugar o descripción incorrectos.



---


38. AUDITORÍA FINAL DEL VÍDEO


LO QUE PODEMOS VER


✔ Operador militar.


✔ Sistema portátil compatible con MANPADS.


✔ Seguimiento de un blanco aéreo.


✔ Entorno urbano/periurbano.


✔ Carretera próxima.


✔ Posterior aparición de un objeto aéreo incendiado.



---


LO QUE ES PLAUSIBLE


✔ Interceptación de un UAV.


✔ Empleo de un sistema de la familia Igla.


✔ Uso como defensa de muy corto alcance.



---


LO QUE NO DEBE AFIRMARSE COMO HECHO DEMOSTRADO SOLO CON EL VÍDEO


⚠ Modelo exacto del misil.


⚠ Tipo exacto del UAV.


⚠ Fecha original exacta.


⚠ Coordenadas exactas.


⚠ Identidad de la unidad militar.


⚠ Instalación concreta que pretendía atacar el UAV.


⚠ Que la caída observada sea consecuencia indiscutible del misil sin una secuencia visual continua.


Esta separación entre:


observado


y


atribuido


es esencial para mantener rigor 10/10.



---


CONCLUSIÓN


El vídeo constituye una imagen extraordinariamente representativa de la guerra aérea de 2026.


Un soldado situado junto a una autopista utiliza una tecnología originalmente desarrollada durante la Guerra Fría para enfrentarse a una amenaza característica de la guerra del siglo XXI:


el dron de largo alcance.


Esa sola escena resume una transformación enorme.


La defensa aérea ya no se enfrenta únicamente a:


cazas;


bombarderos;


helicópteros;


misiles.



Debe enfrentar también sistemas no tripulados que pueden ser:


pequeños;


numerosos;


relativamente baratos;


difíciles de detectar;


capaces de alcanzar infraestructura estratégica.



Los MANPADS continúan teniendo utilidad, especialmente contra determinados UAV con suficiente firma térmica, pero representan únicamente una pieza del sistema.


La defensa antidron moderna exige:


**detección


identificación


fusión de sensores


mando y control


guerra electrónica


interceptores


defensa cinética


protección pasiva


evaluación posterior.**



Eso explica por qué en 2026 la OTAN está invirtiendo de forma acelerada en arquitecturas C-UAS integradas y por qué Rusia y Ucrania están adaptando continuamente sistemas antiguos y nuevos a la guerra de drones. 


El mensaje final del vídeo no es simplemente:


> «un misil derriba un dron».




Es mucho más importante:


> La proliferación de UAV está obligando a reconstruir la defensa aérea desde abajo, combinando tecnologías de la Guerra Fría con inteligencia artificial, guerra electrónica, sensores distribuidos y nuevos interceptores concebidos específicamente para una era dominada por sistemas no tripulados.





---


FUENTES Y REFERENCIAS — ACTUALIZACIÓN OCTUBRE 2026


Reuters — 18 junio 2026. Ataque mediante drones ucranianos contra la refinería de Moscú y efectos sobre tráfico, aeropuertos e infraestructura. 


Reuters — 3 octubre 2026. Declaraciones ucranianas sobre continuación de ataques contra refinerías rusas dentro de la campaña estratégica de 2026. 


Defence Security Asia — 5 octubre 2026. Análisis OSINT del vídeo difundido como una supuesta interceptación mediante Igla cerca de infraestructura petrolera de Moscú; señala expresamente las limitaciones de verificación del material. 


NATO Communications and Information Agency — TIE 26. Ejercicio de interoperabilidad antidrones de mayo de 2026: aproximadamente 300 participantes, más de 60 sistemas C-UAS y 40 aplicaciones de mando y control. 


NATO Support and Procurement Agency — julio 2026. Contratos marco para sistemas C-UAS integrando radar, EO/IR, RF, sensores acústicos, guerra electrónica y efectores cinéticos. 


NATO Innovation Range — marzo 2026. Programa de evaluación y validación de sistemas UAS/C-UAS y tecnologías de interceptación. 


NATO — 2025/2026. Desarrollo y demostración de interceptores UAV de bajo coste como complemento de los sistemas antiaéreos tradicionales. 


Rosoboronexport. Documentación pública del sistema Igla-S y su empleo frente a UAV, blancos aéreos pequeños y misiles de crucero. 


Rosoboronexport. Documentación sobre Verba y mejoras orientadas a blancos de reducida firma térmica, incluidos UAV. 


Rostec / Rosoboronexport — septiembre 2026. Presentación de sistemas de defensa aérea y contra-UAV, incluido Verba, durante el El Alamein International Airshow 2026. 



---


By DrRamonReyesMD

EMS Solutions International


Artículo técnico-científico y de análisis de defensa. La identificación específica de armas, UAV, lugar y cronología del vídeo se ha separado deliberadamente entre evidencia visual y atribuciones de fuentes abiertas. No constituye una guía operativa para empleo de sistemas de armas.

INTELIGENCIA ARTIFICIAL + DRONES EN LA AGRICULTURA EN 2026


INTELIGENCIA ARTIFICIAL + DRONES EN LA AGRICULTURA EN 2026

Conteo automático de plantas, clasificación de malezas y segmentación de líneas de cultivo mediante visión artificial, teledetección y Deep Learning

De la imagen aérea al mapa agronómico: sensores RGB y multiespectrales, YOLO, U-Net, segmentación semántica, Google Colab y Gemini






Actualización científico-tecnológica — octubre de 2026

By DrRamonReyesMD
EMS Solutions International


RESUMEN

La combinación de drones, teledetección e inteligencia artificial está cambiando profundamente la agricultura de precisión.

Una aeronave no tripulada ya no sirve únicamente para obtener bonitas fotografías aéreas. Equipada con cámaras RGB, multiespectrales, térmicas o incluso LiDAR, puede convertirse en una plataforma de adquisición de datos capaz de observar un cultivo con una resolución espacial de centímetros.

La inteligencia artificial permite posteriormente transformar millones de píxeles en información agronómica accionable.

Tres aplicaciones sintetizan perfectamente esta evolución:

1. Conteo automático de plantas.

2. Identificación, clasificación y segmentación de malezas.

3. Detección y segmentación de líneas de cultivo.

En 2026 estas aplicaciones utilizan principalmente técnicas de:

  • Machine Learning;
  • Deep Learning;
  • detección de objetos;
  • segmentación semántica;
  • segmentación de instancias;
  • visión por computador;
  • modelos Transformer;
  • aprendizaje multimodal;
  • modelos fundacionales de teledetección.

Las revisiones científicas publicadas en 2025-2026 confirman que los UAV combinados con Machine Learning y Deep Learning se han convertido en una de las herramientas más relevantes de la agricultura inteligente, aunque todavía persisten problemas de generalización, calidad de datos, anotación, coste computacional y transferencia entre campos, cultivos y condiciones ambientales.


1. DEL DRON A LA DECISIÓN AGRONÓMICA

Un dron no «entiende» un campo.

Simplemente captura información.

La verdadera transformación ocurre cuando se construye una cadena digital:

cultivo real
↓
sensor aéreo
↓
imágenes georreferenciadas
↓
ortomosaico
↓
preprocesamiento
↓
modelo de inteligencia artificial
↓
detección o segmentación
↓
mapa agronómico
↓
decisión de manejo.

Esta distinción es importante.

El valor del sistema no reside exclusivamente en volar un dron, sino en convertir sus datos en una variable agronómica cuantificable.


2. ¿POR QUÉ LOS DRONES SON TAN ÚTILES EN AGRICULTURA?

Los satélites permiten estudiar enormes extensiones, pero la resolución espacial y temporal disponible puede ser insuficiente para detectar individualmente una plántula, una maleza pequeña o una línea estrecha de cultivo.

Los drones aportan varias ventajas:

  • resolución espacial muy alta;
  • vuelos bajo demanda;
  • repetición frecuente;
  • elección del momento fenológico;
  • múltiples sensores;
  • adquisición rápida sobre parcelas;
  • posibilidad de generar modelos tridimensionales;
  • integración con GPS/GNSS.

Las revisiones de 2026 destacan precisamente la capacidad de los UAV para combinar sensores RGB, multiespectrales, hiperespectrales, térmicos, LiDAR y posicionamiento preciso para producir información agrícola de alta resolución.


3. PRIMERA APLICACIÓN: CONTEO AUTOMÁTICO DE PLANTAS

Del conteo manual al Plant Stand Count automatizado

Determinar cuántas plantas emergieron correctamente después de una siembra es una tarea agronómica fundamental.

El denominado:

Plant Stand Count

permite estimar:

  • población efectiva;
  • tasa de emergencia;
  • fallos de germinación;
  • distribución espacial;
  • densidad de siembra;
  • uniformidad;
  • posibles pérdidas de rendimiento.

Tradicionalmente se realiza mediante muestreo manual.

El problema es evidente en explotaciones grandes:

contar manualmente miles o millones de plantas consume tiempo y es susceptible de errores.


4. ¿CÓMO CUENTA PLANTAS UNA IA?

Una imagen aérea puede contener cientos o miles de plantas.

El algoritmo intenta identificar cada individuo.

Existen varias estrategias.

DETECCIÓN DE OBJETOS

El algoritmo dibuja una caja alrededor de cada planta.

Ejemplos de familias de modelos:

  • YOLO;
  • Faster R-CNN;
  • RetinaNet;
  • EfficientDet.

Posteriormente:

número de detecciones ≈ número de plantas.


SEGMENTACIÓN DE INSTANCIAS

Permite separar individualmente plantas incluso cuando se encuentran relativamente próximas.

Ejemplos:

  • Mask R-CNN;
  • variantes modernas de segmentación;
  • modelos Transformer.

SEGMENTACIÓN SEMÁNTICA

Clasifica cada píxel.

Por ejemplo:

cultivo / suelo / residuo vegetal.

Posteriormente pueden utilizarse análisis morfológicos para separar individuos.


REGRESIÓN DE DENSIDAD

Cuando existe mucho solapamiento entre plantas, en lugar de identificar individualmente cada ejemplar se estima directamente su densidad.


5. LA EVIDENCIA EN 2025-2026

Una revisión de 2025 sobre conteo de cultivos con UAV y Deep Learning identifica esta combinación como una de las principales tecnologías para automatizar la estimación de población vegetal a gran escala, aunque advierte que todavía existen problemas importantes al trasladar modelos desarrollados en laboratorio hacia campos reales.

Un trabajo publicado en 2026 desarrolló un sistema automático para contar plántulas de maíz utilizando ortomosaicos de UAV y una variante ligera de YOLO.

El sistema alcanzó, a nivel de parcela:

R² ≈ 94,19 %

con un error absoluto medio muy bajo en el conjunto estudiado.

Esto demuestra que el conteo automático ya no es únicamente una demostración experimental.

Pero tampoco significa que cualquier modelo vaya a alcanzar esa precisión en cualquier cultivo.


6. EL MOMENTO DEL VUELO ES FUNDAMENTAL

El mejor momento para contar plantas suele encontrarse:

después de la emergencia pero antes de que las copas se superpongan.

Cuando las plantas crecen y el dosel vegetal se cierra, distinguir individuos resulta progresivamente más difícil.

La revisión sistemática sobre stand count mediante UAV destaca precisamente:

  • etapa fenológica;
  • altura de vuelo;
  • resolución;
  • segmentación;
  • transferencia de aprendizaje

como variables determinantes de la precisión final.


7. SEGUNDA APLICACIÓN: DETECCIÓN Y CLASIFICACIÓN DE MALEZAS

Las malezas compiten con los cultivos por:

  • agua;
  • luz;
  • nutrientes;
  • espacio.

El manejo tradicional puede implicar aplicar herbicida sobre toda la parcela.

La agricultura de precisión plantea una alternativa:

detectar dónde están las malezas y actuar solamente donde sea necesario.

Este concepto se conoce como:

Site-Specific Weed Management — SSWM.


8. EL PROBLEMA «GREEN-ON-GREEN»

Detectar vegetación sobre suelo desnudo puede ser relativamente sencillo.

Mucho más difícil es distinguir:

cultivo verde de maleza verde.

Ambos pueden compartir:

  • color;
  • textura;
  • forma;
  • reflectancia;
  • tamaño.

Esta dificultad se conoce informalmente como:

green-on-green.

Las revisiones modernas identifican precisamente la similitud morfológica entre cultivo y maleza como una de las principales dificultades de la detección automática.


9. ¿QUÉ PUEDE HACER LA IA?

Existen varias tareas diferentes.

DETECCIÓN

Localiza una maleza.

CLASIFICACIÓN

Determina qué especie es.

SEGMENTACIÓN SEMÁNTICA

Clasifica píxeles como:

  • cultivo;
  • maleza;
  • suelo.

SEGMENTACIÓN DE INSTANCIAS

Separa individualmente diferentes plantas.

MAPEO

Convierte las detecciones en coordenadas geográficas para producir un:

mapa de infestación.


10. DE LA IMAGEN AL MAPA DE PRESCRIPCIÓN

El verdadero objetivo agronómico no es solamente decir:

«hay malezas».

Es identificar:

dónde están.

Después de georreferenciar las detecciones puede producirse un:

mapa de prescripción.

Ese mapa puede utilizarse posteriormente para:

  • herbicida localizado;
  • tratamiento mecánico;
  • robot agrícola;
  • pulverización selectiva;
  • seguimiento de la infestación.

Un estudio de 2025 demostró precisamente la generación de mapas tempranos de malezas en maíz utilizando imágenes RGB y multiespectrales obtenidas mediante UAV.


11. ¿QUÉ MODELOS SE UTILIZAN PARA MALEZAS?

La revisión sistemática publicada en Smart Agricultural Technology identifica entre las arquitecturas predominantes:

ResNet

para clasificación.

YOLO

para detección.

U-Net

para segmentación semántica.

Mask R-CNN

para segmentación de instancias.

A ellas se están añadiendo progresivamente:

Transformers y arquitecturas híbridas.


12. SEGMENTACIÓN: MÁS INFORMACIÓN QUE UNA SIMPLE CAJA

Una detección mediante bounding box permite saber:

hay una maleza aproximadamente aquí.

La segmentación permite saber:

estos píxeles concretos pertenecen a la maleza.

Esto tiene enorme importancia cuando queremos calcular:

  • porcentaje de cobertura;
  • superficie infestada;
  • distribución;
  • densidad;
  • dosis localizada.

Una revisión publicada en 2026 concluye que la segmentación se está convirtiendo en un elemento central del manejo de malezas de precisión porque aporta información espacial más detallada que la detección mediante simples cajas.


13. RESULTADOS EXPERIMENTALES MUY ALTOS NO SIGNIFICAN UNIVERSALIDAD

Algunos trabajos presentan resultados superiores al:

90-95 %

en conjuntos experimentales específicos.

Por ejemplo, una investigación publicada en 2025 utilizando adaptación de dominio entre condiciones soleadas y nubladas obtuvo:

  • accuracy: 96,2 %;
  • IoU: 92,1 %

en su conjunto experimental.

Esto es excelente.

Pero no significa:

«la IA identifica malezas con 96 % de precisión universal».

Un modelo entrenado en:

  • un cultivo;
  • una cámara;
  • determinada iluminación;
  • determinada fase fenológica;
  • determinadas especies

puede perder rendimiento cuando cambia el contexto.


14. TERCERA APLICACIÓN: SEGMENTACIÓN DE LÍNEAS DE CULTIVO

Muchas explotaciones agrícolas presentan una estructura espacial característica:

filas.

Detectar automáticamente esas líneas permite comprender la geometría del cultivo.

La IA puede generar una máscara donde:

cada píxel pertenece o no pertenece a una línea de cultivo.

Esto se denomina:

crop-row segmentation.


15. ¿PARA QUÉ SIRVE IDENTIFICAR LAS FILAS?

La detección automática de líneas permite:

  • identificar zonas de cultivo;
  • localizar huecos de emergencia;
  • separar cultivo y entrelínea;
  • estimar orientación;
  • cuantificar uniformidad;
  • guiar robots;
  • facilitar control selectivo de malezas;
  • estudiar arquitectura del campo;
  • estimar población.

En cultivos perennes puede servir igualmente para:

  • identificación de árboles;
  • separación de hileras;
  • análisis de copas;
  • estimación de producción.

16. NO TODO NECESITA DEEP LEARNING

Es importante no convertir la inteligencia artificial en una explicación universal.

Las líneas agrícolas pueden detectarse mediante técnicas clásicas como:

  • umbralización;
  • análisis de perfiles;
  • transformada de Hough;
  • componentes conectados;
  • morfología matemática;
  • geometría computacional.

Un trabajo publicado en 2025 consiguió identificar filas agrícolas y segmentar grupos de plantas utilizando perfiles y geometría sin depender exclusivamente de Deep Learning.

En otros escenarios, especialmente cuando:

  • el terreno es irregular;
  • existen huecos;
  • abundan malezas;
  • las filas son curvas;
  • hay sombras;

los modelos profundos pueden aportar mayor robustez.


17. U-NET: UNA ARQUITECTURA PARTICULARMENTE IMPORTANTE

En segmentación agrícola, U-Net y sus numerosas variantes continúan siendo extremadamente utilizadas.

La lógica es sencilla:

la red recibe una imagen y genera una máscara.

Por ejemplo:

entrada

imagen RGB aérea.

salida

negro = fondo
verde = cultivo
rojo = maleza

El resultado puede transformarse posteriormente en un mapa geográfico.

Un estudio reciente sobre cítricos empleó una versión ligera de U-Net para segmentación de árboles y filas, obteniendo altas métricas de precisión en el escenario evaluado.


18. LOS SENSORES: RGB NO ES LA ÚNICA OPCIÓN

RGB

Registra:

  • rojo;
  • verde;
  • azul.

Ventajas:

  • económico;
  • alta resolución;
  • disponibilidad;
  • fácil interpretación.

Para muchas tareas de conteo y detección puede ser suficiente.


19. MULTIESPECTRAL

Añade bandas como:

near infrared — NIR.

Permite generar índices de vegetación, por ejemplo:

NDVI

NDVI = (NIR − Red) / (NIR + Red)

Puede ayudar a estudiar:

  • vigor;
  • estrés;
  • estructura vegetal;
  • diferencias espectrales.

Pero debe recordarse:

NDVI alto no equivale automáticamente a cultivo sano.

Puede haber saturación, influencia del suelo, geometría solar y otros factores.


20. HIPERESPECTRAL

Captura decenas o centenares de bandas estrechas.

Puede permitir distinguir firmas espectrales muy sutiles.

Sus limitaciones incluyen:

  • coste;
  • peso;
  • volumen de datos;
  • calibración;
  • procesamiento intensivo.

21. TERMOGRAFÍA

La temperatura superficial puede aportar información sobre:

  • estrés hídrico;
  • transpiración;
  • irrigación;
  • heterogeneidad del cultivo.

22. LiDAR

El LiDAR genera información tridimensional.

Puede utilizarse para analizar:

  • altura;
  • arquitectura;
  • volumen del dosel;
  • estructura de plantaciones.

La tendencia actual es combinar sensores en lugar de depender exclusivamente de uno. Las revisiones de 2026 identifican precisamente la fusión multimodal como una de las grandes líneas de evolución de la teledetección agrícola.


23. EL GSD: UNA VARIABLE FUNDAMENTAL

La resolución de una imagen aérea puede expresarse mediante:

Ground Sampling Distance — GSD.

Indica aproximadamente cuánta superficie real representa cada píxel.

Por ejemplo:

GSD = 2 cm/píxel

significa que cada píxel representa aproximadamente:

2 × 2 cm

sobre el terreno.

Para identificar pequeñas plántulas necesitamos una resolución suficiente para que el objeto contenga múltiples píxeles útiles.


24. VOLAR MÁS BAJO NO SIEMPRE ES MEJOR

Reducir la altura de vuelo generalmente mejora la resolución espacial.

Pero también:

  • disminuye cobertura;
  • aumenta número de imágenes;
  • incrementa tiempo;
  • aumenta volumen de datos;
  • exige más procesamiento.

Existe por tanto una compensación entre:

resolución y productividad.


25. DEL VUELO AL ORTOMOSAICO

Una misión aérea suele generar cientos o miles de fotografías parcialmente superpuestas.

Mediante fotogrametría pueden transformarse en:

ortomosaico.

Un ortomosaico no es simplemente una fotografía pegada.

Se corrigen:

  • perspectiva;
  • geometría;
  • posición;
  • relieve.

Además pueden generarse:

DSM — Digital Surface Model.

nube de puntos.

modelos 3D.


26. GEOREFERENCIACIÓN: FUNDAMENTAL PARA ACTUAR DESPUÉS

Detectar una maleza en el píxel:

x=1873, y=928

no es agronómicamente suficiente.

Necesitamos convertirla en:

coordenadas reales.

Para ello intervienen:

  • GNSS;
  • RTK;
  • PPK;
  • puntos de control terrestre;
  • orientación de cámara;
  • información fotogramétrica.

Una mala georreferenciación puede producir un excelente modelo de IA y un pésimo mapa de aplicación.


27. LA CADENA COMPLETA DE INTELIGENCIA ARTIFICIAL

Un proyecto profesional puede estructurarse así:

1. Definir la pregunta agronómica

¿Queremos contar?

¿Clasificar?

¿Segmentar?

¿Predecir rendimiento?


2. Diseñar el vuelo

Definir:

  • sensor;
  • altura;
  • solape;
  • velocidad;
  • hora;
  • iluminación.

3. Adquirir imágenes

Mantener consistencia entre vuelos.


4. Generar datos geoespaciales

Ortorectificación y mosaico.


5. Crear anotaciones

Ejemplos:

  • cajas;
  • máscaras;
  • polígonos;
  • clases.

6. Separar los datos

entrenamiento

validación

prueba.


7. Entrenar el modelo


8. Evaluar


9. Ejecutar inferencia


10. Convertir resultados en información geográfica


11. Validar sobre el terreno


28. GOOGLE COLAB EN 2026

La publicación original menciona Google Colab.

La idea es técnicamente correcta.

Colab es un entorno basado en Jupyter que permite ejecutar Python directamente desde el navegador sin instalar localmente todo el entorno de desarrollo.

Google continúa ofreciendo acceso a recursos de cómputo, incluyendo GPU y TPU sujetos a disponibilidad, cuotas y tipo de cuenta.

Esto facilita trabajar con librerías como:

  • PyTorch;
  • TensorFlow;
  • OpenCV;
  • NumPy;
  • Pandas;
  • Rasterio;
  • GeoPandas;
  • Ultralytics;
  • scikit-learn.

29. COLAB YA ES MUCHO MÁS QUE UN NOTEBOOK

En 2026 Google describe la evolución de Colab hacia una experiencia:

AI-First.

Entre sus capacidades se encuentran:

  • generación de código;
  • explicación de código;
  • corrección de errores;
  • transformación de notebooks;
  • análisis de datos;
  • asistencia conversacional integrada.

Google ha integrado estas funciones alrededor de Gemini.


30. GEMINI COMO ASISTENTE DE PROGRAMACIÓN

Gemini puede ayudar a un investigador o estudiante a:

  • escribir Python;
  • depurar errores;
  • explicar una arquitectura;
  • preparar un dataset;
  • generar gráficos;
  • documentar código;
  • proponer funciones;
  • interpretar mensajes de error;
  • estructurar experimentos.

En abril de 2026 Google añadió a Colab funciones como:

Custom Instructions

y

Learn Mode,

orientadas precisamente a personalizar el agente y convertirlo también en asistente educativo.


31. GEMINI NO SUSTITUYE LA VALIDACIÓN CIENTÍFICA

Aquí conviene corregir una afirmación promocional frecuente.

Decir que:

«al utilizar Gemini estas soluciones alcanzan un nivel nunca antes visto»

no constituye una conclusión científica verificable.

Gemini puede acelerar:

  • programación;
  • documentación;
  • exploración;
  • aprendizaje.

Pero no convierte automáticamente un modelo deficiente en un modelo agronómicamente válido.

La calidad final depende de:

datos

  • anotaciones
  • diseño experimental
  • modelo
  • validación
  • conocimiento agronómico.

Un código generado por IA puede contener errores.

Debe ser:

revisado, probado y validado.


32. MÉTRICAS: «ACCURACY» NO ES SUFICIENTE

Uno de los errores más frecuentes consiste en afirmar:

«el modelo tiene 95 % de precisión»

sin explicar qué métrica se utilizó.

En detección y segmentación se emplean diferentes indicadores.


PRECISION

De todo lo que el modelo identificó como positivo:

¿cuánto era realmente correcto?


RECALL

De todos los positivos reales:

¿cuántos detectó el modelo?


F1-SCORE

Combina:

  • precision;
  • recall.

IoU

Intersection over Union

Muy utilizada en segmentación.

Compara:

máscara predicha vs máscara real.


mAP

Mean Average Precision.

Muy importante para detección de objetos.


MAE

Mean Absolute Error.

Especialmente útil en conteo.


R²

Permite medir qué proporción de la variabilidad observada explica una predicción de regresión.


33. EL PELIGRO DEL DATA LEAKAGE

Si fragmentamos un mismo ortomosaico en miles de pequeños tiles y colocamos aleatoriamente partes casi idénticas tanto en entrenamiento como en test:

podemos obtener métricas artificialmente excelentes.

El modelo puede estar reconociendo el campo:

no generalizando.

Una validación robusta debería, siempre que sea posible, utilizar:

  • parcelas diferentes;
  • fechas diferentes;
  • campos diferentes;
  • condiciones distintas.

34. GENERALIZACIÓN: EL GRAN PROBLEMA DE 2026

Este continúa siendo uno de los principales obstáculos.

Un modelo desarrollado sobre:

maíz en España

puede no funcionar igual sobre:

maíz en Brasil.

Incluso dentro de la misma explotación pueden cambiar:

  • iluminación;
  • suelo;
  • humedad;
  • cultivar;
  • fecha;
  • fase fenológica;
  • malezas.

Las revisiones más recientes señalan repetidamente que la transferibilidad y validación externa siguen siendo debilidades importantes de los sistemas de IA agrícola.


35. DOMAIN SHIFT

Este fenómeno se denomina:

cambio de dominio.

Un modelo aprende una distribución de datos.

Cuando la realidad cambia, también cambia la distribución.

Ejemplo:

entrenamiento

día soleado.

inferencia

día nublado.

Las imágenes presentan diferencias importantes.

La adaptación de dominio intenta precisamente reducir ese problema.


36. EDGE AI: PROCESAR EN EL PROPIO DRON

En muchos proyectos todavía se realiza:

dron → almacenamiento → ordenador/nube → inferencia.

Pero otra tendencia consiste en ejecutar modelos directamente:

a bordo.

Esto requiere redes:

  • pequeñas;
  • rápidas;
  • energéticamente eficientes.

Técnicas como:

pruning

y

quantization

permiten reducir el tamaño del modelo.

Un estudio reciente analizó precisamente estas técnicas para convertir modelos de detección de malezas en soluciones más compatibles con procesamiento embarcado en UAV.


37. TRANSFORMERS Y MODELOS FUNDACIONALES

CNN como ResNet y U-Net continúan siendo fundamentales.

Pero la frontera tecnológica está evolucionando hacia:

Vision Transformers;

modelos multimodales;

open-vocabulary detection;

foundation models.

Estos modelos buscan aprovechar aprendizaje previo sobre enormes cantidades de imágenes para después adaptarse con menos ejemplos a nuevas tareas.


38. EARTH AI Y LA NUEVA GENERACIÓN DE TELEANÁLISIS

Google Research presentó en 2025 una familia de sistemas denominada:

Earth AI.

Incluye modelos fundacionales orientados específicamente a información geoespacial y teledetección.

Entre las capacidades descritas se encuentran:

  • búsqueda mediante lenguaje natural;
  • detección de objetos de vocabulario abierto;
  • modelos visuales adaptables;
  • razonamiento geoespacial.

Google informó de evaluaciones sobre tareas de:

  • clasificación;
  • segmentación;
  • detección

incluyendo aplicaciones sobre paisajes agrícolas.

Esto anticipa una transformación importante.

En lugar de entrenar cada tarea completamente desde cero, una parte creciente del análisis geoespacial podrá comenzar desde grandes modelos previamente entrenados.


39. LOS TRES EJEMPLOS, RESUMIDOS

Aplicación Entrada Modelo típico Salida
Conteo de plantas RGB UAV YOLO / detectores número y posición
Clasificación de malezas RGB/multiespectral CNN / Transformer especie o categoría
Segmentación de malezas RGB/multiespectral U-Net / DeepLab / Mask R-CNN máscara espacial
Filas de cultivo ortomosaico U-Net / geometría / CV clásica líneas y polígonos
Mapeo agronómico resultados georreferenciados GIS mapa de prescripción

40. MÁS ALLÁ DE ESTAS TRES APLICACIONES

La misma infraestructura tecnológica permite estudiar:

  • estrés hídrico;
  • déficit nutricional;
  • enfermedades;
  • plagas;
  • vigor vegetal;
  • biomasa;
  • índice de área foliar;
  • cobertura;
  • altura del cultivo;
  • rendimiento;
  • riego;
  • daños meteorológicos;
  • fenología.

Una revisión sistemática de 2026 confirma que la combinación de IA y teledetección también está avanzando rápidamente en detección temprana de enfermedades y plagas, aunque la validación externa continúa siendo una limitación.


41. AGRICULTURA DE PRECISIÓN: OBSERVAR NO ES EL OBJETIVO FINAL

El verdadero ciclo tecnológico es:

medir

↓
interpretar
↓
decidir
↓
actuar
↓
volver a medir.

Eso permite evolucionar desde:

agricultura uniforme

hacia:

manejo sitio-específico.

En lugar de tratar una parcela completa como si fuera homogénea, se reconoce que cada zona puede tener necesidades diferentes.


42. ¿LA IA REDUCIRÁ HERBICIDAS?

Potencialmente sí.

Pero debe expresarse correctamente.

La IA no reduce productos químicos por sí sola.

Lo que permite es generar información suficientemente precisa para que sistemas posteriores puedan aplicar tratamientos de forma localizada.

La secuencia sería:

detección de maleza
↓
geolocalización
↓
mapa
↓
decisión agronómica
↓
aplicación selectiva.

Los estudios actuales sobre SSWM consideran esta capacidad una de las aplicaciones más prometedoras del Deep Learning agrícola.


43. LIMITACIONES REALES

La imagen promocional de:

«dron + IA = solución automática»

es demasiado simple.

Persisten desafíos importantes:

  • coste de sensores;
  • regulación aérea;
  • autonomía de baterías;
  • viento;
  • nubosidad;
  • sombras;
  • grandes volúmenes de datos;
  • anotación manual;
  • diferencias entre cultivos;
  • necesidad de calibración;
  • computación;
  • conectividad;
  • generalización.

La literatura de 2026 insiste en que la brecha principal ya no consiste solamente en crear algoritmos precisos, sino en conseguir sistemas:

fiables, transferibles y económicamente viables en condiciones reales.


44. VALIDACIÓN DE CAMPO: EL GOLD STANDARD

Un mapa generado por IA debe compararse con la realidad.

Esto se denomina:

ground truth.

Puede requerir:

  • conteo manual;
  • muestreo;
  • identificación botánica;
  • mediciones GNSS;
  • inspección agronómica.

Sin ground truth suficiente:

no sabemos realmente cuánto se equivoca el modelo.


45. IA GENERATIVA + VISIÓN ARTIFICIAL: NO SON LO MISMO

Otra distinción fundamental.

VISIÓN ARTIFICIAL

Analiza imágenes para:

  • detectar;
  • clasificar;
  • segmentar;
  • cuantificar.

IA GENERATIVA

Puede:

  • explicar;
  • programar;
  • documentar;
  • razonar;
  • ayudar a crear workflows.

Gemini pertenece fundamentalmente al segundo grupo, aunque sus capacidades multimodales permiten trabajar también con imágenes.

Un sistema agrícola profesional puede combinar ambos.

Por ejemplo:

YOLO detecta plantas.

U-Net segmenta malezas.

GIS construye el mapa.

Gemini ayuda al usuario a escribir, interpretar y documentar el pipeline.


46. LO QUE REALMENTE CAMBIA EN 2026

Hasta hace pocos años crear uno de estos proyectos exigía dominar simultáneamente:

  • programación;
  • visión artificial;
  • GIS;
  • Deep Learning;
  • fotogrametría.

Hoy herramientas como:

  • notebooks en la nube;
  • modelos pretrained;
  • librerías open source;
  • AutoML;
  • agentes de programación;
  • IA generativa

reducen significativamente la barrera de entrada.

Google Colab ofrece un entorno especialmente accesible para docencia, prototipado e investigación y en 2026 integra de forma nativa capacidades de Gemini para programación y análisis.

Pero:

democratizar una herramienta no elimina la necesidad de comprender la ciencia.


CONCLUSIÓN

La combinación:

DRON + TELEDETECCIÓN + INTELIGENCIA ARTIFICIAL

representa una de las transformaciones tecnológicas más relevantes de la agricultura contemporánea.

Tres aplicaciones permiten entender su enorme potencial:

CONTEO DE PLANTAS

La IA permite transformar imágenes aéreas en estimaciones de población, emergencia, distribución y densidad.

DETECCIÓN Y CLASIFICACIÓN DE MALEZAS

Permite pasar del tratamiento uniforme hacia mapas de infestación y manejo localizado.

SEGMENTACIÓN DE FILAS

Convierte la estructura visual del cultivo en geometría digital útil para análisis, navegación y automatización.

Pero la verdadera innovación no consiste únicamente en obtener una imagen desde un dron.

Consiste en construir una cadena confiable:

sensor
→ imagen
→ georreferenciación
→ inteligencia artificial
→ validación
→ mapa
→ decisión agronómica.

Google Colab y Gemini pueden acelerar enormemente la programación y el aprendizaje de estas técnicas en 2026.

Sin embargo:

Gemini no sustituye al agrónomo.

Colab no sustituye un buen diseño experimental.

Deep Learning no corrige automáticamente malos datos.

Y una alta accuracy no garantiza que el sistema funcione en otra finca.

El futuro de la agricultura inteligente dependerá precisamente de integrar:

agronomía + robótica + teledetección + inteligencia artificial + geoinformática + validación de campo.

Cuando estas disciplinas trabajan juntas, el dron deja de ser una cámara aérea.

Se convierte en:

un sistema de adquisición de datos para agricultura cuantitativa.

Y la inteligencia artificial transforma esos datos en algo todavía más importante:

información para tomar mejores decisiones.


PUNTOS CLAVE

1. Los UAV permiten obtener imágenes agrícolas de muy alta resolución.

2. La IA puede detectar, contar, clasificar y segmentar plantas y malezas.

3. YOLO es especialmente útil para detección y conteo.

4. U-Net y arquitecturas similares son fundamentales para segmentación.

5. La identificación de malezas permite desarrollar mapas para manejo sitio-específico.

6. La segmentación de filas facilita navegación, análisis y automatización.

7. RGB es suficiente para muchas aplicaciones; multispectral, térmico, hiperespectral y LiDAR aportan información adicional.

8. GSD, altura de vuelo, fenología y georreferenciación condicionan fuertemente el resultado.

9. Google Colab permite desarrollar estos sistemas desde el navegador y en 2026 integra asistencia basada en Gemini.

10. Gemini es un asistente de programación y análisis, no un sustituto de la validación científica.

11. La generalización entre campos y condiciones diferentes continúa siendo uno de los grandes desafíos de la IA agrícola.

12. La siguiente frontera incluye modelos fundacionales, Transformers, Edge AI y razonamiento geoespacial multimodal.


REFERENCIAS CIENTÍFICAS Y TECNOLÓGICAS SELECCIONADAS — 2025-2026

Choudhary V, Kumar SP, Saimbhi VS. A brief review on potential applications of drones in agriculture. 2026. Revisión sobre UAV, sensores, IA, Machine Learning y agricultura moderna.

Mowla MN et al. Unmanned aerial vehicles for smart agriculture with machine learning: A system-oriented review of methods, applications, and challenges. Smart Agricultural Technology. 2026;13:101880.

Remote Sensing through UAVs for precision agriculture: Applications, technical foundations, current barriers, and future opportunities. Smart Agricultural Technology. 2026;14:102074.

Bridging lab and field: A review and roadmap for unmanned aerial vehicle-based field crop counting with deep learning. Smart Agricultural Technology. 2025.

Methodological framework of automatic field-based plot extraction and maize emergence counting using UAV imagery and deep learning. 2026.

Weed detection based on deep learning from UAV imagery: A review. Smart Agricultural Technology. 2025;12:101147.

Precision weed detection using UAVs and deep learning: Models, paradigms, and challenges. Smart Agricultural Technology. 2026;13:101656.

Real-time deep learning segmentation for agricultural applications: Insights for precision weed management. Smart Agricultural Technology. 2026;13:101894.

UAV-based citrus tree segmentation, counting and yield estimation using lightweight deep learning approaches. Smart Agricultural Technology. 2025.

Google. Meet the new Colab — AI-driven coding partner. Google for Developers, información vigente en 2026.

Google. Introducing Learn Mode: your personal coding tutor in Google Colab. Abril de 2026.

Google Research. Google Earth AI: Unlocking geospatial insights with foundation models and cross-modal reasoning.

Google Research. Geospatial Reasoning: Unlocking insights with generative AI and multiple foundation models.


By DrRamonReyesMD
EMS Solutions International

Artículo científico-tecnológico de carácter educativo. El rendimiento de cualquier sistema de inteligencia artificial depende del cultivo, sensor, resolución, entorno, calidad del conjunto de datos y metodología de validación. Las métricas publicadas en estudios individuales no deben extrapolarse automáticamente a otros escenarios.