La aplicación de conceptos de agricultura de precisión ha incentivado un desarrollo tecnológico, del cual han surgido alternativas con las que se puede llegar a incrementar los rendimientos únicamente utilizando los recursos disponibles. Lo que incentivó a probar esta herramienta, con el fin de brindar una nueva opción a los productores de banano del país. Éste sistema utilizando vehículos aéreos no tripulados consta de un dron equipado con una cámara multiespectral, equipo computarizado de alta calidad y softwares para el procesamiento de datos. El sistema se puso a prueba en el bloque 1 de la Finca Comercial de banano de la Universidad EARTH, cuya extensión es de 131 ha. El uso de dron demostró ser una opción viable para generar imágenes NDVI (índice de vegetación de diferencia normalizada) y NIR (infrarrojo cercano). Sin embargo, el equipo solía sobrecalentarse entre cada vuelo o durante el mismo, además de que fue complicado el procesamiento, interpretación y obtención de resultados. Los nutrientes evaluados fueron Ca, Mg, Fe y Zn. El resultado de la regresión múltiple generó un modelo o ecuación de regresión para cada nutriente, donde los valores de correlación “r” fueron muy bajos 0.17, 0.15, 0.13 y 0.03 respectivamente. Sin embargo, los valores “f” de Fisher fueron sumamente altos 1085764.37, 785029.68, 569303.43 y 33588.31 respectivamente, dando como resultado una probabilidad muy cercana a 0 en todos los casos; de manera que se puede afirmar que las variables predictoras generadas con drones (NDVI y NIR) incluidas en el modelo son estadísticamente significativas. Lo que indica que los modelos si se ajustan para predecir los valores de cada nutriente en la plantación. No obstante, al evaluar la proyección residual, se observan regiones donde el error de predicción aumenta, por lo que requiere de ajustes o la inclusión de variables independientes (pH, CICE, textura, etc.) que aumenten el valor de “r” y disminuyan el error.