En la agricultura digital, el uso de tecnología para aumentar la producción agrícola a través de tareas automatizadas ha integrado recientemente el desarrollo de AgBots para una recolección de datos más confiable utilizando navegación autónoma. Estos AgBots están equipados con varios sensores como GNSS, cámaras y LiDAR, pero estos sensores pueden ser propensos a limitaciones como baja precisión para la navegación bajo el dosel con GNSS, sensibilidad a la iluminación exterior y vibración de la plataforma con cámaras, y problemas de oclusión de LiDAR. Para abordar estas limitaciones y garantizar una navegación autónoma robusta, este documento presenta una metodología de selección de sensores basada en la identificación de condiciones ambientales utilizando datos del sensor. A través de la extracción de características de GNSS, imágenes y nubes de puntos, podemos determinar la viabilidad de usar cada sensor y crear un vector de selección que indique su viabilidad. Nuestros resultados demuestran que la metodología propuesta selecciona de manera efectiva entre el uso de cámaras o LiDAR dentro de los cultivos y GNSS fuera de los cultivos, al menos el 87% del tiempo. El principal problema encontrado es que, en la transición de dentro a fuera y de fuera a dentro del cultivo, las características de GNSS tardan 20 s en adaptarse. Comparamos una variedad de algoritmos de clasificación en términos de rendimiento y costo computacional y los resultados muestran que nuestro método tiene un mayor rendimiento y un menor costo computacional. En general, esta metodología permite la selección de bajo costo del sensor más adecuado para un entorno agrícola dado.