El uso de imágenes aéreas en agricultura está aumentando. Las mejoras en los sistemas aéreos no tripulados (UASs) y el hardware y software utilizados para analizar las imágenes están presentando nuevas opciones para estudios agrícolas. Uno de los desafíos asociados con la mejora del rendimiento de los cultivos en condiciones de déficit hídrico es la mayor variabilidad en el crecimiento y desarrollo inherente en entornos con poca agua. La naturaleza del crecimiento y desarrollo de las plantas bajo déficit hídrico hace que sea difícil monitorear la respuesta a los cambios ambientales. Los experimentos a pequeña escala y a nivel de parcela suelen ser lo suficientemente variables como para que los promedios de las características de los cultivos estacionales puedan tener un valor limitado para el investigador. Esta variabilidad lleva a un deseo de resolver campos en escalas temporales y espaciales más finas. Mientras que las imágenes de UAS proporcionan la capacidad de monitorear el cultivo en una escala temporal útil, la escala espacial sigue siendo difícil de resolver. En este estudio, se desarrolló un marco de software informático automatizado para facilitar la resolución de imágenes de cultivos a nivel de campo y parcela a resoluciones espaciales más finas. El método utiliza un algoritmo basado en objetos binarios grandes (BLOB) para automatizar la generación de áreas de medición (AOMs) como una herramienta para el análisis de cultivos. El uso del sistema basado en BLOB se demuestra en el análisis de parcelas de algodón cultivadas en Lubbock, Texas, durante el verano de 2018. El método permitió la creación y análisis de 1133 AOMs de las parcelas y la extracción de datos agronómicos que describían el crecimiento y desarrollo de las plantas.