Agricoltura di precisione

Siena |Giovanni Caruso |8 ore | 11 Settembre 2020

INTERVENTO DI GIOVANNI CARUSO

Ricercatore dell'Università di Pisa


Sommario degli argomenti 

  • Definizione di agricoltura di precisione (AP)
  • Flusso di dati e decisioni operative in AP
  • Gestione della risorsa idrica mediante tecniche di AP
  • Tipologie di sensori e loro uso in AP
  • Casi studio di telerilevamento con drone in viticoltura e olivicoltura     


ABSTRACT DELL'INTERVENTO


Definizione di agricoltura di precisione

La definizione di agricoltura di precisione (AP) è in continua evoluzione, come lo sono in parallelo i cambiamenti delle tecnologie e la crescita della consapevolezza su come si può utilizzarla al meglio. Una delle definizioni più conosciute è quella di un approccio alla gestione del processo produttivo agricolo che consenta di “fare la cosa giusta, al momento giusto, nel punto giusto”. Questo termine generico è nato per indicare l’u- so di nuove tecnologie nella gestione e nel con- trollo delle attività aziendali e delle produzioni agricole, con l’obiettivo di ottimizzare l’insieme degli interventi che portano a un determinato risultato, tenendo conto della variabilità presente all’interno del sistema. Il principio si basa nell’utilizzare meno risorse per ottenere lo stesso risultato, oppure ottenere un risultato migliore a parità di input. È però solo attraverso la comprensione della variabilità e l’applicazione di adeguate operazioni che è possibile migliorare l’efficienza del processo, in termini economici e ambientali. Un’altra definizione generica ma efficace può essere sintetizzata come segue: “quel tipo di agricoltura che incrementa il numero di decisioni corrette, a cui sono associati benefici netti, per unità di area e di tempo”. Esprimendo il concetto in questo modo non si prende in considerazione solo l’informazione da ottimizzare in relazione alla scala spaziale, ma anche l’importanza delle decisioni da prendere nello spazio e nel tempo. I metodi di AP promettono un incremento quantitativo e qualitativo della produzione agricola utilizzando al contempo meno risorse (acqua, energia, fertilizzanti, pesticidi e così via). L’obiettivo è il contenimento dei costi, la riduzione dell’impatto ambientale e la produzione di alimenti in quantità maggiore e di qualità più elevata. I metodi di AP si basano principalmente su un insieme di tecnologie che comprende le nuove tipologie dei sensori, la navigazione satellitare e le tecnologie di localizzazione.


Le fasi dell’agricoltura di precisione: raccolta dei dati, analisi dei dati e trasferimento delle azioni

L’acquisizione dei dati si può dividere, a seconda della distanza di rilevamento, in: misurazioni di prossimità (“Proximal sensing” o PS) e misurazioni da remoto (“Remote sensing” o RS). Le misure di prossimità sono misure che prevedono la vicinanza con l’oggetto da analizzare e possono essere a loro volta suddivise in misure distruttive e misure non distruttive. Le prime, sono misurazioni che prevedono la distruzione del campione da analizzare (frutti, foglie, suolo e così via) e sono caratterizzate da un’elevata precisione analitica. Le seconde si basano sull’uso di sensori che stimano il valore del parametro da misurare a seguito di calibrazioni e tarature, e consento- no di analizzare un maggior numero di campioni grazie alla rapidità ed economicità della misurazione. Il “Remote Sensing” è uno degli ultimi strumenti nati a supporto dell’acquisizione dei dati in AP. Il telerilevamento è una tecnica che permette di acquisire informazioni sulle caratteristiche di un oggetto in funzione del diverso comportamento delle superfici e dei corpi ai fenomeni di assorbimento o riflessione della luce nelle diverse lunghezze d’onda. Sono misure che prevedono l’utilizzo di strumenti ottici 

posizionati su piattaforme aeree (droni, aerei, satelliti). Questa tecnologia comprende quindi tutte quelle tecniche, strumenti e mezzi interpretativi che permettono di migliorare le capacità percettive dell’occhio e del cervello umano fornendo all’osservatore informazioni su oggetti posti a distanza. Le osservazioni, siano esse qualitative o quantitative provengono da superfici lontane dall’osservatore, e nel caso del RS si va dalle po- che decine di metri per i sensori montati su droni, fino alle migliaia di chilometri come nel caso dei satelliti geostazionari (figura 1).

La seconda fase consiste nell’elaborazione dei dati raccolti attraverso tecniche di geostatistica. Questo tipo di analisi considera il valore del parametro che si sta esaminando e la posizione del punto di misura all’interno del campo. Attraverso l’interpolazione dei diversi punti di misura è possibile stimare il valore di un determinato parametro anche nei punti del campo dove non sono state effettuate misure dirette. In questo modo è possibile ricavare delle mappe di variabilità spaziale per i più importanti parametri vegetazionali della coltura.

Una volta ottenuta la mappa tematica per un determinato parametro vegetazionale (vigore, stato idrico, stato fitosanitario), il passaggio successivo consiste nel trasferire delle azioni mirate in campo volte alla risoluzione o attenuazione della problematica emersa. Questa fase si basa principalmente sulle tecnologie a rateo variabile(VRT, “Variable rate technology”) che consento-no di modulare l’intensità di un’operazione (distribuzione del concime, irrorazione di prodotti fitosanitari, raccolta differenziata e così via)all’interno del campo sulla base della mappa di prescrizione utilizzata. 


Casi studio di telerilevamento con drone in viticoltura e olivicoltura

Nell’ambito delle attività di ricerca del PrecisionFruit Growing Lab del Dipartimento di ScienzeAgrarie Alimentari e Agro-ambientali dell’Università di Pisa, l’utilizzo dei droni per le attività di telerilevamento è stato valutato su due colture strategiche per il comparto agricolo nazionale, quali la vite e l’olivo (figura 2).

L’elevata risoluzione spaziale e temporale che caratterizza il telerilevamento con drone (oSAPR, “Sistemi aeromobili a pilotaggio remoto”)consente di monitorare costantemente impor-tanti parametri biofisici e geometrici delle colture in esame quali l’indice di area fogliare (LAI),il contenuto in clorofilla fogliare e le caratteristiche geometriche della chioma. Le immagini ottenute dalle fotocamere trasportate dal drone sono state utilizzate per l’estrazione degli indi-ci vegetazionali e per la ricostruzione 3D delle chiome di olivo e vite. Il principale indice vegetazionale ottenuto dall’elaborazione delle immagini multispettrali, è stato l’NDVI (“Normalized difference vegetation index”) i cui valori per la

vite hanno mostrato un andamento coerente con il grado di vigoria delle piante, discriminando e confermando i tre gruppi a differente vigore(alto, medio, basso) individuati all’interno del vigneto da rilievi a terra. I valori elaborati distribuiti nello spazio hanno permesso di realizzare mappe di vigore georeferenziate distinguendo le aree omogenee all’interno del vigneto (figura 3).

L’NDVI si è confermato quindi un indice vegetazionale in grado di fornire un’immediata risposta sullo stato generale delle piante; questa potenzialità è amplificata dall’uso dei droni, piattaforme particolarmente adatte a perseguire un monitoraggio pressoché continuo delle colture, e dunque in grado di evidenziare sul nascere eventuali stress o anomalie. Inoltre, soprattutto in ambito vitivinicolo, è possibile adottare strategie di zonazione basate su dati di NDVI anche per analizzare la distribuzione qualitativa delle uve, e seguire l’andamento degli indici di maturazione ai fini della raccolta e della trasformazione.Una buona correlazione è stata riscontrata fral’NDVI calcolato nella fase finale della stagione vegetativa con il peso del legno di potatura operata sulle stesse viti in inverno. Buone correlazioni sono state anche quelle fra NDVI e contenuto in azoto fogliare e fra NDVI e LAI. Tutto questo a sottolineare ancora l’effettiva possibilità di rilevare la variabilità in campo e di impostare piani di gestione variata delle principali operazioni colturali, quali la concimazione, la difesa fitosanitaria e la gestione della chioma. I vantaggi di una gestione differenziata consistono un risparmio economico legato al minor utilizzo di energia e prodotti, una maggiore salubrità lega-ta al minor uso di fitofarmaci e un minor impatto ambientale dovuto ai minori input energetici. Le ricostruzioni tridimensionali dei filari di vite e delle singole piante di olivo, ottenute a partire dalle immagini RGB acquisite dal drone hanno consentito di stimare in maniera precisa i volumi reali misurati a terra (figura 4).

Queste evidenze confermano le potenzialità del-la tecnica “Structure from motion” accoppiata al telerilevamento da drone anche in campo agronomico. In particolare l’economicità del senso-re utilizzato e il ridotto tempo di acquisizione propongono questa tecnica come un importante strumento a disposizione per potenziare il monitoraggio e la gestione sito-specifica delle colture.

I diversi sistemi olivicoli che caratterizzano l’olivicoltura italiana presentano ruoli e finalità di-versi e richiedo tecniche di monitoraggio che differiscono per modalità e scopi. Il monitoraggio in olivicoltura ha subito un grande rinnovamento con l’avvento dell’agricoltura di precisione che attraverso l’uso di dispositivi per la georeferenziazione e di sensori di prossimità e da remo-to, ha consentito di ottimizzare la raccolta dei dati in campo. Le sperimentazioni condotte dal Precision Fruit Growing Lab hanno dimostrato l’efficacia del telerilevamento da drone per la stima dei volumi di olivi in piena produzione. 

In particolare, è stato osservato che le stime ottenute da fotogrammetria con drone a bassa quota risultavano più precise rispetto a quelle ottenute da misurazioni a terra, specialmente per gli olivi con chiome particolarmente irregolari. Ciò è dovuto alle semplificazioni che si adottano nelle misure a terra attraverso le qua- li la chioma dell’albero viene assimilata ad una forma geometrica regolare. Al contrario, i valori derivati da telerilevamento da drone si basano sulla ricostruzione tridimensionale della forma irregolare della chioma dell’albero, permettendo di ottenere migliori stime rispetto a quelle derivate da misurazioni sul terreno. In un altro esperimento condotto in Sicilia, la stessa metodologia proposta per la stima dei volumi delle chiome è stata utilizzata per la stima del volume del materiale di potatura disposto sul terreno in corrispondenza dell’interfilare. Anche in questo caso, è stato possibile stimare correttamente il volume dei residui di potatura che risultava ben correlato con il loro peso misurato a terra trami- te bilancia elettronica. La stima dei volumi del- le chiome e del materiale di potatura mediante telerilevamento da drone può essere applicata alle diverse tipologie di oliveti ed avere finalità differenti. Il monitoraggio della geometria della chioma in oliveti intensivi è finalizzata a definire una corretta strategia di gestione della pota- tura nell’oliveto, in termini di intensità e turno, nell’ottica di una riduzione dei costi di produzione. Allo stesso modo, una stima corretta delle caratteristiche dimensionali della pianta consente, nel caso della gestione fitosanitaria nell’oliveto, di stabilire la corretta quantità di soluzione da irrorare in funzione della superficie fogliare da trattare. Dalle stesse sperimentazioni è emerso che è possibile stimare il LAI a partire dai valori di NDVI (“Normalized Difference Vegetation Index”) ottenuto dall’elaborazione delle immagini multispettrali telerilevate. Il LAI influenza marcatamente la fisiologia dell’olivo in quanto determina la radiazione intercettata dall’albero, la traspirazione e, quindi, i consumi idrici dell’albero. Appare evidente, pertanto, come la possibilità di stimare questo parametro sull’intero oli- veto e in tempi rapidi costituisca un importante miglioramento nella stima del fabbisogno idrico dell’oliveto e dei volumi irrigui da erogare. Infine, l’uso di tecniche di telerilevamento in attività di ricerca può rappresentare un utile supporto in esperimenti di campo sulla gestione agronomica o nelle prove di fenotipizzazione di nuove o “vecchie” cultivar di olivo da selezionare per nuove tipologie di impianti. A tal proposito, una recente sperimentazione condotta in collaborazione con il Dipartimento di Scienze Agrarie, Alimentari e Forestali dell’Università di Palermo, ha dimostrato come sia possibile discriminare le diverse cultivar di olivo sulla base dei parametri biofisici e geometrici rilevati da drone e come l’uso di questa piattaforma aerea possa agevolare notevolmente la raccolta di dati quando il numero di alberi in osservazione è elevato.

Scarica materiale
Lascia il tuo commento


I dati saranno trattati per consentire l'inserimento e la pubblicazione dei commenti e delle recensioni. Prima di lasciare il tuo commento, leggi Privacy Policy  Informativa sull'utilizzo dei Cookie 

*Ho letto, compreso e accetto i "termini e condizioni" del sito

*Ho letto e compreso le informative sulla privacy

*Accetto le informative sulla privacy


Condividi
Video
Calendario
Aprile 2019
LuMaMeGiVeSaDo
01 02 03 04 05 06 07
08 09 10 11 12 13 14
15 16 17 18 19 20 21
22 23 24 25 26 27 28
29 30
Maggio 2019
LuMaMeGiVeSaDo
01 02 03 04 05
06 07 08 09 10 11 12
13 14 15 16 17 18 19
20 21 22 23 24 25 26
27 28 29 30 31
Giugno 2019
LuMaMeGiVeSaDo
01 02
03 04 05 06 07 08 09
10 11 12 13 14 15 16
17 18 19 20 21 22 23
24 25 26 27 28 29 30
Luglio 2019
LuMaMeGiVeSaDo
01 02 03 04 05 06 07
08 09 10 11 12 13 14
15 16 17 18 19 20 21
22 23 24 25 26 27 28
29 30 31
Agosto 2019
LuMaMeGiVeSaDo
01 02 03 04
05 06 07 08 09 10 11
12 13 14 15 16 17 18
19 20 21 22 23 24 25
26 27 28 29 30 31
Settembre 2019
LuMaMeGiVeSaDo
01
02 03 04 05 06 07 08
09 10 11 12 13 14 15
16 17 18 19 20 21 22
23 24 25 26 27 28 29
30
Ottobre 2019
LuMaMeGiVeSaDo
01 02 03 04 05 06
07 08 09 10 11 12 13
14 15 16 17 18 19 20
21 22 23 24 25 26 27
28 29 30 31
Novembre 2019
LuMaMeGiVeSaDo
01 02 03
04 05 06 07 08 09 10
11 12 13 14 15 16 17
18 19 20 21 22 23 24
25 26 27 28 29 30
Dicembre 2019
LuMaMeGiVeSaDo
01
02 03 04 05 06 07 08
09 10 11 12 13 14 15
16 17 18 19 20 21 22
23 24 25 26 27 28 29
30 31
Gennaio 2020
LuMaMeGiVeSaDo
01 02 03 04 05
06 07 08 09 10 11 12
13 14 15 16 17 18 19
20 21 22 23 24 25 26


Intervento realizzato con il finanziamento FEASR del Piano di Sviluppo Rurale 2014-2020 della Regione Toscana - Bando attuativo della Sottomisura 1.2

Informativa
ai sensi del Regolamento Ue 2016/679 del 25 maggio 2018.

Su questo sito utilizziamo cookie tecnici e cookie di terze parti per migliorare la tua esperienza di navigazione e la funzionalità del sito. Se vuoi saperne di più o negare il consenso all'utilizzo dei cookie. Se accedi a qualunque elemento sottostante a questo banner o chiudendo il banner stesso acconsenti all'uso dei cookie.