Vite e intelligenza artificiale: diagnosi precoce contro le patologie – Agricoltura digitale

L’agricoltura europea ha compiuto importanti progressi in termini di produttività e innovazione, ma è ora chiamata a rafforzare il proprio impegno verso la sostenibilità. Il Green Deal europeo e la strategia Farm to Fork offrono un quadro chiaro per promuovere pratiche agricole che tutelino l’ambiente, migliorino la salute del suolo e riducano le emissioni. Attraverso l’adozione di tecniche più efficienti e rispettose degli ecosistemi, il settore può garantire sicurezza alimentare e competitività, contribuendo attivamente alla transizione ecologica.

L’attività di tesi è parte del progetto Pnrr “NODES – Nord Ovest Digitale e Sostenibile”, il cui Spoke 2 è coordinato dall’Università degli Studi di Torino. All’interno del Progetto, il Laboratorio di Meccatronica Agraria del Dipartimento di Scienze Agrarie, Forestali ed Alimentari (Disafa) mira a promuovere un’agricoltura sostenibile e tecnologicamente avanzata. E lo fa attraverso lo sviluppo di nuovi strumenti di monitoraggio, analisi data driven, macchine agricole 4.0 e sistemi di supporto decisionale, per affrontare le sfide ambientali, economiche e sociali che interessano il settore agroalimentare.

L’obiettivo del lavoro è l’implementazione di un sistema innovativo per la diagnosi di patologie della vite, attraverso l’uso di sensori ottici per il monitoraggio non distruttivo del vigneto, al fine di consentire interventi mirati e tempestivi per il contenimento delle epidemie.
Le patologie oggetto di studio nel presente lavoro sono state la flavescenza dorata e il mal dell’esca, le quali rappresentano oggigiorno una grave minaccia per i vigneti italiani, e non solo.

Il dataset su cui si basa lo studio è costituito da firme spettrali della riflettanza. Acquisite con spettroradiometro nell’intervallo di lunghezze d’onda tra i 400 nanometri ed i 2400 nanometri, dunque considerando la radiazione elettromagnetica ultravioletta, visibile e nell’infrarosso.

Il potere informativo sullo stato di salute delle piante, contenuto nel dataset, è stato esplorato e sfruttato confrontando diversi specifici algoritmi di Machine Learning supervisionato, opportunamente addestrati con avanzate tecniche di “training” e “fine tuning”.

A sinistra la flavescenza dorata, a destra il mal dell’esca. Entrambe patologie trattate nel lavoro di tesi

(Fonte: Leonardo Nitti)

Il vigneto caso studio è localizzato ad Agliano Terme, nella provincia di Asti, e le acquisizioni sono state eseguite con lo spettroradiometro RS-5400 della Spectral Evolution. I dati raccolti sono stati sottoposti a un’analisi esplorativa per identificare pattern significativi, valutare la distribuzione delle osservazioni e individuare eventuali anomalie. Successivamente, è stato eseguito il pre processamento dei dati attraverso tecniche come la normalizzazione: un passo fondamentale per garantire un efficace addestramento del modello.
I dati sono stati successivamente suddivisi in un set di addestramento e un set di test, assicurando una distribuzione equilibrata tra le classi, per prevenire squilibri che potessero influenzare negativamente l’addestramento del modello.

Durante la fase di training e fine tuning, il set di addestramento viene impiegato per “insegnare” al modello quali sono i pattern significativi dei dati, identificando quali di questi contribuiscono a identificare la presenza o meno delle patologie.
Il set di test è invece necessario al fine di misurare la sua capacità di generalizzare le previsioni a nuovi dati, mai visti dal modello nelle fasi precedenti.

Firme spettrali di foglie di vite acquisite con spettroradiometro RS-5400 nel vigneto caso studio di Agliano Terme (At)

(Fonte: Leonardo Nitti)

Tra i vari modelli considerati, il modello di regressione logistica è stato quello più efficace nell’individuare la presenza delle patologie sulle matrici analizzate. Ottenendo un f1-score particolarmente elevato: superiore a 0.8.

I risultati ottenuti evidenziano il potenziale degli algoritmi di Machine Learning nel “minare” il prezioso potere informativo (data mining) contenuto delle complesse firme spettrali. Permettendo di rilevare la presenza delle patologie delle vite prima che esse si manifestino con alterazioni cromatiche visibili ad occhio nudo. Tale approccio apre la strada a scenari futuri in cui, grazie al monitoraggio degli appezzamenti con droni e lo sviluppo di irroratrici di precisione, anche a guida autonoma, sarà possibile ridurre l’uso di fitofarmaci, migliorare la produttività e conformarsi alle direttive europee in termini di sostenibilità.

Leonardo Nitti, vincitore per la categoria “tesi di indirizzo non agrario”

(Fonte: Leonardo Nitti)

Per eventuali contatti leonardo.nitti@unito.it

A cura di Leonardo Nitti

L’evento Agrifood Future è organizzato da Unioncamere e dalla Camera di Commercio di Salerno. L’evento ospita al suo interno l’Agrifood Future Award, un premio per le tesi di laurea promosso da Rural Hack e Image Line^®