Vite, olivo e satelliti: nuovi modelli per classificare le cultivar – Agrimeccanica

Nel contesto attuale, di transizione ecologica e innovazione digitale in agricoltura, la capacità di raccogliere, elaborare e interpretare dati rappresenta una leva strategica per affrontare le sfide legate alla sostenibilità, all’efficienza produttiva e alla valorizzazione del patrimonio vegetale.

In questo scenario, la classificazione delle specie coltivate e il riconoscimento varietale assumono un ruolo centrale come strumenti conoscitivi indispensabili per la gestione del suolo, la tutela della biodiversità e la pianificazione territoriale. In particolare, la classificazione delle specie si inserisce pienamente all’interno delle attività di mappatura Land Use Land Cover (Lulc), offrendo un contributo essenziale alla costruzione di carte tematiche aggiornate della copertura del suolo.
Tali carte costituiscono la base informativa per valutare l’uso del territorio, monitorare le dinamiche colturali e supportare decisioni in materia di gestione ambientale, conservazione e politiche agroecologiche.

La capacità di distinguere in modo oggettivo e automatizzato tra specie agrarie consente non solo di analizzare l’evoluzione dell’uso del suolo, ma anche di stimare l’impatto di specifiche colture sulla biodiversità funzionale e sull’equilibrio ecosistemico del paesaggio rurale. Accanto a questa prospettiva più territoriale, il riconoscimento varietale, invece, assume una funzione strategica nel controllo del materiale vegetale, con particolare riferimento alle nuove varietà da frutto a elevato valore commerciale.

In questo ambito, l’identificazione accurata delle cultivar è fondamentale per garantire la tracciabilità genetica, certificare le produzioni, tutelare la proprietà intellettuale di varietà registrate o brevettate, monitorare la diffusione effettiva delle nuove selezioni sul territorio e assicurare la trasparenza lungo l’intera filiera vivaistica e produttiva.

L’integrazione tra tecnologie di osservazione della Terra e algoritmi avanzati di intelligenza artificiale, rappresenta oggi una frontiera promettente. Questi strumenti permettono di elaborare grandi mole di dati con elevata risoluzione spaziale e temporale, offrendo risultati oggettivi, replicabili e applicabili sia su scala estensiva che puntuale. Il lavoro di tesi ha previsto due esperimenti distinti ma accomunati dall’impiego di tecnologie satellitari e approcci computazionali avanzati.

Il primo esperimento condotto nell’agro di Andria in Puglia, in collaborazione con l’Agenzia Spaziale Italiana (Asi), ha previsto l’utilizzo di dati iperspettrali acquisiti dal satellite Prisma per la classificazione delle specie di olivo e vite secondo un approccio pixel wise. Dopo una fase di riduzione dimensionale effettuata mediante algoritmi di machine learning i dati sono stati impiegati per addestrare una Rete Neurale Convoluzionale (Cnn), utilizzata come modello di classificazione per distinguere le due specie arboree.

L’intero processo è stato sviluppato con il supporto scientifico del dottore Manilo Monaco dell’Asi e del professore Gaetano Alessandro Vivaldi, con l’obiettivo di valutare la fattibilità di approcci automatizzati per la mappatura colturale da dati Prisma. Il flusso di elaborazione dati è stato sviluppato in collaborazione con il professore Mario Giovanni Cosimo Antonio Cimino, l’ingegnera Angela Sileo e la dottoressa Diana Orlandi dell’Università di Pisa.

Schema sull’uso delle immagini del satellite Prisma

(Fonte: Alessandro De Rosa)

Il secondo esperimento, in collaborazione con la California State University di Fresno, sotto la supervisione del professore Luca Brillante ha invece riguardato il riconoscimento varietale di dodici cultivar di uva da tavola, ed è stato realizzato su un campo commerciale in Perù. Sono state utilizzate immagini multispettrali del satellite Sentinel-2, analizzate mediante algoritmi di machine learning: Random Forest e Support Vector Machine (Svm).

L’obiettivo era valutare le potenzialità dei due modelli nell’identificare varietà di uva da tavola a partire da dati spettrali satellitari e calcolo di indici vegetazionali.

Schema sull’uso delle immagini di Sentinel-2

(Fonte: Alessandro De Rosa)

I due approcci sperimentali hanno restituito risultati promettenti in termini di accuratezza dei modelli.

Nel primo esperimento la Rete Neurale Convoluzionale ha dimostrato elevate capacità, con un’accuratezza del 92% nella distinzione delle due specie. Confermando l’efficacia del flusso di lavoro utilizzato ed evidenziando l’importanza di un approccio multi temporale per ottenere performance di classificazione più elevate.

Il secondo esperimento ha evidenziato come entrambe le tecniche di machine learning siano valide per risolvere problemi di classificazione. Nello specifico il modello Svm, con un’accuratezza del 79%, risulta essere un algoritmo più performante rispetto al modello random forest, evidenziando come bande che agiscono nel verde e nell’infrarosso a onde corte (Swir) siano più informative per lo scopo dell’esperimento.

Le tecniche di classificazione basate su immagini satellitari rappresentano soluzioni potenti, flessibili e scalabili, capaci di superare i limiti dell’osservazione convenzionale e di rispondere efficacemente alle esigenze delle politiche agricole e alle necessità del settore produttivo, favorendo la transizione verso modelli agricoli più intelligenti, tracciabili e sostenibili.

Alessandro De Rosa, categoria “Ingegneria Agraria e Meccatronica”

(Fonte: Alessandro De Rosa)

Per eventuali contatti alessandro.derosa@uniba.it

A cura di Alessandro De Rosa

CAP4AgroInnovation – Agrifood Edition è il nuovo progetto di Image Line^®, cofinanziato dall’Unione Europea, al fine di informare i cittadini sulla Politica Agricola Comune.

Per maggiori informazioni è possibile visitare il sito