Un modello di intelligenza artificiale migliora le previsioni di crescita delle uve per i vigneti

I ricercatori della Washington State University hanno sviluppato un nuovo metodo per prevedere gli stadi di crescita della vite, con l'obiettivo di aiutare i gestori dei vigneti a prendere decisioni migliori in materia di irrigazione, fertilizzazione e tempistica della vendemmia. Lo studio, guidato da William Solow e Sandhya Saisubramanian, introduce un approccio di modellazione ibrido che combina il deep learning con i tradizionali modelli biofisici per migliorare l'accuratezza delle previsioni sulla fenologia della vite.

La fenologia della vite si riferisce alla tempistica delle principali fasi di sviluppo della vite, come la rottura dei germogli, la fioritura e l'invaiatura (l'inizio della maturazione). Previsioni accurate di queste fasi sono fondamentali per le operazioni sui vigneti. Interventi sbagliati possono ridurre la resa e la qualità o danneggiare la salute della vite. Tuttavia, la previsione di queste fasi è difficile a causa dei dati storici limitati per ogni varietà di uva e della complessa relazione tra le condizioni meteorologiche e lo sviluppo delle piante.

Tradizionalmente, i coltivatori si sono affidati a modelli biofisici come il modello Growing Degree Day (GDD), che utilizza le unità di calore accumulate per stimare quando si verificheranno gli eventi fenologici. Pur essendo ampiamente utilizzato, il modello GDD considera solo la temperatura e spesso manca della precisione necessaria per la gestione moderna dei vigneti. I metodi di apprendimento profondo si sono dimostrati promettenti nel modellare relazioni più complesse utilizzando dati meteorologici aggiuntivi, ma la loro efficacia è limitata dalla scarsità di registrazioni fenologiche dettagliate per molte varietà di uva.

Il nuovo approccio proposto da Solow e Saisubramanian affronta queste limitazioni utilizzando una struttura di apprendimento multi-task. Questo metodo consente a una rete neurale ricorrente di imparare da più cultivar di uva contemporaneamente, preservando la struttura biologica dello sviluppo della pianta. La rete neurale predice i parametri giornalieri del modello GDD sulla base di un insieme più ampio di caratteristiche meteorologiche, tra cui la radiazione solare e le precipitazioni. Questa parametrizzazione dinamica consente al modello di adattarsi alle condizioni mutevoli durante la stagione di crescita.

Per testare il metodo, i ricercatori hanno utilizzato dati reali e sintetici. I dati reali provengono da 32 cultivar di uva monitorate presso il Centro di ricerca ed estensione sull'agricoltura irrigua della Washington State University a Prosser, Washington. Questi dati coprono più di tre decenni e includono osservazioni giornaliere delle fasi fenologiche e della resistenza al freddo durante la dormienza. I set di dati sintetici sono stati generati utilizzando modelli colturali consolidati e dati meteorologici storici di diversi Stati Uniti.

Il team ha confrontato il proprio modello ibrido - chiamato Dynamic Model Calibration with Multi-Task Learning (DMC-MTL) - con diversi modelli di base: modelli biofisici tradizionali, approcci standard di deep learning, modelli ibridi che integrano solo parzialmente il deep learning con modelli biofisici e reti neurali informate dalla fisica. Hanno valutato l'accuratezza di ciascun metodo nel prevedere la fenologia stagionale, la resistenza al freddo e la resa del grano in vari scenari meteorologici.

I risultati hanno mostrato che DMC-MTL ha superato in modo significativo i modelli GDD tradizionali, riducendo gli errori di previsione di oltre la metà per tutte le cultivar di uva testate. Il nuovo modello ha anche prodotto previsioni biologicamente più coerenti rispetto ai metodi standard di apprendimento profondo. Ad esempio, ha evitato sequenze impossibili come la previsione della rottura dei germogli dopo la fioritura o il ritorno alla dormienza dopo l'inizio della crescita, errori che possono verificarsi con approcci puramente guidati dai dati.

I ricercatori hanno anche scoperto che DMC-MTL è stato robusto quando è stato testato su dati provenienti da regioni con modelli meteorologici diversi da quelli utilizzati per l'addestramento. Mentre altri modelli di deep learning hanno registrato un forte aumento degli errori quando sono stati applicati al di fuori della loro regione di addestramento, DMC-MTL ha mantenuto prestazioni relativamente stabili. Ciò suggerisce che potrebbe essere utile per i vigneti in aree con dati storici limitati o che devono affrontare eventi climatici insoliti.

Un altro vantaggio dell'approccio multi-task è stata la capacità di sfruttare i dati scarsi di molte cultivar senza semplicemente aggregarli, un processo che può oscurare importanti differenze tra le varietà. Incorporando le informazioni specifiche della cultivar nell'architettura della rete neurale, DMC-MTL ha migliorato l'accuratezza per cultivar, pur beneficiando dell'apprendimento condiviso.

Lo studio ha anche esaminato le prestazioni del modello in ogni singola fase fenologica. DMC-MTL ha ridotto al minimo gli errori non solo in generale, ma anche in punti critici come la rottura delle gemme e la fioritura, momenti chiave per la programmazione delle attività del vigneto. I ricercatori hanno valutato quante cultivar sono scese al di sotto di varie soglie di errore rilevanti per le esigenze dei coltivatori; con una tolleranza di errore di 10 giorni, il 90% delle cultivar è stato previsto con precisione da DMC-MTL, rispetto all'80% dell'alternativa migliore.

Un altro vantaggio evidenziato dagli autori è l'interpretabilità. Poiché DMC-MTL predice i parametri di un modello biofisico consolidato, invece di fare previsioni opache, gli agronomi possono capire meglio come i fattori meteorologici influenzano i risultati, una caratteristica apprezzata nel processo decisionale agricolo.

La diffusione di questo nuovo approccio modellistico è prevista per la fine dell'anno su una piattaforma digitale utilizzata dai coltivatori (la piattaforma specifica non è stata resa nota). Il team di ricerca sta anche esplorando modi per migliorare ulteriormente la calibrazione in tempo reale e la quantificazione dell'incertezza nelle previsioni sullo stato delle colture.

Questo lavoro è stato finanziato dall'USDA NIFA attraverso l'AgAID AI Institute e ha beneficiato di una collaborazione a lungo termine con il laboratorio del dottor Markus Keller della Washington State University.

I risultati rappresentano un passo avanti nell'applicazione dell'intelligenza artificiale all'agricoltura, offrendo strumenti pratici ai coltivatori che devono affrontare condizioni climatiche sempre più variabili e obiettivi di produzione impegnativi.