Il machine learning ricostruisce i dati mancanti dei sensori in vigna

Un nuovo studio pubblicato sul server di preprint Preprints.org descrive un sistema di machine learning progettato per colmare le lacune nei dati dei sensori in vigneto, un problema che può indebolire l’affidabilità degli strumenti di viticoltura di precisione utilizzati per monitorare le condizioni del microclima.

La ricerca si concentra sulle rilevazioni di temperatura e umidità relativa raccolte da reti di sensori nei vigneti, dove i valori mancanti possono comparire a causa di guasti alle apparecchiature, problemi di comunicazione o condizioni operative difficili sul campo. Queste lacune possono rendere più complesso per produttori e ricercatori monitorare i modelli meteorologici all’interno del vigneto e prendere decisioni su irrigazione, rischio di malattie e gestione della chioma.

Per affrontare questo problema, gli autori hanno sviluppato un graph autoencoder spazio-temporale, un tipo di modello di intelligenza artificiale che utilizza sia la disposizione fisica dei sensori sia il modo in cui le condizioni cambiano nel tempo. In termini pratici, il sistema è progettato per inferire le misurazioni mancanti apprendendo le relazioni tra sensori vicini e usando dati passati e attuali per ricostruire sequenze incomplete.

Lo studio afferma che il modello è stato testato su dati microclimatici di vigneto ed è stato in grado di ricostruire le serie mancanti di temperatura e umidità con maggiore coerenza rispetto a metodi di ricostruzione più semplici. Un aspetto importante, perché i sistemi di monitoraggio in vigneto dipendono spesso da flussi continui di dati e anche brevi interruzioni possono ridurre la fiducia negli allarmi o nelle previsioni legate a gelate, stress termico o pressione fungina.

La viticoltura di precisione si è ampliata negli ultimi anni, man mano che i produttori hanno adottato più sensori, reti wireless e strumenti analitici per gestire i singoli appezzamenti su scala più fine. Ma questi sistemi sono utili solo quanto lo sono i dati che raccolgono. Quando le rilevazioni mancano, gli analisti possono dover scartare i record o affidarsi a stime approssimative. Il nuovo approccio punta a ridurre questa perdita producendo dataset più completi per gli usi successivi.

Gli autori presentano il lavoro come parte di uno sforzo più ampio per rendere i sistemi di sensoristica agricola più robusti nelle condizioni reali. Gli ambienti viticoli sono particolarmente impegnativi perché i sensori possono essere distribuiti su terreni irregolari, esposti alle intemperie e soggetti a ritardi nella manutenzione durante la stagione vegetativa. Un modello di ricostruzione capace di recuperare i valori mancanti potrebbe aiutare a preservare la continuità dei programmi di monitoraggio a lungo termine.

Il paper è stato pubblicato come preprint, il che significa che non ha ancora completato il peer review. Anche così, si aggiunge a un corpus crescente di ricerche che applicano reti neurali basate su grafi ai dati ambientali e agricoli, dove le relazioni spaziali tra i punti di misurazione sono spesso importanti quanto le rilevazioni stesse.

Per produttori vinicoli e responsabili dei vigneti, l’utilità pratica è immediata: dati più puliti possono sostenere decisioni migliori. Se un sistema di monitoraggio riesce a stimare in modo affidabile cosa sia accaduto durante una lacuna nella copertura dei sensori, i produttori possono avere un quadro più chiaro delle condizioni microclimatiche in tutto il vigneto nei momenti critici della stagione.