Lo studio rileva che i modelli di terroir digitale falliscono nei test spaziali indipendenti

Uno studio pubblicato martedì su Discover Applied Sciences ha rilevato che gli strumenti di machine learning utilizzati a supporto delle indicazioni geografiche, comprese le aree vitivinicole e altri prodotti alimentari e delle bevande legati all’origine, spesso ottengono buoni risultati nei test interni ma si indeboliscono quando vengono verificati con dati spaziali indipendenti.

Il paper esamina quello che gli autori definiscono “terroir digitale”, uno strato digitale pensato per collegare le qualità dichiarate di un prodotto a condizioni ambientali misurabili come suolo, clima, biodiversità, gestione del territorio e pratiche locali. I ricercatori sostengono che la credibilità delle indicazioni geografiche dipenda sempre più da sistemi in grado di verificare tali affermazioni con prove controllabili.

Lo studio è stato guidato da ricercatori affiliati a istituzioni brasiliane, tra cui la Federal University of Sergipe, la State University of Feira de Santana e la Federal Rural University of Pernambuco. Ha esaminato la letteratura scientifica pubblicata tra il 2010 e il 2025 sugli approcci di machine learning legati alle indicazioni geografiche e alla verifica dei servizi ecosistemici.

Utilizzando le linee guida di revisione PRISMA-ScR, il team ha iniziato con 272 record e li ha vagliati con un sistema automatizzato a punteggio ponderato che, secondo il paper, ha raggiunto un’accuratezza tematica del 94,2%. Quel processo ha prodotto un corpus tematico finale di 148 studi per analisi descrittive, multivariate, di rete e meta-analitiche. Di questi, 25 hanno soddisfatto la soglia completa di qualità metodologica per una revisione qualitativa più approfondita, sulla base di un punteggio MMAT adattato di almeno 20 e di una misura di coerenza tra valutatori, o ICC, pari a 0,87.

I ricercatori hanno riscontrato un chiaro divario tra l’elevata accuratezza riportata nella validazione interna e risultati più deboli nei controlli esterni più rigorosi. Tra gli studi esaminati, i classificatori hanno spesso registrato un’accuratezza in validazione interna compresa tra l’80% e il 100%. Ma i modelli privi di validazione spazialmente indipendente hanno mostrato un calo medio dell’11,8% nei test di robustezza esterna, rispetto a una diminuzione del 5,6% per i modelli validati spazialmente. Il paper riporta una dimensione dell’effetto pari a d = 0,95.

Gli autori hanno inoltre rilevato una forte frammentazione metodologica nel settore. Hanno indicato una modularità di Q = 0,62 e un’eterogeneità di I² = 58%, valori che secondo loro segnalano metodi incoerenti che possono limitare la comparabilità e l’uso regolatorio. La conformità ai principi FAIR sui dati, che puntano a rendere i dati reperibili, accessibili, interoperabili e riutilizzabili, ha registrato una media di 34,2 su 100.

Secondo il paper, queste debolezze creano quelle che descrive come asimmetrie di verifica che potrebbero limitare l’uso di questi sistemi da parte dei regolatori o dei revisori terzi. Gli autori affermano che i modelli di machine learning per il terroir digitale dovrebbero passare da sistemi di classificazione statici a modelli adattivi, validati spazialmente e spiegabili.

Propongono parametri di integrità per i lavori futuri, tra cui una degradazione esterna non superiore all’8%, strumenti di intelligenza artificiale spiegabile in grado di identificare i marcatori territoriali alla base delle decisioni del modello e una conformità FAIR di almeno 60 su 100.

I risultati potrebbero essere rilevanti per i produttori di bevande che fanno affidamento sulle indicazioni geografiche, in particolare le regioni vinicole ma anche altre categorie basate sull’origine, perché strumenti più solidi di audit digitale potrebbero aiutare a sostenere le rivendicazioni su sostenibilità e terroir con prove tracciabili. Ciò potrebbe ridurre il rischio che il marketing ambientale legato ai nomi dei luoghi superi ciò che può effettivamente essere verificato.

L’articolo è stato pubblicato in open access il 23 giugno. Gli autori hanno dichiarato di non aver ricevuto finanziamenti esterni e hanno affermato di non avere interessi concorrenti né conflitti di interesse.