I ricercatori presentano un modello di IA che prevede la resistenza al freddo della vite tra regioni diverse

I ricercatori hanno proposto un sistema di intelligenza artificiale che mira a prevedere quanto bene le viti riescano a resistere al freddo in diverse aree di coltivazione, un problema che da tempo mette in difficoltà i vigneti al di fuori dei luoghi in cui i modelli di previsione sono stati sviluppati per la prima volta.

Il lavoro è stato pubblicato su arXiv il 31 agosto da William Solow, Paola Pesantez-Cabrera, Markus Keller, Lav Khot, Sandhya Saisubramanian e Alan Fern. Nel paper, il team descrive un metodo per la previsione quotidiana della resistenza al freddo della vite, una misura di quanto le gemme dormienti siano resistenti alle temperature di congelamento, che possono ridurre le rese nella stagione successiva.

Per i viticoltori, la questione è concreta e costosa. Negli inverni rigidi e durante improvvisi cali di temperatura, le gemme dormienti possono subire danni prima dell’inizio della stagione vegetativa. Questo danno può ridurre la produzione di frutti, compromettere il recupero della vite e costringere i produttori a rivedere i piani di potatura, riallevamento o reimpianto. Previsioni quotidiane affidabili della resistenza al freddo possono aiutare i coltivatori a valutare il rischio con maggiore precisione, ma i modelli con le migliori prestazioni hanno in genere fatto affidamento su grandi insiemi di dati locali e si sono trasferiti con difficoltà a nuovi vigneti, regioni o varietà di uva.

Gli autori affermano che questo limite ha rallentato una diffusione più ampia di questi strumenti, soprattutto nei luoghi in cui le serie storiche sulla resistenza al freddo sono scarse. Il paper osserva che i sistemi biofisici, ibridi e di deep learning esistenti possono essere accurati quando vengono addestrati in un’unica località con informazioni locali, ma spesso restano legati a un sito specifico. Questo li rende meno utili per i produttori che hanno bisogno di indicazioni in regioni con meno misurazioni o in vigneti che impiantano cultivar non studiate altrettanto a fondo.

Per affrontare questo problema, i ricercatori hanno costruito quello che definiscono una rappresentazione latente trasferibile. In termini semplici, il sistema cerca di apprendere le differenze regionali che modellano la risposta della vite alle condizioni invernali e poi trasferire tale conoscenza in luoghi che non ha mai visto prima. Il modello lo fa creando embedding appresi, cioè rappresentazioni numeriche compresse delle informazioni relative a una regione e a una cultivar.

Il paper afferma che questi embedding possono essere inferiti in due modi. Uno usa descrizioni testuali della cultivar e della regione di coltivazione. L’altro utilizza un insieme limitato di osservazioni storiche. Questa impostazione consente al modello di operare sia in contesti «zero-shot» sia in contesti «few-shot». In un contesto zero-shot, il sistema cerca di fare previsioni per una nuova regione senza dati di addestramento diretti provenienti da quella regione, facendo invece affidamento su informazioni descrittive. In un contesto few-shot, lavora con una quantità molto ridotta di dati storici locali.

Secondo il paper, i ricercatori hanno testato l’approccio su dataset provenienti da sei regioni del Nord America. Riferiscono che il modello ha superato con costanza i metodi attualmente più avanzati per la previsione della resistenza al freddo della vite e ha migliorato in modo sostanziale il trasferimento verso regioni con dati limitati. L’entry su arXiv non fornisce nell’abstract una ripartizione completa dei risultati dei test, ma gli autori descrivono i vantaggi come più accurati nel complesso e soprattutto utili in contesti poveri di dati.

Questo problema di trasferimento regionale non è affatto marginale per il settore del vino. I vigneti nelle aree consolidate a clima freddo e nelle regioni vitivinicole più recenti devono spesso affrontare lo stesso ostacolo: hanno bisogno di strumenti di valutazione del rischio specifici per il sito, ma non sempre dispongono di anni di dati misurati sulla resistenza delle gemme per costruirli. Un modello che riesca a viaggiare meglio tra le regioni e a funzionare con solo una piccola quantità di informazioni locali potrebbe in futuro rendere più pratica la pianificazione contro il gelo per un numero maggiore di produttori. Potrebbe anche supportare la scelta varietale, la gestione del rischio invernale e altre decisioni di viticoltura di precisione nei luoghi in cui la raccolta dati è ancora limitata.

L’approccio conta anche perché la variabilità climatica sta aumentando la pressione sui responsabili dei vigneti. I danni invernali non dipendono solo dalle temperature minime assolute. Possono essere influenzati anche da come le viti si acclimatano in autunno, da come si deacclimatano durante le fasi di caldo e dalla rapidità con cui cambiano le condizioni. Queste dinamiche possono differire nettamente da una regione all’altra, anche quando viene coltivata la stessa cultivar. Un sistema che apprende sia da testi descrittivi sia da osservazioni sparse è pensato per cogliere parte di questa variabilità locale senza richiedere fin dall’inizio un dataset locale completamente strutturato.

Il paper si concentra sulla vite, ma colloca il lavoro nel più ampio contesto delle piante legnose, per le quali le previsioni di resistenza al freddo sono importanti per evitare i danni da gelo. In vigneto, la posta in gioco è particolarmente evidente perché la perdita di gemme può incidere direttamente sulla vendemmia successiva. Per i produttori, stime anticipate migliori possono orientare decisioni su manodopera, documentazione assicurativa, rinnovo del vigneto e aspettative di raccolto. Per le cantine, rese più stabili possono contare nella pianificazione dell’approvvigionamento di uva e della produzione di lungo periodo.

Lo studio resta a livello di preprint. I lavori pubblicati su arXiv sono disponibili al pubblico prima della revisione paritaria formale, e i risultati vanno letti tenendo conto di questo. Tuttavia, il lavoro indica una direzione chiara per l’IA in agricoltura: modelli che non si limitano a funzionare bene nel luogo in cui sono stati addestrati, ma che possono essere adattati più facilmente tra differenze geografiche e di cultivar.

Gli autori presentano il sistema come un modo per rendere la previsione della resistenza al freddo più utilizzabile al di là di una manciata di località ben studiate. Se questo obiettivo reggerà a ulteriori verifiche e all’uso in campo, i vigneti delle regioni più fredde o meno studiate potrebbero accedere a strumenti di previsione finora concentrati dove esistono già serie storiche di lungo periodo.