Una review rileva che i modelli basati su droni in vigneto perdono efficacia tra le stagioni

Una nuova review pubblicata sulla rivista Computers and Electronics in Agriculture afferma che il telerilevamento con veicoli aerei senza pilota sta avvicinandosi a diventare uno strumento pratico per i vigneti, ma i ricercatori dicono che importanti problemi tecnici e operativi continuano a ostacolarne un uso più ampio in campo.

Lo studio, “From growth monitoring to berry quality prediction: Advances and challenges in UAV remote sensing for precision viticulture”, è stato scritto da Jinyu Yang, Mengyuan Wei e colleghi. Esamina come droni, sensori a bordo e metodi di intelligenza artificiale siano stati utilizzati nei vigneti nell'arco di circa un decennio, e dove il settore sia ancora carente quando i produttori hanno bisogno di decisioni affidabili tra stagioni, siti e varietà di uva.

La review arriva mentre i produttori di vino affrontano una pressione crescente per monitorare i campi più da vicino. Secondo i dati citati nel paper dell'Organizzazione Internazionale della Vigna e del Vino, la superficie vitata mondiale ha raggiunto 7,1 milioni di ettari e la produzione di vino si è attestata a 225,8 milioni di ettolitri nel 2024. La vite è altamente sensibile a clima, disponibilità idrica, parassiti, malattie e pratiche di gestione, il che rende importanti informazioni tempestive sul campo sia per la resa sia per la qualità dell'uva.

Gli autori sostengono che i droni siano diventati interessanti perché colmano un vuoto tra i rilievi in campo e le immagini satellitari. I controlli tradizionali in campo possono essere accurati, ma richiedono molta manodopera e coprono superfici limitate. I sistemi satellitari possono raccogliere dati regionali su larga scala, ma spesso mancano della risoluzione e della flessibilità necessarie per i singoli appezzamenti di vigneto, soprattutto quando i produttori hanno bisogno di immagini in un momento specifico o in condizioni meteorologiche variabili. I droni, volando a bassa quota, possono acquisire dati ad alta risoluzione più rapidamente e da angolazioni che si adattano meglio ai filari e alla struttura della chioma.

La review descrive come i vigneti vengano oggi rilevati con droni dotati di sensori RGB, multispettrali, iperspettrali, a infrarosso termico e LiDAR. Questi sistemi possono produrre immagini ortomosaiche, mappe termiche, indici di vegetazione e nuvole di punti 3D. I ricercatori hanno utilizzato questi risultati per la valutazione dello stato nutritivo, la mappatura di crescita e vigore, il rilevamento di malattie e parassiti, il monitoraggio dello stress idrico, la stima della resa e i tentativi di prevedere la qualità delle bacche prima della vendemmia.

La review segnala la previsione della qualità delle bacche come uno dei settori meno maturi. Gli autori descrivono la qualità delle bacche come un esito ad alta dimensionalità influenzato da fisiologia, biochimica, cultivar, fase di crescita, microclima, suolo e gestione del vigneto. Per questa complessità, i modelli che funzionano bene in un vigneto o in una stagione spesso non reggono se applicati altrove. La review dice che questa scarsa trasferibilità resta uno dei maggiori ostacoli all'uso operativo.

Lo studio indica anche il rilevamento delle malattie e il monitoraggio delle bacche con deep learning come un attuale hotspot della ricerca. I progressi nella potenza di calcolo e nel software open source hanno spinto l'analisi del vigneto lontano dalle semplici regressioni statistiche verso sistemi di machine learning e deep learning in grado di estrarre più caratteristiche da immagini e dati dei sensori. In alcuni casi ciò ha migliorato l'accuratezza predittiva. Ma gli autori dicono che l'accuratezza da sola non basta se i modelli sono difficili da interpretare, costosi da eseguire o troppo fragili per funzionare in condizioni di campo diverse.

Per compilare la review, i ricercatori hanno cercato nel database Web of Science usando termini tra cui UAV, drone, grapevine, vineyard e viticulture. Hanno quindi valutato studi che coprono hardware, preprocessing, segmentazione della chioma, ingegnerizzazione delle caratteristiche e metodi di modellazione. Il paper cita 105 riferimenti e organizza i lavori precedenti in sei principali aree applicative: monitoraggio dello stato nutrizionale, monitoraggio di crescita e vigore, rilevamento di parassiti e malattie, monitoraggio dello stress idrico, previsione della resa e valutazione della qualità delle bacche.

Uno dei risultati centrali è che le condizioni del vigneto creano problemi particolari per l'analisi delle immagini. A differenza di alcune colture a filari con copertura più uniforme, i vigneti includono spesso chiome discontinue, suolo esposto, erbe infestanti tra i filari, terreno irregolare e ombre marcate. Questi fattori possono contaminare i segnali spettrali e termici se il software non riesce a separare in modo affidabile la chioma della vite dallo sfondo. La review dice che questo problema può influenzare quasi ogni fase successiva dell'analisi, dagli indici di vegetazione alle previsioni di machine learning.

Gli autori osservano anche che la gestione del vigneto può destabilizzare i modelli. Pratiche come potatura, diradamento dei germogli, sfogliatura e allevamento della chioma possono cambiare rapidamente la struttura e la riflettanza della vite. Un modello addestrato su immagini di una fase gestionale può perdere accuratezza dopo un intervento diverso, anche nello stesso appezzamento. Questo rende particolarmente importanti una pianificazione ripetibile dei voli e la raccolta dei dati tenendo conto della chioma per il monitoraggio multi-temporale.

Costi e logistica restano un altro ostacolo. Immagini ad alta risoluzione, dati termici e prodotti 3D richiedono notevoli risorse di archiviazione e calcolo. Sensori più avanzati, inclusi quelli iperspettrali e LiDAR, possono migliorare il livello di dettaglio e il tipo di informazione raccolta, ma aumentano anche i costi del sistema e le esigenze di elaborazione. La review dice che ciò può limitarne l'adozione, soprattutto se ci si aspetta che i produttori gestiscano flussi di lavoro complessi o paghino per sistemi che ancora non garantiscono ritorni economici stabili.

Il paper solleva anche dubbi su come vengono valutati gli studi. Secondo gli autori, molti risultati pubblicati si concentrano soprattutto sulle alte prestazioni in un singolo sito, riportando meno informazioni su come un modello si comporta tra anni, regioni o varietà di uva. Questo può creare un quadro eccessivamente ottimistico della prontezza per l'uso commerciale. La review chiede una rendicontazione più trasparente di acquisizione dei dati, pre-elaborazione, gestione della chioma e disegno della validazione, così da poter confrontare i risultati tra studi.

Nel valutare sensori e piattaforme, gli autori dicono che i droni multirotore svolgono un ruolo dominante nella ricerca sul vigneto perché sono flessibili, più facili da operare a bassa quota e adatti a voli ripetuti su appezzamenti specifici. I sensori spettrali restano particolarmente importanti, ma la review suggerisce che il passo successivo non sia semplicemente aggiungere più dati. Piuttosto, il settore potrebbe trarre il massimo beneficio da una migliore integrazione di più tipi di dati raccolti nel tempo, combinando ad esempio informazioni spettrali, termiche e strutturali per migliorare la robustezza.

La review dice anche che l'interpretabilità necessita di maggiore attenzione. I sistemi data-driven possono individuare pattern utili, ma viticoltori e agronomi spesso hanno bisogno di sapere perché un modello è arrivato a un certo risultato prima di modificare i piani di irrigazione, trattamenti fitosanitari o vendemmia. Gli autori indicano i modelli di trasferimento radiativo e i modelli colturali come una via per rendere le previsioni più facili da spiegare, soprattutto se combinati con metodi di machine learning invece di essere considerati approcci concorrenti.

Un altro tema ricorrente nel paper è la standardizzazione. Gli autori dicono che differenze nell'altitudine di volo, nella calibrazione dei sensori, nelle condizioni di luce, nei tempi, nella correzione delle immagini e nella verifica dei modelli possono portare a risultati contrastanti anche quando i ricercatori sembrano studiare lo stesso problema. Sostengono che il settore abbia bisogno di protocolli di acquisizione e valutazione più uniformi se il telerilevamento con droni deve passare dalle parcelle sperimentali alla gestione ordinaria del vigneto.

La review identifica diverse priorità per il lavoro futuro. Tra queste ci sono la fusione di dati multi-temporali e multi-modali, l'apprendimento per trasferimento e l'adattamento di dominio per migliorare la generalizzazione tra siti, l'aumento mirato dei dati o la generazione di campioni sintetici per set di dati piccoli, e lo sviluppo di modelli leggeri abbinati a sensori a costo inferiore. Questi passi, suggeriscono gli autori, potrebbero rendere il monitoraggio del vigneto basato su droni più pratico per un uso su larga scala anziché uno strumento limitato agli esperimenti o alle operazioni specializzate.

Il paper presenta il telerilevamento con droni non come sostituto di tutte le altre forme di monitoraggio, ma come un sistema dal valore crescente quando viene usato per mappare rapidamente e in modo non distruttivo la variabilità all'interno dei vigneti. Il suo messaggio è che la tecnologia è passata dalla raccolta iniziale di immagini a un monitoraggio delle colture più dettagliato, ma parti chiave del flusso di lavoro devono ancora diventare più stabili, meno costose e più facili da trasferire da un contesto viticolo all'altro prima che i produttori possano farvi affidamento per decisioni di routine su irrigazione, controllo delle malattie, tempi di raccolta e gestione della qualità del frutto.