Se la vita degli agricoltori non è ancora stata toccata dall'avvento dell'intelligenza artificiale (se non nella sfera privata), il mondo della ricerca sta invece sfruttando a piene mani il potenziale che i modelli di intelligenza artificiale possono offrire. Nelle università, come nelle aziende, si stanno sperimentando nuovi prodotti e modalità di lavoro attingendo alle varie tecnologie che ricadono sotto la definizione di intelligenza artificiale.
Per capire come l'intelligenza artificiale può dare una mano, abbiamo incontrato Luca Coviello di Enogis, società che sviluppa software per il vigneto, che ha recentemente concluso il suo dottorato di ricerca presso l'Università degli Studi di Trento.
La tesi di dottorato di Coviello ha avuto come obiettivo proprio quello di integrare tecniche di intelligenza artificiale nei Sistemi di Supporto alle Decisioni (Dss) sviluppati per il settore vitivinicolo. Un lavoro che ha portato alla creazione di modelli predittivi, come quello per la fenologia della vite, basato su una rete neurale allenata con oltre 40mila osservazioni fenologiche raccolte nel tempo da agricoltori e tecnici.
"Si tratta di un modello empirico sostenuto dall'intelligenza artificiale, capace di prevedere lo stadio fenologico della vite con circa due settimane di anticipo", ci spiega Luca Coviello. L'algoritmo utilizza come input dati meteorologici, informazioni morfologiche del terreno, varietà coltivata e modelli climatici previsionali, restituendo una previsione in termini di scala BBCH. "Il sistema si aggiorna ogni anno e può tenere conto anche dei cambiamenti climatici, adattando le previsioni ai nuovi pattern meteorologici registrati sul territorio".
Questi modelli alimentano la piattaforma Enogis, una soluzione adottata da numerose cantine e cooperative per la gestione digitale del vigneto. La previsione fenologica, ad esempio, viene visualizzata direttamente in mappa tramite WebGIS, consentendo ai tecnici di pianificare meglio gli interventi e monitorare l'andamento del ciclo colturale su diverse varietà e aree geografiche.
L'intelligenza artificiale "legge" il vigneto dalle immagini
L'uso dell'intelligenza artificiale in viticoltura non si ferma alla modellistica. Tra i progetti sperimentali portati avanti da Coviello c'è anche quello per il riconoscimento automatico dello stadio fenologico tramite immagini. In pratica, una rete neurale è in grado di identificare la fenologia della vite a partire da una semplice fotografia scattata dal cellulare o da una telecamera installata in campo.
"Non è sempre facile, nemmeno per un agricoltore esperto, riconoscere con esattezza lo stadio fenologico, soprattutto in presenza di differenti varietà", sottolinea Coviello. "L'algoritmo può servire come strumento di supporto per aumentare la precisione del monitoraggio e alleggerire il carico di lavoro dei tecnici. Inoltre, consente di raccogliere dati in modo più capillare e strutturato, utili poi anche per l'allenamento dei modelli predittivi".
Dalle foto scattate in campo l'intelligenza artificiale è in grado di identificare il corretto stadio fenologico BBCH
(Fonte foto: Luca Coviello di Enogis)
In alcune prove sperimentali le immagini sono state raccolte in modo continuo da telecamere fisse installate nei vigneti, con l'obiettivo di tracciare in tempo reale l'evoluzione della fenologia durante la stagione e dare agli agricoltori dati aggiornati anche riguardanti parcelle distanti.
Quando l'intelligenza artificiale è chiamata ad interpretare i dati
Già oggi gli agricoltori hanno accesso alle mappe di vigore dei propri campi, realizzate grazie alle immagini multispettrali provenienti dai satelliti. Interpretarle e utilizzarle per prendere decisioni concrete in campo non è però affatto semplice.
Luca Coviello ha lavorato, insieme all'Università Politecnica delle Marche e ad Apra, a un sistema per rendere queste informazioni di più facile interpretazione. Un sistema capace di analizzare le serie temporali dell'indice NDRE, Normalized Difference Red Edge, un indicatore dello stato vegetativo delle colture applicato in particolare al grano duro.
"Il singolo valore di NDRE non basta a raccontare lo stato di salute di una coltura. Quello che abbiamo fatto è stato costruire una pipeline in grado di analizzare l'intera traiettoria stagionale dell'indice, confrontando i diversi pixel dell'immagine nel tempo". Utilizzando algoritmi di clustering non supervisionato, come la functional PCA, è stato possibile identificare porzioni omogenee di campo con vigorìa diversa, suggerendo ad esempio strategie di gestione agronomica adatte, come una concimazione a rateo variabile.
L'approccio consente di trasformare una mole di dati grezzi e spesso poco leggibili in una mappa sintetica e facilmente interpretabile, utile per supportare decisioni agronomiche puntuali.
L'intelligenza artificiale è in grado di descrivere l'evoluzione di un campo di grano e di suggerire aree in cui è necessario l'intervento dell'agricoltore
(Fonte foto: Luca Coviello di Enogis)
Un alleato potente (ma da usare con consapevolezza)
L'intelligenza artificiale si sta trasformando sempre più in uno strumento concreto al servizio dell'agricoltura di precisione. "Grazie a questi strumenti possiamo costruire modelli più raffinati, adattati alle specificità del territorio, oppure affiancare e rafforzare quelli numerici già esistenti", afferma Coviello. È il caso, ad esempio, dei Dss per la difesa, che combinano modelli meccanicistici, sviluppati in maniera tradizionale, con input dinamici, provenienti dai modelli di intelligenza artificiale, e permettono di avere dati più attendibili e raffinati dal punto di vista spaziale.
In questo processo non mancano però alcune sfide. La prima è di carattere sociale: la fiducia dell'agricoltore verso l'intelligenza artificiale non è scontata, anzi. "Il tema della responsabilità è ancora aperto", ammette Coviello. "Molti agricoltori non si fidano delle informazioni che i software forniscono e poi c'è sempre il tema della gestione degli errori". Se un Dss sbaglia e provoca un danno, di chi è la colpa? Serve un patto di fiducia, magari affiancato da strumenti assicurativi o incentivi pubblici per promuovere l'adozione consapevole di queste tecnologie.
L'altro ostacolo è la mancanza di dati, o meglio, di dati interoperabili e strutturati. "L'agricoltura sconta un ritardo nella digitalizzazione. I dati esistono, ma sono spesso analogici, oppure frammentati, conservati in silos che non dialogano tra loro", conclude Luca Coviello. Superare questa frammentazione è fondamentale per sbloccare il vero potenziale dell'intelligenza artificiale in agricoltura: trasformare il dato in valore e la tecnologia in uno strumento realmente utile per chi lavora la terra.
Di intelligenza artificiale abbiamo parlato anche in una puntata del nostro podcast "Terra di Denari", che è possibile ascoltare qui di seguito.
Intelligenza a tutto campo
