Difendere le colture da organismi patogeni e insetti, così come fornire acqua e nutrimento alle piante, è una sfida sempre più complessa per gli agricoltori. Il quadro è reso ancora più difficile dai cambiamenti climatici, dall'arrivo di organismi 'alieni' e da un quadro regolatorio sempre più stringente. In soccorso dell'agricoltore arrivano nuovi strumenti, come i Dss (Decision support system). Sistemi in grado di supportare l'operatore nella definizione delle migliori strategie di difesa o di nutrizione delle colture.
E' un settore, quello dei Dss, in grande fermento. Secondo AgFunder il 'Farm management software, Sensing&Iot', il comparto cioè che comprende le aziende che sviluppano soluzioni per l'acquisizione e l'analisi di dati, ha visto investimenti per 945 milioni di dollari nel 2018.
Le potenzialità sono enormi e crescono le startup e le aziende che si lanciano nel settore con soluzioni che, tuttavia, non sono sempre affidabili. Per fare il punto della situazione abbiamo chiesto il parere di Vittorio Rossi, professore dell'Università Cattolica, presidente del Grimpp (Gruppo ricerca italiano modelli protezione piante) e fondatore di Horta, lo spin-off universitario che oggi conta il portafoglio Dss più ampio e affidabile sul mercato.
Professore, da che cosa è costituito un Dss?
"Un Dss ha cinque componenti fondamenti. Primo, un sistema di acquisizione dei dati relativi all'ambiente colturale, da fonti multiple, che fluiscono in modo asincrono al Dss. Secondo, una struttura di database interdipendenti che raccolgono, organizzano ed eseguono un controllo di qualità di questi dati. Terzo, algoritmi sofisticati di analisi (per esempio, modelli matematici) che permettano il passaggio dal dato grezzo al dato elaborato. Quarto, procedure automatiche di interpretazione esperta che permettano il passaggio dal dato elaborato al consiglio agronomico. Quinto, un'interfaccia grafica che consenta all'utente di accedere e interagire con il Dss. I sistemi che mancano di uno qualsiasi dei componenti descritti non possono essere definiti Dss".
Ci può fare l'esempio di sistemi non-Dss?
"Numerosi strumenti vengono oggi proposti come Dss, pur non rispondendo ai requisiti propri dei Dss. È il caso delle stazioni agrometeo, anche corredate di modelli matematici. Oppure delle piattaforme informatiche che integrano dati da più fonti (stazioni meteo, sensori wireless, satelliti, database tematici, dati catastali, ecc.) e magari usano i dati per calcolare indici (per esempio, indici vegetazionali tipo Ndvi) e li mostrano all'utente in varia forma, spesso su mappe; si tratta di Gis (Geographic information system) e non di Dss. Non voglio dire che questi strumenti non siano utili alla gestione aziendale, bensì che semplicemente non dovrebbero essere proposti come Dss, per non generare confusione ed errate aspettative".
Dove vengono reperiti i dati che il Dss elabora?
"I dati possono provenire da più fonti. Un Dss moderno deve essere in grado si acquisire dati dalle classiche stazioni agrometeo, da sensori wireless disposti in campo, da sistemi di acquisizione delle immagini da postazioni fisse o mobili, sia di proximal (per esempio, su trattori) che remote (per esempio, su droni, velivoli o satelliti) sensing, da strumenti Ict (per esempio, smartphone) per il monitoraggio delle avversità".
Il professor Vittorio Rossi
Come viene sviluppato il modello alla base dell'interpretazione dei dati?
"La domanda, in effetti, raggruppa due aspetti chiave: il modello matematico che elabora i dati di input per fornire un output (per esempio, il modello che sulla base dei dati meteo calcola un rischio d'infezione da parte di un patogeno) e il sistema che interpreta l'output per fornire un consiglio agronomico (il sistema che definisce se il rischio d'infezione calcolato dal modello richiede un allarme oppure no nelle specifiche condizioni). Come detto, i sistemi che non forniscono la parte d'interpretazione esperta non possono essere definiti dei Dss".
Partiamo dai modelli matematici, come operano?
"Per lo sviluppo dei modelli matematici esistono due approcci: quello empirico e quello meccanicistico.
I modelli empirici (o modelli di dati) sono costrutti numerici che rappresentano matematicamente un insieme di dati osservati; per esempio, i dati meteo concomitanti alla comparsa di una malattia. I modelli meccanicistici (o modelli di processo) sono sistemi di algoritmi che mettono in relazione le variabili ambientali con i processi biologici che portano alla comparsa della malattia. I modelli empirici, a differenza di quelli di processo, non sono in grado di analizzare situazioni in cui si verificano combinazioni di dati diverse da quelle dell'insieme iniziale (usato per sviluppare il modello). È questo il motivo per cui i modelli empirici non sono in grado di fornire output attendibili al di fuori degli areali in cui sono stati sviluppati o in condizioni di cambiamento climatico".
Qual è invece la funzione del 'sistema esperto' di interpretazione?
"Il modello matematico è una delle componenti di un Dss. L'altra componente molto importante, che si integra e rende utile il modello, è il sistema esperto che interpreta l'output del modello stesso per fornire un consiglio agronomico. Si tratta di un insieme di algoritmi che valutano, in modo automatico, l'output dei modelli alla luce delle conoscenze dell'esperto e ne riproducono il ragionamento".
Quali sono le finalità del Dss?
"Fornire supporti alle decisioni per la gestione della coltura, dalla semina alla raccolta. Il Dss, normalmente, non fornisce soluzioni, ma informazioni; non sostituisce l'imprenditore agricolo nel prendere decisioni, ma gli fornisce informazioni aggiuntive su cui basare le scelte agronomiche".
Quanto sono affidabili i Dss?
"L'affidabilità dipende principalmente da tre elementi. Innanzitutto, la qualità dei dati di input.
Per esempio, se i dati meteorologici sono misurati da una stazione non sottoposta a regolare manutenzione, con sensori non periodicamente tarati, allora il Dss non potrà fornire informazioni corrette. In secondo luogo, la qualità dei modelli matematici che elaborano i dati di input. Questo è certamente elemento chiave ed elemento distintivo dei vari Dss: i Dss basati su modelli empirici devono essere utilizzati con molta cautela perché spesso non forniscono informazioni attendibili in condizioni diverse da quelle in cui sono stati sviluppati; i Dss che utilizzano modelli di processo sono, al contrario, molto affidabili e robusti. Purtroppo, la maggior parte dei Dss si basano su modelli empirici, reperiti dalla letteratura e quindi implementati nel software senza le necessarie validazioni sui territori in cui i Dss vengono proposti. Infine, la qualità delle regole d'interpretazione degli output dei modelli, che devono essere sviluppate sulla base delle conoscenze esperte e adatte alle varie situazioni colturali".
Quali sono i vantaggi che l'utilizzo di un Dss può portare?
"I vantaggi sono molteplici e toccano i vari ambiti della sostenibilità: economica, ambientale e sociale. Dal punto di vista economico: riduzione dei costi di produzione, aumento delle rese e del valore dei prodotti. Per quanto riguarda l'ambiente: riduzione degli input, riduzione dell'impronta carbonica e di altri indicatori ambientali. In merito agli aspetti sociali: incremento della salubrità dei prodotti agricoli, della professionalità e dell'imprenditorialità degli operatori, come pure della loro gratificazione. Per alcuni Dss questi vantaggi sono stati quantificati con approcci scientifici, e i risultati sono reperibili in letteratura e nei media".
I vantaggi superano sempre i costi del servizio?
"Se così non fosse i Dss non avrebbero il successo che stanno riscontrando. Attenzione però, i vantaggi devono essere valutati nel medio periodo e non può mai essere perso di vista l'obiettivo di raccogliere un prodotto sano e di qualità, in ogni annata".
Ci può fare un esempio?
"Nel 2013, il Dss vite.net consigliava, a inizio stagione, un numero d'interventi per il controllo della peronospora della vite superiore rispetto a quelli del classico calendario. Questa intensificazione ha permesso di controllare molto efficacemente la malattia (a differenza degli interventi a calendario) consentendo comunque un risparmio del 30% degli interventi antiperonosporici impiegati nell'arco dell'intera stagione".
Quali sono le competenze che l'agricoltore deve avere per utilizzare un Dss?
"Mi permetto di capovolgere la domanda: quali requisiti deve avere un Dss per essere utile a utenti (agricoltori, tecnici, consulenti, ecc.) con competenze diverse? La risposta è: flessibilità. Vi sono Dss capaci di fornire informazioni a diversi livelli di dettaglio, livelli disegnati sulle esigenze degli utenti. Da un output molto semplice (per esempio, un allarme sul telefonino sulla necessità di un intervento irriguo) a uno intermedio (la dinamica dell'evapotraspirato e della disponibilità idrica nel suolo), a uno più complesso (lo stato del sistema suolo-pianta-atmosfera che genera la necessità di fornire acqua irrigua)".
L'esperienza dell'agricoltore resta una risorsa utile o passa in secondo piano?
"Il Dss fornisce supporti decisionali. La decisione è nelle mani dell'agricoltore che valorizza le informazioni ricevute dal Dss sulla base della sua sensibilità ed esperienza. L'agricoltore resta il protagonista delle scelte. Anzi, l'agricoltore diventa ancor più protagonista delle scelte, perché ha nelle sue mani tutto ciò che serve per decidere in piena autonomia".
L'utilizzo di Dss da parte di una azienda agricola può facilitare lo sbocco sul mercato dei prodotti nei confronti della Gdo o dell'industria di trasformazione?
"Già oggi, e sempre più frequentemente, l'agroindustria e la Gdo promuovono l'uso dei Dss da parte dei loro fornitori quali strumenti per produrre di più, con maggiore qualità e salubrità, con percorsi sostenibili e tracciabili. Barilla e Horta, spin off di Università Cattolica, sono stati antesignani di questo approccio organizzando una filiera di grano di alta qualità sostenibile tramite l'uso del Dss granoduro.net".
La Politica agricola comune e le regioni supportano l'utilizzo di questi strumenti?
"In parte, con iniziative di singole regioni nell'ambito dei Piani di sviluppo rurale e di Catalogo verde. Altre regioni utilizzano Dss per la redazione dei Bollettini di produzione integrata. In qualche regione, infine, i Dss non sono visti con favore, essendo considerati 'alternative' al sistema consolidato della Produzione integrata, basata su Disciplinari e Bollettini. A mio avviso, invece, i due strumenti, Bollettini e Dss, si integrano perfettamente".
In quale modo?
"Il primo, fornisce un servizio su scala territoriale, principalmente basato sui dati forniti da una rete agrometeo che alimenta modelli matematici e da attività di monitoraggio in specifici siti; il secondo, scende a livello delle singole realtà aziendali e tiene conto anche delle loro peculiarità. Questa integrazione è ottimale laddove Bollettini e Dss condividono gli stessi approcci e modelli matematici. I due sistemi potrebbero anche condividere gli stessi dati (agrometeo, di monitoraggio, ecc.), potenziandosi a vicenda".
E' un settore, quello dei Dss, in grande fermento. Secondo AgFunder il 'Farm management software, Sensing&Iot', il comparto cioè che comprende le aziende che sviluppano soluzioni per l'acquisizione e l'analisi di dati, ha visto investimenti per 945 milioni di dollari nel 2018.
Le potenzialità sono enormi e crescono le startup e le aziende che si lanciano nel settore con soluzioni che, tuttavia, non sono sempre affidabili. Per fare il punto della situazione abbiamo chiesto il parere di Vittorio Rossi, professore dell'Università Cattolica, presidente del Grimpp (Gruppo ricerca italiano modelli protezione piante) e fondatore di Horta, lo spin-off universitario che oggi conta il portafoglio Dss più ampio e affidabile sul mercato.
Professore, da che cosa è costituito un Dss?
"Un Dss ha cinque componenti fondamenti. Primo, un sistema di acquisizione dei dati relativi all'ambiente colturale, da fonti multiple, che fluiscono in modo asincrono al Dss. Secondo, una struttura di database interdipendenti che raccolgono, organizzano ed eseguono un controllo di qualità di questi dati. Terzo, algoritmi sofisticati di analisi (per esempio, modelli matematici) che permettano il passaggio dal dato grezzo al dato elaborato. Quarto, procedure automatiche di interpretazione esperta che permettano il passaggio dal dato elaborato al consiglio agronomico. Quinto, un'interfaccia grafica che consenta all'utente di accedere e interagire con il Dss. I sistemi che mancano di uno qualsiasi dei componenti descritti non possono essere definiti Dss".
Ci può fare l'esempio di sistemi non-Dss?
"Numerosi strumenti vengono oggi proposti come Dss, pur non rispondendo ai requisiti propri dei Dss. È il caso delle stazioni agrometeo, anche corredate di modelli matematici. Oppure delle piattaforme informatiche che integrano dati da più fonti (stazioni meteo, sensori wireless, satelliti, database tematici, dati catastali, ecc.) e magari usano i dati per calcolare indici (per esempio, indici vegetazionali tipo Ndvi) e li mostrano all'utente in varia forma, spesso su mappe; si tratta di Gis (Geographic information system) e non di Dss. Non voglio dire che questi strumenti non siano utili alla gestione aziendale, bensì che semplicemente non dovrebbero essere proposti come Dss, per non generare confusione ed errate aspettative".
Dove vengono reperiti i dati che il Dss elabora?
"I dati possono provenire da più fonti. Un Dss moderno deve essere in grado si acquisire dati dalle classiche stazioni agrometeo, da sensori wireless disposti in campo, da sistemi di acquisizione delle immagini da postazioni fisse o mobili, sia di proximal (per esempio, su trattori) che remote (per esempio, su droni, velivoli o satelliti) sensing, da strumenti Ict (per esempio, smartphone) per il monitoraggio delle avversità".
Il professor Vittorio Rossi
Come viene sviluppato il modello alla base dell'interpretazione dei dati?
"La domanda, in effetti, raggruppa due aspetti chiave: il modello matematico che elabora i dati di input per fornire un output (per esempio, il modello che sulla base dei dati meteo calcola un rischio d'infezione da parte di un patogeno) e il sistema che interpreta l'output per fornire un consiglio agronomico (il sistema che definisce se il rischio d'infezione calcolato dal modello richiede un allarme oppure no nelle specifiche condizioni). Come detto, i sistemi che non forniscono la parte d'interpretazione esperta non possono essere definiti dei Dss".
Partiamo dai modelli matematici, come operano?
"Per lo sviluppo dei modelli matematici esistono due approcci: quello empirico e quello meccanicistico.
I modelli empirici (o modelli di dati) sono costrutti numerici che rappresentano matematicamente un insieme di dati osservati; per esempio, i dati meteo concomitanti alla comparsa di una malattia. I modelli meccanicistici (o modelli di processo) sono sistemi di algoritmi che mettono in relazione le variabili ambientali con i processi biologici che portano alla comparsa della malattia. I modelli empirici, a differenza di quelli di processo, non sono in grado di analizzare situazioni in cui si verificano combinazioni di dati diverse da quelle dell'insieme iniziale (usato per sviluppare il modello). È questo il motivo per cui i modelli empirici non sono in grado di fornire output attendibili al di fuori degli areali in cui sono stati sviluppati o in condizioni di cambiamento climatico".
Qual è invece la funzione del 'sistema esperto' di interpretazione?
"Il modello matematico è una delle componenti di un Dss. L'altra componente molto importante, che si integra e rende utile il modello, è il sistema esperto che interpreta l'output del modello stesso per fornire un consiglio agronomico. Si tratta di un insieme di algoritmi che valutano, in modo automatico, l'output dei modelli alla luce delle conoscenze dell'esperto e ne riproducono il ragionamento".
Quali sono le finalità del Dss?
"Fornire supporti alle decisioni per la gestione della coltura, dalla semina alla raccolta. Il Dss, normalmente, non fornisce soluzioni, ma informazioni; non sostituisce l'imprenditore agricolo nel prendere decisioni, ma gli fornisce informazioni aggiuntive su cui basare le scelte agronomiche".
Quanto sono affidabili i Dss?
"L'affidabilità dipende principalmente da tre elementi. Innanzitutto, la qualità dei dati di input.
Per esempio, se i dati meteorologici sono misurati da una stazione non sottoposta a regolare manutenzione, con sensori non periodicamente tarati, allora il Dss non potrà fornire informazioni corrette. In secondo luogo, la qualità dei modelli matematici che elaborano i dati di input. Questo è certamente elemento chiave ed elemento distintivo dei vari Dss: i Dss basati su modelli empirici devono essere utilizzati con molta cautela perché spesso non forniscono informazioni attendibili in condizioni diverse da quelle in cui sono stati sviluppati; i Dss che utilizzano modelli di processo sono, al contrario, molto affidabili e robusti. Purtroppo, la maggior parte dei Dss si basano su modelli empirici, reperiti dalla letteratura e quindi implementati nel software senza le necessarie validazioni sui territori in cui i Dss vengono proposti. Infine, la qualità delle regole d'interpretazione degli output dei modelli, che devono essere sviluppate sulla base delle conoscenze esperte e adatte alle varie situazioni colturali".
Quali sono i vantaggi che l'utilizzo di un Dss può portare?
"I vantaggi sono molteplici e toccano i vari ambiti della sostenibilità: economica, ambientale e sociale. Dal punto di vista economico: riduzione dei costi di produzione, aumento delle rese e del valore dei prodotti. Per quanto riguarda l'ambiente: riduzione degli input, riduzione dell'impronta carbonica e di altri indicatori ambientali. In merito agli aspetti sociali: incremento della salubrità dei prodotti agricoli, della professionalità e dell'imprenditorialità degli operatori, come pure della loro gratificazione. Per alcuni Dss questi vantaggi sono stati quantificati con approcci scientifici, e i risultati sono reperibili in letteratura e nei media".
I vantaggi superano sempre i costi del servizio?
"Se così non fosse i Dss non avrebbero il successo che stanno riscontrando. Attenzione però, i vantaggi devono essere valutati nel medio periodo e non può mai essere perso di vista l'obiettivo di raccogliere un prodotto sano e di qualità, in ogni annata".
Ci può fare un esempio?
"Nel 2013, il Dss vite.net consigliava, a inizio stagione, un numero d'interventi per il controllo della peronospora della vite superiore rispetto a quelli del classico calendario. Questa intensificazione ha permesso di controllare molto efficacemente la malattia (a differenza degli interventi a calendario) consentendo comunque un risparmio del 30% degli interventi antiperonosporici impiegati nell'arco dell'intera stagione".
Quali sono le competenze che l'agricoltore deve avere per utilizzare un Dss?
"Mi permetto di capovolgere la domanda: quali requisiti deve avere un Dss per essere utile a utenti (agricoltori, tecnici, consulenti, ecc.) con competenze diverse? La risposta è: flessibilità. Vi sono Dss capaci di fornire informazioni a diversi livelli di dettaglio, livelli disegnati sulle esigenze degli utenti. Da un output molto semplice (per esempio, un allarme sul telefonino sulla necessità di un intervento irriguo) a uno intermedio (la dinamica dell'evapotraspirato e della disponibilità idrica nel suolo), a uno più complesso (lo stato del sistema suolo-pianta-atmosfera che genera la necessità di fornire acqua irrigua)".
L'esperienza dell'agricoltore resta una risorsa utile o passa in secondo piano?
"Il Dss fornisce supporti decisionali. La decisione è nelle mani dell'agricoltore che valorizza le informazioni ricevute dal Dss sulla base della sua sensibilità ed esperienza. L'agricoltore resta il protagonista delle scelte. Anzi, l'agricoltore diventa ancor più protagonista delle scelte, perché ha nelle sue mani tutto ciò che serve per decidere in piena autonomia".
L'utilizzo di Dss da parte di una azienda agricola può facilitare lo sbocco sul mercato dei prodotti nei confronti della Gdo o dell'industria di trasformazione?
"Già oggi, e sempre più frequentemente, l'agroindustria e la Gdo promuovono l'uso dei Dss da parte dei loro fornitori quali strumenti per produrre di più, con maggiore qualità e salubrità, con percorsi sostenibili e tracciabili. Barilla e Horta, spin off di Università Cattolica, sono stati antesignani di questo approccio organizzando una filiera di grano di alta qualità sostenibile tramite l'uso del Dss granoduro.net".
La Politica agricola comune e le regioni supportano l'utilizzo di questi strumenti?
"In parte, con iniziative di singole regioni nell'ambito dei Piani di sviluppo rurale e di Catalogo verde. Altre regioni utilizzano Dss per la redazione dei Bollettini di produzione integrata. In qualche regione, infine, i Dss non sono visti con favore, essendo considerati 'alternative' al sistema consolidato della Produzione integrata, basata su Disciplinari e Bollettini. A mio avviso, invece, i due strumenti, Bollettini e Dss, si integrano perfettamente".
In quale modo?
"Il primo, fornisce un servizio su scala territoriale, principalmente basato sui dati forniti da una rete agrometeo che alimenta modelli matematici e da attività di monitoraggio in specifici siti; il secondo, scende a livello delle singole realtà aziendali e tiene conto anche delle loro peculiarità. Questa integrazione è ottimale laddove Bollettini e Dss condividono gli stessi approcci e modelli matematici. I due sistemi potrebbero anche condividere gli stessi dati (agrometeo, di monitoraggio, ecc.), potenziandosi a vicenda".
