La domanda di biomassa per sostenere le catene di produzione bio-based è destinata ad aumentare nei prossimi anni, provocando una competizione con la produzione alimentare sui terreni agricoli. Per evitare questa competizione, le colture da biomassa possono essere coltivate su terreni marginali. Tuttavia, la resa e la qualità di tali colture in queste aree sono molto variabili, poiché non sono geneticamente migliorate per le caratteristiche legate alla produzione di biomassa. Pertanto, il miglioramento della resa e della qualità della biomassa dei nuovi genotipi attraverso programmi di selezione è fondamentale per la sostenibilità economica della loro coltivazione in terreni marginali. Colture come il miscanto e la canapa, oggetto del progetto europeo GRACE (GRowing Advanced industrial Crops on marginal lands for biorEfineries), rappresentano esempi di colture a basso input capaci di crescere su terreni marginali e di produrre biomassa non alimentare.
Uno degli obiettivi principali di questo progetto è la fenotipizzazione di genotipi di miscanto e canapa coltivati su terreni marginali. Le caratteristiche fenotipiche di queste colture, che includono tratti morfologici, fisiologici e biochimici, sono il risultato di una complessa interazione tra il patrimonio genetico delle piante e i fattori ambientali che ne influenzano lo sviluppo. Lo studio di tali caratteristiche consente di comprendere le risposte adattative delle piante alle condizioni ambientali, permettendo l’identificazione di genotipi che esprimono tratti favorevoli, come una maggiore resa in biomassa, una migliore qualità del prodotto o una maggiore tolleranza a stress abiotici.
In questo contesto, l’utilizzo dei droni ha aperto nuove possibilità nella raccolta dei dati, grazie alla loro capacità di acquisire immagini ad altissima risoluzione. Tuttavia, il vero cambiamento è stato apportato dall’introduzione dell’intelligenza artificiale (AI), che consente di analizzare rapidamente e in modo dettagliato queste immagini, rendendo il processo di fenotipizzazione molto più efficiente. Recenti ricerche hanno dimostrato che, grazie a queste tecnologie, è possibile mappare e studiare i tratti delle colture in modo veloce, accurato e senza interventi invasivi.
Il nostro studio si è concentrato sullo sviluppo di algoritmi di AI per analizzare le immagini multispettrali ottenute dai droni, con l’obiettivo di stimare specifici tratti fenotipici di genotipi di canapa e miscanto. Tra questi tratti, figurano parametri fondamentali come il contenuto di umidità, il livello di clorofilla fogliare e l’indice di superficie fogliare. Gli algoritmi elaborati sono stati applicati alle immagini aeree per monitorare l’evoluzione di tali tratti durante la crescita e la senescenza delle piante. Questo approccio innovativo offre la possibilità di valutare la crescita e la produttività di vari genotipi in terreni marginali, consentendo inoltre la selezione delle varietà più adatte a specifici ambienti.
Uno degli aspetti rilevanti di questa ricerca riguarda la capacità dei modelli di AI di stimare l’umidità della biomassa di miscanto, un fattore importante per ottimizzare la raccolta, il trasporto e lo stoccaggio. Sapere con precisione quando la pianta ha il livello di umidità ideale permette di programmare la raccolta nel momento migliore e di individuare le aree del campo più pronte per la lavorazione.
Lo studio ha inoltre affrontato due importanti sfide tecniche: l’interoperabilità dei sensori multispettrali e la trasferibilità degli algoritmi di AI. L’interoperabilità è fondamentale per ridurre gli errori nelle stime dei tratti colturali, specialmente quando si utilizzano sensori con differenti caratteristiche spettrali. La trasferibilità, invece, è stata analizzata per assicurare che gli algoritmi di AI possano funzionare con precisione in contesti ambientali e stagionali diversi da quelli utilizzati per l’addestramento. I risultati dello studio indicano che, grazie a specifiche procedure di inter-calibrazione, è possibile superare le limitazioni legate all’interoperabilità dei sensori, rendendo gli algoritmi adattabili a sensori diversi. Inoltre, la quantità e la varietà dei dati raccolti e utilizzati per l’addestramento degli algoritmi di AI si sono rivelate fattori determinanti per ottenere una buona trasferibilità in contesti differenti.
Le prospettive future per l’uso di droni e AI nella fenotipizzazione delle colture sono estremamente promettenti. Con il continuo progresso tecnologico e la riduzione dei costi, queste soluzioni potrebbero diventare accessibili su vasta scala, rendendo possibile una fenotipizzazione ad ampio raggio e con maggiore efficienza.
di Giorgio Impollonia, Michele Croci e Stefano Amaducci, Dipartimento di Scienze delle produzioni vegetali sostenibili, Università Cattolica del Sacro Cuore, Piacenza