L’agricoltura di precisione può essere più semplice di quanto non si creda. Un modello di intelligenza artificiale sviluppato dal CREA trasforma le immagini scattate da drone in mappe del vigore vegetativo, aprendo la strada a un monitoraggio delle coltivazioni, economico e accessibile anche alle piccole aziende.
Un campo visto dall’alto racconta più di quanto sembri. Le piante in difficoltà, per sete, carenze nutritive o malattie, cambiano colore prima che l’occhio umano se ne accorga. Per “leggere” questo segnale, gli agronomi usano da anni l’Indice di Vegetazione a Differenza Normalizzata (NDVI), un valore che misura il vigore delle piante confrontando la luce visibile con quella infrarossa riflessa dalle foglie. Il problema è il costo: calcolarlo richiede telecamere multispettrali o iperspettrali da migliaia di euro, fuori portata per le piccole aziende agricole.
Un gruppo di ricercatori del CREA IT (Ingegneria e Trasformazioni agroalimentari), con Università della Tuscia e Università La Sapienza di Roma, ha dimostrato che l’NDVI si può stimare anche con una comune fotocamera RGB, quella che acquisisce i colori rosso-verde-blu, montata anche su droni economici, grazie all’intelligenza artificiale.
I ricercatori hanno “allenato” una rete neurale artificiale a riconoscere il legame nascosto tra i colori di un’immagine e il vero valore dell’NDVI, misurato con una telecamera iperspettrale professionale su 41 immagini di piante diverse, tra cui lattuga, pomodoro, patata e fagiolo. Il modello è stato poi testato su quasi mille foto scattate da un drone sopra un campo di meloni e angurie nel Viterbese, ottenendo una corrispondenza molto alta con i valori reali (Figura 1). Nella fase di “allenamento” i valori mostrano una correlazione dello 0,91 che resta buona, pari allo 0,71, anche usando un sensore diverso da quello di addestramento.
Il team è andato oltre: applicando un algoritmo di raggruppamento k-means (NdR un algoritmo che divide automaticamente e organizza i dati in gruppi simili tra loro) alle mappe di NDVI stimate, ha suddiviso un campo coltivato in zone a diversa vigoria, utili per creare le cosiddette mappe di prescrizione, che indicano dove intervenire in modo mirato, distribuendo più o meno fertilizzante, acqua o prodotti fitosanitari. Il confronto tra le zone individuate con i dati reali e quelle stimate dal modello ha mostrato un accordo del 76,7%.
La semplicità di utilizzo dell’algoritmo predittivo di intelligenza artificiale, grazie anche ad un input così sintetico, usa solo sei valori per ogni pixel, cioè rosso, verde, blu, e le loro versioni in tonalità, saturazione e luminosità, ne evidenzia le potenzialità. Il metodo potrebbe infatti essere integrato in futuro con device IoT e DSS (Sistemi di supporto delle decisioni). La tecnologia low-cost per l’agricoltura di precisione offre un prezioso supporto ai piccoli agricoltori e ha un ruolo “chiave” per ottimizzare l’utilizzo di risorse e ridurre l’impatto ambientale.
Il modello è stato reso gratuito e open source, grazie alla pubblicazione online di dati grezzi e risultati, e riesce ad essere eseguito anche su computer poco potenti. Una buona notizia per le piccole aziende agricole italiane: per iniziare a monitorare lo stato di salute delle coltivazioni potrebbero bastare un drone economico e una fotocamera tradizionale, senza investire in sensori professionali.
Il progetto
Lo studio nasce nell’ambito del progetto AGRIDIGIT, il programma nazionale del Ministero dell’Agricoltura, della Sovranità Alimentare e delle Foreste (MASAF) dedicato alle tecnologie digitali per l’agricoltura, all’interno del sotto-progetto “Tecnologie digitali integrate per il rafforzamento sostenibile di produzioni e trasformazioni agroalimentari” (AgroFiliere). Nell’ambito del progetto “Sistemi Organizzati per la Foresta e l’Innovazione Agrometeorologica” (SOFIA), finanziato anch’esso dal MASAF, è in corso l’implementazione dell’algoritmo per l’utilizzo on-the-go su rover e droni.
Il modello messo a punto dai ricercatori, chiamato RGBtoNDVI, è pubblico e gratuito: si trova su GitHub (github.com/agritechlab/RGBtoNDVI) ed è pronto per essere usato, testato o migliorato da chiunque.
Il team di ricerca
La ricerca è firmata da Simone Figorilli, Corrado Costa, Federico Pallottino, Lavinia Moscovini.
Al progetto complessivo lavorano anche Francesca Antonucci, Simone Vasta, Simona Violino e Rossella Manganiello.
Centro Ingegneria e Trasformazioni Agroalimentari
Le sue competenze e campi di ricerca riguardano applicazioni di tecnologie di ingegneria digitale e metodologie numeriche nei biosistemi, nel settore agroalimentare e agroindustriale (ICT, imaging, RFiD, spettrometria, rilevamento prossimale, termografia, modellazione multivariata inferenziale o predittiva, elettronica e open-source software), anche in relazione alle applicazioni digitali e di agricoltura di precisione.
#lafrase Da qualche parte, qualcosa di incredibile è in attesa di essere scoperto (Carl Sagan)
Collaboratore tecnico, CREA Centro Ingegneria e Trasformazioni Agroalimentari
Ingegnere Informatico iscritto al corso di dottorato di ricerca in Computer Science, Control and Geoinformation presso l’ Università degli studi di Roma “Tor Vergata”. Si occupa di progettazione hardware e software per attività di ricerca in agricoltura, rivolta all’Agricoltura 4.0, IoT, modellistica e sensoristica avanzata open source. E’ ideatore e responsabile del Laboratorio Open-Hardware, laboratorio elettronico, informatico, robotico e prototipale.
#lafrase Se non sapete il perché, osservate i fenomeni della natura, vi forniranno idee chiare e anche l’ispirazione. (Nikola Tesla)
Dirigente di Ricerca, CREA Centro Ingegneria e Trasformazioni Agroalimentari
Biologo appassionato di numeri, esperto di Intelligenza Artificiale, Analisi d’Immagine e Tracciabilità nei settori Agricolo, Forestale e della Pesca/Acquacoltura
#lafrase Se sei un uomo libero, allora sei pronto a metterti in cammino (Henry David Thoreau)
Ricercatrice, CREA – Centro di ricerca Ingegneria e Trasformazioni agroalimentari
Ingegnere e dottoranda in Engineering for Energy and Environment presso L’Università degli Studi della Tuscia. Svolge attività di ricerca nell’ambito dell’applicazione dell’AI e dell’image analysis in agricoltura. Sviluppa algoritmi di machine learning e modelli predittivi per l’elaborazione di dati acquisiti da device IoT e sensoristica.
#lafrase “Porre la giusta domanda è più difficile del dare una risposta corretta” Georg Cantor
