L’acqua è una delle risorse più importanti e più delicate dell’agricoltura. Senza acqua le colture non crescono, ma distribuirne troppa significa sprecare una risorsa preziosa ed incidere negativamente sulla crescita delle colture. In molti sistemi agricoli, l’irrigazione viene ancora gestita secondo programmi stabiliti in anticipo: si decide il tempo di irrigazione e la frequenza. Questo metodo è semplice da applicare, ma può non venire incontro alle esigenze reali dei sistemi colturali. La ricerca prende le mosse proprio da questo problema: passare da un’irrigazione uniforme, basata su schemi prestabiliti, a un sistema capace di decidere in base ai dati raccolti nel campo. L’obiettivo è fornire acqua quando serve, dove serve e nella quantità più vicina possibile alle esigenze delle piante.
Il problema non è soltanto evitare la mancanza d’acqua. Anche l’eccesso può diventare dannoso. Quando il terreno riceve più acqua di quanta ne serva davvero, possono formarsi ristagni e condizioni di umidità eccessiva. In questi casi le radici possono trovarsi in un ambiente meno adatto alla crescita, con minore disponibilità di ossigeno e maggiore difficoltà ad assorbire correttamente ciò di cui la pianta ha bisogno. L’irrigazione non controllata può quindi generare stress, invece di ridurlo. Per questo la gestione dell’acqua non può essere pensata solo come una questione di quantità complessiva. Conta anche il momento dell’intervento, la durata, la zona del campo interessata e lo stato effettivo del terreno.
La differenza proposta dalla ricerca sta nel passaggio da un’irrigazione “a calendario” a un’irrigazione guidata dalle condizioni reali. In un sistema tradizionale, l’impianto può attivarsi perché è stata programmata una certa ora o una certa durata. Nel sistema studiato, invece, la decisione dipende dai dati raccolti lungo le linee di distribuzione. Se una zona ha bisogno d’acqua, il sistema può decidere di intervenire; se i valori sono già adeguati, può evitare un’irrigazione inutile. Questo cambiamento è importante perché il campo non viene trattato come uno spaziouniforme. Zone diverse possono avere condizioni diverse, anche all’interno della stessa porzione di terreno o addirittura nelle serre dove ad esempio le colture limitrofe alle finestre possono avere condizioni sito-specifiche molto variabili. L’acqua viene così gestita in modo più vicino ai bisogni effettivi delle colture.
Per rendere possibile questo controllo, il sistema utilizza sensori connessi, cioè piccoli dispositivi collocati lungo le linee di distribuzione e capaci di inviare dati al sistema centrale. Tra le misure raccolte c’è l’umidità del terreno, un’informazione decisiva per capire se una determinata area ha bisogno di essere irrigata. I sensori permettono di osservare il campo mentre le condizioni cambiano, invece di affidarsi solo a una programmazione stabilita in partenza. In questo modo l’irrigazione non è più un intervento cieco o uniforme, ma una risposta a ciò che il sistema rileva. La tecnologia serve quindi a rendere più leggibile il terreno: non sostituisce l’osservazione agronomica, ma la rafforza con dati raccolti in modo continuo.
I dati, però, da soli non bastano. Devono essere trasformati in decisioni. Il sistema confronta le misure rilevate con soglie definite in base alle colture e stabilisce se una determinata linea debba ricevere acqua oppure no applicando anche modelli previsionali. La decisione non riguarda necessariamente tutto l’impianto, ma può interessare singoli settori di distribuzione. Questo consente di evitare interventi non necessari e di ridurre il rischio di bagnare aree che non ne hanno bisogno. Il modello decisionale serve proprio a questo: collegare la misura dell’umidità a un’azione concreta, come aprire o chiudere un canale di irrigazione. L’intelligenza artificiale, in questo caso, non è presentata come qualcosa di astratto, ma come uno strumento per usare meglio le informazioni disponibili.
La ricerca considera anche la necessità di mantenere il sistema controllabile. L’agricoltore può seguire il funzionamento attraverso un’app mobile e attraverso un digital twin, cioè una copia digitale dell’impianto che mostra sensori, canali, consumi e decisioni operative. Questo permette di vedere non solo se l’impianto sta irrigando, ma anche in quali punti sta intervenendo e sulla base di quali condizioni. La gestione dell’acqua diventa quindi più trasparente: non si limita all’accensione o allo spegnimento dell’impianto, ma consente di osservare il rapporto tra dati raccolti e interventi effettuati. In questa prospettiva, il sistema non elimina la supervisione umana, ma fornisce strumenti più precisi per controllare ciò che accade nel campo.
Il sistema è stato verificato in serre con coltivazioni diverse, sia nel terreno sia fuori suolo, cioè non nella terra del campo ma in un supporto diverso, dove acqua e nutrienti devono essere forniti con maggiore precisione. Questa varietà di condizioni ha permesso di valutare la capacità del sistema di adattarsi a situazioni differenti. Nel confronto con un impianto tradizionale, la soluzione proposta ha consentito un risparmio del 30% dell’acqua. È un dato importante perché mostra il risultato concreto di un cambio di metodo: non irrigare sempre secondo uno schema fisso, ma intervenire quando le condizioni lo richiedono. L’irrigazione diventa intelligente non perché è semplicemente automatica, ma perché è collegata a una lettura continua dello stato del terreno e delle colture.
Questo articolo nasce nell’ambito delle attività di Terza Missione promosse da Stroncature in collaborazione con l’Università degli Studi di Bari Aldo Moro, nel quadro delle iniziative di Public Engagement finanziate dal “Bando per Finanziamento di Iniziative di Public Engagement” a valere sul Progetto “Sistema Universitario Pugliese”, finanziato nell’ambito della misura “Patti Territoriali dell’Alta Formazione per le Imprese” (CUP F61B23000370006). Il testo rielabora in forma divulgativa il contributo scientifico “Optimization of irrigation and fertigation in smart agriculture: An IoT-based micro-services framework” di Tommaso Adamo, Danilo Caivano, Lucio Colizzi, Giovanni Dimauro ed Emanuela Guerriero, pubblicato in Smart Agricultural Technology, vol. 11, 2025, art. 100885, DOI 10.1016/j.atech.2025.100885, per renderne i contenuti più fruibili a un pubblico non specialista.
