Lo scorso 30 giugno, Stroncature ha ospitato un incontro dal titolo “Smart Agriculture: la scienza del risparmio idrico”. L’appuntamento si inserisce nelle attività di Terza Missione promosse da Stroncature in collaborazione con il Dipartimento di Informatica dell’Università degli Studi di Bari Aldo Moro, nel quadro del progetto di Public Engagement “UNIBA 2030 – Intelligenza Artificiale e Sostenibilità”, selezionato nell’ambito delle iniziative di Public Engagement “Patto Territoriale Sistema Universitario Pugliese”. Nel corso del webinar sono intervenuti la prof.ssa Giovanna Castellano, del Dipartimento di Informatica, il prof. Pasquale Giungato, del Dipartimento di Chimica, e il prof. Lucio Colizzi, del Dipartimento di Informatica dell’Università degli Studi di Bari Aldo Moro.
La gestione dell’acqua è uno dei temi centrali dell’agricoltura contemporanea. Il cambiamento climatico e la crescente scarsità delle risorse naturali rendono sempre meno adeguati gli schemi rigidi di irrigazione. Irrigare troppo o irrigare nel momento sbagliato produce sprechi, mentre l’obiettivo della smart agriculture è intervenire in modo più mirato, tenendo conto delle condizioni reali dei campi, delle colture e delle diverse aree coltivate. L’agricoltura di precisione nasce da questa esigenza: utilizzare dati, sensori e modelli di analisi per decidere dove, quando e in quale quantità distribuire acqua e risorse.
Nel suo intervento, la prof.ssa Giovanna Castellano ha introdotto il ruolo della computer vision e della drone vision nell’agricoltura di precisione. Accanto ai sensori installati a terra, oggi è possibile utilizzare droni equipaggiati con telecamere multispettrali, capaci di acquisire immagini non solo nella luce visibile, ma anche in altre frequenze dello spettro elettromagnetico, come l’infrarosso e il vicino infrarosso. Queste immagini permettono di rilevare caratteristiche delle piante che non sono visibili a occhio nudo. L’integrazione tra immagini acquisite dai droni e tecniche di visioneartificiale può quindi contribuire a sviluppare sistemi in grado di guidare strategie di irrigazione più precise.
Uno dei problemi richiamati nel webinar riguarda l’identificazione delle erbe infestanti. Le erbacce rappresentano una minaccia per le colture perché competono con esse per acqua e nutrienti. Riconoscerle in modo tempestivo consente di localizzarle e di intervenire in modo mirato, non solo nell’irrigazione ma anche nell’uso di fertilizzanti e pesticidi. Dal punto di vista tecnico, il problema di identificare automaticamente le erbacce è noto come weed mapping e consiste in un problema di segmentazione semantica di immagini: l’obiettivo è distinguere, nelle immagini del campo, le aree occupate dalle colture, quelle occupate dalle erbe infestanti e lo sfondo. Non si tratta di un compito semplice, perché le infestanti occupano spesso una parte limitata dell’immagine e condividono con le colture caratteristiche come il colore verde e, in alcuni casi, la forma delle foglie.
Per affrontare questo tipo di problemi, la ricerca utilizza modelli di computer vision, tra cui i Vision Transformer (ViT). La prof.ssa Castellano ha descritto il lavoro svolto nel laboratorio di Intelligenza Computazionale del Dipartimento di Informatica, dove sono state sviluppate architetture neurali basate su ViT capaci di analizzare simultaneamente immagini RGB e immagini nell’infrarosso. Un limite importante riguarda però la disponibilità di dati etichettati. I droni possono acquisire molte immagini, ma il problema è annotarle manualmente, pixel per pixel, distinguendo sfondo, colture ed erbe infestanti. Per ridurre questo vincolo, la ricerca lavora su due strade: aumentare artificialmente i dati etichettati attraverso tecniche di data augmentation e ridurre la dipendenza dall’apprendimento supervisionato, ricorrendo anche a forme semi-supervisionate o non supervisionate.
Nel webinar sono stati richiamati anche i diffusion model, utilizzati per generare nuove immagini realistiche a partire da immagini reali, mantenendo coerenza visiva e agronomica. Un’altra linea di lavoro consiste nell’utilizzare informazioni di contesto, per esempio la disposizione lineare delle colture in filari, così da aiutare il modello di computer vision a riconoscere correttamente le diverse aree anche con una minore quantità di dati etichettati. La prof.ssa Castellano ha poi posto una questione più generale: il cosiddetto paradosso della Green AI. Da un lato, l’intelligenza artificiale può essere usata per ridurre sprechi idrici e impatti ambientali; dall’altro, l’addestramento di modelli complessi richiede energia e, indirettamente, acqua per il funzionamento e il raffreddamento dei data center. Per questo la ricerca lavora anche su modelli leggeri, adatti a funzionare con risorse limitate e con un minore impatto ambientale.
Il prof. Lucio Colizzi ha presentato un approccio complementare, basato su sensori installati nel campo, nodi IoT, attuatori e modelli decisionali. Il punto di partenza è il superamento dei sistemi tradizionali che distribuiscono acqua e fertilizzanti secondo finestre temporali fisse, per esempio ogni giorno alla stessa ora. Questo schema è poco adatto a un sistema vivente come la pianta, il cui metabolismo può variare in base a condizioni ambientali e fisiologiche. L’obiettivo del lavoro descritto è dare ciò che serve, dove serve, quando serve. In questa prospettiva, non è il tempo di irrigazione a essere stabilito in anticipo, ma sono i dati raccolti nel terreno a indicare quando l’intervento può considerarsi sufficiente.
Il sistema descritto dal prof. Colizzi si basa su sensori che misurano parametri come macronutrienti, pH, conducibilità elettrica, temperatura e umidità. Questi dati vengono inviati al cloud, dove un’architettura a microservizi elabora le informazioni e supporta le decisioni. Nel campo sono presenti anche attuatori, come elettrovalvole intelligenti, che possono ricevere indicazioni su quando aprirsi o restare chiuse. Il modello decisionale deve stabilire quali settori servire, quali nutrienti distribuire e in quale ordine intervenire, tenendo conto delle esigenze delle diverse colture e delle diverse tecniche di coltivazione. La funzione obiettivo richiamata nel webinar è il risparmio dell’acqua, oppure, in modo equivalente, la possibilità di servire nello stesso momento il maggior numero possibile di settori con le medesime necessità.
Nel corso dell’intervento sono stati presentati anche risultati sperimentali. Il sistema è stato applicato in diversi contesti, tra cui coltivazioni orticole, viticole, olivicole e frutticole, con sperimentazioni condotte soprattutto nel settore orticolo. Sono stati citati campi sperimentali nel Sud Italia, a Latina per i kiwi, in Basilicata per la fragola fuori suolo e in altre aree per colture orticole. In una serra con diverse colture e diverse tecniche di coltivazione, il sistema ha consentito di orchestrare più varietà contemporaneamente. Il benchmark indicato è il risparmio di risorse a parità di prodotto: il prof. Colizzi ha parlato di un risparmio medio del 50% dell’acqua e di una riduzione dell’uso di fertilizzanti tra il 30% e il 67%, con valori più elevati in alcune fasi fenologiche delle piante.
Un altro elemento presentato riguarda il digital twin, cioè il gemello digitale del sistema reale. Attraverso un’interfaccia, l’agricoltore può osservare in tempo reale ciò che accade nel campo, visualizzare le letture georeferenziate, seguire lo storico dei dati e verificare indicatori sintetici di risparmio. L’utilizzabilità è un aspetto centrale: perché una tecnologia possa essere adottata, deve essere comprensibile e sostenibile anche dal punto di vista operativo. Nel webinar è stato richiamato anche il tema del livello di maturità tecnologica, il TRL, mostrando il passaggio dai primi prototipi realizzati con componenti rudimentali a schede più robuste, pensate per lavorare in campo per periodi lunghi. È stato ricordato che il funzionamento in ambiente agricolo richiede soluzioni capaci di resistere a condizioni molto diverse da quelle del laboratorio.
Il prof. Pasquale Giungato ha affrontato il tema del riuso delle acque reflue industriali attraverso la metodologia della Life Cycle Assessment. Il caso presentato riguarda un birrificio pugliese e un impianto di recupero delle acque reflue già funzionante e commercializzato. L’obiettivo è evitare che le acque trattate vengano scaricate in mare e riutilizzarle per usi industriali non potabili, quindi non per produrre nuova birra ma, per esempio, per il raffreddamento delle torri o per il lavaggio delle cisterne. Nel processo di birrificazione, per ogni litro di birra prodotta possono essere generati fino a dieci litri di effluenti. La valutazione di ciclo di vita consente di misurare gli impatti ambientali dei diversi scenari, considerando consumi energetici, materiali, processi di trattamento e categorie di impatto.
Lo scenario di recupero delle acque è stato confrontato con uno scenario tradizionale basato sul prelievo da falda e sul trattamento tramite osmosi inversa. L’impianto di recupero preleva le acque già depurate dal birrificio e le sottopone a diversi passaggi: filtrazione su quarzite, filtrazione su carboni attivi, ultrafiltrazione su membrane, stoccaggio e disinfezione con lampade ultraviolette e ipoclorito di sodio. Il confronto non riguarda solo l’acqua, ma diverse categorie di impatto: cambiamento climatico, acidificazione, eutrofizzazione, depauperamento delle risorse abiotiche, tossicità, riduzione dello strato di ozono, smog fotochimico e uso della risorsa idrica. Il risultato emerso è articolato: il sistema reclaimed riduce quasi completamente l’impatto idrico, ma presenta impatti più elevati in alcune categorie, legati soprattutto alla produzione delle membrane di ultrafiltrazione. Da qui nasce la necessità di valutare trade-off e strategie di miglioramento.
La discussione finale ha richiamato anche il tema della spiegabilità dei sistemi di intelligenza artificiale. Nei sistemi descritti, i dati raccolti nel campo devono produrre decisioni operative: aprire o chiudere una valvola, distribuire acqua o nutrienti, intervenire su un settore o su un altro. Il prof. Colizzi ha precisato che, nel sistema presentato, le decisioni sono basate su modelli di mathematical programming e constraint programming, non su intelligenza artificiale generativa. La prof.ssa Castellano ha ricordato che la ricerca lavora anche su modelli neurosimbolici, grafi, ontologie e forme di explainable AI, con l’obiettivo di rendere più affidabili e comprensibili le decisioni dei modelli. In agricoltura, dove un errore può danneggiare un raccolto o incidere sull’attività di un’impresa, l’affidabilità passa anche dalla capacità del sistema di spiegare le proprie decisioni.
Il webinar ha mostrato tre prospettive diverse ma collegate. La computer vision da drone può aiutare a leggere meglio lo stato del campo e a individuare criticità come le erbe infestanti. I sensori a terra e i sistemi IoT possono trasformare l’irrigazione e la fertilizzazione in processi guidati da dati misurati in tempo reale. La valutazione di ciclo di vita permette di confrontare scenari diversi di uso e riuso dell’acqua, mostrando benefici e limiti delle soluzioni disponibili. In tutti e tre i casi, il risparmio idrico non viene trattato come un obiettivo astratto, ma come un problema tecnico, misurabile e legato a scelte progettuali precise.
