Droni e Intelligenza Artificiale: La Mia Avventura nella Stima della Biomassa del Sorgo!

Amici appassionati di tecnologia e agricoltura, preparatevi! Oggi voglio portarvi con me in un viaggio affascinante, un’avventura che unisce il ronzio dei droni all’intelligenza delle macchine, tutto per una causa nobilissima: rendere l’agricoltura più efficiente e sostenibile. E il protagonista di questa storia? Il sorgo, una pianta umile ma incredibilmente importante per la sicurezza alimentare globale, specialmente nelle zone aride dove altri cereali faticano a sopravvivere. Ma non solo, il sorgo è anche una promessa per la produzione di bioenergia. Insomma, una vera superstar!

Perché Scomodarsi Tanto per la Biomassa? E i Vecchi Metodi?

Vi chiederete: perché tutta questa attenzione sulla biomassa, o più tecnicamente, sulla biomassa epigea (AGB)? Beh, l’AGB – che in parole povere è tutto ciò che della pianta cresce sopra il terreno, come foglie, steli e chicchi – è un indicatore d’oro. Ci dice quanto sta crescendo bene la coltura, quanta resa possiamo aspettarci e, in generale, lo stato di salute del campo. Tradizionalmente, per misurarla, bisognava fare un lavoro da certosini: raccogliere campioni di piante, essiccarli in laboratorio e pesarli. Preciso, sì, ma immaginate farlo su grandi estensioni: un lavoraccio immane, dispendioso in termini di tempo e, diciamocelo, un po’ distruttivo per le povere piante! Era chiaro che serviva una svolta.

L’Idea Geniale: Droni Acrobatici e Cervelli Artificiali al Lavoro!

Ed è qui che entriamo in gioco noi, con la nostra idea un po’ folle ma terribilmente eccitante: usare droni (UAV) equipaggiati con telecamere speciali e far analizzare le immagini da algoritmi di machine learning (ML). Immaginate questi droni che sfrecciano sopra i campi di sorgo, catturando immagini ad altissima risoluzione, quasi potendo contare le foglie! Questi occhi volanti ci forniscono dati multispettrali (cioè, informazioni su come la pianta riflette diverse lunghezze d’onda della luce) e dati sull’altezza della chioma. Un tesoro di informazioni, ma come trasformarlo in una stima precisa della biomassa? Con il machine learning, ovviamente! Abbiamo messo alla prova tre “cervelli artificiali” piuttosto noti nel settore: Random Forest (RF), Support Vector Machine (SVM) e K-Nearest Neighbors (K-NN). L’obiettivo? Insegnare a questi algoritmi a “vedere” la biomassa attraverso le immagini dei droni.

Mettiamoci all’Opera: Il Nostro Campo Sperimentale

Per mettere alla prova la nostra idea, abbiamo condotto un esperimento sul campo per ben due anni, dal 2020 al 2021, presso il Black Sea Agricultural Research Institute in Turchia. Abbiamo coltivato il sorgo sottoponendolo a quattro diverse strategie di irrigazione:

• S1: Irrigazione completa, per dare alle piante tutto ciò di cui avevano bisogno.
• S2: Un deficit idrico parziale, ricevendo il 75% dell’acqua di S1.
• S3: Un altro deficit parziale, ma più severo, con il 50% dell’acqua di S1.
• S4: Solo acqua piovana, per simulare condizioni di siccità.

Questa varietà di condizioni ci ha permesso di testare la robustezza dei nostri modelli di machine learning. Durante la stagione di crescita, abbiamo fatto volare i nostri droni (un DJI Matrice 600 nel 2020 e un Matrice 300 nel 2021) equipaggiati con una telecamera Micasense Altum, che cattura immagini multispettrali e termiche, oltre a permetterci di derivare l’altezza della chioma. Parallelamente, abbiamo raccolto campioni di biomassa “alla vecchia maniera” per avere dati reali con cui confrontare le stime dei nostri algoritmi. In totale, abbiamo raccolto ben 216 misurazioni di AGB!

Abbiamo processato le immagini per ottenere modelli digitali di superficie (DSM) e ortofoto, e da questi abbiamo estratto l’altezza della chioma (CH) e la riflettanza spettrale. Come input per i nostri modelli ML, dopo varie prove, abbiamo scelto una combinazione vincente: le bande spettrali verde, rosso, red-edge (un’area dello spettro molto sensibile alla clorofilla), vicino infrarosso (NIR) e, appunto, l’altezza della chioma.

I Nostri Campioni di Machine Learning in Gara

Una volta preparati i dati (unendo i due anni di esperimenti e dividendoli in set di addestramento e di test), abbiamo “allenato” i nostri tre algoritmi.
Il Random Forest (RF) è come un comitato di esperti: crea tanti alberi decisionali e poi fa una media delle loro previsioni. È robusto e gestisce bene grandi quantità di dati.
La Support Vector Machine (SVM) cerca di trovare il miglior “confine” per separare i dati o, nel nostro caso, per predire un valore continuo. È potente, specialmente con relazioni non lineari.
Il K-Nearest Neighbors (K-NN) è più semplice: per predire il valore di un nuovo punto, guarda ai suoi “vicini” più prossimi e fa una media.
Per ognuno di questi, abbiamo usato una tecnica chiamata GridSearchCV per trovare i migliori iperparametri, cioè quelle impostazioni che fanno funzionare l’algoritmo al meglio. È un po’ come trovare la carburazione perfetta per un motore da corsa!

Suspense… E il Vincitore È? I Risultati Parlano Chiaro!

Ebbene, dopo tutto questo lavoro, chi ha vinto la sfida? Rullo di tamburi… il Random Forest (RF) si è dimostrato il campione indiscusso! Ha ottenuto un coefficiente di determinazione (R²) di 0.80, un errore quadratico medio (RMSE) di 0.78 kg m⁻² e un errore assoluto medio (MAE) di 0.58 kg m⁻². Per chi non mastica queste sigle, un R² più vicino a 1 significa che il modello spiega meglio la variabilità dei dati, mentre RMSE e MAE più bassi indicano errori minori. L’SVM si è piazzato secondo con un R² di 0.64, mentre il K-NN è arrivato terzo con R² di 0.50.
La cosa fantastica è che, confrontando le stime dell’RF con le misurazioni reali fatte sul campo, non abbiamo trovato differenze statisticamente significative. Questo significa che il nostro modello RF è affidabile! Abbiamo anche creato delle mappe spaziali della biomassa, che mostravano chiaramente come le parcelle S1 (quelle super irrigate) avessero più biomassa rispetto alle S4 (quelle “assetate”). Era come vedere il campo prendere vita attraverso i dati!

È interessante notare che abbiamo preferito usare le singole bande spettrali invece dei più comuni indici di vegetazione (VIs), come l’NDVI. Questo perché i VIs tendono a “saturarsi” quando la vegetazione è molto fitta, perdendo sensibilità. Usare le bande grezze e l’altezza della chioma ci ha dato una marcia in più. L’altezza della chioma, in particolare, si è rivelata un ottimo predittore, confermando quanto sia correlata alla biomassa.

Non Solo Numeri: Cosa Significa Tutto Questo per l’Agricoltura?

Ma al di là dei numeri e dei grafici, cosa significa tutto questo per l’agricoltore, per l’ambiente? Significa moltissimo! Avere un metodo rapido, non distruttivo e accurato per stimare la biomassa del sorgo apre le porte a un’agricoltura di precisione ancora più efficace. Possiamo:

• Ottimizzare l’irrigazione: Capire dove e quando serve acqua, evitando sprechi e stress idrico. Le nostre mappe hanno mostrato chiaramente l’impatto dei diversi regimi idrici.
• Monitorare la salute delle colture: Identificare precocemente aree problematiche nel campo.
• Prevedere le rese: Avere stime più accurate del raccolto futuro.

Pensateci: decisioni più informate, uso più efficiente delle risorse (acqua in primis!), e potenzialmente rese migliori. È un passo avanti enorme verso pratiche agricole più sostenibili, specialmente in regioni semi-aride dove ogni goccia d’acqua conta. Le nostre mappe di biomassa, derivate dal modello RF, hanno visualizzato magnificamente la variabilità all’interno del campo, confermando l’efficacia del metodo.

Certo, Non È Tutto Oro Ciò che Luccica: Sfide e Prospettive Future

Siamo entusiasti dei risultati, ma siamo anche scienziati, e sappiamo che c’è sempre spazio per migliorare. Ci sono delle limitazioni: il vento durante i voli UAV, le variazioni di luce solare, la calibrazione dei sensori possono introdurre incertezze. Inoltre, un modello di machine learning è bravo quanto i dati con cui è stato addestrato; quindi, la sua applicabilità ad altre varietà di sorgo, stadi di crescita o ambienti diversi andrà verificata.
Per il futuro, stiamo pensando di integrare altri tipi di dati dai droni, come quelli termici (che abbiamo già ma non usato per la biomassa in questo studio), LiDAR o iperspettrali. E perché non esplorare algoritmi di deep learning ancora più sofisticati, come le Reti Neurali Convoluzionali (CNN)? L’obiettivo è rendere questi modelli sempre più robusti e generalizzabili.

Un Futuro Più Verde e Intelligente

Insomma, la nostra avventura nella stima della biomassa del sorgo con droni e machine learning ci ha mostrato che siamo sulla strada giusta. Combinare il telerilevamento ad alta risoluzione con l’intelligenza artificiale ci offre strumenti potentissimi per affrontare le sfide dell’agricoltura moderna. È un campo in continua evoluzione, e non vedo l’ora di scoprire cosa ci riserverà il futuro. Spero di avervi trasmesso un po’ della mia passione per questa ricerca che, spero, contribuirà a un domani più verde e intelligente per tutti noi!

Fonte: Springer