La mappatura delle rese è il processo di raccolta di informazioni georeferenziate sulla resa dei frutti durante la raccolta, che è importante per comprendere la variabilità del frutteto. Sulla base delle informazioni, i coltivatori possono identificare aree ad alta e bassa resa e applicare una gestione specifica del sito, come tassi variabili di fertilizzazione, irrigazione o altri input. I coltivatori possono anche utilizzare queste informazioni per confrontare le rese di anno in anno.
Il Dr. Brent Black, professore nel Dipartimento di Piante, Suoli e Clima e Specialista in Frutticoltura Estensionale presso la Utah State University, è il ricercatore principale di un progetto finanziato da una sovvenzione del programma Specialty Crop Research Initiative del Dipartimento dell'Agricoltura degli Stati Uniti.
Il progetto è uno sforzo combinato di ricercatori della Utah State University e della Michigan State University. L'obiettivo principale è applicare strategie di agricoltura di precisione nei frutteti di amarene per ottimizzare l'irrigazione, la nutrizione e la gestione della chioma. Uno dei componenti del progetto è sviluppare una soluzione di monitoraggio delle rese per le amarene.
Nei frutteti di amarene, i frutti vengono raccolti meccanicamente utilizzando un sistema di scuotimento e cattura e conservati in un serbatoio con acqua fredda. Anderson Safre, uno studente di dottorato in Ingegneria dell'Irrigazione presso la Utah State University, ha sviluppato un dispositivo in grado di tracciare le rese delle amarene misurando la distanza tra gli eventi di riempimento del serbatoio.
Anderson Safre
Il dispositivo utilizza un sensore ultrasonico per rilevare quando il serbatoio è stato rimosso e unantenna GPS per catturare la posizione. Un microcomputer quindi elabora e memorizza le informazioni. Dopo una serie di correzioni per rimuovere il rumore dai dati raccolti, le informazioni vengono trasformate in una mappa. Un serbatoio pieno contiene circa 500 kg di frutta.
La resa per unità di superficie viene calcolata dividendo il peso della frutta per la distanza percorsa dalla macchina. Un'altra caratteristica di questo sistema è la capacità di quantificare l'efficienza del lavoro di raccolta calcolando il tempo medio che ogni operatore impiega per raccogliere un singolo albero.
Ad esempio, un operatore potrebbe impiegare 4 ore per raccogliere un ettaro mentre un altro operatore impiega 2 ore. Il lavoro di raccolta rappresenta una parte significativa delle spese del frutteto. Questi dati possono essere utilizzati per migliorare l'efficienza del lavoro di raccolta monitorando i singoli operatori.
Le mappe delle rese sono informazioni preziose per le operazioni agricole commerciali. Descrivono il risultato finale e i risultati della gestione del frutteto. Attualmente, i sistemi di monitoraggio delle rese sul mercato costano migliaia di dollari, il che non è accessibile per molti coltivatori.
Questo è il primo monitor delle rese per amarene, e il costo dei materiali per costruire questo dispositivo è inferiore a 400 USD, il che renderà la tecnologia facilmente accessibile ai gestori di frutteti indipendentemente dalla scala.
Anderson Safre
Utah State University
24 apr 2025
Negli ultimi 80 anni l’Estonia ha selezionato e coltivato decine di varietà di ciliegie dolci e acide, adatte al clima baltico. Dalla ricerca dell’Università di Tartu ai programmi di breeding del Polli Research Center, scopri le sfide e i successi di questa frutticoltura nordica.
05 giu 2025
La campagna 2025 delle ciliegie nella Valle del Jerte, in Estremadura, è partita in ritardo ma punta a stabilità produttiva, consolidando il lavoro locale e aprendo con cautela al mercato cinese. Cresce anche il valore della Denominazione di Origine con nuove varietà.
07 mag 2026
La stagione delle ciliegie 2026 nel Pacific Northwest si apre con stime tra 19,5 e 21,5 milioni di box. Produzione sotto il record 2025, raccolta anticipata e più coordinamento con la California delineano un passaggio chiave per il mercato cerasicolo USA ora.
07 mag 2026
In Turchia, una ricerca dell’Università di Firat mostra come visione artificiale, deep learning e machine learning possano classificare gli stadi di maturazione delle ciliegie con accuratezza superiore al 95%, migliorando raccolta, qualità e gestione della filiera.
