Nell’ambito di un servizio sul campo a Romeral, in Cile, per un’azienda esportatrice cilena, abbiamo testato se l’intelligenza artificiale applicata a normali fotografie scattate con smartphone potesse rendere più rapida e rappresentativa la stima pre-stagionale dell’offerta fiorale di un appezzamento di ciliegio. Il risultato non è stato un unico modello universale, ma una regola: nelle chiome aperte, il rilevamento diretto dei dardi funziona; nelle chiome dense e soggette a occlusione, il rilevamento fallisce e la struttura della pianta diventa un indicatore più efficace.
Il problema. La stima dell’offerta fiorale prima dell’inizio della stagione si basa sul conteggio visivo dei dardi fruttiferi, pianta per pianta. È un processo lento, dipendente dall’operatore e raramente georeferenziato, che lascia ai produttori un unico dato globale, incapace di descrivere la variabilità all’interno dell’appezzamento. Esistono tecnologie più avanzate, dai sensori montati su veicoli alla ricostruzione 3D multi-vista, ma questi sistemi richiedono terreni percorribili da un mezzo, condizione non sempre possibile in presenza di forti pendenze e filari stretti ad alta densità.
Abbiamo scelto deliberatamente lo strumento che il produttore porta già con sé: lo smartphone. Una rapida fotografia per ogni pianta consente di campionare un numero elevato di piante e ottenere una maggiore rappresentatività.
Come funziona. Una singola immagine non riesce mai a catturare tutti i dardi a causa dell’occlusione, quindi il modello non effettua un conteggio diretto: apprende la relazione tra ciò che l’IA rileva e ciò che è realmente presente, attraverso una calibrazione basata su conteggi manuali. Questa limitazione non riguarda soltanto gli smartphone; anche i sistemi più avanzati devono essere calibrati in presenza di strutture soggette a occlusione.
Sia il rilevamento sia l’analisi strutturale vengono eseguiti attraverso Phenoria, uno strumento di fenotipizzazione per alberi da frutto basato su smartphone che trasforma una singola fotografia in dati strutturali e relativi alla carica fiorale. Lo strumento è attualmente in fase di sviluppo e presto saranno disponibili ulteriori novità.
Figura 1. Il rilevamento diretto dei dardi tramite IA offre le migliori prestazioni nei frutteti con chiome aperte e un’occlusione minima, mentre la segmentazione strutturale aggiunge rumore quando i dardi sono chiaramente visibili.
Figura 2. Nelle chiome dense caratterizzate da un’elevata occlusione, il rilevamento diretto dei dardi fallisce; la stima mediante la segmentazione strutturale della pianta rappresenta un indicatore indiretto più affidabile della capacità di carico.
Cosa abbiamo scoperto. Nei diversi frutteti analizzati, l’occlusione ha determinato quale metodo risultasse più efficace. Nelle chiome aperte, il rilevamento dei dardi ha raggiunto un R² di 0,53 in fase di validazione, sufficiente per mappare le zone di carico, anche se non per prevedere il valore della singola pianta. Nelle chiome dense, il rilevamento ha perso efficacia; modellando il carico esclusivamente sulla base della struttura della pianta è stato possibile recuperare un segnale utilizzabile, con un R² di 0,24, sufficiente per distinguere le zone ad alto carico da quelle a basso carico.
Il risultato più significativo: in condizioni di forte occlusione, aggiungere il rilevamento dei dardi al modello strutturale ne peggiorava le prestazioni. Quando non è possibile vedere i dardi, si misura l’albero che li porta.
Figura 3. Mappa della variabilità spaziale generata a partire da punti di campionamento basati su singole fotografie (punti arancioni), che suddivide l’appezzamento in due distinte zone di gestione, mostrando il numero medio stimato di dardi +- deviazione standard.
Il punto chiave. Non esiste un indicatore universale: le chiome aperte favoriscono il conteggio, quelle dense l’analisi della struttura, in entrambi i casi a partire da una sola fotografia facilmente acquisibile. E un R² basso non significa necessariamente che un modello sia inutile: dipende dalla decisione che deve supportare. Suddividere un appezzamento in zone richiede una precisione molto inferiore rispetto alla previsione relativa a una singola pianta ed è esattamente ciò di cui un produttore ha bisogno per intervenire tempestivamente.
L’obiettivo più ampio è estrarre il massimo numero di informazioni sulla pianta da una singola fotografia scattata con smartphone, durante l’intera stagione. L’agtech deve risolvere problemi reali sul campo utilizzando gli strumenti che i produttori hanno già a disposizione.
José Salinas Navarrete
Geospectra
14 ago 2024
Per approfondire questo aspetto uno studio condotto da ricercatori iraniani ha valutato le previsioni di compatibilità o incompatibilità di innesto sul ciliegio con le tecniche di “associazione degli internodi” (internode association) e di “fusione del callo” (callus fusion).
10 giu 2024
I portainnesti Weigi sono incroci tra i cloni GiSelA e Weiroot. Nel 2004 sono iniziate ulteriori prove in 4 diverse località della Germania e della Francia. Dopo alcuni anni di prove e alcuni risultati positivi, è stata presa la decisione di propagarli invitro in Italia.
31 ago 2026
In Cile, l’intelligenza artificiale applicata alle foto da smartphone permette di stimare la carica fiorale del ciliegio. Il metodo adatta l’analisi a chiome aperte o dense e consente di mappare la variabilità dell’appezzamento per individuare diverse zone di gestione.
28 ago 2026
Ad Alicante, i trattamenti pre-raccolta con 24-BL hanno ridotto il cracking delle ciliegie fino al 50% e migliorato pezzatura, consistenza, colore e contenuto di antociani. Lo studio su ‘Sunburst’ e ‘Skeena’ indica una nuova strategia contro le piogge estreme in frutteto.
