Negli ultimi decenni, modellizzare la fenologia delle piante arboree, in particolare per quanto riguarda dormienza e fioritura, è diventato uno strumento fondamentale anche per comprendere gli effetti dei cambiamenti climatici.
Tuttavia, i modelli bioclimatici tradizionali utilizzati per prevedere questi eventi mostrano divergenze strutturali significative che ne limitano l'affidabilità e richiedono continue ricalibrazioni specifiche per ogni sito.
Allo stesso tempo, i metodi basati sull’apprendimento automatico (machine learning) offrono soluzioni data-driven potenti ma spesso opache, prive cioè di quella trasparenza interpretativa che caratterizza i modelli basati sulla conoscenza della biologia.
Per superare queste limitazioni, alcuni ricercatori hanno sviluppato e proposto un modello fenologico ibrido che integra conoscenze biologiche e apprendimento automatico per prevedere la fioritura del ciliegio.
I ricercatori hanno testato il modello su tre casi studio, situati in tre Paesi: Giappone, Corea del Sud e Svizzera, raggiungendo risultati migliori di quelli ottenuti con modelli meccanicistici tradizionali e con reti neurali.
Il modello ibrido proposto si basa su una struttura process-based, ma sostituisce la componente responsabile dell’accumulo di freddo, essenziale per il superamento della endodormienza, con una rete neurale multilivello (MLP), lasciando invece invariato il modulo di forzatura termica.
Questa soluzione consente di apprendere direttamente dai dati la risposta della pianta alle temperature invernali, mantenendo allo stesso tempo coerenza con la struttura biologica del processo.
I dati che sono stati utilizzati provenivano da una vasta serie di osservazioni di date di fioritura, abbinate a dati orari di temperatura (MERRA-2), per un totale di oltre 9.000 osservazioni.
Le prestazioni del modello sono state comparate con tre modelli bioclimatici tradizionali (Chill Hours, Utah Chill, Chill Days), nonché con due reti neurali standard (CNN e LSTM).
I risultati, espressi in termini di errore assoluto medio (MAE), mostrano che il modello ibrido ottiene prestazioni superiori in tutte le condizioni sperimentali, con valori di errore inferiori anche del 30-40% rispetto ai modelli convenzionali.
Inoltre, si è dimostrato particolarmente robusto con dati scarsi (come in Corea del Sud), mantenendo capacità predittive elevate anche in assenza di ricalibrazione specifica per sito.
Un altro punto di forza è la capacità del modello di generalizzare a varietà arboree non osservate, fornendo previsioni affidabili anche in condizioni climatiche non incluse nel set di addestramento.
Nonostante l’efficacia predittiva, l’analisi delle funzioni apprese dalla rete neurale ha rivelato alcune discrepanze con le curve di risposta attese (derivanti dalle conoscenze biologiche).
Ad esempio, la risposta al freddo appresa dal modello mostra contributi alla fenologia anche a temperature superiori a 12,5 °C, soglia oltre la quale i modelli classici non prevedono alcun effetto.
Questo suggerisce che, sebbene il modello sia vincolato da una struttura bioclimatica, la funzione appresa non sempre riflette fedelmente i meccanismi biologici sottostanti.
Inoltre, sono state osservate variazioni nella funzione di risposta tra diversi avvii del modello (seed), indice che il sistema è sensibile alla variabilità dei dati di input.
In futuro, un possibile sviluppo del modello potrebbe introdurre penalizzazioni (regularization) per guidare l’apprendimento verso soluzioni bioclimaticamente plausibili, migliorando così sia l’accuratezza predittiva che l’a;idabilità scientifica del modello.
In conclusione, lo studio presenta un approccio ibrido alla modellizzazione della fenologia che coniuga interpretabilità e flessibilità. Applicato alla fioritura del ciliegio, il modello ha dimostrato un’elevata capacità di generalizzazione, adattabilità varietale e precisione predittiva.
Fonte: van Bree, R., Marcos, D., & Athanasiadis, I. N. (2025). Hybrid phenology modeling for predicting temperature e;ects on tree dormancy. In Proceedings of the AAAI Conference on Artificial Intelligence (Vol. 39, No. 27, pp. 28458-28466). https://doi.org/10.48550/arXiv.2501.16848
Fonte immagine: SL Fruit Service
Andrea Giovannini
Università di Bologna
10 giu 2025
In Moldavia, la ricerca sui ciliegi ha mostrato come regolatori di crescita e preparati antigelo migliorino la resistenza al freddo e la produttività. L’uso di paclobutrazolo e Cropaid NPA ha favorito la fioritura, lo sviluppo vegetativo e ha aumentato i raccolti in varietà come
07 set 2023
La stagione delle ciliegie vittoriane inizia all'inizio di novembre e raggiunge buoni volumi entro la metà del mese, continuando fino a dopo Natale comprendendo una lunga stagione festiva - un abbinamento perfetto per le feste e i regali. La stagione dura circa 100 giorni.
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.
