Una nuova app sviluppata per la previsione delle gelate e il controllo della dormienza nel ciliegio

Il LTER–Sweet Cherry Model v1 è uno strumento di supporto decisionale basato sul web che utilizza dati giornalieri di temperatura e radiazione solare per generare stime stagionali della progressione della dormienza floreale (LTER), del contenuto idrico relativo dei fiori (RWC) e della resistenza al freddo (LT, LT10 e LT50) per 12 cultivar e a livello di specie. L’applicazione fornisce visualizzazioni interattive in serie temporale progettate per aiutare produttori, ricercatori e professionisti del settore a interpretare sia lo stato stagionale delle gemme sia il potenziale rischio di gelo.

Output del modello

Lo sviluppo del modello ha utilizzato dataset fisiologici raccolti in più stagioni a Prosser, Washington (2019–2022), comprendenti stato di dormienza, relazioni idriche e misurazioni della resistenza al freddo allineate con input atmosferici giornalieri (Magby 2025). L’integrazione con WSU AgWeatherNet è prevista prossimamente. La versione attuale è disponibile a questo link.

Progressione della dormienza (LTER). I Low Temperature Exotherm Ratios (LTER) sono un indice fisiologico derivato da ricerche di analisi termica differenziale che riflette i cambiamenti stagionali nello stato di dormienza delle gemme (Magby et al. 2022). I valori variano da 0 a 1 e riflettono le transizioni stagionali verso lo sviluppo primaverile (Figura 1).

Il pannello LTER mostra le traiettorie stagionali con linee di soglia di riferimento e finestre degli stadi di sviluppo [Green Side (l-green), Green Tip (d-green), Tight Cluster (giallo), Popcorn (arancione) e Bloom (rosso)] per facilitare l’interpretazione stagionale. Grafico a linee del LTER previsto (asse y) rispetto alla data (asse x).

Figura 1. Esempio di traiettoria stagionale LTER per Yakima, Washington (2021–2022), generata utilizzando il modello random forest (RF). 

Contenuto idrico relativo (RWC). Il contenuto idrico relativo (RWC) riflette lo stato di idratazione delle gemme floreali, un fattore fisiologico associato allo sviluppo stagionale e alla tolleranza al congelamento (Figura 2).

Contenuto idrico relativo

Il pannello RWC mostra le tendenze stagionali con bande di incertezza. È inclusa una finestra di riferimento Tight Cluster (giallo) per facilitare l’interpretazione sul campo durante le fasi di sviluppo primaverile. Grafico a linee del RWC previsto (%) (asse y) rispetto alla data (asse x).

Figura 2. Esempio di traiettoria stagionale RWC per Yakima, Washington (2021–2022), generata utilizzando il modello gradient boosting machine (GBM). 

Resistenza al freddo (LT, LT50 e LT10). Il pannello Cold Hardiness mostra le soglie previste di temperatura letale (LT, LT10, LT50) con la possibilità di sovrapporre Tmin per l’interpretazione del rischio di gelo (Figura 3).

Quando i dati della temperatura minima atmosferica giornaliera (Tmin) sono disponibili — caricati dall’utente o recuperati da NASA POWER o Open-Meteo — lo strumento sovrappone Tmin al pannello della resistenza al freddo. Le aree ombreggiate evidenziano i periodi in cui Tmin scende al di sotto delle soglie previste LT10 (arancione) o LT50 (rosso) per l’interpretazione del rischio di gelo. Grafico a linee della temperatura prevista in Fahrenheit (asse y) rispetto alla data (asse x).

Figura 3. Esempio di output della resistenza al freddo con sovrapposizione Tmin (blu) per Yakima, Washington (2021–2022), generato utilizzando il modello random forest (RF). 

Uso dello strumento

Passo 1. Selezionare una fonte di dati. Gli utenti possono caricare dati meteorologici locali [colonne richieste: Date (YYYY-MM-DD), J_date, Temp (°F) e Solar (MJ/m²); la colonna opzionale Temp_min (°F) consente la sovrapposizione Tmin e la visualizzazione delle aree di rischio gelo] oppure recuperare i dati tramite NASA POWER o Open-Meteo.

Le previsioni NASA POWER sono generate per una finestra stagionale standard dal 15 agosto al 15 maggio, con opzioni per preset regionali oppure per l’inserimento personalizzato di latitudine e longitudine.

Passo 2. Selezionare le impostazioni di previsione. Gli utenti possono scegliere previsioni a livello di specie oppure specifiche per cultivar. All’interno dell’interfaccia sono disponibili diversi tipi di modelli statistici, tra cui GLM, RF, NN, SVM e GBM. Le bande di incertezza vengono visualizzate attorno alle previsioni e le indicazioni per l’interpretazione sono fornite nella legenda dell’applicazione.

Passo 3. Eseguire la previsione e scaricare gli output. Dopo aver selezionato gli input dei dati e le impostazioni di previsione, fare clic su “Run Forecast”. Gli output vengono visualizzati in tre pannelli: Cold Hardiness Forecast, Dormancy Progression (LTER) e Relative Water Content (RWC). Le tabelle delle previsioni possono essere scaricate come file CSV per ulteriori analisi.

Grafico a linee del LTER previsto (asse y) rispetto alla data (asse x).

Figura 4. Esempio di previsione LTER per la stagione 2025–2026 a Prosser, Washington, generata utilizzando il modello random forest (RF). L’area grigia indica la finestra di previsione di 14 giorni. 

Avvertenza

Questo strumento fornisce stime stagionali basate su modelli destinate al supporto decisionale. Le previsioni derivano da relazioni storiche tra clima e fenotipo e potrebbero non catturare eventi estremi, variabilità microclimatica o effetti di gestione specifici del frutteto.

I dati NASA POWER sono dati grigliati e rappresentano condizioni medie su area che possono differire dalle misurazioni a livello di frutteto. Gli utenti dovrebbero interpretare i risultati insieme alle osservazioni di campo e all’esperienza locale.

Lo sviluppatore non si assume alcuna responsabilità per eventuali danni alle colture o esiti gestionali derivanti dall’utilizzo di questo strumento. Quando disponibili, sono raccomandati i dati delle stazioni locali AgWeatherNet o sensori installati in frutteto.

Fonte: Fruit Matters, WSU

Fonte immagine apertura: Stefano Lugli

Jonathan T. Magby
Yakima Valley College (ex WSU-IAREC) - USA

Cherry Times - Tutti i diritti riservati