Le maggiori esigenze commerciali, standard qualitativi più rigorosi e margini sempre più sensibili agli errori operativi rendono necessaria una gestione basata sui dati. Un team dell’Università di O’Higgins ha sviluppato e implementato tecnologie di agricoltura di precisione nella coltivazione del ciliegio.
Il ciliegio (Prunus avium L.) guida attualmente le esportazioni cilene di frutta fresca in termini di valore. Secondo i dati dell’Ufficio di studi e politiche agrarie (ODEPA), nel periodo cumulato tra settembre 2025 e gennaio 2026 il settore ha generato 2.465 milioni di dollari FOB (circa 2.268 milioni di Euro), con circa 541mila tonnellate spedite. Queste cifre rappresentano il 66% del valore e il 44% del volume totale di frutta fresca esportata dal Paese. Inoltre, alla chiusura della stagione, le spedizioni di questa coltura hanno raggiunto circa 112 milioni di casse, pari a circa 561mila tonnellate, con la Cina che ha concentrato circa l’87% del volume esportato.
Questa performance si inserisce in un contesto di crescita sostenuta della coltura in Cile, che attualmente raggiunge circa 77.766 ettari piantati. Negli ultimi cinque anni, la superficie è cresciuta a un tasso annuo vicino al 14,9%, con un ruolo particolarmente rilevante della Regione di O’Higgins, che concentra il 26,1% della superficie nazionale. Sebbene nell’ultima stagione sia stata osservata una diminuzione dei prezzi unitari, associata a una maggiore offerta e a un avvio più lento della domanda sul mercato asiatico, le proiezioni del settore indicano che sia la superficie piantata sia i volumi esportati continueranno a espandersi nei prossimi anni.
La gestione del frutteto di ciliegio è altamente complessa. Ogni stagione richiede decisioni critiche legate alla carica produttiva, all’irrigazione, alla nutrizione, alla regolazione della crescita, al diradamento e alla definizione del momento ottimale di raccolta. A ciò si aggiunge la marcata variabilità all’interno del frutteto, sia tra alberi sia tra diversi settori dell’azienda, che genera differenze significative in termini di vigore, allegagione, dimensione del frutto e maturazione. Allo stesso tempo, la crescente variabilità climatica aumenta l’incertezza produttiva. In una regione come O’Higgins, dove i microclimi possono variare anche tra aziende vicine, queste differenze possono tradursi in strategie di gestione molto diverse.
La produzione frutticola ad alto valore affronta oggi uno scenario caratterizzato da maggiori esigenze commerciali, standard qualitativi più rigorosi e margini sempre più sensibili agli errori operativi. In questo contesto, la gestione produttiva smette di essere solo una questione di esperienza accumulata e diventa una sfida di integrazione delle informazioni su più scale. Di conseguenza, le decisioni basate esclusivamente sull’osservazione visiva o sull’esperienza storica risultano sempre più insufficienti di fronte a sistemi produttivi più intensivi.
Di fronte a queste complessità emerge la necessità di una gestione basata sui dati, in cui l’agricoltura di precisione, attraverso la raccolta sistematica delle informazioni, offre una strategia per ottimizzare la qualità del processo decisionale. Attraverso sensori, immagini e algoritmi di elaborazione è possibile quantificare variabili che in passato venivano valutate in modo soggettivo, come il numero di fiori, la carica di frutti, la distribuzione spaziale dei frutti o il volume della chioma. L’uso dell’intelligenza artificiale (IA) e di modelli predittivi consente di trasformare questi dati in informazioni azionabili, riducendo l’incertezza e migliorando l’efficienza nella gestione del frutteto. In questo modo, i produttori possono anticipare gli scenari produttivi e adattare le proprie decisioni di gestione con un maggiore fondamento tecnico.
Proprio per quanto esposto, un gruppo interdisciplinare di accademici dell’Istituto di Scienze dell’Ingegneria (ICI) e dell’Istituto di Scienze Agroalimentari, Animali e Ambientali (ICA3) dell’Università di O’Higgins (UOH), insieme a studenti post-laurea e professionisti, lavora da diversi anni allo sviluppo e all’implementazione di tecnologie di agricoltura di precisione nella coltivazione del ciliegio. Questa linea di ricerca applicata integra la raccolta di dati tramite sensori, la visione computazionale, la modellazione tridimensionale di frutti e alberi e l’IA, strumenti che oggi orientano il trasferimento tecnologico promosso dall’università verso il settore frutticolo della Regione di O’Higgins.
Nella coltivazione del ciliegio, la complessità aumenta a causa del ridotto tempo di reazione in campo e del grande volume di frutti che devono essere valutati nel corso della stagione. La stima della carica produttiva, la definizione delle strategie di potatura, la regolazione fine dell’irrigazione e la sincronizzazione delle operazioni critiche richiedono decisioni tempestive che, spesso, devono essere prese con informazioni parziali e non sempre rappresentative della reale variabilità all’interno del frutteto. Migliaia di frutti per albero, differenze microclimatiche tra appezzamenti e risposte fisiologiche eterogenee fanno sì che piccole deviazioni possano tradursi in impatti significativi sulla resa e sulla qualità della frutta. In questo contesto, la sfida attuale non consiste nel sostituire la conoscenza agronomica esistente, ma nell’ampliarla e strutturarla mediante strumenti capaci di catturare, elaborare e trasformare grandi volumi di dati in informazioni utili per il processo decisionale.
L’integrazione di tecnologie abilitanti, come sensori connessi (IoT), modelli di intelligenza artificiale, sistemi robotici e analisi avanzata, consente di osservare la coltura a livello di singolo albero, identificare pattern invisibili a occhio nudo e anticipare gli scenari prima che si traducano in perdite. In questo modo, il frutteto inizia a essere affrontato come un sistema dinamico e differenziato dal punto di vista territoriale.
Storicamente, il conteggio dei frutti è stato effettuato manualmente, una procedura che introduce variabilità nei risultati e richiede un investimento considerevole di tempo e risorse umane. Tuttavia, il numero di frutti da solo non descrive completamente lo stato produttivo di un frutteto: aspetti come la dimensione, la forma e la distribuzione del calibro all’interno dell’albero sono ugualmente determinanti per stimare il potenziale produttivo e pianificare le operazioni di gestione. La sfida attuale non si limita a migliorare la precisione del conteggio, ma punta a sviluppare metodi che permettano di caratterizzare geometricamente i frutti in modo oggettivo, sistematico e scalabile.
Lo sviluppo di tecniche basate su IA e visione computazionale sta aprendo nuove possibilità per il monitoraggio agricolo. Queste tecnologie consentono ai computer di analizzare immagini degli alberi e identificare strutture chiave, come dardi, fiori o frutti. A partire da questo tipo di analisi è possibile automatizzare diverse attività di monitoraggio e valutazione produttiva. Una delle applicazioni più rilevanti è la stima della quantità e dello stato di maturazione dei frutti a partire da fotografie o video, con la capacità di rilevarli anche quando presentano ancora una colorazione verde.
Lo stesso approccio può essere applicato durante il periodo invernale per stimare la densità di dardi o gemme sugli alberi, generando diagnosi sulla quantità di strutture produttive attese in un appezzamento. Ciò risulta particolarmente utile per valutare perdite associate a eventi climatici, come piogge intense, o a pratiche di gestione come il diradamento. Mappando queste informazioni in diverse zone dell’appezzamento, è possibile identificare pattern spaziali e comportamenti produttivi che, altrimenti, passerebbero inosservati, consentendo il rilevamento precoce di zone anomale all’interno dell’azienda.
Le sequenze di immagini e video permettono di stimare la morfologia dell’albero nel tempo. Tuttavia, la presenza di occlusioni, la natura dinamica del fogliame e le variazioni di illuminazione non controllate introducono ambiguità che richiedono metodologie di ricostruzione più robuste. Negli ultimi anni sono emersi modelli di IA capaci di generare rappresentazioni tridimensionali direttamente a partire dalle immagini, apprendendo dalle informazioni contenute nei pixel e dalle variazioni tra più punti di vista. Questo consente di ottenere ricostruzioni più coerenti e adatte a realizzare misurazioni quantitative, anche in condizioni di occlusione e cambiamenti di illuminazione.
Una ricostruzione completa consente inoltre di estrarre in modo assistito componenti specifiche della scena tramite tecniche di segmentazione. Ciò permette di isolare strutture di interesse per stimarne la distribuzione spaziale e supportare la valutazione di variabili associate a produttività e qualità. La raccolta dei dati in campo viene effettuata con due sistemi di telecamere con obiettivi complementari: uno orientato alla ricostruzione tridimensionale dell’albero completo, per modellarne l’architettura e la distribuzione spaziale dei frutti, e un altro, con telecamera stereo, focalizzato sulla ricostruzione dettagliata delle singole ciliegie. Questa combinazione di scale consente di integrare l’analisi strutturale dell’albero con la caratterizzazione geometrica fine del calibro e della forma del frutto.
Da una prospettiva scientifica, queste ricostruzioni permettono di realizzare analisi morfologiche dell’albero nel tempo. Catturando immagini in diversi stadi fenologici è possibile “congelare” momenti specifici dello sviluppo dell’albero e valutarne l’evoluzione strutturale tra le stagioni o durante il ciclo produttivo annuale.
Una ciliegia ricostruita corrisponde quindi alla rappresentazione tridimensionale digitale del frutto ottenuta attraverso l’elaborazione di più immagini acquisite da diverse angolazioni. Questo modello 3D consente di visualizzare e quantificare attributi geometrici come forma, volume e struttura del peduncolo, oltre ad analizzare eventuali asimmetrie e migliorare la stima del calibro.
Il lavoro sviluppato presso la UOH va oltre il semplice conteggio dei frutti. A partire da ricostruzioni tridimensionali dell’albero e dei frutti, insieme all’uso di immagini iperspettrali, vengono generati modelli digitali che permettono di quantificare non solo il numero di frutti, ma anche la loro crescita e il livello di maturazione. In questo modo, i dati raccolti in campo vengono trasformati in informazioni strutturate che alimentano modelli di crescita e qualità, facilitando decisioni agronomiche più fondate.
La stima precoce della resa è fondamentale per pianificare logistica, manodopera e impegni commerciali. L’approccio basato sulla visione computazionale 3D consente di ricostruire rami e settori del frutteto, stimando il volume, la distribuzione e l’evoluzione del calibro del frutto. Integrando queste informazioni con variabili agroclimatiche, si generano proiezioni più solide del potenziale produttivo. Non si tratta solo di contare la frutta, ma di comprenderne la dinamica di crescita.
La regolazione della carica produttiva definisce in larga misura l’equilibrio tra quantità e qualità: una carica eccessiva compromette il calibro e l’uniformità, mentre una carica insufficiente penalizza la resa. I modelli sviluppati permettono di valutare lo stato reale di crescita del frutto in diverse posizioni dell’albero e in differenti momenti del ciclo, supportando decisioni di regolazione con un maggiore fondamento tecnico. Parallelamente, attraverso immagini iperspettrali integrate in modelli 3D, il progetto mira a correlare le informazioni spettrali con variabili interne, come consistenza e gradi Brix, per stimare la maturazione in modo non distruttivo, direttamente sull’albero. Disporre di queste informazioni consentirebbe di adeguare le finestre di raccolta, ottimizzare le operazioni e ridurre il rischio che la frutta non rispetti gli standard commerciali nei mercati di destinazione. In uno scenario di cambiamento climatico e di elevate esigenze commerciali, questi strumenti risultano strategici per la competitività dell’industria esportatrice.
Nei frutteti di ciliegio, ogni metro quadrato può presentare condizioni ambientali diverse: zone con maggiore ombreggiamento, settori esposti al vento o aree vulnerabili alle gelate per effetto della vicinanza ai bordi stradali. Queste variazioni generano impatti significativi sullo sviluppo fenologico della coltura, riflettendosi sulla qualità, sul calibro e sull’omogeneità del frutto. Disporre di dati affidabili in tempo reale è fondamentale per rendere visibile ciò che prima restava invisibile: i microclimi che determinano la resa di ogni pianta.
La tecnologia abilitante utilizzata in questo progetto è LoRaWAN, un protocollo di comunicazione wireless a lungo raggio e basso consumo energetico appartenente alla famiglia LPWA (Low Power Wide Area). La sua ampia copertura, fino a 15 km, e l’elevata autonomia energetica dei nodi, fino a 10 anni, consentono di mantenere reti estese con un’infrastruttura minima.
Grazie a queste caratteristiche e al finanziamento regionale (FIC IDI 40059070-0), sono stati installati sensori di temperatura, umidità e variabili edafiche in diversi settori di ciascuna azienda coinvolta. I dispositivi trasmettono dati in tempo reale a un’antenna centrale, dalla quale le informazioni vengono inviate alla banca dati situata presso la UOH, dove modelli di IA le interpretano e generano mappe climatiche intra-aziendali. Attualmente, la rete opera nei comuni di San Fernando, Rengo, Requínoa, Graneros, Peumo e Las Cabras, consentendo non solo di confrontare le condizioni tra aziende, ma anche di identificare contrasti termici tra settori adiacenti all’interno di uno stesso campo, fino al livello del singolo albero.
Durante l’ultima stagione, questa rete ha permesso di determinare con precisione i livelli di accumulo di freddo in intervalli di 24 ore e di constatare che tale accumulo non era omogeneo tra i settori. Questa evidenza ha consentito l’adattamento differenziato delle strategie di gestione, come l’applicazione localizzata di cianammide o di prodotti stimolanti la germogliazione nelle zone più arretrate, allineando le decisioni agronomiche alla realtà termica locale.
Con l’obiettivo di far sì che queste tecnologie abbiano un impatto reale sulla gestione produttiva, è stata sviluppata una piattaforma digitale che consente agli agricoltori coinvolti nel progetto di accedere a report periodici sulle condizioni ambientali delle loro colture. I report includono indicatori chiave per il processo decisionale agronomico: accumulo di ore di freddo (HF), gradi-giorno (DG), temperatura media, umidità ambientale e variabili associate allo stato del suolo. Questa disponibilità sistematica consente di valutare con maggiore precisione lo sviluppo fenologico e anticipare i rischi associati agli eventi climatici.
In modo complementare, le metodologie di analisi delle strutture nei ciliegi tramite IA saranno integrate in un’applicazione web orientata ai produttori, che permetterà di visualizzare statistiche, dati georeferenziati e rappresentazioni grafiche dello stato produttivo dei frutteti. In questo modo, gli agricoltori potranno generare report integrando informazioni provenienti sia dal monitoraggio climatico sia dall’analisi delle immagini, dando forma a uno strumento di diagnosi continua a supporto delle decisioni nella gestione della coltura.
L’implementazione di queste tecnologie in contesti produttivi reali affronta ancora sfide importanti. La qualità e il volume dei dati raccolti in campo sono aspetti critici, poiché i modelli di visione computazionale richiedono insiemi di dati ampi, eterogenei e correttamente etichettati. La loro costruzione è un processo laborioso, che richiede un coordinamento costante con i produttori. Inoltre, una delle principali sfide è la scalabilità: le metodologie sviluppate in aziende pilota devono essere trasferite a sistemi produttivi con diverse configurazioni varietali, densità e superfici, il che richiede protocolli di acquisizione replicabili e modelli sufficientemente generalizzabili. Per i produttori medi e piccoli, l’accesso a queste tecnologie dipenderà anche dallo sviluppo di modelli di servizio scalabili e cooperativi, capaci di ridurre la barriera d’ingresso.
Nel breve e medio periodo, l’evoluzione più significativa punta all’integrazione progressiva di flussi di dati di diversa natura, fenologici, climatici, spettrali e strutturali, in piattaforme unificate capaci di operare non solo come strumenti diagnostici, ma anche come sistemi di supporto alla pianificazione strategica della stagione. In questo scenario, il ruolo del produttore e del consulente agronomico non sarà sostituito, ma trasformato: la conoscenza esperienziale della gestione resterà indispensabile, ma dovrà articolarsi con la capacità di interpretare dati quantitativi e interagire con piattaforme di supporto al processo decisionale. A livello di modello produttivo, l’adozione continuativa di tecnologie di precisione ha il potenziale di ridefinire gli standard di competitività del settore, abilitando la tracciabilità dall’albero alla spedizione e la certificazione della qualità, con un supporto quantitativo, in mercati di destinazione sempre più esigenti.
Rodrigo Versachae
Accademico presso l'USM, direttore scientifico del FIC Cherry Project. Karen Mesa, accademica presso l'Istituto di Scienze Agronomiche e Veterinarie ICA3. Jaime Varas, agronomo della PUC, coordinatore esecutivo del FIC Cherry Project, ICI-UOH
Fonte immagine: Stefano Lugli
11 set 2025
Uno studio sull’altopiano del Loess (Cina) analizza come età del frutteto e varietà del ciliegio dolce influiscano sulla qualità del suolo, evidenziando l’importanza della stabilità degli aggregati e della sostanza organica per coltivazioni più sostenibili e produttive.
11 apr 2025
Un recente studio cinese ha analizzato i geni LOX nelle ciliegie dolci, rivelando il ruolo cruciale della lipossigenasi nella formazione dell’aroma e nella maturazione del frutto. Scopri come questi enzimi influenzano gusto e qualità a seconda della varietà.
09 giu 2026
La chiarificazione del succo di amarena con membrane PES e pretrattamento enzimatico a base di pectinasi migliora limpidezza e stabilità, limita il fouling e tutela polifenoli, antociani e antiossidanti, offrendo indicazioni utili per processi più sostenibili ed efficienti.
09 giu 2026
Nei frutteti di ciliegio del Cile, l’Università di O’Higgins integra IA, sensori LoRaWAN, visione computazionale, immagini iperspettrali e modelli 3D per stimare resa, calibro, maturazione e microclimi, migliorando qualità, raccolta e decisioni agronomiche.
