La previsione nella coltivazione dei mirtilli è estremamente importante per le aziende agricole moderne, poiché consente di anticipare quanta produzione ci si può aspettare per la stagione successiva.
Tuttavia, questo compito può essere piuttosto difficile da svolgere con precisione, soprattutto in termini numerici e su base settimanale. Molti coltivatori e distributori di frutta faticano a raggiungere il numero desiderato di chili a settimana da fornire ai propri clienti.
Cosa Interferisce con la Previsione?
- Fattori ambientali: condizioni meteorologiche, condizioni del suolo, tassi di impollinazione
- Gestione della coltura: sistemi di irrigazione, controllo di parassiti e malattie, potatura e addestramento
- Tecnologia e analisi dei dati: sistemi di monitoraggio della resa, modellazione e simulazione delle colture, decisioni basate sui dati
- Tendenze di mercato e domanda: analisi di mercato, previsione dei prezzi, previsione della domanda
- Ottimizzazione della catena di approvvigionamento: gestione della catena del freddo, gestione dell’inventario, logistica e trasporto
- Ricerca & Sviluppo: sensori e robotica, agricoltura di precisione, miglioramento genetico
*Questi fattori sono spesso interconnessi, ma le loro interazioni non sono ancora state studiate a fondo.
Fonte: Niedbała, G.; Kurek, J.; Swiderski, B.; Wojciechowski, T.; Antoniuk, I.; Bobran, K. Prediction of Blueberry (Vaccinium corymbosum L.) Yield Based on Artificial Intelligence Methods. Agriculture 2022, 12, 2089. https://doi.org/10.3390/agriculture1212208
Cosa Viene Normalmente Utilizzato dai Dati Aziendali?
I dati storici dell’azienda agricola sono sempre utili, ma normalmente si considerano i seguenti elementi:
- Età delle piante
- Numero di gemme a fiore
- Numero totale di fiori per gemma (dipende dalla varietà e dalla zona di produzione)
- Tassi di impollinazione: spesso valutati come tasso di autoimpollinazione (comune nelle varietà brevettate). Le genetiche più recenti tendono ad avere alti tassi di autoimpollinazione
- Fattori di stress abiotici e biotici: grandine, gelo, malattie, uccelli
- Numero totale di piante per ettaro e per varietà
Figura 1: Previsione per la varietà Duke basata sul conteggio dei singoli germogli durante la fase dormiente invernale.
Esempio: Previsione Usando la Varietà Duke
Figura 1: Previsione per la varietà Duke basata sul conteggio dei singoli germogli durante la fase dormiente invernale.
Nell’esempio mostrato, è stato utilizzato un campione di 25 piante/ha (4166 piante/ha totali), e la resa è calcolata come segue:
Resa = (Gemme a fiore × numero di fiori × peso medio del frutto (dati aziendali) × % di autoimpollinazione) × (Perdite per stress abiotico e biotico %)
Dopo aver contato le gemme e calcolato la media, questa formula viene applicata per stimare la resa per ettaro.
Resa (g) = (300 × 5 × 1,8g × 0,85) × 0,75 = 2295g × 0,75 = 1721,25g /pianta
La dimensione del campione è spesso oggetto di critiche da parte dei coltivatori: richiede molto tempo (costi), lavoro noioso e dubbi sull’accuratezza di questo metodo.
Altre pubblicazioni dei comitati per i mirtilli hanno utilizzato dal 1 al 3% delle piante come campione per questi tipi NHB, il che si traduce in 100–200 piante/ha per un campione più ampio e preciso.
Per i tipi SHB, è più comune contare gemme, fiori e frutti verdi su 3–5 piante ogni 15 giorni per aggiornare la previsione del raccolto fino all’inizio della raccolta. Questo approccio utilizza la stessa varietà nella stessa azienda, suddivisa per blocchi di piante differenti.
Questo metodo è chiaramente molto più dispendioso in termini di tempo e un campione ridotto può portare a potenziali errori.
Possiamo Usare Modelli di Previsione con Intelligenza Artificiale e Machine Learning?
Diverse aziende stanno combinando conoscenze agronomiche con GDD (Growing Degree Days – Giorni di Accrescimento Termico) o GDH (Growing Degree Hours – Ore di Accrescimento Termico), cioè unità di accumulo della temperatura specifiche per la crescita ottimale di ogni coltura, integrando i profili termici delle colture con sistemi di telecamere e machine learning. Queste tecnologie utilizzano dati visivi (fotografie) per identificare gli organi delle piante e monitorarne lo sviluppo nel tempo.
Alcuni esempi di aziende che utilizzano queste tecnologie sono Yield Computer e Bitwise Agronomy.
Figura 2. Schema di funzionamento di Yield Computer
Figura 3. Struttura operativa di Bitwise Agronomy
Vogliamo Contare con Maggiore Precisione: A Che Punto Siamo con R&S?
Attualmente, alcuni progetti guidati da università negli Stati Uniti e in Polonia, come suggerito da Niedbała et al. (2022), stanno esplorando l’interazione di molteplici fattori—fino a 99—utilizzando modelli assistiti da intelligenza artificiale.
Figura 4. Schema utilizzato in un progetto R&S per piccoli frutti negli Stati Uniti.
Figura 5. Risultati preliminari sulla rilevazione tramite immagine dei frutti e previsione di resa.
- (A) Numero di bacche rilevate dal modello rispetto a quelle annotate manualmente nell'immagine.
- (B) Resa prevista per pianta (g), basata su immagini a 360 gradi, confrontata con le rese reali dei mirtilli coltivati in serra in contenitore.
- (C) Resa prevista per pianta (g) vs. resa reale per pianta (g) nei mirtilli coltivati in campo. La resa è stata stimata come numero di bacche rilevate × peso medio misurato del frutto (g).
Fonte: Southern Region Small Fruit Consortium Proposal Final Report – Titolo: Enabling High-Throughput Yield Prediction for Efficient Blueberry Production
Figura 6. Ulteriori risultati preliminari sulla rilevazione di bacche e previsione della resa tramite immagini.
- (A) Conteggio delle bacche rilevate dal modello vs. conteggio annotato manualmente nell'immagine (R² = 0.91).
- (B) Resa prevista per pianta (g) usando immagini a 360° vs. resa reale in condizioni di serra (R² = 0.90).
- (C) Resa prevista vs. reale per pianta (g) nei mirtilli coltivati in campo (R² = 0.59). La resa è stata calcolata come conteggio delle bacche rilevate × peso medio del frutto (g).
Dove Andiamo da Qui?
I dati sulla resa sono fondamentali per i coltivatori di mirtilli per ottimizzare sia la produzione che le strategie di marketing. La stima della resa prima della raccolta, sia tramite valutazione visiva che campionamento manuale, tende ancora a non essere precisa.
Se la resa e il grado di maturazione possono essere previsti con precisione prima della raccolta, i produttori avranno una migliore comprensione per la programmazione della raccolta, la gestione della manodopera e le strategie di marketing più efficaci (Swain et al., 2010).
Per un’adozione più ampia e pratica di questi strumenti, sarà necessaria una collaborazione tra aziende tecnologiche, marketer e coltivatori per guidare i futuri sviluppi.
Riferimenti Bibliografici
1. Zaman, Q., Swain, K., Schumann, A., & Percival, D. (2010). Automated, Low-Cost Yield Mapping of Wild Blueberry Fruit. Applied Engineering in Agriculture, 26, 225–232. DOI: 10.13031/2013.29540.
2. Southern Region Small Fruit Consortium Proposal Final Report – Titolo: Enabling High-Throughput Yield Prediction for Efficient Blueberry Production
3. Niedbała, G.; Kurek, J.; Swiderski, B.; Wojciechowski, T.; Antoniuk, I.; Bobran, K. Prediction of Blueberry (Vaccinium corymbosum L.) Yield Based on Artificial Intelligence Methods. Agriculture 2022, 12, 2089. https://doi.org/10.3390/agriculture1212208
Jorge Duarte