INTRODUZIONE Le moderne tecnologie classificate come tecnologie abilitanti consentono di sviluppare nuove soluzioni in grado di ridurre l’errore umano, aumentare la produzione, ottimizzare i consumi energetici e soprattutto produrre informazioni sempre più affidabili. In particolare, recenti sviluppi tecnologici hanno fornito strumenti utili per il monitoraggio in tempo reale e da remoto di importanti variabili coinvolte nella produzione dell’uva, in grado di elaborare e trasmettere le informazioni richieste agli utenti. In questo momento dove il cambiamento climatico è uno dei principali fattori che influiscono sulle attività agricole, una più precisa gestione dell’irrigazione del vigneto risulta particolarmente rilevante. Pertanto, all’interno del progetto ADAM, si è deciso di allestire una sperimentazione in condizioni controllate che verte a ottenere informazioni sulla possibile applicazione di tecniche ottiche speditive per il monitoraggio continuo dello stato idrico della vite che vadano a sostituire le tradizionali tecniche distruttive attualmente utilizzate. L'elevato impatto dell'irrigazione sulla qualità delle colture e sulla resa della vite rende lo sviluppo di questi sistemi di monitoraggio una questione essenziale nel contesto di una viticoltura più moderna e sostenibile.
OBIETTIVI SPECIFICI Gli obiettivi dello studio sono stati: identificare le lunghezze d'onda più sensibili allo stato idrico mediante induzione di stress in condizioni controllate, utilizzare queste bande indicative per costruire un modello predittivo e progettare una procedura operativa per creare una nuova generazione di sensori ottici in grado di raccogliere informazioni relative allo stato idrico della vite in tempo reale.
LA CAMPAGNA SPERIMENTALE La campagna sperimentale e` stata condotta da maggio a fine luglio 2020 presso la facoltà di Scienze Agrarie e Alimentari dell’Università degli Studi di Milano. Il campionamento è stato effettuato in 8 giornate su 24 viti di Pinot Bianco innestato su due diversi portinnesti. Le piante, viti di 4 anni, sono state coltivate in vasi da 60 L con un substrato composto per il 70% da sabbia e per il 30 % da torba. Durante la fase di germogliamento le piante sono state mantenute in condizioni di buona irrigazione per permettere lo sviluppo di una chioma ben espansa. Il contenuto di acqua del suolo è stato mantenuto al livello di capacità di campo fino all’inizio della sperimentazione. L’irrigazione è stata poi interrotta per tutto l’arco del campionamento. Le piante sono state suddivise in due gruppi (line 1 e line 2) in base al genotipo del portainnesto; per ogni portainnesto sono state utilizzate 11 piante come test (test plants) e una pianta come controllo (control plant), per un totale di 22 piante test e 2 piante controllo come mostrato in Figura 1. Al fine di indrre le piante in una condizione di stress e allo stesso tempo ottenere una variabilità sufficiente per costruire un modello multivariato affidabile per la valutazione del potenziale idrico, i vasi sono stati coperti da un film plastico dal momento dell’inizio dei campionamenti. Il procedimento di copertura ha impedito infiltrazioni d’acqua piovana evitando, tuttavia, l’evapotraspirazione dell’acqua dal terreno prolungando il tempo necessario per ottenere una situazione di stress. Le analisi sono state eseguite tra le 3:00 e le 5:30 del mattino (predawn), momento in cui le piante si trovano in equilibrio col terreno. Per ridurre la variabilità fisiologica correlata all’età della foglia e garantire la riduzione dell’eventuale rumore ottico dovuto alle variazioni di colore, in ogni giornata di campionamento è stata scelta una foglia mediana di circa 30 giorni per ogni pianta.
Le analisi ottiche I dati ottici sono stati raccolti, immediatamente dopo aver scelto la foglia adatta, utilizzando uno spettrofotometro portatile full-range operante nell’intervallo 350-2500 nm (Figura 2). Sono stati acquisiti quattro spettri per ogni foglia: due sulla superficie superiore (adassiale) e due sulla superficie inferiore (abassiale). Al termine di ogni acquisizione, che dura circa 30 secondi, lo spettro di ciascun campione viene calcolato automaticamente come media di 50 scansioni, in modo da ottenere uno spettro più rappresentativo di ogni lato della foglia.
Misura del potenziale idrico e del contenuto di umidità Il potenziale idrico in predawn (ΨPD) è stato misurato utilizzando la camera di Scholander (Figura 3) Dopo le analisi ottiche e la misura del potenziale idrico, le foglie sono state pesate (peso grossolano o “peso fresco”, GW) utilizzando una bilancia analitica. I campioni sono stati poi conservati ed essiccati in stufa (90 ± 1,5 ° C per 48 ± 0,25 ore) fino a peso costante. Dopo circa 30 minuti nell’essiccatore, le foglie sono state ripesate (peso secco, DW) per determinarne il contenuto in umidità:
MC (%)=((GW-DW)*100)/(GW)
dove: MC (%) = Moisture Content percentuale, GW = Gross Weight e DW = Dry Weight.
ANALISI DEI DATI L’analisi dei dati è stata eseguita mediante il software PLS-Toolbox (Eigenvector Research, Inc. Manson, Washington) in sinergia con Matlab® (versione 2021°, The MathWorks, Inc., Natick, MA, USA). L’elaborazione può essere sintetizzata in diverse fasi: una prima analisi di correlazione è stata effettuata per verificare la presenza di una relazione tra ΨPD e MC. Successivamente è stato messo a punto un modello predittivo utilizzando i dati ottici per la previsione dei valori di ΨPD. Per questo obiettivo diversi pretrattamenti spettrali sono stati testati e impiegati al fine di eliminare eventuali fonti di “rumore” che possono influenzare la qualità del dato ottico raccolto. Per la modellazione è stato utilizzato il metodo di regressione PLS (Partial Least Square). Infine, per individuare le lunghezze d’onda più rappresentative per la stima del potenziale idrico è stata effettuata una selezione delle variabili e una successiva ricostruzione del modello per validare le lunghezze d’onda scelte. L'accuratezza dei modelli è stata calcolata valutando l’errore di misura mediante l’RMSE (Root Mean Square Error) e il coefficiente di determinazione R2 in fase di costruzione (calibrazione) e validazione. Pertanto, più l'errore è basso e più l'R2 tende a 1 migliori sono le prestazioni del modello.
RISULTATI In tabella 1 viene riportata la performance del modello ottenuto utilizzando 80 campioni in calibrazione (Cal) e 16 campioni in validazione (Val). Inoltre, la media, la deviazione standard (DS) e il range di ΨPD sono stati riportati per la comparazione con il modello costruito. Nel complesso, una buona prestazione predittiva è stata ottenuta con un errore (RMSE) di 0,058 MPa e un R2 in validazione soddisfacente pari a 0,6. Tuttavia, questi risultati potrebbero essere ulteriormente migliorati aumentando il numero di campioni impiegati.
CONCLUSIONI E PROSPETTIVE FUTURE In conclusione, dai risultati ottenuti dalla sperimentazione in condizioni controllate, si evidenzia che esiste una relazione fra l’output ottico e la variazione di ΨPD consentendo la messa a punto di modelli predittivi per la stima dello stress. Tali risultati permettono di iniziare a pensare e sviluppare la messa a punto di una rete interconnessa di sensori ottici autonomi in grado di condividere informazioni legate allo stato idrico della pianta consentendo una miglior controllo del vigneto da remoto.
