Produzione e qualità del vino sono fortemente influenzate dalla variabilità delle condizioni pedo-ambientali, rendendo la viticoltura di precisione essenziale per ottenere rese uniformi. Questo è particolarmente rilevante nel contesto dei cambiamenti climatici, dove il monitoraggio precoce delle condizioni di crescita e la pianificazione avanzata delle pratiche agricole assumono importanza cruciale.
I modelli di simulazione colturale tradizionali, pur essendo strumenti utili, presentano limitazioni significative: richiedono numerosi dati di input e operano su scale spaziali troppo ampie per cogliere le micro-differenze che influenzano la crescita e la resa delle viti.
Lo studio di Leolini e colleghi affronta questa problematica, esplorando l'integrazione tra dati satellitari e un modello di crescita della vite (UNIFI.GrapeML) per migliorare le pratiche di agricoltura di precisione. La ricerca si concentra sulla possibilità di utilizzare la frazione di radiazione fotosinteticamente attiva (fPAR) rilevata da satellite durante una singola fase precoce (allegagione) per guidare il modello di simulazione.
L'innovazione principale consiste nell'utilizzo di un'unica acquisizione di dati satellitari (Sentinel-2A) combinata con immagini da droni, integrata con un algoritmo di riscalamento che distingue il contributo della chioma della vite dalla vegetazione interfilare. Questo approccio riduce notevolmente la complessità operativa rispetto alle metodologie tradizionali che richiedono multiple acquisizioni durante l'intera stagione colturale.
La metodologia è stata testata in due vigneti toscani di Sangiovese con risultati promettenti:
- nel primo vigneto (Sito A), utilizzando dati di LAI (indice di area fogliare) misurati sul campo, il modello ha stimato accuratamente il peso dei tralci potati a fine stagione;
- nel secondo vigneto (Sito B), i dati satellitari sono stati utilizzati per calcolare l'NDVI (indice di vegetazione) e convertirlo in fPAR. Le immagini ad alta risoluzione acquisite con drone hanno permesso di correggere i dati satellitari, distinguendo efficacemente la vite dall'erba tra i filari, migliorando significativamente le stime.
Il modello ha simulato con precisione l'umidità del suolo, evidenziando i periodi di stress idrico. Le zone con piante più vigorose hanno mostrato una resa maggiore, mentre quelle con piante più deboli hanno prodotto meno, confermando le osservazioni di campo.
I risultati dimostrano che la combinazione di tecnologie satellitari, droni e modelli matematici può supportare efficacemente i viticoltori nelle loro decisioni, ottimizzando tempo e risorse. Questo metodo permette di identificare, già a inizio estate, le zone del vigneto che necessitano di interventi specifici (irrigazione, potatura) per uniformare la produzione. Il vantaggio principale è la necessità di una sola immagine satellitare, integrata con alcuni dati di supporto, per ottenere previsioni utili, eliminando la necessità di rilevamenti complessi durante tutta la stagione vegetativa.
In prospettiva futura, l'utilizzo di altri indici vegetazionali o l'affinamento del modello potrebbe migliorare ulteriormente la precisione delle previsioni, specialmente nei vigneti molto fitti.
Questa strategia si dimostra efficace nel migliorare la gestione agronomica, riducendo i costi operativi e ottimizzando le pratiche colturali in un'ottica di viticoltura di precisione, gettando le basi per applicazioni su larga scala e contribuendo a una viticoltura più sostenibile e resiliente ai cambiamenti climatici.
Leolini, L., Bregaglio, S., Ginaldi, F. et al. Use of remote sensing-derived fPAR data in a grapevine simulation model for estimating vine biomass accumulation and yield variability at sub-field level. Precision Agric 24, 705–726 (2023). Disponibile qui
