La previsione dei fenomeni naturali, con grande attenzione all’impatto di questi sulla sfera agricola, è un obiettivo da sempre ricercato dall’agricoltore. Ma se un tempo l’unico strumento disponibile era la conoscenza delle colture e del territorio, oggi esistono nuovi metodi efficaci, atti a migliorare l’approccio decisionale: parliamo dei DSS (Sistemi di Supporto alle Decisioni), algoritmi in grado non solo di stimare la presenza e l’entità di un fenomeno attualmente in campo, ma anche di prevederne lo sviluppo futuro in relazione all’andamento atmosferico e alle caratteristiche del terreno in cui si inserisce la coltura.

L’utilizzo di algoritmi (o modelli) di previsione è una grande opportunità per tutti gli operatori del settore produttivo, sia nelle analisi su larga scala, permettendo di monitorare simultaneamente territori dislocati, sia su scala più ristretta, offrendo allerte nella casualità di imminenti rischi per le colture.

Diversi sono gli algoritmi di supporto decisionale utilizzabili in ambito agricolo, tra questi uno risulta fondamentale: il modello di sviluppo fenologico delle piante.

Conoscere e prevedere la fase di sviluppo di una determinata coltura risulta infatti cruciale per la corretta scelta delle tempistiche di attuazione delle pratiche colturali ed è un parametro essenziale per l’ottimale calibrazione di modelli previsionali più complessi (ad esempio, le simulazioni di stress idrici, nutrizionali e biotici risentono dell’accuratezza della predizione fenologica).

Agricolus offre diversi modelli di sviluppo fenologico atti a mappare la crescita di molteplici specie colturali: uno dei più utilizzati è quello del frumento tenero.

La base di partenza sono i dati forniti da capannine meteorologiche; grazie a queste informazioni risulta possibile assumere quanto “calore” una coltura abbia assorbito durante il periodo di sviluppo. Infatti, per omogenizzare la stima della crescita di colture similari in distretti territoriali differenti, uno dei metodi più utilizzati nelle simulazioni di sviluppo fenologico consiste nel calcolo giornaliero dei gradi Celsius accumulati dalle piante (chiamati tecnicamente somme termiche).

In territori freddi l’accumulo di calore è rallentato rispetto ad areali maggiormente caldi e ciò si traduce in uno sviluppo meno rapido della coltura. Inoltre, possono essere integrati altri fattori di correzione che aumentano l’attendibilità di un modello fenologico: nel caso dell’algoritmo utilizzato in questo studio viene attuata una correzione in base al fotoperiodo dell’areale (il numero di ore di luce di una determinata giornata, fattore che varia in base al giorno dell’anno e alla latitudine).

Successivamente, non resta che tradurre le somme termiche nella scala BBCH. Essendo il modello una simulazione semplificata della realtà, lo sviluppo del frumento viene suddiviso in sei fasi fondamentali per il corretto timing delle operazioni colturali: semina (BBCH 0), emergenza (BBCH 9), accestimento (BBCH 21), levata (BBCH 31), botticella (BBCH 41), fioritura (BBCH 65) e maturazione (BBCH 83).

Una caratteristica interessante di questo algoritmo previsionale è la possibilità di integrare le rilevazioni in campo effettuate dagli agricoltori o dai tecnici; un modello previsionale, anche se raggiunge stime affidabili, è per definizione soggetto ad una percentuale di errore che può essere acuita in casi in cui la coltura è soggetta ad esternalità non considerate da esso, oppure durante periodi con condizioni ambientali straordinarie.

Per questo motivo, nel caso in cui la simulazione offerta dal modello si discosti dalla realtà, l’agricoltore può inserire la fase fenologica corretta all’interno di Agricolus e permettere al modello di correggere le stime.

Dopo la scelta dell’algoritmo e la calibrazione di quest’ultimo, risulta importante confrontare le previsioni con la verità a terra. A tal fine, è indispensabile effettuare rilievi in campo per toccare con mano la veridicità delle simulazioni effettuate dal computer.

Testare gli algoritmi su distretti agrari con caratteristiche climatiche differenti è pressoché fondamentale in un panorama agricolo come quello italiano, vista la grande variabilità pedoclimatica dei diversi areali.

In questo lavoro sperimentale è stato scelto di analizzare sei casi studio dislocati in territori differenti durante due stagioni agrarie, 2022-23 e 2023-24. Tutti gli appezzamenti sotto esame, relativi a due aziende piemontesi, una emiliana, una umbra e una friulana, sono stati seminati con frumento tenero a semina invernale.

Per la raccolta dati siamo stati assistiti da SATA, società che offre servizi integrati di progettazione, consulenza e controllo a tutti i soggetti della filiera agroalimentare vegetale, la quale ci ha supportato nei campionamenti necessari alle validazioni del modello.

Sono presenti, come si può notare in figura 1, diversità nelle campagne di campionamento tra le aziende, causate dal cambio di operatori che hanno eseguito il rilievo dei campioni, dovuto alla distanza geografica delle aziende, e alcune modifiche nell’approccio tra le stagioni 2022-23 e 2023-24.

Nelle aziende 1, 2 e 5 (Emilia-Romagna, Piemonte, Umbria) i valori osservati di BBCH per ogni caso studio derivano dalla media di campioni raccolti in aree significativamente variabili secondo indagine satellitare.

Mentre nei casi studio del Friuli-Venezia Giulia (azienda 4) è stato raccolto un solo campione per rilievo in campo e, infine, l’ultimo set di dati piemontese (azienda 3) proviene da una campagna sperimentale effettuata in un centro di saggio destinata ad indagare più fenomeni impattanti la crescita del grano; per questo le osservazioni derivano dalla media di più parcelle coltivate a differente varietà di frumento tenero soggette a molteplici approcci colturali (fertilizzazioni e trattamenti variabili).

In totale, le osservazioni di campo utili a validare l’accuratezza del modello previsionale sono poco più di un centinaio (111), ricordando che solamente i rilevi ottenuti in Friuli non sono frutto di più campionamenti nello stesso campo (ma comunque inclusi per allargare l’area di test del modello).

In figura 1 sono presentati in verde (—) gli andamenti delle simulazioni di sviluppo fenologico, mentre in arancione (•) le osservazioni di campo.

Come anticipato, il modello semplifica lo sviluppo della coltura suddividendolo solamente nelle fasi principali, una metodologia che resta comunque efficace ai fini di supporto decisionale, essendo mappate le fasi più critiche dello sviluppo delle piante.

In generale si può notare come le simulazioni siano risultate tendenzialmente accurate in tutti i casi studio riportati; soprattutto un’accuratezza sufficiente è stata raggiunta per quanto riguarda la previsione delle fasi di botticella (BBCH 41), utile da prevedere nel caso di applicazioni di azoto per aumentare il contenuto proteico del prodotto, e della fioritura (BBCH 65), essendo quest’ultima una fase delicata per il raggiungimento del potenziale produttivo.

Va ricordato che l’accoppiamento della previsione di sviluppo fenologico con quelle meteorologiche può essere un ottimo supporto nella scelta delle tempistiche di trattamenti fitosanitari con il fine di massimizzare l’efficacia dei prodotti per la difesa dalle malattie.

Alcuni scostamenti si possono notare nella simulazione del passaggio da accestimento a levata (BBCH da 21 a 31): come è possibile osservare nelle aziende 1-2-4, l’algoritmo ha anticipato la stima della fase di levata. Questo scostamento è probabilmente dovuto alle alte temperature registrate durante l’inverno 2022-23 che hanno influenzato il calcolo effettuato

Per valutare ulteriormente l’affidabilità delle stime è stata inoltre costruita una matrice di confusione (fig. 2), una tabella utilizzata per identificare gli errori di algoritmi di classificazione.

Per effettuare l’analisi, le osservazioni sono state riclassificate con il fine di renderle omogenee alle classi di predizioni; in questo modo il valore BBCH delle osservazioni di campo è stato riportato alla classe di predizione più vicina. Nella matrice di confusione si trovano le frequenze delle coppie di valori osservato – predetto correttamente classificate sulla diagonale che va dall’angolo in basso a sinistra a quello in alto a destra, mentre nelle caselle adiacenti alla diagonale sono riportate le frequenze delle coppie di valori non corrette.

Come si può notare in figura 2, la maggior parte dei valori simulati conferma quanto rilevato a terra; tuttavia, si possono notare alcuni errori relativi alla simulazione di levata e botticella (in quest’ultimo caso dovuto allo stretto periodo proprio di questa fase che rende la stima precisa più complessa, magli errori del modello sono lievi come si può notare in figura 1).

Le prove attuate in campo confermano l’affidabilità del modello come supporto decisionale: l’accuratezza delle stime arriva al 66% (predizioni corrette sul totale) con una precisione del 74%, valori incoraggianti soprattutto perché gli errori non si discostano molto dai valori osservati. Lo scostamento massimo degli errori si limita a pochi giorni, sostanzialmente ininfluenti ai fini di una corretta gestione agronomica delle colture.

I modelli di sviluppo fenologico, grazie ai continui studi e alle prove sperimentali, stanno diventando sempre più accurati, predisponendo gli algoritmi maggiormente complessi ad essere ancor più affidabili.

Seguendo il metodo sperimentale, non ci resta che continuare a studiare, porre ipotesi, verificarle in campo e riniziare ogni volta da capo, spronati dai buoni risultati che un passo alla volta questo innovativo metodo di fare agricoltura ci sta offrendo.