4.9 KiB
4
Crop: Hazelnut Date of Lecture: 16 de julio de 2025 Link: https://www.mdpi.com/1424-8220/25/1/288?utm_source=chatgpt.com Name: Characterization of Hazelnut Trees in Open Field Through High-Resolution UAV-Based Imagery and Vegetation Indices Type: Healthy/Stressed
1. Contesto e obiettivo
La domanda globale di nocciole è in crescita, ma i cambiamenti climatici e le infestazioni/malattie mettono a rischio i raccolti. Il lavoro propone una metodologia non invasiva basata su droni dotati di telecamere multispettrali per monitorare lo stato fisiopatologico di ogni albero di nocciolo in campo aperto. Si cercano indici di vegetazione (VI) che consentano di prevedere se una pianta è sana o stressata/malata, al fine di supportare decisioni di gestione agricola più tempestive e accurate .
2. Progetto sperimentale
- Ubicazione: due frutteti in Piemonte, Italia (Carrù e Farigliano).
- Campioni: 185 alberi, fotografati in tre momenti (maggio, giugno e luglio 2022).
- Immagini:
- Risoluzione: ~2 Mpx per albero, spettri RGB, Red Edge (730 nm) e NIR (840 nm).
- Totale: 4 112 immagini parziali finali (dopo aver escluso porzioni di terreno) .
3. Elaborazione delle immagini
- Ritaglio geometrico per isolare ogni chioma (area ~4×4 m²).
- Segmentazione preliminare per NDVI: eliminazione dei pixel con NDVI < 0,2 per escludere il suolo e lo sfondo .
- Divisione in 9 sottoimmagini (quadranti di ~1 m²) per ridurre i falsi negativi nelle aree con sintomi localizzati .
4. Etichettatura manuale
Ogni sottoimmagine è stata esaminata da tre esperti botanici e classificata in modo binario come:
-
0 = Sano
-
1 = Malato/stressato
In caso di disaccordo, è stato raggiunto un consenso congiunto .
5. Indici di vegetazione (VI) analizzati
Sono stati calcolati nove VI facendo la media del valore di ogni pixel nella sottoimmagine. Formule chiave:
| Indice | Equazione | Intervallo tipico | Interpretazione |
|---|---|---|---|
| NDVI | (NIR – R) / (NIR + R) | Da –1 a +1 | Vigore generale; saturazione precoce |
| GNDVI | (NIR – G) / (NIR + G) | Da –1 a +1 | Più sensibile alla clorofilla e all'azoto, utile nelle fasi avanzate |
| GCI | (NIR / G) – 1 | Da –1 a +∞ | Proxy diretto del contenuto di clorofilla |
| NDREI | (NIR – RE) / (NIR + RE) | Da –1 a +1 | Sensibile al “red-edge”, buon indicatore della clorofilla in fase di maturazione |
| RECI | (NIR / RE) – 1 | Da –1 a +∞ | Simile a NDREI, ma meno utile in questo caso |
| NRI | (G – R) / (G + R) | Da –1 a +1 | Indica il contenuto di azoto; valori bassi = piante sane |
| GI | G / R | Da 0 a +∞ | Più clorofilla = GI inferiore; inverso a NRI |
| TCARI | 3((RE – R) – 0,2(G – R)) (RE – R) | Variabile | Rileva la clorosi, non ha discriminato bene in questo caso |
| SAVI | (1+L)(NIR – R)/(NIR + R + L), L=0,5 | Da –1 a +1 | Corregge la luminosità del suolo; ridondante con NDVI in questo caso |
6. Selezione di VI e modelli ML
- Scartati: NDVI, SAVI, RECI e TCARI (scarsa separazione tra le classi).
- Selezionati (buon potere predittivo):
- GNDVI, GCI, NDREI, NRI e GI.
- Algoritmi utilizzati:
- Random Forest, Regressione logistica e K‑Nearest Neighbors.
- Convalida:
- Divisione 80% addestramento / 20% test (k‑fold = 5).
- Ricerca casuale di iperparametri .
7. Risultati principali
| Modello | Precisione globale | Falsi negativi (%) |
|---|---|---|
| Regressione logistica | 66 % | 113 / 823 ≈ 13 % |
| Random Forest | 65 % | 112 / 823 ≈ 13 % |
| KNN | 64 % | 132 / 823 ≈ 16 % |
- La regressione logistica ha ottenuto la migliore precisione (0,66) e il punteggio F1 più equilibrato.
- Il rischio principale in agricoltura sono i falsi negativi; in questo caso si sono mantenuti al ≈13 %, inferiori o comparabili a studi su altre colture .
8. Discussione e applicazioni
- L'alta risoluzione (1 cm/pixel) rispetto ai satelliti (15-100 m/pixel) consente il monitoraggio a livello di albero.
- La segmentazione in sottoimmagini migliora il rilevamento dei sintomi parziali e riduce i falsi negativi.
- Ogni coltura richiede la convalida dei propri VI: ciò che funziona per pomodori, mele o agrumi non sempre è valido per i noccioli.
- Con dati settimanali e un servizio UAV automatizzato, sarebbe possibile segnalare le zone critiche e ottimizzare:
- Irrigazione localizzata.
- Applicazione specifica di prodotti fitosanitari.
- Pianificazione del raccolto e delle risorse.
9. Conclusione
Questo studio dimostra che, con un'attrezzatura commerciale a basso costo (drone + fotocamera multispettrale) e VI adeguati (GNDVI, GCI, NDREI, NRI, GI), è possibile creare un sistema di allerta precoce per le colture di nocciole. L'approccio è scalabile, sostenibile e trasferibile ad altri frutteti dopo la convalida degli indici più rilevanti.