92 lines
4.9 KiB
Markdown
92 lines
4.9 KiB
Markdown
# 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
|
||
|
||
1. **Ritaglio geometrico** per isolare ogni chioma (area ~4×4 m²).
|
||
2. **Segmentazione preliminare per NDVI**: eliminazione dei pixel con NDVI < 0,2 per escludere il suolo e lo sfondo .
|
||
3. **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. |