DEVELOPMENT OF A PREDICTION MODEL FOR DURUM WHEAT YIELD AND YIELD LOSSES

This thesis presents the development and validation of MORES (MOdello RESa), a novel predictive model integrated into the granoduro.net® decision support system (DSS) to estimate durum wheat yield and quantify yield losses. The model incorporates biotic and abiotic stressors, including nutrient availability, water and temperature extremes, and fungal diseases, enhancing its precision and adaptability across diverse conditions. Using advanced techniques like the GLUE (Generalized Likelihood Uncertainty Estimation) method, the study identified key parameters driving model accuracy. Parameters such as Tmax, Topt, and Cvf exhibited stability, supporting model reliability, while parameters like RUEbase and Tmin demonstrated moderate to high uncertainty, emphasizing the need for targeted refinement. Sensitivity analysis revealed RUEbase and RUEexp as critical determinants of yield variability, with calibration reducing error by 69% and improving predictive accuracy. Validation across datasets highlighted the model's strengths in structured environments (e.g., large-plot trials with RMSE = 0.906 tons/ha) and its challenges in heterogeneous settings like commercial fields (CCC = 0.554). Despite limitations, MORES effectively quantified stress impacts, providing a robust basis for parametric insurance applications. Integrating technologies such as satellite-derived indices could offer potential for addressing identified gaps, particularly in capturing unmodeled factors like heterogeneous soil conditions. The findings underscore MORES’s suitability as a tool for index-based insurance, leveraging DSS capabilities to support resilient durum wheat production. While further refinements are needed to enhance adaptability, the model offers a transparent, reliable framework for assessing yield reductions due to specific stressors, aligning agricultural risk management with scientific precision.

Questa tesi presenta lo sviluppo e la validazione di MORES (MOdello RESa), un nuovo modello predittivo inserito nel sistema di supporto decisionale (DSS) granoduro.net® per stimare la resa del frumento duro e quantificare le perdite produttive. Il modello incorpora fattori di stress biotici e abiotici, inclusi la disponibilità di nutrienti, estremi idrici e termici e patologie fungine, migliorando così la sua precisione e adattabilità in condizioni ambientali diversificate. Mediante l'applicazione di tecniche avanzate come il metodo GLUE (Generalized Likelihood Uncertainty Estimation), lo studio ha identificato i parametri chiave determinanti per l'accuratezza del modello. Parametri come Tmax, Topt, e Cvf hanno mostrato stabilità, supportando l'affidabilità del modello, mentre parametri come RUEbase e Tmin hanno evidenziato un'incertezza da moderata ad alta, sottolineando l'importanza di una calibrazione mirata. L'analisi di sensibilità ha rilevato che RUEbase e RUEexp rappresentano determinanti critici della variabilità di resa; la calibrazione ha consentito una riduzione dell'errore pari al 69%, migliorando significativamente l'accuratezza predittiva. La validazione effettuata su diversi dataset ha evidenziato i punti di forza del modello in ambienti sperimentali strutturati (ad esempio, prove in grandi parcelle con RMSE = 0,906 tonnellate/ha), e le criticità in contesti eterogenei, quali campi commerciali (CCC = 0,554). Nonostante alcune limitazioni, MORES ha dimostrato efficacia nel quantificare gli impatti degli stress, costituendo una base solida per applicazioni assicurative parametriche. L'integrazione di tecnologie come gli indici derivati da dati satellitari potrebbe rappresentare una valida strategia per colmare alcune lacune identificate, in particolare per catturare fattori non modellizzati come le condizioni eterogenee del suolo. I risultati confermano l'idoneità di MORES quale strumento per assicurazioni indicizzate, valorizzando le capacità del DSS per promuovere una produzione resiliente del frumento duro. Sebbene siano necessari ulteriori perfezionamenti per aumentarne l'adattabilità, il modello rappresenta un framework trasparente e affidabile per la valutazione delle riduzioni produttive dovute a specifici fattori di stress, allineando la gestione del rischio agricolo alla precisione scientifica.