IRRIGAZIONE DI PRECISIONE NELLE COLTURE MEDITERRANEE ATTRAVERSO IL TELERILEVAMENTO E IL RILEVAMENTO PROSSIMALE DEI PARAMETRI PEDOLOGICI ED ECOFISIOLOGICI

The increasing impact of climate change on water availability requires innovative approaches to optimise irrigation in agriculture, particularly in the Mediterranean environment where rare and intense rainfall events alternate with hot droughts. This research explores the integration of machine learning algorithms and high-resolution satellite imagery to improve precision irrigation in different crops. The study focuses on several species including: peach (Prunus persica (L.) Batsch, cv. Redcal), super high density olive (Olea europaea L., cv. Arbosana) and durum winter wheat (Triticum durum Desf., cv. Antalis), all under semi-arid Mediterranean conditions. For peach, machine learning models were used to predict key ecophysiological parameters for irrigation scheduling such as net assimilation, stomatal conductance and stem water potential using multispectral reflectance data. On olive trees, the research involved the application of the thermal dissipation method corrected with species-specific calibration and for environmental factors to measure transpiration at the plant scale. Finally, for winter wheat, spectral bands from the satellite and vegetation indices derived from them were used to estimate crop parameters such as relative chlorophyll content, dry matter, relative water content and spike weight. The aforementioned approaches allow sustainable irrigation management by reducing water wastage and ensuring judicious production that responds to the challenges posed by climate change in Mediterranean agro-ecosystems.

Il crescente impatto dei cambiamenti climatici sulla disponibilità di acqua richiede approcci innovativi per ottimizzare l'irrigazione in agricoltura, in particolare in ambiente Mediterraneo dove i rari ed intensi eventi piovosi si alternano a caldi siccitosi. Questa ricerca esplora l'integrazione di algoritmi di apprendimento automatico e immagini satellitari ad alta risoluzione per migliorare l'irrigazione di precisione in diverse colture. Lo studio si concentra su diverse specie fra cui: pesco (Prunus persica (L.) Batsch, cv. Redcal), olivo ad altissima densità (Olea europaea L., cv. Arbosana) e grano duro invernale (Triticum durum Desf., cv. Antalis), tutti in condizioni mediterranee semi-aride. Per il pesco, sono stati impiegati modelli di apprendimento automatico per prevedere parametri ecofisiologici chiave per la programmazione irrigua come l'assimilazione netta, la conduttanza stomatica e il potenziale idrico dello stelo utilizzando dati di riflettanza multispettrale. Su olivo, la ricerca ha previsto l’applicazione del metodo di dissipazione termica corretto con calibrazione specie-specifica e per fattori ambientali per misurare la traspirazione a livello di pianta. Infine, per il grano invernale, le bande spettrali dal satellite e gli indici di vegetazione ricavati da esse sono stati utilizzati per stimare i parametri delle colture, come il contenuto relativo di clorofilla, la sostanza secca, il contenuto relativo di acqua ed il peso della spiga. Gli approcci sopracitati permettono una gestione dell'irrigazione sostenibile consentendo di ridurre lo spreco di acqua e garantendo una produzione oculata che risponde alle sfide poste dal cambiamento climatico negli agroecosistemi mediterranei.