Sequestro di Carbonio nei Cereali Italiani: Dalla Quantificazione Spaziale alla Proposta di Progettazione di uno Strumento di Supporto Decisionale

Agriculture faces significant challenges due to climate change, acting both as a source of greenhouse gas emissions and as a sector with mitigation potential through soil carbon sequestration. This doctoral thesis addresses the challenges of implementing "Carbon Farming" by developing a multi-scale methodological framework for evaluating and promoting these practices in cropping cereal systems in Italy. The research follows a progressive approach. First, a systematic literature review was conducted to establish the state of the art on carbon sequestration rates in staple crops and identify methodological inconsistencies. Second, the applicability of the SALUS agronomic model for regional-scale simulation was evaluated using geospatial and remote sensing data. Third, the RothC soil dynamics model was integrated with Life Cycle Assessment methodology to quantify carbon sequestration potential and environmental impacts associated with practices such as conservation tillage, cover cropping, and manure application in Italy. Finally, the generated knowledge was synthesized into an innovative machine learning-based tool design proposal. Results indicate that carbon sequestration rates in cereal crops are variable, with generally low to medium values (e.g., 0.5-0.69 Mg C ha⁻¹yr⁻¹ in rice and wheat rotations) and a lack of standardization in reporting. Practices with higher sequestration potential, such as manure application, can cause significant negative environmental impacts. Conversely, cover crops and reduced tillage present a more balanced environmental profile, even with lower sequestration rates. In all analysed scenarios, GHG emissions exceed sequestration capacity. Regional-scale modelling with geospatial data emerges as a viable alternative, though it faces generalization and validation challenges. The main contribution of this thesis is the development of a holistic assessment framework demonstrating that a carbon-centric approach is insufficient and potentially misleading. The study concludes that selecting optimal agricultural practices should be based on multi-criteria analysis. The proposed machine learning-based tool represents a tangible advance toward translating complex science into practical solutions, supporting informed decision-making by farmers and policymakers in Italy.

L'agricoltura affronta sfide significative a causa del cambiamento climatico, operando sia come fonte di emissioni di gas serra sia come settore con potenziale di mitigazione attraverso il sequestro del carbonio nel suolo. Questa tesi di dottorato affronta le sfide dell'implementazione del "Carbon Farming" sviluppando un quadro metodologico multi-scala per valutare e promuovere queste pratiche nei sistemi cerealicoli in Italia. La ricerca segue un approccio progressivo. In primo luogo, è stata condotta una revisione sistematica della letteratura per stabilire lo stato dell'arte sui tassi di sequestro del carbonio nelle colture di base e identificare le incongruenze metodologiche. In secondo luogo, è stata valutata l'applicabilità del modello agronomico SALUS per la simulazione su scala regionale utilizzando dati geospaziali e di telerilevamento. In terzo luogo, il modello di dinamica del suolo RothC è stato integrato con la metodologia di Valutazione del Ciclo di Vita per quantificare il potenziale di sequestro del carbonio e gli impatti ambientali associati a pratiche come la lavorazione conservativa, le colture di copertura e l'applicazione di concime in Italia. Infine, le conoscenze generate sono state sintetizzate in una proposta innovativa di progettazione di uno strumento basato sull'apprendimento automatico. I risultati indicano che i tassi di sequestro del carbonio nelle colture cerealicole sono variabili, con valori generalmente da bassi a medi (es. 0,5-0,69 Mg C ha⁻¹anno⁻¹ nelle rotazioni di riso e frumento) e una mancanza di standardizzazione nella reportistica. Le pratiche con maggiore potenziale di sequestro, come l'applicazione di concime, possono causare significativi impatti ambientali negativi. Al contrario, le colture di copertura e la lavorazione ridotta presentano un profilo ambientale più equilibrato, anche se con tassi di sequestro inferiori. In tutti gli scenari analizzati, le emissioni di gas serra superano la capacità di sequestro. La modellazione su scala regionale con dati geospaziali emerge come un'alternativa valida, sebbene affronti sfide di generalizzazione e validazione. Il principale contributo di questa tesi è lo sviluppo di un quadro di valutazione che dimostra come un approccio basato sul carbonio sia insufficiente e potenzialmente deviante. Lo studio conclude che la selezione delle pratiche agricole ottimali dovrebbe basarsi su un'analisi multicriterie. Lo strumento proposto basato sull'apprendimento automatico rappresenta un progresso tangibile verso la traduzione di una scienza complessa in soluzioni pratiche, supportando il processo decisionale informato da parte di agricoltori e decisori politici in Italia.