Integration of proximal sensing and crop modelling to optimize N variable fertilization on cereals

Nonostante i recenti progressi della tecnica agronomica, la fertilizzazione azotata riporta ancora una bassa efficienza (NUE), con conseguenti ingenti perdite di N nell’ambiente. Questo problema è di particolare importanza in zone vulnerabili ai nitrati, come il bacino scolante della Laguna di Venezia. Somministrando azoto in maniera sito-specifica in base ai bisogni della coltura, la N-VRA (variable rate application) rappresenta una strategia per incrementare l’efficienza della fertilizzazione. Nonostante i provati benefici economici ed ambientali derivanti da questa tecnica, una limitazione deriva dalla difficoltà nella stima della resa finale al momento della concimazione. Questo può causare casi di sottostima o sovrastima o delle dosi che causano da un lato perdite economiche e dall’altro un elevato surplus di N nel suolo. In questa tesi sono state valutate differenti strategie di N-VRA nel bacino scolante della Laguna di Venezia. Nel primo esperimento di campo (Capitolo III) è stata applicata una N-VRA basata su zone omogenee in grano duro e ne sono stati studiati gli effetti sulla produzione. Inoltre, l’uso di sensori montati sulla mietitrebbia e le analisi spettrofotometriche della composizione del glutine hanno permesso di studiare l’effetto della concimazione azotata tardiva e della N-VRA sulla qualità della granella e di valutare l’ attuabilità di una raccolta sito-specifica. Due diversi metodi di integrazione di misure spettrali e modellistica colturale sono state proposti nei Capitoli III e IV. Nel capitolo III è stato studiato un approccio innovativo per l’assimilazione di proximal sensing, previsioni metereologiche e modelli colturali per ottimizzare la concimazione al grano duro. Dopo aver condotto una calibrazione con dati raccolti nel precedente esperimento, è stata simulata la dose ottimale per ogni zona omogenea, che è stata corretta successivamente in base ai valori di NDVI misurati su tutto l’appezzamento. Nel capitolo IV i dati spettrali sono stati integrati al modello per migliorare l’accuratezza della simulazione della carenza di N in mais, e valutare la dose ottimale di N da distribuire in grado di minimizzare lo stress. Il modello è stato inizialmente calibrato per simulare correttamente la resa e successivamente per far coincidere il LAI (leaf are index) simulato con quello ricavato dalle misurazioni di NDVI. Nel capitolo V vengono riportate le conclusioni generali, sottolineando sia in benefici derivanti da queste strategie di N-VRA, sia le limitazioni.