Prevedere la resa delle patate prima della raccolta: la sfida del sottosuolo
È possibile sapere quanti tuberi stanno crescendo sottoterra osservando le piante di patata dall'alto, prima ancora di scavare? Secondo un gruppo di ricerca della Graduate School of Agricultural and Life Sciences dell'Università di Tokyo e di Kubota Corporation, la risposta è sì, combinando immagini da drone, machine learning e un modello di crescita. Il metodo, illustrato da DRONELIFE il 2 luglio 2026, stima la biomassa ipogea dei tuberi — cioè la resa sotterranea — in parcelle non ancora raccolte, offrendo un'alternativa non distruttiva al campionamento tradizionale usato durante il ciclo di crescita per valutare la produzione.
Il contesto: una stima non distruttiva della resa delle patate
La stima della resa in fase vegetativa è storicamente un'operazione distruttiva: per capire quanto stanno producendo le piante, si estraggono campioni di tuberi dal terreno, con costi in termini di tempo e di superficie coltivata sacrificata. Il metodo sviluppato dall'Università di Tokyo e da Kubota Corporation stima invece la biomassa ipogea dei tuberi di patata prima del raccolto usando immagini da drone, machine learning e un modello di crescita. L'obiettivo dichiarato è fornire una valutazione della resa sotterranea in parcelle non ancora raccolte, riducendo la necessità di interventi distruttivi.
La ricerca arriva in un momento di crescita per il comparto dei droni agricoli: secondo il Market Research Center di Tokyo, il mercato giapponese dei droni agricoli raggiungerà 357,8 milioni di dollari entro il 2034.
Come funziona: droni, machine learning e curva di Gompertz
Il cuore del metodo è un flusso operativo che combina osservazione aerea, elaborazione dati e modellazione della crescita.
Acquisizione delle immagini e caratteristiche delle parcelle
I campi sono stati fotografati periodicamente con droni equipaggiati con fotocamere RGB e multispettrali. Per ogni parcella sono state estratte una serie di caratteristiche: plant cover ratio, altezza della chioma, indici di colore e indici di vegetazione. Questi parametri, rilevati dall'alto, descrivono lo stato della vegetazione in superficie.
Addestramento del modello di machine learning
Secondo l'Università di Tokyo, il modello di machine learning è stato addestrato sulla relazione tra le caratteristiche estratte dalle immagini dei droni e la biomassa sotterranea misurata con campionamenti, quindi le serie temporali sono state applicate a una curva di crescita di Gompertz. In pratica, il modello impara a tradurre ciò che si vede dall'alto — copertura vegetale, colore, vigore — in una stima di ciò che non si vede: i tuberi in via di sviluppo.
La curva di Gompertz per la previsione finale
Per le parcelle non raccolte, i dati raccolti nel tempo sono stati inseriti nel modello per stimare la biomassa dei tuberi. Le serie temporali così ottenute sono state applicate a una curva di crescita di Gompertz, una curva a S che descrive la crescita biologica, per prevedere la resa al momento della raccolta. L'approccio consente di estrapolare l'andamento della crescita e proiettare il valore finale.
Il gruppo di ricerca
Il team è composto dal dottorando Yuto Imachi, dal professor Hiroyoshi Iwata e dalla professoressa associata Wei Guo, con i ricercatori del Next-Generation Research Department di Kubota, Masahiro Okada di Sarabetsu Prediction Co., Ltd. e il contributo di Pieter M. Blok, allora project assistant professor all'Università di Tokyo e ora alla Eindhoven University of Technology.
La sperimentazione biennale nei campi di Nishi-Tokyo
Il metodo è stato messo alla prova in una sperimentazione condotta nel 2023 e nel 2024 nei campi del Field Science Center dell'Università di Tokyo, a Nishi-Tokyo City. Sono state testate parcelle con densità di impianto e condizioni dei tuberi-seme variabili, per verificare la robustezza del metodo in condizioni diverse.
I risultati, riportati dall'Università di Tokyo, indicano un coefficiente di correlazione pari o superiore a 0,8 per la stima della biomassa dei tuberi e pari o superiore a 0,7 per la previsione della resa con la curva di crescita. Nel 2023 e nel 2024, nei campi del Field Science Center dell'Università di Tokyo a Nishi-Tokyo, i ricercatori hanno quindi ottenuto una correlazione significativa tra le stime basate sui dati da drone e le misurazioni reali. Secondo l'università, i risultati confermano che la resa può essere prevista in fase pre-raccolta usando dati da drone rilevati sopra il suolo.
Applicazioni per l'agricoltura di precisione
Oltre al vantaggio di essere non distruttivo, il metodo presenta un altro elemento di interesse per l'agricoltura di precisione: secondo i ricercatori, cattura la variazione spaziale all'interno del campo. Questo significa che non fornisce solo una stima media della resa, ma può evidenziare le zone con produttività diversa, informazioni preziose per la gestione site-specific della coltura.
Il team ritiene che l'approccio con curva di crescita possa supportare la previsione pre-raccolta e l'ottimizzazione della gestione colturale, incluso il suggerimento del periodo ottimale di raccolta. Il progetto congiunto Kubota Todai Lab ha sviluppato un metodo che, secondo i ricercatori, può supportare la previsione pre-raccolta e l'ottimizzazione della gestione colturale, indicando anche il periodo ottimale di raccolta.
La ricerca si inserisce in un contesto di mercato in forte espansione: con i 357,8 milioni di dollari attesi entro il 2034 per il mercato giapponese dei droni agricoli, strumenti come questo potrebbero diventare parte integrante della gestione operativa delle colture.
Domande frequenti
Come funziona la previsione della resa delle patate con i droni?
Il metodo prevede riprese periodiche dei campi con droni equipaggiati con fotocamere RGB e multispettrali, l'estrazione di caratteristiche come plant cover ratio, altezza della chioma e indici di vegetazione, e l'addestramento di un modello di machine learning sulla relazione tra queste caratteristiche e la biomassa sotterranea misurata con campionamenti. Le serie temporali vengono poi applicate a una curva di crescita di Gompertz per prevedere la resa alla raccolta.
Dove è stato testato il metodo?
La sperimentazione è stata condotta nel 2023 e nel 2024 nei campi del Field Science Center dell'Università di Tokyo, a Nishi-Tokyo City, con parcelle caratterizzate da densità di impianto e condizioni dei tuberi-seme variabili.
Quali risultati sono stati ottenuti?
I ricercatori hanno riportato un coefficiente di correlazione pari o superiore a 0,8 per la stima della biomassa dei tuberi e pari o superiore a 0,7 per la previsione della resa con la curva di crescita. Il metodo è non distruttivo e non richiede di estrarre campioni dal terreno.
Quali sono le possibili applicazioni pratiche?
Secondo i ricercatori, il metodo può supportare la previsione pre-raccolta, l'ottimizzazione della gestione colturale e l'indicazione del periodo ottimale di raccolta. La ricerca è stata condotta nell'ambito del progetto congiunto Kubota Todai Lab.
