ADVANCING PRECISION AGRICULTURE THROUGH SPECTRAL SENSING AND MACHINE LEARNING: DATA-DRIVEN MODELS FOR CROP MONITORING

La tesi esplora l’integrazione di tecniche di spectral sensing e algoritmi di machine learning per migliorare la valutazione agronomica e la selezione precoce di nuovi ibridi di girasole. Nel primo anno, l’analisi dei dati iperspettrali ha evidenziato quattro lunghezze d’onda strategiche nella regione dell’infrarosso e del red edge (715, 719, 756-765 nm) che spiegano la maggiore variabilità spettrale tra i genotipi. La composizione di acidi grassi e, in particolare l’acido oleico, sono emersi come fattore discriminante tra gli ibridi. Nel secondo e terzo anno, l’uso di immagini multispettrali da drone ha mostrato una marcata sensibilità dei principali indici vegetazionali ai cambiamenti fenologici, confermando pattern coerenti con le dinamiche fisiologiche della coltura. L’analisi predittiva ha rivelato che il NDRE (Normalized Difference Red Edge Index) è l’indice più robusto per la modellazione della fenologia del girasole, garantendo stabilità e migliori prestazioni dei modelli di regressione lineare in tutti gli anni di sperimentazione. Per quanto riguarda i parametri agronomici, nel secondo anno, i modelli hanno ottenuto buone performance per la stima della resa (R2 = 0.4; RMSE = 0.25 t ha-1) e della percentuale di olio (R2 = 0.40; RMSE = 2.12%), mentre l’acido oleico non è risultato predicibile. Invece, nel terzo anno, i modelli per stimare tutti i parametri agronomici hanno fatto registrare scarse performance. Complessivamente, il lavoro propone un protocollo scalabile e riproducibile per integrare sensori spettrali e modelli di machine learning nella fenotipizzazione del girasole, evidenziando le potenzialità delle tecnologie digitali per accelerare la selezione varietale e ottimizzare la gestione sperimentale.