n. 12/2022 87 TECHNOLOGY ri rilevano informazioni da apposite molecole cromofore che identificano un particolare livello di stress delle colture. Tuttavia il loro impiego in agricoltura è ancora limitato a causa del loro costo elevato e di alcuni vincoli di compatibilità con alcuni droni. Un’altra tipologia di sensori sono quelli termici, che misurano l’emissione termica della vegetazione, impiegati principalmente per la gestione delle risorse idriche. Infine, vi sono i sensori LiDAR, noti come uno dei metodi più precisi per l'acquisizione di dati geometrici. Essi consentono, infatti, di rilevare delle nuvole dense di punti e grazie ad elaborazioni grafiche eseguite con appositi software possono ricostruire in modo preciso la geometria 3D di una coltura. Questi sensori consentono di effettuare la stima del volume della chioma e di realizzare affidabili modelli di superficie delle colture (CSM – Crop Surface Model). La comprensione della variabilità su scala di campo consente l’applicazione degli input spazialmente variabili (VRA, Variable Rate Application) attraverso l’utilizzo delle mappe di prescrizione. Da ciò deriva un beneficio economico ed ambientale nella gestione delle colture rispetto ad una gestione uniforme dell’appezzamento. La scala di applicabilità del VRA può variare a seconda del contesto agronomico, gestendo l’intero appezzamento per zone omogenee, per settori, per parcelle o addirittura per singole piante. Nell'olivicoltura di precisione, l'applicazione VRA della fertilizzazione porta a una forte riduzione dei fertilizzanti (circa il 30%) con conseguente aumento della sostenibilità. La caratterizzazione precisa ed efficace delle chiome nei sistemi arborei, valutata tramite le tecnologie illustrate, consente di modificare i dosaggi di applicazione degli agrofarmaci in vigneto fino ad arrivare ad un risparmio del 20-40% rispetto ad un sistema convenzionale. Appare chiaro che i sistemi UAV sono uno strumento di monitoraggio che ben si presta ai futuri sviluppi dell’agricoltura di precisione, le cui direzioni future (DSS, modelli di sviluppo delle colture, etc.) necessitano di informazioni ad alta precisione e accuratezza per migliore la gestione sito-specifica. Pietro Catania These sensors detect information from special chromophore molecules that identify a particular level of crop stress. Nonetheless, their use in agriculture is still limited because of their high cost and some compatibility constraints with certain drones. Thermal sensors, which measure the thermal emission of vegetation, are another type of sensor mainly used for water resource management. Lastly, LiDAR sensors are one of the most accurate methods for acquiring geometric data. They allow, in fact, to detect dense point clouds and, thanks to graphical processing performed with special software, can accurately reconstruct the 3D geometry of a crop. These sensors enable canopy volume estimation and reliable crop surface models (CSM – Crop Surface Model). Understanding field-scale variability enables the application of spatially variable inputs (VRA, Variable Rate Application) through the use of prescription maps. This results in an economic and environmental benefit in crop management compared to uniform plot management. The scale of VRA applicability can vary depending on the agronomic context, managing the entire plot by homogeneous zones, by sectors, by plots, or even by single plants. In precision olive cultivation, VRA application of fertilization leads to significant fertilizer reductions (about 30%), resulting in increased sustainability. Precise and effective characterization of canopies in tree systems, evaluated using the technologies shown, allows for modification of pesticide application rates in vineyards up to 20-40% savings compared to a conventional system. Therefore, it is clear that UAV systems are a monitoring tool that is well suited for future developments in precision agriculture, whose future directions (DSS, crop development models, etc.) need high-precision, high-accuracy information for better site-specific management. Pietro Catania Fig. 7 - Fasi per la costruzione di mappe di vigore su vigneto Fig. 7 - Steps for creating vigor maps on a vineyard Acquisizione delle immagini/Image acquisition Creazione mappe di vigore/Creation of vigor maps Estrazione delle informazioni spettrali della vegetazione Extraction of vegetation spectral information Mappe di vigore NDVI/NIR Vigor maps Blu/Blue Verde/Green Rosso/Red Red Edge
RkJQdWJsaXNoZXIy NTY4ODI=