Abstract del progetto:
La difesa fitosanitaria rappresenta una delle più importanti pratiche agricole. Senza il suo ausilio, infatti, è pressoché impossibile ottenere elevate rese, sia qualitativamente che quantitativamente. Le macchine e le modalità di utilizzarle per la sua esecuzione influenzano significativamente l’efficienza dell’intervento fitosanitario, i costi di produzione, la sicurezza dei lavoratori e la resilienza dell’ecosistema. In questo contesto, il progetto di ricerca mira allo studio della qualità e sostenibilità dell’applicazione meccanica di agrofarmaci in oliveti, prendendo in considerazione disuniformità nella distribuzione, impatto ambientale e sicurezza dei lavoratori. In particolare, il progetto si focalizza sullo sviluppo di un “Digital Tree” che consentirà di predire il risultato dell’applicazione spray sotto diverse condizioni di campo e, conseguentemente, permetterà di migliorare l’applicazione dei prodotti fitosanitari considerando aspetti sia tecnici che ambientali. Ciò richiede un’accurata conoscenza delle caratteristiche meccaniche delle attrezzature utilizzate, delle caratteristiche delle colture e delle condizioni climatiche. Saranno, pertanto, effettuate valutazioni qualitative e quantitative sugli spray, inclusi deposito fogliare, perdite sul terreno, deriva in atmosfera e impatto sull’ambiente tramite LCA. Saranno, inoltre, implementate tecnologie di monitoraggio per raccogliere dati e costruire modelli predittivi sotto differenti condizioni ambientali. Ciò permetterà di ottimizzare le varie operazioni scegliendo i parametri operativi più opportuni e migliorando le prestazioni delle attrezzature utilizzate. Una volta che il Digital Tree sarà stato realizzato, sarà possibile ottimizzare la difesa della coltura con una più accurata, mirata e sostenibile applicazione degli agrofarmaci attraverso il miglioramento di una serie di parametri operativi e gestionali.

keywords: Machine learning; Smart technologies; Equipment; Spray quality; Olive; Sustainability;

Bando  PRIN 2022 PNRR finanziamento MUR Ministero dell’Università e della Ricerca

Gruppo di Riferimento: Trustworthy and Explainable Machine Intelligence

Partners: Università di Catania (UniCT), Istituto di Calcolo e Reti ad Alte Prestazioni del Consiglio Nazionale delle Ricerche (ICAR-CNR), Università Mediterranea di Reggio Calabria (UniRC)

Ambito geografico: Nazionale

Project Coordinator: Giovanni Costa

Data inizio: 30 Novembre 2023

Data fine: 30 Giugno 2026

Sito web del progetto: https://sites.google.com/icar.cnr.it/prin2022pnrr/