![](\"https:\/\/avt-as.eu\/wp-content\/uploads\/2025\/10\/hygri.png\" "\\"igri\\"")
<\/span><\/div><\/div><\/div>AVT Airborne Sensing Italia srl (AVT-ASI) partecipa al progetto ICAERUS, promosso e finanziato dall\u2019Unione Europea nell\u2019ambito del bando denominato HORIZON-CL6-2021-GOVERNANCE-01-2, incentrato specificamente sul Cluster 6 (Alimentazione, Bioeconomia, Risorse Naturali e Agricoltura), che mira a promuovere modelli di governance innovativi a supporto di sistemi alimentari sostenibili, osservazioni ambientali e soluzioni digitali per realizzare il Green Deal europeo.<\/p>\n
La visione di ICAERUS \u00e8 di esplorare le opportunit\u00e0 offerte dai droni e fornire un resoconto completo e interconnesso del loro potenziale e del loro impatto come veicoli multiuso nell\u2019agricoltura, nella silvicoltura e nelle aree rurali dell\u2019UE. L\u2019obiettivo di ICAERUS \u00e8 applicare, dimostrare e supportare l\u2019impiego efficace, efficiente e sicuro dei droni, nonch\u00e9 identificare i rischi e il valore aggiunto associati al loro utilizzo.<\/p>\n
Nella 2nd PULL Open Call di ICAERUS, AVT Airborne Sensing Italia srl ha proposto HYGRI (uav-based HYperspectral monitoring of aGRIculture) un progetto che si propone di acquisire e utilizzare immagini iperspettrali da UAV per monitorare e rilevare agenti patogeni delle piante negli alberi da frutto e visualizzare le informazioni in un sistema di supporto alle decisioni di facile utilizzo.<\/p>\n
Grazie alla possibilit\u00e0 di calcolare indici spettrali accurati mediante combinazione di narrow bands nel visibile e nell\u2019infrarosso vicino e all\u2019utilizzo di algoritmi di machine learning e deep learning, HYGRI rilever\u00e0 queste piante e aiuter\u00e0 gli agricoltori nel loro lavoro quotidiano, riducendo la diffusione di malattie e la necessit\u00e0 di potatura, e porter\u00e0 benefici all\u2019ambiente in cui viviamo e al cibo che mangiamo consentendo trattamenti mirati solo a piante specifiche.<\/p>\n
L\u2019area pilota sar\u00e0 in Trentino-Alto Adige, suddivisa in tre diversi siti:<\/p>\n
- \n
- Un\u2019area adibita a vigneto, nel quale verranno monitorati gli esiti di quattro diversi sistemi di irrigazione sia dal punto di vista dell\u2019ottimizzazione del processo irriguo che relativamente all\u2019insorgenza di eventuali agenti patogeni ad esso correlati;<\/li>\n
- Un meleto, nel quale verranno testati e monitorati vari scenari con maggiore o minore disponibilit\u00e0 di acqua in piante con diversi tipi di innesto, allo scopo di testarne la resilienza, la produttivit\u00e0 e lo stato vegetativo;<\/li>\n
- Una coltura di fragole in cui verr\u00e0 monitorato il livello fisiologico e produttivo delle piante in terreni gi\u00e0 sfruttati da precedenti cicli colturali, per determinare interventi mirati a ridurre gli effetti dell\u2019impoverimento del terreno.<\/li>\n<\/ul>\n
Il know-how esistente presso AVT-ASI fornisce le basi per il funzionamento del sistema UAV e il rilevamento di piante affette da diverse malattie, ad esempio la flavescenza dorata nei vigneti, e per l\u2019analisi dello stato di salute delle piante, ma sono necessari progressi per risolvere le sfide nelle fasi di acquisizione ed elaborazione e nella scelta dell\u2019approccio di machine learning.<\/p>\n
Le sfide di HYGRI e come verranno affrontate<\/p>\n
Negli ultimi due anni AVT-ASI ha investito nell\u2019acquisto della camera iperspettrale AFX10 di Specim, e nello sviluppo dell\u2019applicazione del flusso di lavoro, che consente vari tipi di analisi in ambienti diversi. I progetti pilota condotti presso AVT-ASI hanno dimostrato che le immagini iperspettrali forniscono dati tecnologicamente avanzati, precisi e affidabili, che consentono di ottenere risultati non ottenibili con le tecnologie tradizionali. Tuttavia sono emerse alcune sfide che HYGRI si propone di risolvere:<\/p>\n
- la qualit\u00e0 delle immagini iperspettrali UAV dipende fortemente da fattori che generalmente non sono significativi con i sensori multispettrali, come l\u2019illuminazione solare, l\u2019orientamento delle linee di coltivazione rispetto all\u2019azimut del sole, l\u2019effetto delle ombre, le differenze temporali tra le strisce;<\/p>\n
- la correzione geometrica delle immagini iperspettrali presenta incertezze dovute al fatto che i software commerciali non applicano un approccio rigoroso (ad esempio la triangolazione delle immagini) come in fotogrammetria aerea tradizionale;<\/p>\n
- le operazioni di elaborazione dei dati sono eseguite in modo frammentato in diversi pacchetti software o script con un elevato intervento manuale;<\/p>\n
- la validazione dei risultati basati su UAV per il rilevamento precoce delle malattie delle piante o dello stress idrico deve essere ulteriormente studiata con ulteriori confronti con misure a terra e multi temporali;<\/p>\n
- la metodologia per l\u2019addestramento degli algoritmi di machine learning non permetto ancora di replicare l\u2019approccio su altre malattie o fenomeni;<\/p>\n
- gli strumenti di visualizzazione dei dati da voli iperspettrali non soddisfano le esigenze degli utenti non esperti.<\/p>\n
In questo contesto, l\u2019obiettivo principale di HYGRI \u00e8 rendere i voli UAV pi\u00f9 efficienti e ottenere immagini con una migliore qualit\u00e0, continuare la validazione degli algoritmi di machine learning con osservazioni da sensori terrestri e commercializzare i servizi. L\u2019obiettivo \u00e8 realizzato attraverso Obiettivi Specifici (OS), definiti come segue:<\/p>\n
OS 1: ottimizzare la pianificazione del volo e l\u2019acquisizione di immagini iperspettrali con droni, tenendo conto di impostazioni e parametri avanzati e delle condizioni di illuminazione;<\/p>\n
OS 2: migliorare la qualit\u00e0 delle immagini iperspettrali basate su UAV dopo la pre-elaborazione e automatizzare il flusso di lavoro;<\/p>\n
OS 3: migliorare le prestazioni degli algoritmi di machine learning interni per identificare precocemente le piante colpite dalla malattia, con una rigorosa validazione tramite misurazioni sul campo;<\/p>\n
OS 4: valutare l\u2019utilizzo della soluzione per altre applicazioni di analisi del verde (verde urbano, silvicoltura, altre malattie delle colture).<\/p>\n
OS 5: commercializzare i servizi di monitoraggio e il sistema di supporto alle decisioni (DSS) a livello internazionale.<\/p>\n