Scopri Polaris

Compliance & Certificazioni

Brand page

Artificial Intelligence

Trasformazione Digitale

Approfondimenti

Digital twin

Simulation

IoT

Big Data

Advanced Manufacturing

Additive Manufacturing

Cyber Security

Industria 4.0

Augmented Reality/Virtual Reality

Potenziare la catena del valore

Agricolture 4.0

Polaris

Ageria

Deepclever

Strategy

Software Aziendali

The Polaris AI Team

Change Management

Finance Consulting

Infrastructure Services

Zero Based Mindset

Supply Chain

Filiere

Meccanica
Tessile
Plastica

Strategies & Decision Making

Mechanical Advanced Analytics SaaS
Energy Platform

Advance Planning

Mechanical Advanced Planning & Scheduling SaaS
Mechanical Warehouse Operation SaaS

Execution

Mechanical IoT Platform SaaS
Platform Mechanical Innovation GO SaaS

Operation Technology

Infrastructure Services

Dallo spazio al campo

Intelligenza Artificiale

Combinazione di dati satellitari, UAV e agronomici in una metodologia open source per la validazione di mappe NDVI nella viticoltura di precisione 

 

Abstract:

Le recenti tecnologie GIS stanno dando una direzione all’agricoltura di precisione e alla viticoltura. I satelliti Sentinel-2 e gli UAV sono risorse fondamentali per le analisi multispettrali della vegetazione. Nonostante siano stati ampiamente adottati in numerose applicazioni e scenari, i pro e i contro di entrambe le piattaforme sono ancora dibattuti. I ricercatori hanno attualmente studiato diversi aspetti di queste fonti, principalmente confrontando diversi indici di vegetazione ed esplorando potenziali relazioni con variabili agronomiche. Tuttavia, a causa dei costi e delle limitazioni di tale approccio, manca ancora una metodologia standardizzata per scopi agronomici. Il presente studio mira a colmare tale lacuna metodologica superando i potenziali difetti o le carenze dei lavori precedenti. A tal fine, è stata condotta una campagna di acquisizione di immagini per 6 mesi e su 17 ettari, seguita da un confronto dell’NDVI tra Sentinel-2 e UAV per esplorare infine le relazioni con le variabili agronomiche. Le analisi comparative sono state eseguite utilizzando approcci statistici classici (regressione ai minimi quadrati e correlazione di Pearson) e spaziali (indice di Moran): in questo caso, il 90% dei casi mostra punteggi r e MI superiori a 0,6 per le immagini piane, con punteggi che si abbassano prevedibilmente al 72% e al 52% quando si considerano le immagini segmentate. Inoltre, le mappe tematiche NDVI sono state classificate in cluster e convalidate dal test del Chi-quadro. Infine, la relazione e la distribuzione delle variabili agronomiche all’interno delle mappe NDVI e clusterizzate sono state convalidate attraverso il test ANOVA. La pipeline open-source proposta consente di rafforzare le applicazioni UAV e satellitari esistenti nell’agricoltura di precisione, integrando un maggior numero di variabili agronomiche.

Parole chiave:

UAV; validazione dei dati Sentinel-2; variabili agronomiche; agricoltura di precisione; statistiche spaziali

1. Introduzione

L’agricoltura di precisione (PA) ha plasmato l’agricoltura moderna negli ultimi decenni. La PA è caratterizzata da un ampio numero di tecniche e tecnologie volte a ottimizzare la gestione delle colture e delle risorse [1]. Ciò che ha reso possibile l’ascesa della PA è stato l’emergere di una modellazione avanzata attraverso i Sistemi Informativi Geografici (GIS) e le tecnologie di telerilevamento combinate, in grado di fornire strumenti accessibili e affidabili, come piattaforme satellitari e dispositivi per l’acquisizione di dati geospaziali a distanza e sul campo [2]. In particolare, la viticoltura di precisione (PV), la specializzazione delle tecniche di PA per la viticoltura, ha iniziato a svilupparsi molto più tardi rispetto ad altre colture (verso la metà del decennio 2000), pur registrando una rapida crescita [3]. Attualmente, le tecnologie più recenti permettono di effettuare rilievi per operazioni di monitoraggio attraverso gli UAV (Unmanned Aerial Vehicles). La disponibilità di sensori multispettrali su scala commerciale, pronti ad operare a bordo di questi veicoli, rende possibile effettuare analisi spaziali utilizzando diversi indici di vegetazione ad una risoluzione di pixel inferiore al metro. Tuttavia, nell’attuale frammentazione delle regioni vitivinicole italiane, caratterizzate da una dimensione media di circa 1 ettaro [4], l’utilizzo di tecnologie UAV può risultare ancora costoso per l’azienda agricola, sia per l’aspetto monetario che per lo sforzo attivo richiesto per la raccolta dei dati [5]. Inoltre, gli effetti dei cambiamenti climatici a scala regionale e locale rendono più complessa la raccolta di serie storiche di dati che possano essere coerenti nel tempo e adatte a eseguire analisi predittive [6]. Un’alternativa al monitoraggio veicolare nel fotovoltaico è rappresentata dal Programma europeo di osservazione della Terra rappresentato da Copernicus. I satelliti dedicati di questo programma della famiglia Sentinel (Sentinel-2), attivi dal 2015, sono progettati per raccogliere immagini multispettrali. Questo tipo di sensore passivo comporta numerosi vantaggi per il fotovoltaico: il primo è la raccolta senza sforzo di grandi dati spaziali aperti a un costo monetario trascurabile per gli utenti finali, in grado di effettuare analisi territoriali nel tempo. Infatti, Sentinel-2 scansiona continuamente la superficie terrestre, catturando immagini multispettrali con una frequenza temporale tra i 2 e i 10 giorni a seconda delle latitudini, fornendo prodotti post-prodotti con una risoluzione spaziale che va dai 10 ai 30 m di pixel. Inoltre, il programma Copernicus rende disponibili i dati satellitari storici, consentendo analisi sia spaziali che temporali. Il principale svantaggio di questo strumento nelle applicazioni fotovoltaiche è la sua bassa risoluzione spaziale, soprattutto se confrontata con la risoluzione centimetrica fornita dalle piattaforme UAV. Sebbene sia più che sufficiente per il monitoraggio di operazioni su scala globale [7], una risoluzione spaziale decametrica può rappresentare un problema rilevante per il rilevamento di operazioni su una scala come quella dei singoli vigneti. I vigneti sono infatti caratterizzati da una distribuzione regolare delle chiome, ma con lo svantaggio di non essere particolarmente densi e con interfilari spesso coperti da erbacce o colture di copertura. Ciò significa che un singolo pixel Sentinel-2 può contenere tutti questi elementi: viti, terreno nudo tra i filari, erbacce o colture di copertura, con l’ultimo che rappresenta una fonte di rumore non trascurabile quando ci si concentra sulla valutazione del vigore delle viti.

Finora, nella letteratura scientifica, la questione è stata generalmente studiata confrontando i valori dell’indice di vegetazione differenziale normalizzato (NDVI) prodotti da immagini satellitari e UAV, con l’obiettivo di misurarne la relazione. In effetti, l’NDVI è l’indice di vegetazione più adottato in campo fotovoltaico e può essere utile per diversi scopi come strumento a disposizione degli agricoltori [8,9]. Numerosi studi hanno indagato e analizzato questo tema, concentrandosi per lo più su diversi aspetti di rilievo. Questo studio prende in considerazione un campione di questi studi per elaborare una sintesi delle loro migliori pratiche e metodologie: Sozzi et al. (2020) hanno preso in considerazione un’ampia area di circa 42 ettari, raccogliendo i dati UAV una sola volta per il confronto delle analisi spaziali, concentrandosi sull’impatto dei pixel di confine e confrontando i dati di entrambe le fonti utilizzando la correlazione di Pearson e un modello di regressione ai minimi quadrati ordinari (OLS) [10]. Con la condizione di rimuovere i pixel misti e i bordi, gli autori hanno concluso che le immagini Sentinel-2 sono paragonabili alle immagini UAV come fonte per le decisioni sulla gestione delle chiome e delle viti all’interno e tra i blocchi di vigneti, anche se attualmente non sono in grado di fornire informazioni specifiche sui vigneti. Nonni et al. (2018) hanno analizzato due blocchi per un totale di due ettari utilizzando modelli OLS classici per il confronto [11], notando come i risultati preliminari mostrino il potenziale dell’utilizzo di piattaforme Sentinel open-source per monitorare i vigneti. Tuttavia, in questo caso, gli autori hanno dichiarato che sono necessarie ulteriori ricerche per valutare la possibilità di utilizzare i dati Sentinel-2 per il monitoraggio a lungo termine dei vigneti. Inoltre, Di Gennaro et al. (2019) hanno preferito i metodi OLS per il confronto, raccogliendo informazioni sulla relazione con variabili agronomiche come la biomassa, la resa e la composizione dell’uva campionata in diverse zone di vigore al momento della vendemmia [12]. In questo caso, gli autori confermano la continuità delle mappe NDVI a un’ispezione visiva, ma affinano l’analisi filtrando i pixel a terra dalle mappe UAV. Quest’ultimo studio mostra anche una buona correlazione tra le mappe NDVI elaborate da entrambe le piattaforme, soprattutto considerando i dati UAV filtrati e i parametri agronomici chiave.

Khaliq et al. (2019) hanno eseguito quattro indagini su 2,5 ettari, effettuando confronti tra le mappe utilizzando la correlazione di Pearson prima di dividerle in diversi cluster di vigore e verificarne la varianza con il test ANOVA [13]. Anche quest’ultimo studio ritiene che le mappe di sole viti siano le più efficaci nel descrivere il vigore del vigneto osservato. In effetti, le mappe NDVI derivate dalle immagini satellitari non sono risultate in accordo con la valutazione del vigore delle colture in campo. Invece, le mappe NDVI ricavate dalle immagini UAV, generate considerando solo i pixel delle viti, sono risultate efficaci nel descrivere il vigore di un vigneto. Pastonchi et al. (2020) hanno raccolto immagini su un singolo blocco di 1,4 ettari in tre anni diversi per un totale di sei rilevazioni, tracciando al contempo i dati relativi alla resa e al peso della potatura, ponendo l’accento sulla necessità di passare dai metodi statistici classici a tecniche spazialmente consapevoli [14]. Matese et al. (2019) hanno effettuato indagini su un singolo blocco di 7,5 ettari una volta ogni due anni, utilizzando sia metodi statistici OLS che spaziali per il loro confronto [15], sottolineando come l’uso di questi ultimi fornisca uno strumento più robusto e potente per valutare le implicazioni della variabilità all’interno dei vigneti. Tutti gli studi citati tendono a concordare sulla necessità di superare le tecniche statistiche classiche a favore dei metodi statistici spaziali, poiché questi ultimi hanno dimostrato di aiutare a prevenire la sovrastima della correlazione quando non sono presenti modelli spaziali e sono considerati uno strumento di valutazione più robusto. Tuttavia, ogni studio copriva porzioni diverse di tempo e di spazio, mentre gli studi che coprivano un numero maggiore di ettari venivano svolti per un numero minore di indagini e viceversa. Inoltre, non sempre è stata inclusa l’analisi della relazione tra le variabili agronomiche e le mappe NDVI costruite da entrambe le piattaforme aeree. Infine, la maggior parte degli studi evidenzia la necessità di ampliare le analisi condotte coprendo sia periodi di tempo più lunghi sia estensioni colturali maggiori.

Questo studio si propone di armonizzare quanto condotto nei lavori precedenti, sfruttando le metodologie e le buone pratiche virtuose da essi impiegate e ampliando l’analisi sia su una dimensione temporale (sei rilievi nell’arco di sei mesi) che spaziale (17 ettari). A tal fine, è stato effettuato un confronto multispazio-temporale tra i valori di NDVI da satellite e da UAV e l’integrazione di variabili agronomiche rilevate a terra per validare ulteriormente la corrispondenza tra l’indice di vegetazione e le effettive misure geometriche rilevate su alcuni vigneti monitorati. A tal fine, dopo la pre-elaborazione delle immagini UAV e satellitari, sono state calcolate mappe NDVI utilizzando i dati di entrambe le piattaforme; le mappe derivate dall’UAV sono state poi filtrate con un algoritmo di segmentazione al fine di rimuovere i pixel relativi al terreno e produrre mappe NDVI che includessero solo i pixel relativi alle viti. Le immagini UAV, segmentate e non, sono state poi co-registrate alle corrispondenti immagini Sentinel-2 passando da una risoluzione di 4 cm/pixel a una di 10 m/pixel, mediando i loro valori originali. Una volta prodotte, è stata verificata la coerenza interna di tutte le serie di immagini, introducendo l’indice di Moran (MI) come primo metodo statistico spaziale. Successivamente, è stato effettuato un confronto tra i valori NDVI da satellite e da UAV utilizzando approcci e parametri più classici, come l’R2 di un modello OLS e il coefficiente di correlazione di Pearson (r) insieme a misure di correlazione spaziale come il MI bivariato, come suggerito, ad esempio, da Matese et al. (2019) [15]. Le mappe NDVI di entrambe le fonti sono state poi classificate in tre cluster di vigore in base alle loro terne di distribuzione, come visto nei lavori di Matese et al. (2019) e Di Gennaro et al. (2019), e la loro relazione è stata testata utilizzando il test del Chi-quadro [12,15]. Infine, la relazione e la distribuzione delle variabili agronomiche con l’NDVI e le mappe clusterizzate sono state analizzate attraverso l’analisi della varianza (ANOVA) [12]. In questo studio, poiché la correlazione tra i parametri qualitativi dell’uva e i valori NDVI è stata ritenuta debole [12], sono state monitorate due variabili quantitative per verificare la loro relazione con le mappe NDVI: la lunghezza media dei germogli e l’area della parete fogliare (LWA). Si tratta di due parametri rilevanti per i direttori tecnici delle cantine. La Lunghezza media dei germogli è un parametro preso in considerazione per pianificare l’inizio dei trattamenti fitosanitari, mentre la LWA è direttamente correlata allo stato di salute delle viti ed è spesso considerata un parametro rilevante per il dosaggio dei trattamenti fitosanitari [16]. Entrambe le variabili non sono necessariamente facili da monitorare da piattaforme volanti, da qui la necessità di di testare la loro relazione con i valori NDVI registrati dall’alto. La relazione e la distribuzione dei valori delle due variabili agronomiche all’interno delle mappe NDVI e clusterizzate sono state coerentemente convalidate attraverso il test ANOVA. Infine, i risultati ottenuti vengono confrontati con quelli mostrati in ricerche precedenti e viene discussa la fattibilità e l’intercambiabilità di entrambe le piattaforme per diverse applicazioni nella viticoltura di precisione.

2. Materiali e Metodi

Come indicato nell’introduzione, questo studio mira a sviluppare una metodologia standardizzata per la validazione multispazio-temporale delle mappe NDVI. Per raggiungere questo obiettivo, l’analisi statistica proposta è stata costruita includendo le migliori pratiche trovate nelle ricerche precedenti e sintetizzandole nel flusso di lavoro illustrato nella Figura 1. Il flusso di lavoro è composto dalle seguenti fasi, ognuna delle quali è esplorata e dettagliata nel dettaglio. Il flusso di lavoro è composto dalle seguenti fasi, ognuna delle quali viene esplorata e dettagliata in seguito in questa sezione: il primo blocco del flusso di lavoro è dedicato alla raccolta e alla pre-elaborazione dei dati. Le immagini satellitari vengono scaricate da servizi dedicati, mentre le immagini UAV e i dati agronomici vengono raccolti sul campo. Le immagini satellitari vengono poi ripulite dalla presenza di pixel nuvolosi, mentre le immagini UAV vengono co-registrate per adattarle alla risoluzione delle prime. Il secondo blocco del flusso di lavoro è dedicato al calcolo delle mappe NDVI e alla loro suddivisione in cluster in base alla loro distribuzione terzica. Il blocco finale comprende tutte le analisi statistiche effettuate. Le mappe NDVI vengono valutate utilizzando sia la statistica classica che quella spaziale; i cluster NDVI vengono prima testati utilizzando il test del Chi-quadro, e poi la distribuzione delle variabili agronomiche sui cluster viene valutata con il test ANOVA.

1-flusso di lavoro
Figura 1:Il flusso di lavoro per l’analisi statistica seguito durante lo studio.

2.1. Siti di Monitoraggio, Materiale Vegetale e Dati Meteorologici

L’area di studio è stata quella del Consorzio del Vino di Suvereto e Val di Cornia, situato in Alta Maremma, sulla costa toscana dell’Italia centrale. Il Consorzio comprende i comuni di Suvereto, Campiglia Marittima, Piombino, San Vincenzo, Sassetta e Monteverdi, come illustrato nella Figura 2. L’area è particolarmente vocata alla produzione di vini di alta qualità. L’area è particolarmente vocata alla produzione di vini di alta qualità, data la sua posizione strategica vicino al Mar Tirreno, la mineralità dei terreni e una tradizione secolare non trascurabile.

consorzio

Figura 2:L’area del Consorzio di Suvereto e Val di Cornia Wine.

Tra le oltre trenta aziende vinicole, ne sono state selezionate quattro come siti di studio, con l’intento di rappresentare la diversità disponibile nell’area in termini di gestione agronomica, esposizione e macro composizione del suolo: Tenuta Casadei (Casadei), Società Agricola Petra (Petra), Azienda Vinicola Rigoli (Rigoli) e Tua Rita Società Semplice Agricola (Tua Rita), come illustrato nella Figura 3, con le loro caratteristiche riassunte nella Tabella 1.

Tra le oltre trenta aziende vinicole, ne sono state selezionate quattro come siti di studio, con l’intento di rappresentare la diversità disponibile nell’area in termini di gestione agronomica, esposizione e macro composizione del suolo: Tenuta Casadei (Casadei), Società Agricola Petra (Petra), Azienda Vinicola Rigoli (Rigoli) e Tua Rita Società Semplice Agricola (Tua Rita), come illustrato nella Figura 3, con le loro caratteristiche riassunte nella Tabella 1.

consorzio
Tabella 1: Riassunto delle caratteristiche delle quattro cantine
consorzio

Figura 3 : I vigneti oggetto di studio appartenenti alle quattro cantine, etichettati per cultivar e posizioni delle ROI (Regioni di Interesse)

Per tenere conto della variabilità temporale, l’analisi presentata è stata ripetuta una volta al mese durante la stagione vegetativa. Sono stati pianificati sei rilievi per far coincidere i voli UAV con il passaggio del Sentinel-2. Le date, riportate nella Tabella 2, sono state scelte controllando il calendario delle acquisizioni di Sentinel-2 su Spectator [17].
consorzio
Tabella 2 : Date dei sei voli effettuati con piattaforme UAV
Le varietà di uva possono rappresentare un’altra fonte di variabilità in termini di vigore espresso. Per tenerne conto, anche i vigneti delle quattro aziende sono stati selezionati in modo da essere, per quanto possibile, equamente distribuiti tra le quattro varietà di Vitis vinifera più rilevanti presenti nella zona: Sangiovese, Merlot, Cabernet Sauvignon e Cabernet Franc. In totale, lo studio ha coperto un’area di circa 17 ettari distribuiti spazialmente come mostrato nella Figura 3 e suddivisi tra le diverse cultivar come mostrato nella Tabella 1.
La stagione 2022 è stata caratterizzata da uno dei peggiori periodi di siccità degli ultimi anni [18], con precipitazioni praticamente assenti nei mesi più critici per la fruttificazione dell’uva, giugno e luglio (Figura 4). Precipitazioni rilevanti sono state infine osservate nel mese di agosto, quando le precipitazioni registrate sono state sufficienti a salvaguardare la qualità della produzione dei prodotti vitivinicoli. L’eccezionale siccità, insieme alle elevate anomalie termiche positive registrate durante l’estate, non solo ha influenzato il vigore vegetativo stagionale, la resa e la qualità, ma ha anche impedito la crescita delle colture di copertura e delle erbe infestanti nei vigneti durante i mesi più caldi della stagione (giugno, luglio e agosto), con un paio di eccezioni che si sono verificate nella seconda parte del mese di agosto, come testimoniato nella Tabella 3.
consorzio

Figura 4 : Precipitazioni totali e temperatura dell’aria nell’area e nel periodo dello studio confrontate con i dati a lungo termine per il periodo 2001–2021 secondo i dati disponibili su Weather Spark [19]

consorzio
Tabella 3 : Stato delle colture di copertura in diverse cantine come riscontrato in diverse indagini.

Poiché ci si aspetta che le erbe infestanti e le colture di copertura abbiano un impatto sul confronto statistico dei valori NDVI, le quattro aziende vinicole sono state selezionate per tenere conto di tale variabilità. Nell’area di studio di Rigoli, le erbe infestanti sono state lasciate libere di crescere fino a fine aprile prima di essere falciate e controllate per il resto della stagione. Nelle aree di studio di Casadei e Tua Rita, le colture di copertura sono state ampiamente utilizzate (soprattutto Vicia faba minor L.) come fertilizzante naturale e sono state sfalciate entro la fine di aprile. A Petra, l’area di studio presentava un mix di colture di copertura utilizzate a file alterne. Durante il periodo di monitoraggio, i produttori non hanno utilizzato altre tecniche per gestire la vigoria delle viti e che potessero influenzare i valori NDVI registrati.

2.2. Immagini Satellitari

I prodotti Sentinel-2 possono essere scaricati gratuitamente dal Copernicus Open Access Hub [20]. Per questo studio sono stati utilizzati solo i prodotti di livello 210Ad,i 3in5 quanto disponibili per tutte le date indicate. Tra tutti i prodotti disponibili, sono state utilizzate solo due bande spettrali, la banda 4 (665 nm) e la banda 8 (842 nm) e la classificazione della scena (SC). Le due bande scaricate, rispettivamente RED e NIR, erano quelle necessarie per calcolare l’analisi spaziale NDVI secondo Rouse et al. (1974) [8]:

(1)

Una volta calcolato, l’output di Satellite NDVI è stato ripulito utilizzando il livello SC come maschera. L’SC ha una risoluzione spaziale di 20 m, in cui i valori dei pixel variano da 0 a 1 come nella Figura 5. Questo prodotto è stato estremamente utile per mascherare i pixel indesiderati e il rumore inutile dalle immagini multispettrali Sentinel-2. Questo prodotto si è rivelato estremamente utile per mascherare i pixel indesiderati e il rumore non necessario dalle immagini multispettrali Sentinel-2. In questo caso, tutti i pixel delle immagini satellitari sono stati puliti. In questo caso, sono stati rimossi tutti i pixel dell’NDVI satellitare non corrispondenti ai valori 4 (Vegetazione) e 5 (Non vegetato) della SC. Questo processo è stato eseguito soprattutto per evitare che pixel rumorosi o classificati come nuvole, che possono incombere sui vigneti studiati, venissero inclusi nel calcolo dell’NDVI.

consorzio

Figura 5 :Classificazione della Scena e mappa NDVI con pixel rumorosi rimossi

2.3. Immagini da Veicoli Aerei Senza Pilota (UAV)

La piattaforma UAV utilizzata per il presente studio è stata progettata e realizzata da MAVTech Srl, una società spin-off del Politecnico di Torino, con la collaborazione di LIBRA SRL. Questa piattaforma UAV personalizzata, ovvero il MAV-4QL-01/APR, è stata equipaggiata con un sensore multispettrale Micasense Rededge M, caratterizzato come descritto nella Tabella 4.

consorzio
Tabella 4 : Specifiche del sensore multispettrale Micasense Rededge M

Tutte le indagini sono state condotte nelle ore centrali della giornata, tra le 10:00 e le 14:00. Per mantenere un livello di coerenza nei dati raccolti, l’ordine di visita delle quattro cantine è stato sempre lo stesso per tutte e tre le date: Rigoli, Tua Rita, Casadei e infine Petra. Le immagini aeree sono state acquisite a una risoluzione nominale di 1280×960 pixel, da un’altezza media di volo di 60 m dal suolo, procedendo a una velocità media di 2 m/s e con una sovrapposizione in avanti e verticale delle immagini dell’80%. Poiché il drone non disponeva di un modulo RTK, tutte le immagini sono state georeferenziate, sfruttando gli elementi permanenti del paesaggio già presenti nei siti di studio come punti di controllo a terra (GCP). Per ogni sito sono stati individuati almeno 10 GCP al confine dei vigneti e almeno 5 GCP all’interno del perimetro dei vigneti. In questo modo è stato possibile registrare le coordinate dei GCP solo durante il primo rilievo, assicurandosi che i CGP selezionati fossero sempre visibile durante il periodo dello studio. La procedura è stata eseguita con un sistema GNSS differenziale, il Leica GPS1200, con una precisione di 0,03 m. Le immagini raccolte sono state poi elaborate con tecniche di fotogrammetria dal software Agisoft Metashape 1.8.3© per produrre le ortofoto richieste. Prima di procedere all’allineamento delle immagini è stata eseguita una procedura di calibrazione geometrica della fotocamera; inoltre, ai blocchi di immagini è stata applicata una calibrazione radiometrica utilizzando le immagini di riferimento del pannello di riflettanza calibrato Micasense acquisite prima e dopo ogni volo UAV. Una volta raccolte le immagini multispettrali, le mappe NDVI dell’UAV sono state calcolate con l’equazione (1).
Va notato che si è verificato un problema di calibrazione in F1 a Tua Rita, in F2 a Casadei e in F3 a Petra. Tutti i dati corrispondenti a queste rilevazioni sono stati eliminati dallo studio.

2.4. Allineamento delle Immagini, Segmentazione e Analisi della Coerenza

Le mappe NDVI di entrambe le piattaforme sono state elaborate per essere abbinate. In particolare, le immagini dell’UAV dovevano essere ricampionate per farle corrispondere alle dimensioni dei pixel delle immagini di Sentinel-2. A tal fine è stato utilizzato Coregistration, un plugin QGIS per l’elaborazione automatica della coregistrazione da immagine a immagine [21,22]. Le immagini UAV sono state quindi portate da una risoluzione di 4 cm/pixel a una risoluzione di 10 m/pixel, mediando i valori originali, e sono state co-registrate alle immagini Sentinel-2. I poligoni dei vigneti sono stati quindi dissolti e dotati di un buffer interno di 10 metri. Questa operazione è stata eseguita poiché è noto che l’inclusione dei confini dei vigneti diminuisce la correlazione tra i dati registrati Sentinel e UAV [10]. Sebbene altri studi abbiano già applicato maschere per gli effetti dei confini, manca ancora una giustificazione statistica [23]. A questo punto, le mappe NDVI precedentemente calcolate sono state ritagliate utilizzando i poligoni dei vigneti tamponati, consentendo alle mappe derivate da entrambe le piattaforme di coincidere perfettamente, come mostrato nella Figura 6.

consorzio

Figura 6 : Un esempio di coregistrazione di una mappa NDVI UAV a una mappa NDVI Satellitare

Come accennato, i vigneti sono colture a filari e, soprattutto nelle prime fasi fenologiche, quando la LWA è ancora piccola rispetto alla distanza tra le file, le chiome delle viti non sono l’elemento di un vigneto che copre la più alta percentuale di pixel in un’immagine aerea. Il suolo, le ombre, le erbe infestanti e le colture di copertura rappresentano una parte importante degli ortomosaici. Per valutare la relazione tra le immagini satellitari e le variabili agronomiche con le mappe NDVI di vite pura ricavate dalle immagini UAV, è stato effettuato un processo di segmentazione per rimuovere tutti i pixel non di vite dalle immagini.

Classificare correttamente le immagini UAV per riconoscere le viti, il suolo e le erbe infestanti/coperture è uno dei passi più importanti per garantire l’alta qualità delle mappe prodotte. A questo scopo, negli ultimi anni sono state sviluppate molte tecniche avanzate, tra cui gli algoritmi di Deep Learning sembrano essere i più promettenti [24]. Tuttavia, queste tecniche sono ancora sperimentali e necessitano di un ulteriore affinamento. Attualmente, gli algoritmi non supervisionati hanno dimostrato di essere soluzioni accessibili e solide per questo compito. Tra i tanti disponibili, per questo studio è stato implementato in Python 3.10 l’algoritmo K-Means per la segmentazione di immagini RGB, descritto in Cinat et al. (2019) [25]. Fondamentalmente, l’algoritmo prende in input un’immagine RGB di un vigneto e la converte in formato CIE-L*a*b* per incrementare le prestazioni dell’algoritmo K-Means. Nello spazio di colore L*a*b*, i colori sono visti in una linea di distribuzione spaziale di luminanza (L*), linea verde-rossa (a*) e linea di distribuzione giallo-blu (b*) [25]. La conversione da RGB a L*a*b* è stata eseguita con la libreria skimage, utilizzando il bianco di riferimento d65 che simula i colori non esposti. K-Means è stato quindi impostato per identificare k = 5 cluster. Il cluster con il valore più basso di a*, l’intensità più forte del verde, è stato identificato come vite, mentre il cluster delle ombre è stato selezionato come quello con un valore positivo di a* e un valore più basso di b*. I tre cluster rimanenti sono stati identificati come terreno. L’algoritmo ha fornito buoni risultati, ma è risultato costoso in termini di memoria. Questo non è stato un problema importante per questo lavoro, ma è comunque degno di nota. Complessivamente, l’algoritmo è stato in grado di classificare correttamente le viti, le ombre e il terreno, come visibile nella Figura 7.

Operativamente, per gestire il carico di lavoro della memoria, le immagini RGB dell’UAV sono state ritagliate dai poligoni del vigneto e alimentate dall’algoritmo. Le scene segmentate restituite sono state poi rimappate, assegnando un valore 1 al cluster delle viti e un valore 0 a tutti gli altri cluster, e fuse insieme. La maschera costruita con questa procedura ha permesso di rimuovere i pixel non di vite dalle mappe NDVI degli UAV alla loro risoluzione originale. A questo punto, è stato replicato il processo di co- registrazione descritto in precedenza, ma solo i pixel corrispondenti a quelli appartenenti al cluster delle viti sono stati mediati per adattarsi alla risoluzione di Sentinel.
L’elaborazione descritta ha portato alla produzione di tre set di dati, ciascuno composto da 24 immagini:
• NDVI S2: mappe NDVI derivate da immagini multispettrali Sentinel-2;
• NDVI UAVplain : mappe NDVI derivate da immagini multispettrali UAV complete;
• NDVI UAVvines : mappe NDVI derivate segmentando i pixel di sole viti dalle immagini UAV.plain

consorzio
Figura 7 : Esempio di una imagine UAV segmentate ottenuta con l’algoritmo K-Means
Una volta prodotte, tutte le immagini dei tre set di dati sono state sottoposte a un test di coerenza interna. A tal fine, è stato utilizzato l’indice di Moran (MI), una misura dell’autocorrelazione spaziale [26]. Il MI è una misura dell’autocorrelazione spaziale globale dei dati all’interno di un’area analizzata. Il suo valore varia da -1 a +1: per un’osservazione in posizione i, un’autocorrelazione positiva significa che i valori nelle vicinanze sono simili a zi, mentre un’autocorrelazione spaziale negativa implica valori dissimili nelle posizioni vicine; il valore zero (MI = 0) indica l’assenza di autocorrelazione spaziale. Il MI univariato fornisce informazioni sulla correlazione tra una variabile X e il suo ritardo spaziale, formato dalla media di tutti i valori di X per i poligoni vicini [26]. L’analisi è stata elaborata utilizzando GeoDa 1.20.0.20 [27]. All’inizio è stato necessario calcolare i pesi spaziali, che vengono utilizzati per misurare la vicinanza e la prossimità tra le osservazioni. GeoDa offre la possibilità di gestire i pesi spaziali.
Come previsto, tutti i risultati riportati nella Tabella 5 sono positivi e mostrano punteggi MI elevati. Infatti, solo due risultati hanno ottenuto un valore MI inferiore a 0,6, indicando un’elevata coerenza spaziale per tutte le immagini prodotte. I valori p e z non sono stati riportati, poiché erano tutti rispettivamente
2,58.
consorzio

Tabella 5 : MI univariato per i tre dataset

2.5. Analisi Spaziali Comparative

L’approccio classico negli studi comparativi consiste nell’utilizzare modelli OLS e nell’analizzare le correlazioni misurate come i valori del coefficiente di determinazione (R2) e la correlazione di Pearson tra le variabili interessate. Tuttavia, questo tipo di confronto è stato ritenuto probabilmente parziale, in quanto i comuni metodi di regressione possono analizzare solo la relazione tra fattori dipendenti e indipendenti, ma non possono considerare la dipendenza spaziale [28,29]. Per superare questi problemi, è stato integrato un approccio statistico spaziale per fornire una maggiore affidabilità ai confronti. Infatti, il MI bivariato aiuta a misurare l’autocorrelazione spaziale tra una variabile X e il ritardo spaziale di una seconda variabile Y, formato dalla media di tutti i valori di Y per i poligoni vicini. Per ogni campagna di volo, le mappe NDVI delle immagini UAV sono state confrontate con i valori NDVI S2 utilizzando approcci statistici classici o spaziali. Quest’ultimo, a differenza del metodo classico, ha considerato la struttura e la variabilità geospaziale presente all’interno del vigneto. Tutti questi confronti sono stati eseguiti utilizzando il software GeoDa versione 1.22.
Le mappe NDVI continue sono effettivamente uno strumento prezioso per i direttori tecnici delle aziende vinicole. Queste mappe tematiche possono essere ulteriormente elaborate per produrre approfondimenti più intelligibili. I valori continui possono, infatti, essere suddivisi in cluster per determinare le aree a basso, medio e alto vigore, come illustrato nella Figura 8. Questi cluster, disponibili nell’Appendice A, possono fornire ai direttori tecnici un’analisi dei valori di NDVI. Questi cluster, disponibili nell’Appendice A, possono fornire ai direttori tecnici un’informazione preziosa che può consentire loro pratiche di gestione del vigneto più efficienti. Per valutare la qualità delle informazioni fornite da tale clusterizzazione, i valori di tutte le mappe NDVI sono stati separati in base ai terzili delle loro distribuzioni, come visto nei lavori di Matese et al. (2019) e Di Gennaro et al. (2019), e testati utilizzando il test Chi, utilizzato per determinare se esiste un’associazione significativa tra due variabili categoriali nei dati [12,15]. La clusterizzazione per terzili permette di posizionare le soglie dei tre cluster rispetto ai valori di NDVI di ciascuna parcella e di rappresentare la variabilità interna di quest’ultima.

consorzio
Figura 8 : Esempio di clustering NDVI realizzato da immagini S2 e UAV

2.6. Convalida sul campo e dati a terra

Per valutare ulteriormente i dati satellitari e UAV, sono state individuate 107 regioni di interesse (ROI) per monitorare i parametri relativi alla vigoria, come la lunghezza media dei germogli e la LWA in ogni data di monitoraggio durante la stagione. Ogni ROI comprendeva cinque viti rappresentative dell’area. Su ogni pianta, le misure di entrambe le variabili agronomiche considerate sono state prese manualmente con un nastro di misurazione. In particolare, per quanto riguarda la Lunghezza media dei germogli, è stata registrata la lunghezza media dei quattro germogli più rappresentativi dello stato di salute della pianta. I valori riportati sono stati poi mediati per ottenere la Lunghezza media dei germogli per ogni ROI. La LWA è stata calcolata per ogni pianta moltiplicando l’altezza della sua parete fogliare (quindi la lunghezza media dei germogli ottenuta in precedenza) per la lunghezza orizzontale della sua parete fogliare. In seguito, analogamente a quanto fatto in precedenza con la lunghezza media dei germogli, i valori riportati sono stati mediati per ottenere l’LWA per ogni ROI. La posizione delle ROI è stata decisa in modo da rispettare la forma e la variabilità dei vigneti, come illustrato nella Figura 3. Una volta determinate, le coordinate spaziali delle ROI sono state definite in base alla loro lunghezza. Una volta determinate, le coordinate spaziali di tutte le ROI sono state registrate con il sistema GNSS differenziale.
Per verificare la corrispondenza delle variabili agronomiche con quanto visibile attraverso le immagini satellitari e UAV, la loro distribuzione sui cluster NDVI è stata testata utilizzando il test ANOVA. Il test ANOVA, in questo caso, ha permesso di verificare se la distribuzione osservata delle variabili agronomiche sui cluster NDVI creati da tutti e tre i dataset avesse una differenza statistica significativa [30].

3. Risultati

Dopo aver illustrato il contesto dello studio e la metodologia proposta, in questa sezione vengono presentati i risultati ottenuti. Nella prima sezione, i risultati ottenuti con gli approcci statistici classici sono riportati nelle tabelle 6 e 7. Successivamente, i risultati dell’analisi statistica spaziale, come il MI bivariato, descritto nella Sezione 2.5, sono presentati nelle Tabelle 8 e 9. Infine, viene valutata la distribuzione di entrambe le variabili agronomiche sui cluster NDVI creati dai tre set di dati (Tabelle 10-12), prima di essere approfondita con il test ANOVA (Tabelle 16-18).

consorzio
Tabella 6 : Coefficiente di determinazione (R²) tra NDVI S2 e NDVI UAVplain
consorzio

Tabella 7 : Coefficiente di determinazione (R²) e coefficiente di correlazione di Pearson (r) tra NDVI S2 e NDVI UAVvines

consorzio
Tabella 8 : MI Bivariato tra NDVI S2 ritardato e NDVI UAVplain
consorzio
Tabella 9 : MI Bivariato tra NDVI S2 ritardato e NDVI UAVvines
consorzio

Tabella 10 :Distribuzione della Lunghezza Media dei Germogli sui cluster NDVI basata su NDVI S2

consorzio
Tabella 11 : Distribuzione della Lunghezza Media dei Germogli sui cluster NDVI basata su NDVI UAVplain
consorzio
Tabella 12 :Distribuzione della Lunghezza Media dei Germogli sui cluster NDVI basata su NDVI UAVvines

3.1. Approccio statistico classico: regressione ordinaria ai minimi quadrati

Nella Tabella 6 sono riportati i coefficienti di determinazione (R2) ottenuti con un modello OLS classico. Il modello è stato implementato utilizzando come variabili NDVI S2 e NDVI UAVplain, i VI calcolati rispettivamente dalle immagini Sentinel-2 e dalle immagini UAV complete. È possibile notare che circa il 90% dei valori di R2 ottenuti è superiore a 0,6, con l’unico valore basso in corrispondenza di F2 a Tua Rita, forse a causa dello sfalcio delle colture di copertura appena avvenuto al momento del rilevamento. Tutti i valori della correlazione di Pearson hanno mostrato buone correlazioni con valori superiori a 0,6.
La stessa procedura è stata applicata considerando l’NDVI S2 e l’NDVI UAVvines ; infatti, le mappe NDVI derivate segmentando i pixel di vite pura dalle immagini UAVplain (Tabella 7). In questo caso, in F1, non sono riportati valori poiché non era disponibile alcuna chioma da segmentare prima della fase di germogliamento (24 marzo 2022). Come previsto, sono stati ottenuti valori di coefficiente di determinazione inferiori rispetto alle analisi precedenti (Tabella 6), con circa il 44% dei valori R2 registrati superiori a 0,6. Ci si aspettava che la relazione tra NDVI S2 e NDVI UAVvines fornisse valori più bassi, poiché in una coltura arborea così discontinua (vigneto), solo una piccola parte è rappresentata dalla chioma della vite e quindi, nei pixel misti dell’NDVI S2, la maggior parte dell’effetto è legato allo sfondo. Entrambe le tabelle 6 e 7 mostrano valori in linea con quanto evidenziato da studi precedenti [10-12,14,15].

3.2. Analisi Statistica Spaziale: Indice di Moran Bivariato

L’approccio statistico spaziale è stato utilizzato per fornire una visione più imparziale della corrispondenza di due variabili distribuite spazialmente, determinando la presenza o l’assenza di autocorrelazione spaziale tra di esse. L’analisi MI bivariata è stata eseguita confrontando le mappe NDVI delle immagini Sentinel-2 con le NDVI calcolate rispettivamente su UAVplain (Tabella 8) e UAVvines (Tabella 9). In circa il 90% dei casi (date di volo e siti), il punteggio MI è risultato superiore a 0,6, mentre i valori sono risultati più bassi quando si sono segmentati i pixel delle viti pure UAV (UAVvines ), dove solo il 52% delle mappe ha mostrato valori R2 superiori a 0,6 (Tabella 9). Sebbene questi risultati possano essere apparentemente considerati simili a quelli ottenuti utilizzando il modello OLS classico, sono più rappresentativi delle relazioni interne esistenti tra le mappe S2 e UAV, poiché MI confronta i valori in una matrice vicina e non solo cella per cella. Come osservato per l’analisi OLS, la relazione tra NDVI S2 e NDVI UAVvines (pixel di vite puri) è risultata coerentemente più bassa rispetto a quella eseguita sulle immagini multispettrali UAV complete (NDVI UAVplain). Solo due osservazioni, F4 e F5 nel sito di Petra, hanno mostrato valori inaspettatamente bassi, con valori di R2 pari a 0,189 e 0,057 rispettivamente. Anche se in F4 e F5 le colture di copertura sono state registrate come assenti da ogni vigneto nella Tabella 3, nel sito di Petra, all’analisi visiva c’erano ancora alcune macchie verdi che hanno mandato fuori strada l’algoritmo di segmentazione, rendendo quindi comportamenti come questo e quello osservato nella Tabella 7 per gli stessi voli forse imputabili a carenze nel processo di segmentazione.
Il confronto delle mappe NDVI clusterizzate ha permesso di approfondire l’analisi tra NDVI S2, NDVI UAVplain e NDVI UAVvines. Tutte le mappe prodotte (fornite come materiale di supporto nell’Appendice A (Figure A1-A6) hanno mostrato risultati apprezzabili in termini di tenuta dei cluster. Questo era atteso considerando che nei risultati ottenuti con l’analisi Monovariate MI, i valori NDVI sono stati ritenuti non casualmente raggruppati. Questa nozione è stata ulteriormente rafforzata dall’uso del test del Chi-quadro [31]. I risultati ottenuti dal test del Chi-quadro eseguito tra i dataset hanno mostrato un’elevata significatività (valori di p < 0,001) in tutti i casi, il che significa che le variabili categoriali ottenute (cluster) erano correttamente associate tra loro e, coerentemente, esisteva una correlazione spaziale tra di esse.

3.3. Valutazione della Distribuzione delle Variabili Agronomiche sui Cluster NDVI

Per valutare la presenza di relazioni significative tra i cluster NDVI e le variabili agronomiche di verità a terra, in particolare la lunghezza media dei germogli e la LWA, sono necessari metodi diversi da quelli utilizzati per confrontare le mappe NDVI. Per valutare l’accuratezza della corrispondenza delle variabili agronomiche con i tre dataset NDVI, i valori di entrambe le variabili sono stati ulteriormente suddivisi nei tre cluster NDVI e mediati. Per ogni variabile e per ogni set di dati, è stato possibile osservare se le celle delle mappe NDVI classificate come basse mostravano valori inferiori rispetto a quelle raggruppate come medie e se le ultime mostravano valori inferiori rispetto a quelle raggruppate come alte. Questa relazione è stata ulteriormente quantificata utilizzando l’ANOVA, un test statistico utilizzato per analizzare la differenza tra le medie di più di due gruppi. Le Tabelle 13-15 e le Tabelle 19-21 riportano la corrispondenza delle variabili agronomiche raccolte in campo con le mappe NDVI clusterizzate per le mappe NDVI S2, NDVI UAVplain e NDVI UAVvines, rispettivamente.
La Tabella 10 riporta il dataset NDVI S2. È possibile osservare che nell’80% dei casi le celle classificate come Low NDVI hanno riportato valori di Average Length of Shoots inferiori a quelli riscontrati in quelle Medium NDVI. Questa percentuale è rimasta pressoché costante (85%) quando si è considerato l’NDVI UAVplain (Tabella 11), mentre è aumentata significativamente al 100% dei casi quando si è considerato l’NDVI UAVvines (Tabella 12). Nelle celle classificate come NDVI alto, sono stati registrati valori di lunghezza media dei germogli più elevati rispetto a quelli riscontrati in NDVI medio nel 95%, 85% e 95% dei casi quando si considerano rispettivamente NDVI S2 (Tabella 10), NDVI UAVplain (Tabella 11) e 95% quando si tratta di NDVI UAVvines (Tabella 12).
Il test ANOVA aumenta la profondità dell’analisi intorno alla distribuzione delle variabili agro- nomiche sui cluster NDVI. La Tabella 13 mostra come solo nel 15% dei casi almeno due categorie su tre presentino differenze significative nelle loro medie (p- value < 0,05) quando si considera l’NDVI S2, mentre questa percentuale sale al 35% nel caso dell’NDVI UAVplain (Tabella 14) e all’80% nel caso dell’NDVI UAVvines (Tabella 15).

consorzio

Tabella 13 : Punteggi ANOVA per la Lunghezza Media dei Germogli su NDVI S2

consorzio
Tabella 14 : Punteggi ANOVA per la Lunghezza Media dei Germogli su NDVI UAVplain.
consorzio

Tabella 15 :Punteggi ANOVA per la Lunghezza Media dei Germogli su NDVI UAVvines

La stessa analisi è stata ripetuta per l’LWA. La Tabella 16 mostra come, considerando l’NDVI S2, nell’81% dei casi le celle con NDVI basso abbiano registrato valori di LWA inferiori a quelli riscontrati con NDVI medio. Questa percentuale scende leggermente al 75% quando si considera l’NDVI UAVplain (Tabella 17), mentre aumenta al 94% quando si tratta dell’NDVI UAVvines (Tabella 18). Inoltre, le celle con NDVI alto registrano valori di LWA superiori a quelli riscontrati in NDVI medio nell’81% dei casi quando si considera NDVI S2 (Tabella 16), nel 75% dei casi quando si considera NDVI UAVplain (Tabella 17) e nel 100% dei casi quando si tratta di NDVI UAVvines (Tabella 18).
consorzio
Tabella 16 : Distribuzione dell’LWA sui cluster NDVI basata su NDVI S2
consorzio

Tabella 17 : Distribuzione dell’LWA sui cluster NDVI basata su NDVI UAVplain

consorzio
Tabella 18 : Distribuzione dell’LWA sui cluster NDVI basata su NDVI UAVvines
Per questa variabile, il test ANOVA mostra risultati leggermente inferiori, con il 12,5% dei casi in cui almeno due categorie su tre presentano una differenza significativa nelle loro medie (p-value Tabella 19 : Punteggi ANOVA per l’LWA su NDVI S2
consorzio

Tabella 19 : Punteggi ANOVA per l’LWA su NDVI S2

consorzio

Tabella 20 : Punteggi ANOVA per l’LWA su NDVI UAVplain

consorzio

Tabella 21 : Punteggi ANOVA per l’LWA su NDVI UAVvines

4. Discussione

I risultati ottenuti aiutano a comprendere meglio la relazione tra i dati S2 e UAV e come questi possano essere utilizzati per alimentare applicazioni in grado di monitorare variabili agronomiche rilevanti. NDVI S2 e NDVI UAVplain sono risultati fortemente correlati. Infatti, se confrontati con metodi classici come i modelli OLS, hanno mostrato punteggi elevati sia in R2 che in r, con l’unico outlier (a Tua Rita in F2) forse giustificato dal fatto che le colture di copertura appena sfalciate potrebbero rappresentare una fonte di rumore non trascurabile. I risultati ottenuti, riportati nella Tabella 6, mostrano che nel 90% dei casi il valore di r è superiore a 0,60, come nel caso di Khaliq et al, Più in generale, la correlazione tra NDVI S2 e UAVplain , esplorata anche in termini di correlazione di Pearson da Sozzi et al. e in termini di R2 di un modello OLS da Pistonchi et al., Di Gennaro et al. e Nonni et al., mostra valori buoni e coerenti [10,11,14]. I valori dello stesso coefficiente erano prevedibilmente più bassi quando si confrontavano NDVIplain e NDVIvines . Khaliq et al. registrano un calo dei valori, dove il 75% dei punteggi r sono inferiori a 0,41. Ciò è in contrasto con quanto osservato nel presente studio, dove il numero di casi in cui i punteggi r sono superiori a 0,6 diminuisce, ma non eccessivamente, dal 90% al 72%. Un calo maggiore si riscontra invece in R2, che passa dal 90% al 44% dei casi che mostrano risultati superiori a 0,6. Anche il lavoro di Pastonchi et al. suggerisce una tendenza alla diminuzione dei punteggi OLS quando si confronta la correlazione di NDVI S2 con NDVIplain e NDVIvines [14]. Questo sembra suggerire che non ci si dovrebbe aspettare che NDVI S2 siano in grado di approssimare i valori NDVI calcolati osservando i pixel di pura vite dalle immagini UAV. Come già indicato, tuttavia, i metodi statistici classici non sono da prendere alla leggera in un contesto come quello considerato nel presente lavoro. Indicazioni più solide si ottengono guardando a misure più affidabili come il MI multivariato, come già suggerito da Matese et al. [15]. Le tabelle 8 e 9 mostrano infatti come NDVI S2 e NDVI UAVplain producano costantemente risultati migliori rispetto a NDVI S2 e NDVI UAVvines , confermando quanto già intravisto utilizzando approcci statistici classici. Ciò integra quanto riportato da Pastonchi et al. dove in alcuni casi i confronti bivariati MI tra NDVI S2 e NDVI UAVplain mostrano risultati migliori rispetto ai confronti tra NDVI S2 e NDVIvines [14]. Il valore NDVI, sebbene non sia necessariamente un’informazione preziosa di per sé, acquista valore nella sua relazione spaziale con un vicinato di altri valori. Il confronto di mappe NDVI spazialmente raggruppate viene in aiuto in questo senso. In questo caso, infatti, il test del Chi-quadro restituisce risultati significativi per tutte le mappe prodotte, indicando una relazione tra i cluster NDVI creati da tutti e tre i set di dati. Come era possibile aspettarsi, a una valutazione visiva, i cluster NDVI da NDVI UAVplain sono estremamente simili a quelli generati raggruppando i valori NDVI S2, mentre con NDVI UAVvines , è effettivamente possibile individuare alcune differenze rilevanti, come si vede, ad esempio, a Petra in corrispondenza di F4 (Figura A4) e F5 (Figura A5) (in realtà i due voli con i risultati più bassi con entrambi i metodi di confronto). Nonostante la differenza tra l’NDVI S2 e l’NDVI UAVvines , come testimoniano i confronti effettuati sia con OLS che con MI multivariato, il primo riesce comunque a trasmettere una parte rilevante delle informazioni portate dal secondo in termini di distribuzione spaziale dei dati NDVI.

Nonostante la percentuale più alta di pixel in un’immagine sia rappresentata dal suolo, i valori di NDVI relativi a questo elemento hanno una variabilità molto bassa, in quanto tendono tutti fisiologicamente a 0, permettendo così di far emergere la distribuzione del vigore delle viti, soprattutto a partire da F4 (27 giugno 2023) quando la traccia delle cover crops è generalmente scomparsa. Viceversa, al momento dei primi tre voli, le colture di copertura erano ancora presenti, anche se con una presenza decrescente, influenzando così la variazione dei valori in NDVI S2. Allo stesso tempo, i primi voli rappresentavano un periodo di limitato vigore vegetativo espresso, quindi un periodo in cui il monitoraggio di un vigneto mediante l’uso di immagini S2 era prevedibilmente meno fattibile. Poiché i cluster NDVI S2 sono considerati simili a quelli producibili da NDVI UAVvines , possono rappresentare un valido strumento per monitorare la distribuzione del vigore in un vigneto attraverso NDVI su scenari ampi e una valida fonte di informazioni per supportare le decisioni agronomiche. Una conclusione condivisa dalla maggior parte degli altri lavori presenti in letteratura e presa in considerazione dal presente studio [10,11,14], con l’eccezione di Khaliq et al. che, pur partendo da un campione di dati più piccolo, hanno trovato le capacità di NDVI S2 insufficienti per monitorare la variabilità spaziale del vigore dei vigneti [13]. È quindi possibile affermare che l’NDVI S2 può essere, con maggiore affidabilità nei periodi in cui non sono presenti colture di copertura e il fogliame e la vegetazione sono in fase avanzata, uno strumento valido e sufficientemente affidabile per ampie applicazioni.

D’altra parte, le immagini UAV potrebbero essere utilizzate per integrare queste informazioni, soprattutto nelle prime fasi della stagione, quando le colture di copertura e le erbe infestanti potrebbero essere ancora presenti e la vegetazione della vite è nel suo momento iniziale e più delicato. A tal fine, è stato opportuno analizzare la capacità delle due piattaforme di monitorare le variabili agronomiche considerate a terra, la lunghezza media dei germogli e la LWA. Considerando la prima, è stato possibile osservare come la distribuzione dei suoi valori tra i cluster NDVI fosse coerente nella maggior parte dei casi per tutti e tre i dataset (Tabelle 10, 12 e 14). Più interessanti da osservare sono stati i risultati del test ANOVA, che nella maggior parte dei casi non ha evidenziato differenze significative tra le medie dei cluster quando si è considerato l’NDVI S2 (85%) e l’NDVI UAVplain (65%), come mostrato nelle Tabelle 13 e 14. Questo potrebbe essere dovuto al fatto che la distribuzione dei valori tra i cluster è stata coerente nella maggior parte dei casi per tutti e tre i dataset (Tabelle 10, 12 e 14). Ciò potrebbe essere dovuto al fatto che la maggior parte delle informazioni dell’NDVI UAVplain è legata al suolo e in parte alle ombre, appiattendo la capacità di mostrare informazioni sulle variabili agronomiche.

Nell’NDVI UAVvines, invece, la selezione di pixel di vite pura ha permesso una migliore valutazione delle differenze tra i cluster, come si può vedere nella Tabella 15. Tali conclusioni sono simili a quelle riscontrate in altri lavori, come quelli di Khaliq et al. e Di Gennaro et al. [12,13]. Lo stesso vale se si considera l’LWA: la sua distribuzione dei valori è per lo più ben separata all’interno dei tre cluster per tutti e tre i dataset (Tabelle 16-18), ma i loro valori di punteggio per il test ANOVA mostrano un andamento simile a quello riscontrato per la Lunghezza media dei germogli. Infatti, i punteggi del test ANOVA sono significativi nel determinare le differenze tra le medie dei cluster quando si considera NDVI S2 solo nel 12,5% dei casi (Tabella 19), mentre salgono al 31% (Tabella 20) e al 69% (Tabella 21) delle volte quando si considerano UAVplain e UAVvines . NDVIvines mostra quindi di avere una correlazione maggiore rispetto agli altri due dataset con le variabili agronomiche. Ciò rafforza l’idea che i dati satellitari non sono adatti a compiti specifici per la vite e devono essere limitati ad attività di monitoraggio più ampie, mentre le immagini UAV segmentate possono aiutare a raccogliere valori NDVI altamente correlati con la maggior parte delle variabili agronomiche.

La Figura 9 aiuta a riprendere le informazioni raccolte durante la discussione dei risultati dell’analisi statistica e a coniugare i diversi usi possibili dei dati satellitari e UAV. Le mappe NDVI da immagini Sentinel-2 si sono rivelate uno strumento coerente e affidabile per applicazioni su larga scala, con cluster NDVI come quelli forniti nell’Appendice A (Figure A1-A6) che sono da considerarsi un output prezioso per i direttori tecnici delle aziende vinicole. Tuttavia, le mappe NDVI ottenute da dati satellitari soffrono di alcune limitazioni che vengono a galla nel caso in cui il monitoraggio sia condotto durante le prime fasi fenologiche delle viti o nel caso in cui siano presenti inerbimenti o colture di copertura nelle interfile del vigneto monitorato. Le piattaforme UAV sono in grado di sopperire a tali carenze: nonostante i loro difetti, gli algoritmi di segmentazione consentono di separare i pixel dell’interfila dalle mappe NDVI derivate dagli UAV, fornendo così informazioni pulite e affidabili. Inoltre, data la correlazione esistente con le variabili agronomiche quantitative, le piattaforme UAV potrebbero fornire approfondimenti sulle prime fasi della stagione di crescita. Più in generale, nonostante il loro utilizzo abbia un costo maggiore, gli UAV rimangono la piattaforma preferita per svolgere attività specifiche per la vite.

consorzio
Figura 9 : Flusso di lavoro per l’integrazione di utilizzi alternativi delle immagini satellitari e UAV per la Viticoltura di Precisione (PV)

5. Conclusioni

Le immagini multispettrali provenienti da piattaforme aeree possono rappresentare un’importante fonte di informazioni per il settore della PA e del fotovoltaico. Negli ultimi decenni, diversi studi hanno valutato la qualità delle informazioni fornite dalle piattaforme satellitari con l’intento di fornire ad agronomi e agricoltori validi strumenti di supporto alle decisioni. In diversi studi sono stati riportati confronti tra immagini S2 e UAV, evidenziando i limiti e le potenzialità di entrambe le piattaforme. In questa cornice, il presente studio ha collegato i punti più rilevanti toccati dai lavori precedenti e ha condotto l’analisi su un arco temporale e spaziale ampio e coerente. I risultati ottenuti permettono di sottolineare l’importanza di aggirare la dicotomia tra l’utilizzo di S2 e UAV, sostenendo la necessità della loro integrazione. Questo studio dimostra che S2 può essere una valida piattaforma per il monitoraggio su larga scala, in quanto produce passivamente immagini multispettrali a un costo tendenzialmente irrilevante, fornendo una forte corrispondenza con le immagini UAV. In questo caso, la creazione di cluster NDVI si è rivelata un output più utile rispetto ai valori delle singole celle. Un valore NDVI non dice molto su ciò che accade nelle sue celle di 10 m/pixel, ma spiega meglio se nelle sue vicinanze sono presenti valori simili e coerentemente raggruppati. È comunque importante capire come e quanto questa informazione possa essere disturbata dalla presenza di colture di copertura e di erbe infestanti, soprattutto quando non sono distribuite in modo uniforme. Queste lacune possono essere efficacemente colmate da piattaforme UAV che rendono possibile il monitoraggio di vigneti coperti da erba. Inoltre, i dati UAV segmentati mostrano una buona relazione con le variabili agronomiche, diventando così il riferimento per applicazioni di precisione, soprattutto nelle fasi iniziali della crescita della vite. Entrambi questi strumenti possono trarre vantaggio dalla loro integrazione, rappresentando una fonte inestimabile di informazioni per gli agronomi e gli agricoltori delle aziende vinicole e di altre imprese agricole.

Contributi degli autori: Concettualizzazione, D.G., S.E.P., M.D.M. e F.M.; metodologia, D.G. , S.E.P. e F.M.; software, D.G.; validazione, S.E.P., M.D.M. e F.M.; analisi formale, D.G.; indagine, D.G.; risorse, D.G. e M.D.M.; cura dei dati, D.G.; scrittura – preparazione della bozza originale, D.G.; scrittura – revisione ed editing, D.G., S.E.P., M.D.M. e F.M.; visualizzazione, D.G., S.E.P. e F.M.; supervisione, S.E.P., M.D.M. e F.M.; amministrazione del progetto, S.E.P., M.D.M. e F.M.; acquisizione dei fondi,D.G. e M.D.M. Tutti gli autori hanno letto e approvato la versione pubblicata del manoscritto.
Finanziamento: Questa ricerca non ha ricevuto alcun finanziamento esterno.
Dichiarazione di disponibilità dei dati: I dati sono contenuti nell’articolo.
Ringraziamenti: Gli autori sono grati a Silvia Pulice e Marco Magazzini (LIBRA SRL) per il supporto tecnico nell’acquisizione delle immagini UAV. Si ringraziano inoltre le cantine Casadei, Petra, Rigoli e Tua Rita per aver ospitato le attività sperimentali.
Conflitti di interesse: David Govi è dipendente di Polaris Engineering Spa. Tutti gli altri autori non dichiarano conflitti di interesse.

Abbreviazioni
In questo manoscritto vengono utilizzate le seguenti abbreviazioni:

ANOVA Analisi della varianza
GIS Sistema informativo geografico
GCP Punti di controllo del terreno
LWA Area della parete fogliare
MI Indice di Moran
NDVI Indice di vegetazione normalizzato OLS Regressione ai minimi quadrati ordinari
ROI Regione di interesse
PA Agricoltura di precisione
FV Viticoltura di precisione
SC Classificazione della scena UAV Veicoli aerei senza pilota

Appendice A. NDVI Clusters
consorzio

Figura A1 : NDVI clusters at F1

consorzio
Figura A2 : NDVI clusters at F2.
consorzio
Figura A3 : NDVI clusters at F3.
consorzio

Figura A4 : NDVI clusters at F4.

consorzio
Figura A5 : NDVI clusters at F5.
consorzio
Figura A6 : NDVI clusters at F6.

References

1. Crookston, R.K. A top 10 list of developments and issues impacting crop management and ecology during the past 50 years. Crop Sci. 2006, 46, 2253–2262. [CrossRef]
2. Weiss, M.; Jacob, F.; Duveiller, G. Remote sensing for agricultural applications: A meta-review. Remote Sens. Environ. 2020, 236, 111402. [CrossRef]
3. Santesteban, L.G. Precision viticulture and advanced analytics. A short review. Food Chem. 2019, 279, 58–62. [CrossRef]
4. ISTAT. Stima Sulla Superficie Vitivinicola e Produzione Vinicola; ISTAT: Roma, Italy, 2021.
5. Malone, P.; Apgar, H.; Stukes, S.; Sterk, S. Unmanned aerial vehicles unique cost estimating requirements. In Proceedings of the 2013 IEEE Aerospace Conference, Big Sky, MT, USA, 2–9 March 2013; pp. 1–8.
6. D’Odorico, P.; Gonsamo, A.; Damm, A.; Schaepman, M.E. Experimental evaluation of Sentinel-2 spectral response functions for NDVI time-series continuity. IEEE Trans. Geosci. Remote Sens. 2013, 51, 1336–1348. [CrossRef]
7. Segarra, J.; Buchaillot, M.L.; Araus, J.L.; Kefauver, S.C. Remote sensing for precision agriculture: Sentinel-2 improved features and applications. Agronomy 2020, 10, 641. [CrossRef]
8. Rouse, J.W., Jr.; Haas, R.H.; Deering, D.; Schell, J.; Harlan, J.C. Monitoring the Vernal Advancement and Retrogradation (Green Wave Effect) of Natural Vegetation. No. E75-10354. 1974. Available online: https://ntrs.nasa.gov/citations/19730017588 (accessed on 2 May 2023).
9. Huang, S.; Tang, L.; Hupy, J.P.; Wang, Y.; Shao, G. A commentary review on the use of normalized difference vegetation index (NDVI) in the era of popular remote sensing. J. For. Res. 2021, 32, 1–6. [CrossRef]
10. Sozzi, M.; Kayad, A.; Marinello, F.; Taylor, J.; Tisseyre, B. Comparing vineyard imagery acquired from Sentinel-2 and Unmanned Aerial Vehicle (UAV) platform. Oeno One 2020, 54, 189–197. [CrossRef]
11. Nonni, F.; Malacarne, D.; Pappalardo, S.E.; Codato, D.; Meggio, F.; De Marchi, M. Sentinel-2 Data Analysis and Comparison with UAV Multispectral Images for Precision Viticulture. GI Forum 2018, 1, 105–116. [CrossRef]
12. Di Gennaro, S.F.; Dainelli, R.; Palliotti, A.; Toscano, P.; Matese, A. Sentinel-2 validation for spatial variability assessment in overhead trellis system viticulture versus UAV and agronomic data. Remote Sens. 2019, 11, 2573. [CrossRef]
13. Khaliq, A.; Comba, L.; Biglia, A.; Ricauda Aimonino, D.; Chiaberge, M.; Gay, P. Comparison of satellite and UAV-based multispectral imagery for vineyard variability assessment. Remote Sens. 2019, 11, 436. [CrossRef]
14. Pastonchi, L.; Di Gennaro, S.F.; Toscano, P.; Matese, A. Comparison between satellite and ground data with UAV-based information to analyse vineyard spatio-temporal variability: This article is published in cooperation with the XIIIth International Terroir Congress November 17-18 2020, Adelaide, Australia. Guest editors: Cassandra Collins and Roberta De Bei. Oeno One 2020, 54, 919–934.
15. Matese, A.; Di Gennaro, S.F.; Santesteban, L.G. Methods to compare the spatial variability of UAV-based spectral and geometric information with ground autocorrelated data. A case of study for precision viticulture. Comput. Electron. Agric. 2019, 162, 931–940. [CrossRef]
16. Walklate, P.; Cross, J. An examination of Leaf-Wall-Area dose expression. Crop Prot. 2012, 35, 132–134. [CrossRef]
17. Spectator. Available online: http://app.spectator.earth (accessed on 2 May 2023).
18. CNR Institute of Atmospheric Sciences and Climate—Climate Monitoring for Italy. Available online: https://www.isac.cnr.it/ climstor/ (accessed on 2 May 2023).
19. Weather Underground. Available online: https://www.wunderground.com/ (accessed on 2 May 2023).
20. Copernicus Open Access Hub. Available online: https://scihub.copernicus.eu/ (accessed on 2 May 2023).
21. QGIS Development Team. QGIS Geographic Information System; Open Source Geospatial Foundation: Chicago, IL, USA, 2009.
22. Xavier Corredor Llano. Coregistration QGIS Plugin; Colombian Forest Monitoring System, SMByC: Colombia, 2021. Available online: https://github.com/SMByC/ (accessed on 2 May 2023).
23. Devaux, N.; Crestey, T.; Leroux, C.; Tisseyre, B. Potential of Sentinel-2 satellite images to monitor vine fields grown at a territorial scale. Oeno One 2019, 53, 52–59. [CrossRef]
24. Barros, T.; Conde, P.; Gonçalves, G.; Premebida, C.; Monteiro, M.; Ferreira, C.S.S.; Nunes, U.J. Multispectral vineyard segmentation: A deep learning comparison study. Comput. Electron. Agric. 2022, 195, 106782. [CrossRef]
25. Cinat, P.; Di Gennaro, S.F.; Berton, A.; Matese, A. Comparison of unsupervised algorithms for Vineyard Canopy segmentation from UAV multispectral images. Remote Sens. 2019, 11, 1023. [CrossRef]
26. Moran, P.A. Notes on continuous stochastic phenomena. Biometrika 1950, 37, 17–23. [CrossRef] [PubMed]
27. Anselin, L.; Syabri, I.; Kho, Y. GeoDa: An introduction to spatial data analysis. In Handbook of Applied Spatial Analysis: Software Tools, Methods and Applications; Springer: Berlin/Heidelberg, Germany, 2009; pp. 73–89.
28. Taylor, J.; Bates, T. A discussion on the significance associated with Pearson’s correlation in precision agriculture studies. Precis. Agric. 2013, 14, 558–564. [CrossRef]
29. Anselin, L.; Rey, S.J. Modern Spatial Econometrics in Practice: A Guide to GeoDa, GeoDaSpace and PySAL. 2014. Available online: https://sergerey.org/giasp16/pdfs/anselin_rey_weights.pdf (accessed on 2 May 2023
30. St, L.; Wold, S. Analysis of variance (ANOVA). Chemom. Intell. Lab. Syst. 1989, 6, 259–272.
31. Ugoni, A.; Walker, B.F. The Chi square test: An introduction. COMSIG Rev. 1995, 4, 61.

Disclaimer/Publisher’s Note: The statements, opinions and data contained in all publications are solely those of the individual author(s) and contributor(s) and not of MDPI and/or the editor(s). MDPI and/or the editor(s) disclaim responsibility for any injury to people or property resulting from any ideas, methods, instructions or products referred to in the content.

AI Generativa: cos’è, come funziona e casi d’uso

AI Generativa: cos’è, come funziona e casi d’uso

Dall’uscita di ChatGPT a Novembre 2022, l’AI generativa è il discorso più sentito negli ufficio: “Ma lo usi?”, “E cosa ci fai?" ... Cerchiamo di fare un po' di chiarezza! Introduzione all'Intelligenza Artificiale Generativa Nel vasto campo dell'intelligenza...

leggi tutto