Integrating Feature Selection and Machine Learning for Nitrogen Assessment in Grapevine Leaves using In-Field Hyperspectral Imaging

Titolo: Integrazione di Selezione delle Caratteristiche e Machine Learning per la Valutazione dell'Azoto nelle Foglie di Vite tramite Imaging Iperspettrale in Campo

1. Il Problema

L'azoto (N) è un nutriente critico per la produzione di uva da vino, influenzando la vigoria della vite, la composizione del frutto e la qualità finale del vino. Tuttavia, la disponibilità di azoto nel suolo varia spazialmente e temporalmente, rendendo difficile una gestione precisa.
I metodi tradizionali per valutare lo stato nutrizionale della vite si basano su campionamenti manuali di foglie seguiti da analisi chimiche di laboratorio. Questi processi sono:

• Laboriosi e costosi: Richiedono molto tempo e risorse umane.
• A bassa risoluzione spaziale: Non permettono di monitorare la variabilità all'interno di un vigneto o a livello di singola pianta.
• Lenti: Esiste un ritardo tra il campionamento e la disponibilità dei risultati, impedendo decisioni in tempo reale.

Sebbene il telerilevamento (iperspettrale e multispettrale) offra alternative non distruttive, i dati iperspettrali presentano sfide significative:

• Alta dimensionalità: Centinaia di bande spettrali strette creano ridondanza dei dati.
• Effetto Hughes: Con un numero limitato di campioni di addestramento, l'aumento delle bande porta a sovradattamento (overfitting) e riduce l'accuratezza del modello.
• Complessità di trasferimento: È difficile applicare modelli sviluppati a livello di singola foglia alla scala della chioma (canopy) a causa di variabili ambientali (angoli di illuminazione, ombreggiamento).

2. Metodologia

Lo studio ha raccolto dati iperspettrali in campo (400–1000 nm) durante le stagioni di crescita 2022 e 2023 su quattro cultivar: Chardonnay, Pinot Noir, Concord e Syrah. I dati sono stati acquisiti a due livelli:

• Livello Foglia: Singole foglie esposte al sole.
• Livello Chioma: Intere piante (compositi di 20-40 foglie).

Fasi principali dell'elaborazione:

1. Pre-elaborazione dei Dati:

   • Calibrazione radiometrica (conversione da numeri digitali a riflettanza).
   • Segmentazione delle foglie (uso di indici vegetazionali come NDVI, NDRE, ExG e SAM per isolare le foglie dallo sfondo).
   • Rimozione di bande di bordo rumorose e outlier (metodo MAD - Deviazione Assoluta Mediana).
   • Applicazione di trasformazioni SNV (Standard Normal Variate) e filtro Savitzky-Golay per ridurre il rumore e correggere gli effetti di scattering.

2. Framework di Selezione delle Caratteristiche (Feature Selection) Ensemble:
   Per affrontare la ridondanza e identificare le bande più informative, è stato sviluppato un approccio in due fasi:

   • Clustering Gerarchico: Riduzione della multicollinearità raggruppando bande altamente correlate e selezionando una banda rappresentativa per ogni cluster basata su un "Consensus Score" (che integra correlazione, informazione mutua e centralità).
   • Selezione Ensemble: Integrazione di otto algoritmi diversi (SelectKBest, Lasso, Ridge, Elastic Net, Random Forest, Extra Trees, Gradient Boosting e Random Frog) per generare un ranking stabile delle bande. La stabilità è stata valutata attraverso iterazioni bootstrap.

3. Ottimizzazione e Modelli ML:

   • Ottimizzazione Sequenziale (PLSR): Le bande selezionate sono state aggiunte sequenzialmente per determinare il numero ottimale di bande necessarie per massimizzare l'accuratezza (R²) e minimizzare l'errore (RMSE).
   • Modelli di Machine Learning: Sono stati addestrati e confrontati quattro algoritmi: Elastic Net, SVR (RBF), XGBoost e Gaussian Process Regression (GPR).

4. Analisi di Trasferibilità:
   È stato testato se le bande sensibili all'azoto identificate a livello di foglia potessero essere trasferite con successo per la previsione a livello di chioma, sia per la stessa cultivar (Chardonnay) che per cultivar diverse (da Pinot Noir a Concord/Syrah).

3. Contributi Chiave

• Framework Ensemble Robusto: Sviluppo di una metodologia di selezione delle caratteristiche che combina clustering gerarchico e multipli algoritmi di selezione per identificare bande spettrali fisiologicamente significative e stabili attraverso diverse fasi fenologiche e condizioni ambientali.
• Analisi Cross-Scala (Foglia-Chioma): Dimostrazione empirica che le bande sensibili all'azoto identificate a livello di foglia mantengono la loro capacità predittiva quando applicate a livello di chioma, superando le sfide legate alla variabilità strutturale e all'illuminazione.
• Distinzione per Cultivar: Identificazione di pattern spettrali specifici per il tipo di uva:
  • Cultivar Bianche (es. Chardonnay): Utilizzano un equilibrio di bande nel visibile, red-edge e vicino infrarosso (NIR).
  • Cultivar Rosse (es. Pinot Noir, Syrah, Concord): Dipendono maggiormente dalle bande del visibile a causa delle interazioni tra antociani e clorofilla.
• Riduzione della Complessità: Dimostrazione che un sottoinsieme compatto di bande (5-14 bande) può eguagliare o superare le prestazioni dei modelli che utilizzano l'intero spettro (274 bande), riducendo il rischio di overfitting e facilitando lo sviluppo di sensori multispettrali personalizzati.

4. Risultati

I modelli hanno mostrato prestazioni eccellenti sia a livello di foglia che di chioma:

• Livello Foglia:

  • Chardonnay: R² = 0.82, RMSE = 0.19 %DW (miglior modello: SVR-RBF).
  • Pinot Noir: R² = 0.69, RMSE = 0.20 %DW (miglior modello: GPR).
  • L'accuratezza è stata superiore rispetto al livello chioma grazie a una minore variabilità ambientale e a un range di concentrazione di azoto più ampio.

• Livello Chioma:

  • Chardonnay: R² = 0.65, RMSE = 0.17 %DW.
  • Concord: R² = 0.72, RMSE = 0.12 %DW.
  • Syrah: R² = 0.70, RMSE = 0.16 %DW.

• Trasferibilità:

  • L'uso di bande selezionate a livello di foglia per prevedere l'azoto a livello di chioma ha prodotto risultati comparabili (es. Chardonnay: R² = 0.67 con bande foglia vs 0.65 con bande chioma).
  • Le bande sensibili all'azoto (visibile 500-670 nm, red-edge 700-760 nm, NIR >760 nm) si sono rivelate robuste attraverso le scale di misura.

• Confronto Spettro Completo vs. Bande Selezionate:

  • I modelli basati su bande selezionate hanno spesso superato o eguagliato i modelli basati sull'intero spettro (es. Chardonnay foglia: R² 0.83 vs 0.74 con spettro completo), confermando che la riduzione della dimensionalità elimina il rumore.

5. Significato e Implicazioni

Questo studio fornisce una base solida per l'implementazione di strategie di fertilizzazione di precisione nei vigneti:

• Monitoraggio Non Distruttivo: Permette una valutazione rapida e non invasiva dello stato azotato, riducendo drasticamente il lavoro manuale e i costi di laboratorio.
• Sviluppo di Sensori: L'identificazione di un set compatto di bande informative (5-14 bande) offre indicazioni preziose per la progettazione di sensori multispettrali economici e specifici per la viticoltura, evitando la complessità e il costo dei sistemi iperspettrali completi.
• Gestione Sostenibile: Consente l'applicazione variabile dell'azoto (Variable Rate Application), ottimizzando l'uso dei fertilizzanti, migliorando la qualità dell'uva e riducendo l'impatto ambientale (es. lisciviazione dei nitrati).
• Generalizzabilità: La validazione su più cultivar, stagioni e regioni climatiche (Oregon e Washington) dimostra che l'approccio è robusto e applicabile in diverse condizioni di vigneto.

In sintesi, la ricerca dimostra che l'integrazione di tecniche avanzate di selezione delle caratteristiche con algoritmi di machine learning su dati iperspettrali in campo è una soluzione efficace e scalabile per la gestione nutrizionale della vite.