📄 agriculture

Rice evapotranspiration estimation and irrigation optimization based on coupling UAV multispectral and thermal infrared imagery with the FAO-56 model

Questo studio propone un nuovo framework che integra immagini multispettrali e termiche a infrarossi da UAV con il modello FAO-56 e l'ottimizzazione NSGA-II per stimare accuratamente l'evapotraspirazione del riso e identificare strategie ottimali di gestione acqua-azoto che bilancino l'alta resa, l'efficienza delle risorse e le basse emissioni di gas serra nella regione del suolo nero freddo della Cina nordorientale.

Autori originali: Yan Sha, Tianyang Gao, Aizheng Yang, Xiaofang Wang, Shengbo Li, Lei Ma, Nan Chai, Mo Li

Pubblicato 2026-08-13

📖 6 min di lettura🧠 Approfondimento

CC BY 4.0

Autori originali: Yan Sha, Tianyang Gao, Aizheng Yang, Xiaofang Wang, Shengbo Li, Lei Ma, Nan Chai, Mo Li

Articolo originale sotto licenza CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Questa è una spiegazione generata dall'IA dell'articolo qui sotto. Non è stata scritta né approvata dagli autori. Per precisione tecnica, consulta l'articolo originale. Leggi il disclaimer completo

Immaginate di essere uno chef che cerca di cucinare la ciotola di riso perfetta. Sapete che l'acqua e il fertilizzante sono gli ingredienti segreti, ma trovare l'equilibrio giusto è complicato. Troppa acqua, e il riso diventa molliccio; troppo poca, e diventa croccante e triste. Troppo fertilizzante, e si spreca denaro e si inquina l'aria; troppo poco, e il riso rimane piccolo. Per decenni, gli agricoltori hanno indovinato le quantità giuste basandosi sulle vecchie abitudini e sul meteo, ma è come cercare di colpire un bersaglio in movimento con una benda sugli occhi. Questo è particolarmente difficile nei luoghi freddi dove la stagione di crescita è breve e il tempo è imprevedibile.

Gli scienziati hanno cercato di risolvere questo enigma usando un concetto chiamato "evapotraspirazione". Pensate a questo come al tasso di sudorazione personale della pianta di riso. Proprio come voi sudate quando correte o quando fa caldo, le piante "sudano" acqua attraverso le foglie per rinfrescarsi e crescere. Se sapete esattamente quanta acqua una pianta sta sudando ogni singolo giorno, potete darle solo l'acqua necessaria per farla stare bene senza sprecare una goccia. La grande domanda è: come si misura questo sudore invisibile in un intero campo senza camminare tra ogni singola pianta? È qui che inizia la storia dell'agricoltura high-tech, trasformando i campi in parchi giochi ricchi di dati dove i droni agiscono come gli occhi dell'agricoltore.

Il Detective Drone e il Sudore del Riso

In questo studio, un team di ricercatori nelle regioni fredde con suolo nero della Cina nord-orientale ha deciso di aggiornare l'agricoltura del riso dal "gioco delle ipotesi" alla "scienza di precisione". Volevano capire esattamente quanta acqua e fertilizzante servono al riso per crescere grande, risparmiare acqua e mantenere il pianeta fresco, tutto contemporaneamente. Per farlo, hanno costruito un sistema high-tech che combina robot volanti (droni), matematica sofisticata e un classico manuale di agricoltura.

Gli Occhi Volanti
I ricercatori hanno inviato due tipi di droni sopra i loro campi di riso. Un drone trasportava una telecamera "multispettrale", che vede colori che gli umani non possono vedere, come le specifiche tonalità di verde che ci dicono quanto sono sane le foglie. L'altro drone trasportava una telecamera "termica", che vede il calore. Questo è fondamentale perché una pianta assetata diventa più calda, proprio come la vostra pelle si scalda quando state correndo con la febbre. Guardando il calore e la "veridicità" del riso, i droni potevano dire esattamente quanto le piante stavano "sudando" (evapotraspirazione) in un dato giorno.

Il Vecchio Manuale vs Nuovi Dati
Di solito, gli agricoltori usano una guida famosa chiamata modello FAO-56 per indovinare il fabbisogno idrico. Pensate a questo modello come a un libro di ricette standard. Ma le ricette standard non tengono conto del fatto che oggi potrebbe essere più caldo di ieri, o che una zona di riso potrebbe essere più assetata della successiva. I ricercatori si sono resi conto che, invece di seguire ciecamente la ricetta, potevano usare i dati dei droni per aggiornare la ricetta in tempo reale. Hanno usato le letture della "veridicità" del drone per capire quanta parte del terreno era coperta dalle foglie, e le letture del "calore" per vedere se le piante erano sotto stress. Questo ha permesso loro di calcolare il fabbisogno idrico giornaliero con una precisione molto superiore rispetto al passato.

L'Equilibrio Difficile
Una volta saputo esattamente quanta acqua stava usando il riso, si sono trovati di fronte a un complicato problema matematico. Volevano trovare il "Giusto Mezzo" che permettesse di:

Ottenere il raccolto più grande.
Usare la minor quantità di acqua.
Usare la minor quantità di fertilizzante.
Produrre la minor quantità di gas serra (che riscaldano il pianeta).

Il problema è che questi obiettivi spesso entrano in conflitto tra loro. Per ottenere il raccolto più grande, di solito serve più acqua e fertilizzante, il che crea più inquinamento. Per risparmiare acqua, si potrebbe ottenere un raccolto più piccolo. Per risolvere questo, i ricercatori hanno usato un algoritmo computerizzato super intelligente (chiamato NSGA-II) che agiva come un arbitro, testando migliaia di diverse combinazioni per trovare il miglior compromesso possibile.

Cosa Hanno Scoperto
Lo studio ha confermato che acqua e fertilizzante lavorano insieme come una coppia di ballerini; se uno esce dal ritmo, l'intera performance ne risente. Hanno scoperto che:

La Combinazione Migliore per la Resa: Dare al riso l'80% dell'acqua massima e 155 kg/ha di fertilizzante azotato ha prodotto il maggior quantitativo di riso (circa 11.883 kg per ettaro).
Il Migliore Tuttofare: Tuttavia, la soluzione "perfetta" non è stata quella con più riso. Il computer ha trovato che lo "Scenario S5" era il miglior equilibrio complessivo. Questo piano prevedeva 669,94 mm di irrigazione e 117,48 kg/ha di azoto.
Il Risultato: Questo piano equilibrato ha prodotto un enorme 11.473,43 kg/ha di riso (quasi quanto il massimo!), ma ha utilizzato meno acqua e fertilizzante, mantenendo l'impatto ambientale più basso.

Perché è Importante
I ricercatori hanno scoperto che il loro sistema basato sui droni era incredibilmente accurato. Quando hanno confrontato i calcoli dei droni con l'acqua effettivamente misurata nel suolo, i numeri corrispondevano con una correlazione di 0,89 (un match molto forte). Ciò significa che i droni potevano prevedere il "sudore" del riso quasi perfettamente.

Hanno anche dimostrato che non è necessario scegliere tra un grande raccolto e un pianeta pulito. Usando dati in tempo reale dai droni per guidare l'acqua e il fertilizzante, gli agricoltori possono smettere di tirare a indovinare e iniziare a ottimizzare. Invece di versare acqua e fertilizzante seguendo un programma che potrebbe essere sbagliato, possono dare al riso esattamente ciò di cui ha bisogno, esattamente quando ne ha bisogno.

In definitiva, questo studio suggerisce che il futuro dell'agricoltura nelle regioni fredde non consiste nel lavorare di più, ma nel guardare meglio. Lasciando che i droni siano gli occhi e i computer siano il cervello, gli agricoltori possono coltivare più cibo, risparmiare acqua preziosa e mantenere l'aria più pulita, il tutto senza sacrificare la dimensione del loro raccolto. È una vittoria per il riso, per l'agricoltore e per il pianeta.

Sintesi Tecnica: Stima dell'Evapotraspirazione del Riso e Ottimizzazione dell'Irrigazione tramite Accoppiamento UAV-FAO-56

Problematica
La produzione di riso nelle regioni del suolo nero freddo del Nord-est della Cina affronta una sfida critica: bilanciare la sicurezza alimentare con la sostenibilità ambientale. Le attuali pratiche di gestione dell'acqua e dell'azoto si affidano pesantemente a decisioni empiriche basate sull'esperienza e su input uniformi. Questi approcci statici non riescono a tenere conto delle altamente dinamiche variazioni spaziali e temporali delle condizioni del suolo, della crescita delle colture e dei fabbisogni idro-azotati, particolarmente nelle regioni fredde dove il calore del suolo nelle prime fasi è insufficiente e i fattori meteorologici fluttuano. Questo disallineamento porta a sprechi d'acqua, bassa efficienza nell'uso dell'azoto ed elevati livelli di emissioni di gas serra (GHG). Inoltre, gli esistenti metodi di stima dell'evapotraspirazione (ET) spesso faticano a raggiungere l'accuratezza nei sistemi di risaie a causa della complessa interazione tra evaporazione del suolo, traspirazione della coltura e acqua superficiale, e molti studi non riescono a colmare il divario tra il recupero dei dati di telerilevamento e l'ottimizzazione irrigua multi-obiettivo azionabile.

Metodologia
Questo studio propone un quadro innovativo che integra il telerilevamento tramite Veicolo Aereo Senza Pilota (UAV) con il modello a doppio coefficiente colturale FAO-56 e l'algoritmo di ottimizzazione multi-obiettivo NSGA-II.

Disegno Sperimentale: Gli esperimenti sul campo sono stati condotti presso la Farm 856 nella provincia di Heilongjiang (2025) utilizzando un disegno a split-plot. I plot principali comprendevano quattro soglie inferiori controllate di irrigazione (60%, 70%, 80%, 90% dell'umidità del suolo), mentre i subplot comprendevano quattro tassi di applicazione dell'azoto (0, 110, 155 e 200 kg/ha).
Acquisizione Dati: UAV (DJI Mavic 3 Multispectral e DJI Matrice 30T) hanno catturato immagini multispettrali e infrarossi termici ad alta risoluzione a un'altitudine di 30 m durante le fasi chiave di crescita. I dati di verità a terra, inclusi l'umidità del suolo, l'indice di area fogliare (LAI) e i flussi di gas serra, sono stati raccolti simultaneamente.
Framework di Stima dell'ETc: Lo studio ha utilizzato l'approccio del doppio coefficiente colturale FAO-56 ( $ET_c = K_s \times K_{cb} \times ET_0$ $E T_{c} = K_{s} \times K_{c b} \times E T_{0}$ ).
- Coefficiente Colturale Basale ( $K_{cb}$ ): Recuperato utilizzando indici di vegetazione multispettrali (NDVI, SAVI, EVI) per stimare la frazione di copertura vegetale.
- Coefficiente di Stress Idrico ( $K_s$ ): Quantificato utilizzando l'Indice di Stress Idrico della Coltura (CWSI) derivato dalle temperature della chioma a infrarossi termici.
- Validazione: L'ETc stimata giornaliera è stata validata rispetto all'evapotraspirazione effettiva ( $ET_a$ ) calcolata tramite l'equazione del bilancio idrico del suolo.
Ottimizzazione Multi-Obiettivo: È stato sviluppato un modello NSGA-II per ottimizzare la gestione acqua-azoto. Il modello mirava a ottimizzare simultaneamente:
- Massimizzare la resa in granella.
- Massimizzare l'Efficienza dell'Uso dell'Acqua di Irrigazione (IWUE).
- Massimizzare la Produttività Parziale del Fattore dell'Azoto (PFPN).
- Minimizzare il Potenziale di Riscaldamento Globale (GWP).
  Le variabili decisionali includevano l'importo netto di irrigazione giornaliero e i tassi di applicazione dell'azoto, vincolati dai fabbisogni idrici delle colture, dalle risorse idriche disponibili e dai limiti locali dei fertilizzanti.

Risultati Chiave

Performance del Modello: L'accoppiamento dei dati multispettrali e termici UAV ha migliorato significativamente l'accuratezza della stima dell'ET. Il modello accoppiato NDVI-CWSI ha ottenuto le prestazioni più elevate con un $R^2$ di 0,89 e un Errore Quadratico Medio (RMSE) di 0,39 mm/giorno, rappresentando una riduzione del 10,3% dell'RMSE rispetto ai metodi tradizionali. L'NDVI ha mostrato la correlazione più forte con il coefficiente colturale basale ( $R^2 = 0,85$ ).
Effetti dei Trattamenti: L'acqua, l'azoto e le loro interazioni hanno influenzato significativamente la resa, l'IWUE, la PFPN e il GWP. Sebbene i trattamenti W3N2 (80% umidità + 155 kg N/ha) e W3N3 (80% umidità + 200 kg N/ha) abbiano prodotto le rese più elevate (~11.883 e ~11.436 kg/ha, rispettivamente), il trattamento W2N1 (70% umidità + 110 kg N/ha) ha dimostrato la migliore performance complessiva con un valore TCQ di 0,65.
Esiti dell'Ottimizzazione: L'ottimizzazione multi-obiettivo ha rivelato distinti compromessi tra resa, efficienza ed emissioni. Lo scenario S5 è stato identificato come la soluzione ottimale, offrendo il più alto grado di coordinamento (0,86). Questo scenario ha raccomandato un apporto irriguo di 669,94 mm e un tasso di azoto di 117,48 kg/ha, prevedendo una resa di 11.473,43 kg/ha con un IWUE di 1,71 kg/m³ e un GWP di 12.473,54 kg CO₂-eq/ha.

Significatività e Rivendicazioni
Gli autori affermano che questo studio fornisce un solido framework metodologico per spostare la gestione del riso da programmi statici ed empirici verso un'agricoltura di precisione dinamica e basata sui dati. Accoppiando l'evapotraspirazione derivata da UAV con l'ottimizzazione multi-obiettivo, lo studio dimostra che è possibile conciliare obiettivi contrastanti di alta resa, efficienza delle risorse e riduzione delle emissioni nella produzione di riso in regioni fredde.

Nello specifico, il documento asserisce che:

Miglioramento dell'Accuratezza: L'approccio accoppiato NDVI-CWSI supera efficacemente i limiti dei modelli tradizionali nelle risaie, fornendo la precisione su scala giornaliera necessaria per la regolazione dinamica di acqua e azoto.
Supporto alle Decisioni: L'integrazione dei dati in tempo reale sul consumo idrico delle colture nel modello NSGA-II consente la generazione di programmi irrigui azionabili che bilanciano benefici economici e ambientali, evitando le insidie dell'ottimizzazione a obiettivo singolo.
Applicabilità Regionale: Il framework offre una via percorribile per migliorare la coordinazione acqua-azoto nelle regioni fredde, dove le brevi stagioni di crescita e i vincoli climatici specifici rendono critica una gestione precisa.

Lo studio conclude che, sebbene rimangano incertezze riguardo alla trasferibilità dei parametri e alla partizione dell'evaporazione del suolo, il framework proposto UAV-FAO-56-NSGA-II fornisce un supporto dati affidabile per lo sviluppo di strategie di irrigazione verdi, ad alta resa e precise per le regioni fredde.

Il Detective Drone e il Sudore del Riso

Articoli simili