.png)
Il cambiamento climatico degli ultimi anni ha provocato una riorganizzazione delle strategie di protezione, soprattutto per quelle colture dove è richiesta la gestione di molte malattie e insetti. A causa dell’alternanza di gelate e siccità, e del verificarsi di piogge abbondanti e mal distribuite, diventa fondamentale anticipare l’insorgere di malattie e infestazioni di insetti per poter reagire rapidamente e limitare i possibili danni. Negli ultimi anni, l’interesse ai Sistemi di Supporto alle Decisioni (DSS) è aumentato anche a causa delle normative (Direttiva 2009/128/C) relative alla riduzione degli input chimici nell’ambito della lotta integrata. A questo vanno aggiunti tutti gli altri impegni che l’Europa e non solo ci impongono in tema di sostenibilità ambientale quali: Green Deal, Agenda 2030, Pesticide Package e le strategie Farm to Fork. Tutto ciò avviene in un contesto in cui diminuiscono la Superficie Agricola Utilizzata (SAU) e il numero di molecole per la gestione dei patogeni e fitofagi, aumentano l’inquinamento atmosferico, l’erosione del suolo così come il numero e la gravità di malattie e insetti a causa dell’uso non razionale dei prodotti fitosanitari e della globalizzazione; senza dimenticare l’aumento della popolazione mondiale che porterà tutti gli attori del sistema agroalimentare a dover aumentare la quantità e la qualità del cibo nel prossimo futuro.
Un modello di malattia delle piante è una semplificazione di un sistema reale costituito dall’agente patogeno/fitofago, dalla pianta ospite e dall’ambiente. I modelli sono utilizzati in epidemiologia per descrivere, comprendere, prevedere e confrontare le epidemie e le loro componenti. Un aiuto pratico per i coltivatori viene dalla previsione delle malattie, che è un processo di stima in situazioni future, passate, presenti o sconosciute.
Per lo sviluppo di modelli di previsione sono necessari come input dati climatici generali come temperatura e umidità relativa minima, media e massima, precipitazioni giornaliere e mensili e numero di giorni di pioggia, velocità e durata del vento, punto di rugiada, ore di sole. A seconda della complessità dei dati, vengono utilizzati anche i dati climatici storici (ad es. su base trentennale). Inoltre possono essere richiesti anche dati su colture e parassiti (patogeni e/o fitofagi). Ad esempio, possono essere utilizzati i seguenti parametri: per la coltura – umidità fogliare, densità delle piante, stadi fenologici, indice di massima area fogliare, deficit di tensione di vapore, irraggiamento netto sopra e sotto la chioma, stadi fenologici suscettibili; per i patogeni fungini – il tasso di rilascio, maturazione e germinazione delle spore, il loro numero sulle foglie, la quantità di inoculo primario e secondario e il tasso di colonizzazione. Per gli insetti (es. L. botrana su vite) – periodi di volo degli individui maschi (rilevati con trappole a feromoni) e distribuzione delle catture maschili tra generazioni.
Le aree di applicazione in agricoltura sono diverse, dalla crescita e sviluppo delle colture alla produttività delle colture, al bilancio idrico e alla difesa dalle avversità biotiche e abiotiche.
Man mano che la qualità e la potenza di calcolo offerte dai computer migliorano di giorno in giorno, i modelli vengono sempre più incorporati nei DSS, che sono strumenti che aiutano gli utenti nel processo decisionale tattico e operativo nella protezione delle colture, al fine di pianificare meglio le applicazioni con i prodotti fitosanitari nelle strategie di difesa. I modelli possono anche far parte dei sistemi locali di allerta per le malattie (ad esempio: osservatori fitosanitari regionali ecc…). L’uso di previsioni per la protezione delle colture contro malattie fungine e parassiti non è così nuovo (es. regola del 3-10 per la peronospora della vite e la regola dei 10 per la peronospora del pomodoro).
I principali vantaggi del DSS sono la possibilità di analizzare diversi scenari, di comprendere meglio i processi fisici e biologici, di effettuare manipolazioni sul sistema reale al fine di verificare ipotesi sul suo funzionamento, di valutare l’effetto di eventuali interventi esterni al fine di modificare il comportamento del sistema, per favorire lo scambio di dati e per consentire un migliore utilizzo di dati e risorse. Al contrario, gli aspetti critici consistono in un utilizzo spesso limitato dallo sviluppo di pacchetti software e nella necessità di verificare e validare procedure in anni diversi.
Nel contesto della protezione integrata delle colture, l’uso dei modelli previsionali è uno strumento prezioso che permette di individuare la “finestra temporale utile” all’interno del quale un trattamento, può esplicare la massima efficacia ed efficienza nel controllo del patogeno/fitofago target. Tutto ciò porta ad adottare una metodologia di presa delle decisioni più razionale ed efficiente e quindi a ridurre al minimo il numero di applicazioni ed input introdotti nel sistema. I modelli previsionali di xFarm Lab sono concepiti, progettati, calibrati e validati per fornire agli agricoltori e a filiere intere uno strumento tecnico aggiuntivo che non si limiti semplicemente a integrare gli altri già disponibili (es. agronomico, biologico, fisico, chimico) ma che li coordini tutti per aumentare l’efficienza e l’efficacia delle strategie di protezione e delle tecniche colturali, al fine di aumentare la qualità e la quantità della produzione.
Questo concetto è valido sia per gli agricoltori con piccoli appezzamenti, sia per le filiere agroalimentari che hanno la possibilità, su larga scala, di amplificare l’effetto positivo derivante da una gestione razionale ed efficiente delle risorse.
L’obiettivo primario di xFarm Lab è supportare l’intero sistema agroalimentare attraverso la digitalizzazione e le tecnologie applicate all’agricoltura al fine di salvaguardare la sostenibilità dei processi produttivi sia in termini agronomici, economici e sociali.
Dubey, P.K., Singh, G.S., Abhilash, P.C. (2019). Adaptive agricultural practices: Building resilience in a changing climate. Springer.
Pertot, I.; Caffi, T.; Rossi, V.; Mugnai, L.; Hoffmann, C.; Grando, M.S.; Gary, C.; Lafond, D.; Duso, C.; Thiery, D.; Mazzoni, V.; Anfora, G. (2016). A critical review of plant protection tools for reducing pesticide use on grapevine and new perspectives for the implementation of IPM in viticulture. Crop Protection, (), S0261219416303489–.
Rossi, V., Giosuè, S., Caffi, T. (2010). Modelling plant diseases for decision making in crop protection. In Precision crop protection-the challenge and use of heterogeneity (pp. 241-258). Springer, Dordrecht.
.svg)
