Usare droni a basso costo per monitorare l'olivo: potenzialità e limiti della fotogrammetria RGB

In Tunisia l’olivicoltura rappresenta una risorsa strategica, con circa 107 milioni di alberi distribuiti su due milioni di ettari. Le pratiche colturali tradizionali, tipicamente in regime pluviale, si scontrano oggi con una crescente scarsità idrica e con il degrado della sostanza organica dei suoli, aggravato dai cambiamenti climatici. In questo contesto, l’agricoltura di precisione basata su sensori remoti può offrire strumenti utili per una gestione sito-specifica delle risorse, purché le tecnologie impiegate siano accessibili economicamente e validate su varietà locali.

La ricerca qui presentata, condotta nell’ambito del progetto europeo Horizon 2020, ha inteso rispondere a tre domande principali. È possibile utilizzare nuvole di punti RGB da drone per valutare automaticamente la struttura della chioma di olivi tunisini? È fattibile stimare parametri fisiologici come l’indice di area fogliare o il contenuto di clorofilla a livello di singolo albero? Le mappe generate offrono un dettaglio spaziale sufficiente per supportare decisioni gestionali? Lo studio ha coinvolto due varietà locali, Chetoui e Chemlali, in due contesti agroecologici differenti.

Materiali e metodi: i siti e i rilievi di campagna

Le prove sono state condotte nel 2022 e 2023 in due oliveti biologici tunisini. Il primo sito, a Toukaber (governatorato di Béja), ospita 135 piante della varietà Chetoui di 20 anni, con sesti di impianto di 8×8 metri per una superficie complessiva di 0,73 ettari. Il clima è tipicamente mediterraneo, con pioggia media annua di 550 mm e temperatura media tra 18 e 20°C. Il secondo sito, a Jammel (governatorato di Monastir), conta 225 alberi della varietà Chemlali di 70 anni, con sesti di 20×20 metri su 7,1 ettari. Qui la piovosità media è inferiore (330 mm/anno) e la temperatura media annua raggiunge i 22°C.

Per i rilievi è stato utilizzato un drone DJI Mavic 2 Enterprise Dual, dotato di una fotocamera RGB da 12 megapixel, acquistabile a meno di 3000 euro. Questa scelta risponde all’obiettivo di basso costo, pur con i limiti qualitativi e spettrali che ne derivano. I voli sono stati condotti a 30 metri di quota, salvo un caso a Toukaber nel 2023 in cui l’altitudine è stata aumentata a 40 metri per compensare la pendenza del terreno. La sovrapposizione delle immagini è stata mantenuta superiore all’85%, con ground sampling distance compresa tra 1,0 e 1,3 cm/pixel.

I dati di verifica a terra hanno incluso misurazioni dell’altezza delle piante, dell’area proiettata della chioma, del volume della chioma e dell’indice di area fogliare, rilevati con il canopy analyzer LAI-2200C su 31 alberi a Jammel e 29 a Toukaber. Il contenuto di azoto fogliare è stato stimato indirettamente tramite misure SPAD su 10 foglie per albero, calibrate con analisi di laboratorio secondo il metodo Kjeldahl.

Elaborazione fotogrammetrica e parametri estratti

Le immagini acquisite (2096 e 1355 a Jammel nei due anni, 153 e 448 a Toukaber) sono state processate con il software Metashape, generando nuvole di punti dense con errori di riproiezione compresi tra 0,53 e 0,63 pixel. I tempi di elaborazione per la nuvola densa sono stati compresi tra 10,5 e 14 ore per Jammel e di 7,25 ore per Toukaber, su una workstation con 384 GB di RAM e due GPU Quadro P5000.

L’analisi automatica delle nuvole di punti è stata condotta con uno script R appositamente modificato. Dopo la separazione dei punti a terra da quelli di vegetazione mediante l’algoritmo cloth simulation filter, è stato generato un modello digitale del terreno e un canopy height model. Le chiome sono state segmentate con l’algoritmo DBSCAN e per ciascun albero sono stati calcolati: l’altezza come 95° percentile della distanza dal terreno, l’area proiettata della chioma tramite inviluppo convesso 2D, il volume della chioma tramite inviluppo convesso 3D, e il numero di celle di una griglia tridimensionale con lato di 5 cm che contengono almeno un punto dell’albero.

Sono stati inoltre calcolati due indici spettrali per ciascun punto della chioma, il normalized green-red difference index e il green leaf index, riassunti poi a livello di albero con statistiche descrittive (media, mediana, quartili, minimo, massimo). L’indice di area fogliare è stato modellato a partire dal volume della chioma e dal conteggio delle celle, mentre il contenuto di azoto è stato messo in relazione con gli indici spettrali mediante regressione lineare stepwise.

Risultati: stima dei parametri strutturali

I modelli di regressione lineare hanno mostrato una buona capacità predittiva per i parametri strutturali, sebbene sia emersa una chiara dipendenza della accuratezza dal numero di punti che rappresentano ciascun albero nella nuvola densa. Per questo motivo i dati sono stati suddivisi in due gruppi mediante analisi gerarchica dei cluster sulla base del logaritmo del numero di punti, con una soglia attorno a 4,5. Per il gruppo con numero elevato di punti (75 osservazioni) l’R² per l’altezza è risultato 0,89 con RMSE di 0,52 metri, mentre per il gruppo con basso numero di punti (30 osservazioni) l’R² è stato 0,88 con RMSE di 0,54 metri. Gli errori relativi medi si attestano rispettivamente al 12,1% e al 14,0%.

L’area proiettata della chioma ha fornito R² di 0,82 e 0,91 per i due gruppi, con RMSE di 2,40 m² e 1,38 m², corrispondenti a errori relativi del 28,5% e 22,7%. In questo caso è stata applicata una trasformazione di Box-Cox per migliorare la distribuzione dei residui, con λ pari a 0,314 per il gruppo con molti punti e 0,686 per l’altro gruppo.

Il volume della chioma è stato stimato mediante modelli di regressione lineare multipla che includono il volume stimato dalla nuvola di punti, il numero di celle della griglia tridimensionale e la loro interazione. I modelli hanno raggiunto R² corretti di 0,85 e 0,91, con RMSE di 6,48 m³ e 4,26 m³. La convalida incrociata leave-one-out ha mostrato errori mediani di 4,59 m³ (18,9%) e 3,89 m³ (22,0%) rispettivamente per i due gruppi.

Indice di area fogliare e limite della stima dell’azoto

L’indice di area fogliare è stato modellato utilizzando le stesse variabili del volume, ottenendo R² di 0,73 e 0,68 per i due gruppi, con RMSE di 0,26 e 0,35. La convalida incrociata ha prodotto errori mediani del 17,6% e 21,5%. Un risultato interessante emerso dalle mappe è che i valori più elevati di LAI si riscontrano sugli alberi di minori dimensioni, suggerendo che le piante non scalano linearmente la superficie fogliare all’aumentare dell’ingombro della chioma.

Diverso è l’esito per la stima del contenuto di azoto fogliare. Il miglior modello ottenuto, che utilizzava il quantile 0,25 e il valore medio del NGRDI insieme al valore medio e al quantile 0,75 del GLI, ha raggiunto un R² corretto di soli 0,34. Questo valore indica che meno di un terzo della varianza dei valori SPAD può essere spiegata dal modello, rendendolo inadeguato per scopi predittivi. La causa principale risiede nell’ampiezza delle bande spettrali dei sensori RGB, che catturano un segnale misto dalla chioma e dal suolo sottostante, e nella mancanza di informazioni nelle bande del rosso estremo e del vicino infrarosso, tradizionalmente più sensibili allo stato nutrizionale della vegetazione.

Discussione e confronto con la letteratura

I risultati ottenuti per i parametri strutturali sono sostanzialmente allineati con quelli riportati in letteratura per oliveti e altre colture arboree. Torres-Sanchez e colleghi, operando in Spagna con voli a 50 metri di quota e sovrapposizione del 90%, hanno riportato errori percentuali per l’altezza compresi tra -5,85% e +10,1%, valori confrontabili con il 12-14% del presente studio. Vacca e Vecchi, in un oliveto italiano con voli a 30 metri, hanno ottenuto errori assoluti medi tra 14 e 34 cm, leggermente inferiori ai 52-54 cm qui rilevati, verosimilmente a causa della maggiore compattezza delle chiome negli oliveti europei che riduce il rumore di fondo dovuto alla riflettanza del suolo nudo.

Per quanto riguarda l’area proiettata della chioma, Caruso e collaboratori hanno ottenuto R² di 0,78 con RMSE di 0,44 m² utilizzando dati multispettrali, mentre Catania e colleghi hanno raggiunto R² di 0,98 con sensori multispettrali. Questi valori sono superiori a quelli ottenuti nel presente studio, confermando il vantaggio informativo dei sensori multispettrali a fronte di un costo maggiore. Anche per il volume della chioma, Caruso ha riportato R² compresi tra 0,82 e 0,86 con modelli a cilindri multipli, valori analoghi a quelli ottenuti con l’approccio convesso qui adottato.

Per l’indice di area fogliare, Caruso e Berni hanno ottenuto R² superiori a 0,75 utilizzando dati multispettrali, mentre nel presente studio i valori si attestano su 0,73 e 0,68. Questo scostamento è attribuibile alla differente architettura delle chiome: negli studi citati gli olivi erano disposti in filari continui con chioma chiusa, mentre nelle varietà tunisine gli alberi sono isolati e le chiome sono più rade e penetrabili dalla luce.

Implicazioni per l’olivicoltura tunisina e prospettive future

L’approccio sviluppato, pur con i limiti derivanti dalla scelta di un sensore RGB a basso costo, dimostra la fattibilità tecnica del monitoraggio aereo di parametri strutturali delle chiome in oliveti tunisini. Le mappe generate per i due siti mostrano distribuzioni spaziali coerenti con le aspettative agronomiche, evidenziando, ad esempio, altezze maggiori nella parte settentrionale dell’oliveto di Jammel e valori più elevati di LAI sugli alberi di minori dimensioni. Queste informazioni possono supportare decisioni di gestione differenziata per quanto riguarda la potatura, la fertilizzazione e l’irrigazione.

Il limite principale rimane l’impossibilità di stimare in modo affidabile lo stato azotato della vegetazione con il solo sensore RGB. Per superare questa criticità si prospettano tre direzioni di ricerca. La prima è l’adozione di sensori multispettrali a basso costo che includano la banda del rosso estremo, pur con un incremento di spesa che potrebbe ridurre l’accessibilità per gli agricoltori locali. La seconda è la modifica di fotocamere RGB economiche mediante l’integrazione di filtri ottici per estendere la sensibilità nel vicino infrarosso. La terza è l’applicazione di algoritmi di machine learning in grado di estrarre indicatori dello stato nutrizionale non solo dai valori spettrali ma anche dalle caratteristiche tessiturali e tridimensionali della chioma.

Considerando i tempi di elaborazione, inferiori a 16 ore per campo, e l’alto grado di automazione dello script sviluppato, la metodologia proposta rappresenta un passo concreto verso l’adozione di pratiche di olivicoltura di precisione in Tunisia, contribuendo a colmare il divario tecnologico con i paesi mediterranei dove l’uso dei droni in agricoltura è già più diffuso.