Il progetto Predicting Potato Sprouting to Optimise Tuber Storage (PRONTO), di cui avevamo già parlato in una news, si inserisce in un contesto segnato da grandi cambiamenti normativi per la conservazione delle patate. Dopo il divieto del Clorprofamio nel 2020, sostanza in passato utilizzata per prevenire la germinazione precoce dei tuberi, il settore ha dovuto individuare nuove strategie per preservare qualità e conservabilità del prodotto.
Tra le alternative oggi più utilizzate vi è l’Orange Oil, composto naturale derivato dalla buccia d’arancia. Una soluzione efficace e sicura per i consumatori, ma caratterizzata da costi elevati e da una forte dipendenza dal momento di applicazione: troppo presto ne riduce la durata, troppo tardi può risultare inefficace.
Per rispondere a questa esigenza, il progetto PRONTO, finanziato da Innosuisse, ha sviluppato modelli basati su tecniche di machine learning in grado di individuare tempestivamente l’avvio della germinazione e supportare una gestione più accurata dei trattamenti antigerminativi.
Negli ultimi mesi, il lavoro si è concentrato sul miglioramento delle performance dei modelli e sulla loro capacità di operare e adattarsi a condizioni reali. “Da un lato i modelli funzionano molto bene in alcune condizioni, dall’altro possono incontrare difficoltà quando cambiano alcuni fattori come la stagione o le caratteristiche dei diversi lotti di coltivazione” spiegano Omran Ayoub e Davide Andreoletti, ricercatori dell’Istituto sistemi informativi e networking (ISIN).
Il team ha quindi lavorato sul problema della generalizzazione, adattando al contesto agricolo tecniche già consolidate nel campo del machine learning, per rendere i modelli più robusti e capaci di mantenere prestazioni affidabili anche in scenari diversi da quelli di sviluppo.
I risultati raggiunti hanno permesso di integrare le soluzioni sviluppate nei sistemi del partner industriale Vivent Biosignals, azienda svizzera attiva nel campo dell’agritech e specializzata nello sviluppo di tecnologie per il monitoraggio dello stato delle piante. I modelli sono già impiegati in contesti operativi reali e sono attualmente in fase di valutazione direttamente nei campi, un passaggio fondamentale per verificarne l’efficacia in condizioni reali.
“Il progetto rappresenta un esempio concreto di trasferimento tecnologico, in cui la ricerca si traduce in strumenti applicabili nella pratica. La collaborazione con Vivent Biosignals ci ha permesso di portare i risultati di ricerca in un contesto concreto, contribuendo allo sviluppo di soluzioni innovative per un’agricoltura più sostenibile” concludono i ricercatori.