Adottare sistemi colturali efficienti e strumenti innovativi per un’agricoltura più efficiente e ad alto potenziale di mitigazione del cambiamento climatico è la base di partenza per chi lavora nell’ambito dell’agricoltura sostenibile. Sono anche i principali obiettivi dal progetto Life Agrestic perseguiti attraverso l’introduzione di leguminose (cece, pisello, lenticchia) e catch crops nelle rotazioni, la realizzazione di un prototipo per la rilevazione in continuo delle emissioni di gas serra dal suolo (CO2 e N2O), lo sviluppo di un innovativo Dss per la gestione delle colture e la messa a punto un disciplinare per la concessione del marchio Agrestic ai prodotti alimentari di aziende che, utilizzando le pratiche agronomiche sostenibili, generano un miglioramento dei servizi ecosistemici e dell’impronta ambientale.
Sistemi di supporto alle decisioni
Tra le attività del progetto Life Agrestic c’è anche lo sviluppo di strumenti per il supporto al processo decisionale degli agricoltori per la gestione delle colture e delle rotazioni colturali allo scopo di ridurre le emissioni di gas dal suolo, mantenendo (o meglio incrementando) le performance agronomiche delle colture e il reddito dell’agricoltore.
Un sistema di supporto alle decisioni si basa su 4 passaggi:
- monitoraggio (raccolta delle informazioni sulla coltura e l’ambiente colturale);
- analisi (delle informazioni disponibili e dei dati di monitoraggio alla luce dell’esperienza);
- decisioni (se, quando e come intervenire);
- azioni (operazioni colturali e interventi di difesa).
Attraverso questo flusso, in sintesi, i Dss raccolgono, organizzano e interpretano le informazioni che arrivano dall’ambiente colturale in modo automatico utilizzando dei modelli previsionali (una conoscenza esperta) e forniscono scenari e suggerimenti per rispondere alle diverse esigenze colturali. Quante più informazioni di base si riescono a integrare nel Dss per arricchire le sue conoscenze di base, tanto più saranno precise e specifiche le informazioni che elabora.
I Dss sviluppati da Horta con il supporto scientifico dell’Università Cattolica del Sacro Cuore attualmente sono disponibili per grano duro e grano tenero, triticale e orzo, pomodoro, girasole e legumi. Questi sono focalizzati sull’aumento della resa e della qualità del prodotto e sull’ottimizzazione degli input esterni, ma non si concentrano sulla riduzione delle emissioni di gas a effetto serra e l’aumento dello stoccaggio del carbonio nel suolo. Funzionalità aggiuntive di cui è stato dotato il Dss sviluppato nell’ambito del progetto.
Realizzazione di un Dss su misura
La gestione dei sistemi colturali testati da Agrestic è stata realizzata avvalendosi di un Dss migliorato attraverso l’aggiunta di nuove funzionalità mirate alla riduzione dei gas serra dal suolo e all’aumento dello stoccaggio di carbonio nel suolo, alla lavorazione del terreno, alla scelta varietale, alla scelta delle colture di copertura più adatte alle esigenze dell’azienda, e sono stati sviluppati nuovi modelli per le principali patologie delle colture considerate nella rotazione.
In particolare, per la sua realizzazione, l’Università Cattolica del Sacro Cuore si è occupata di seguire quattro passaggi fondamentali:
1) Customizzazione dei Dss coltura-specifici attraverso l’analisi delle versioni attuali per individuare mancanze rilevanti e nuove funzionalità. Nello specifico, le funzionalità da sviluppare sono:
- selezione varietale;
- opzioni per la gestione del suolo (riduzione emissioni GHG e aumento stoccaggio di C);
- semina e sviluppo precoce della coltura (coprire il suolo il prima possibile);
- incremento e misura della biomassa vegetale (aumento del C stoccato nei tessuti vegetali) tramite l’ottimizzazione della fertilizzazione, un più efficiente uso dell’acqua e della difesa della coltura.
2) Test dei DSS coltura-specifici e catch crop
Sono stati utilizzati i dati raccolti nei siti dimostrativi alla fine di ogni stagione di crescita, effettuando una comparazione statistica tra gli output dei Dss e la realtà di campo per meglio tarare algoritmi e relativi output utili per l’implementazione ICT.
3) Sviluppo del DSS per il sistema colturale
Integrazione dei DSS coltura-specifici focalizzati sui GHG e dei DSS per le catch crops in un’unica piattaforma DSS per l’ottimale gestione dei sistemi colturali efficienti proposti da Agrestic.
Le nuove funzionalità incluse sono:
- mappatura degli appezzamenti;
- tracciabilità della storia di ogni appezzamento nel tempo durante la rotazione;
- Roc (registro delle operazioni agronomiche) uniforme per le diverse colture;
- unione e modifica dei database per i DSS a singola coltura;
- sviluppo delle funzioni di tracciabilità.
4) Integrazione del modello per le emissioni dei GHG nel DSS
Inclusione del modello per le dinamiche di emissione dei GHG calibrato da Scuola Superiore Sant’Anna nel DSS. In questo modo gli utilizzatori del DSS possono quantificare le emissioni di GHG legate alle pratiche agronomiche e calibrare le loro decisioni di conseguenza.
Modelli previsionali specifici per alcune patologie
In relazione alle colture del progetto, è stata individuata la mancanza di modelli previsionali specifici per alcune patologie: la rabbia del cece (Ascochyta rabiei), ruggine nera del grano (Puccinia graminis f. sp. tritici) e Sclerotinia (Sclerotinia sclerotiorum).
Essendo il cece una delle leguminose introdotte nelle rotazioni suggerite dal progetto, è stato sviluppato un modello meccanicistico utile alla predizione delle epidemie di Ascochyta rabiei, un fungo che causa la cosiddetta “rabbia del cece” una delle malattie più rilevanti nella coltivazione di questo legume.
Il modello è stato sviluppato utilizzando le informazioni presenti in letteratura e, successivamente, valutato grazie a dati epidemiologici pubblicati in articoli accademici o raccolti in uno dei tre siti sperimentali di Agrestic.
Il modello ha mostrato buona accuratezza e specificità nella predizione delle infezioni primarie, con la corretta predizione di un’infezione nell’83.8% dei casi. Il modello ha mostrato una buona capacità anche nel predire lo sviluppo della malattia in campo durante la stagione, rivelandosi affidabile, accurato e robusto. Le curve epidemiologiche predette si sovrapponevano a quelle osservate con un coefficiente di correlazione di 0.947 (n.b. il valore di perfetta correlazione è 1).
Il modello, quindi, potrà essere di aiuto agli agricoltori nella corretta applicazione dei trattamenti fungicidi per il controllo della malattia su cece.
