Samanta Michelini, Simon Tscholl, Johannes Erschbamer, Daniel Plaikner, Lukas Egarter Vigl, W. Guerra
{"title":"KULTIVAS: studio di fattibilità di un modello sito-varietale per la melicoltura","authors":"Samanta Michelini, Simon Tscholl, Johannes Erschbamer, Daniel Plaikner, Lukas Egarter Vigl, W. Guerra","doi":"10.23796/lj/2022.008","DOIUrl":null,"url":null,"abstract":"Scegliere le zone più idonee per la coltivazione di una determinata varietà è una decisione difficile e di ampio spettro che coinvolge non solo gli agricoltori, ma tutta la filiera coinvolta nel processo, dalla produzione alla vendita. La scelta varietale ha ripercussioni economiche di lungo termine. In tale prospettiva, con KULTIVAS vorremmo proporre un approccio data-driven a questo importante problema del settore melicolo. In questo progetto, dati storici selezionati sulla produttività e qualità delle mele, moderni sistemi di gestione dei dati, algoritmi e tecniche di apprendimento automatico sono stati impiegati adottando un approccio multidisciplinare che coinvolge esperti di diversi settori, quali agronomia, fisiologia, climatologia e informatica, per valutare l'idoneità sito- specifica alla coltivazione di determinate varietà di mele. Il modello di previsione sviluppato nell’ambito del progetto si basa su dati climatici e topografici interpolati spazialmente, oltre che su dati di produzione e qualità delle mele provenienti da diverse cooperative altoatesine. Usando informazioni spazialmente disponibili sul clima, il modello è in grado di stimare vari parametri di produzione, come calibro, colore e resa. La previsione degli indicatori predetti dal modello statistico è più̀ precisa quanto più̀ il set di dati di training copre la variabilità̀ climatica e topografica delle aree di indagine. In aree con caratteristiche al di fuori di questa variabilità, il modello avrà un potere predittivo limitato. I risultati di questo studio saranno arricchiti con dati provenienti da altre località e valutando ulteriori algoritmi per la corrispondenza geografica dei dati di cernita, in quanto il set di dati influenza in maniera importante i risultati.","PeriodicalId":325047,"journal":{"name":"Laimburg Journal","volume":"12 1","pages":"0"},"PeriodicalIF":0.0000,"publicationDate":"2022-09-27","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":"0","resultStr":null,"platform":"Semanticscholar","paperid":null,"PeriodicalName":"Laimburg Journal","FirstCategoryId":"1085","ListUrlMain":"https://doi.org/10.23796/lj/2022.008","RegionNum":0,"RegionCategory":null,"ArticlePicture":[],"TitleCN":null,"AbstractTextCN":null,"PMCID":null,"EPubDate":"","PubModel":"","JCR":"","JCRName":"","Score":null,"Total":0}
引用次数: 0
Abstract
Scegliere le zone più idonee per la coltivazione di una determinata varietà è una decisione difficile e di ampio spettro che coinvolge non solo gli agricoltori, ma tutta la filiera coinvolta nel processo, dalla produzione alla vendita. La scelta varietale ha ripercussioni economiche di lungo termine. In tale prospettiva, con KULTIVAS vorremmo proporre un approccio data-driven a questo importante problema del settore melicolo. In questo progetto, dati storici selezionati sulla produttività e qualità delle mele, moderni sistemi di gestione dei dati, algoritmi e tecniche di apprendimento automatico sono stati impiegati adottando un approccio multidisciplinare che coinvolge esperti di diversi settori, quali agronomia, fisiologia, climatologia e informatica, per valutare l'idoneità sito- specifica alla coltivazione di determinate varietà di mele. Il modello di previsione sviluppato nell’ambito del progetto si basa su dati climatici e topografici interpolati spazialmente, oltre che su dati di produzione e qualità delle mele provenienti da diverse cooperative altoatesine. Usando informazioni spazialmente disponibili sul clima, il modello è in grado di stimare vari parametri di produzione, come calibro, colore e resa. La previsione degli indicatori predetti dal modello statistico è più̀ precisa quanto più̀ il set di dati di training copre la variabilità̀ climatica e topografica delle aree di indagine. In aree con caratteristiche al di fuori di questa variabilità, il modello avrà un potere predittivo limitato. I risultati di questo studio saranno arricchiti con dati provenienti da altre località e valutando ulteriori algoritmi per la corrispondenza geografica dei dati di cernita, in quanto il set di dati influenza in maniera importante i risultati.