Progetti di matematica applicata
Modelli costruiti sul contesto reale, quando una soluzione esistente non basta
Ambito
Estendere lo sguardo di chi conosce la vigna, non sostituirlo.
Vigneto, maturazione, raccolta
Chi lavora in campagna sa che la natura non procede per medie: due appezzamenti vicini possono comportarsi in modo diverso per ragioni che l'occhio esperto intuisce ma non riesce a seguire ovunque. Lavoriamo per estendere quell'osservazione, non per sostituirla, in modo che le decisioni sulla raccolta poggino su ciò che accade davvero in campo.
L’agricoltura sostiene la sicurezza alimentare, l’economia dei territori e la gestione di risorse naturali dalle quali dipende il futuro delle comunità. Prometeo applica matematica, Computer Vision e modelli di intelligenza artificiale alla comprensione dei sistemi agricoli, trasformando osservazioni e dati in strumenti verificabili. L’obiettivo è valorizzare l’esperienza agronomica, migliorare le decisioni e rendere più consapevole l’utilizzo delle risorse.
Esistono attività economiche il cui valore non può essere compreso soltanto attraverso il fatturato che producono o il numero delle persone che impiegano, perché la loro funzione attraversa dimensioni essenziali della vita collettiva. L’agricoltura appartiene a questa categoria: produce alimenti e materie prime, contribuisce alla gestione del territorio, sostiene intere filiere industriali e commerciali e conserva conoscenze che si sono sviluppate attraverso il rapporto tra le persone, la terra e i cicli biologici.
La sua importanza diventa ancora più evidente quando si considerano le trasformazioni che interessano il sistema alimentare contemporaneo. La variabilità climatica, la disponibilità idrica, l’evoluzione dei costi energetici, le difficoltà di reperimento della manodopera e la necessità di utilizzare le risorse in modo più efficiente pongono le aziende agricole di fronte a decisioni sempre più complesse. A queste condizioni si aggiungono le esigenze di qualità, tracciabilità e continuità delle forniture, che collegano le attività in campo a sistemi produttivi e distributivi spesso molto articolati.
In questo scenario, l’innovazione agricola non può limitarsi all’introduzione di nuove macchine o all’automazione delle attività esistenti. Richiede anche una maggiore capacità di conoscere i fenomeni biologici e ambientali, interpretare le loro relazioni e comprendere quali conseguenze possano derivare dalle differenti scelte operative.
La matematica applicata e l’intelligenza artificiale possono contribuire a questa trasformazione rendendo osservabili e confrontabili fenomeni che, fino a oggi, sono stati interpretati prevalentemente attraverso l’esperienza diretta e osservazioni necessariamente discontinue. Non si tratta di sostituire la conoscenza agronomica con una rappresentazione numerica, ma di costruire strumenti attraverso i quali quella conoscenza possa essere approfondita, condivisa e verificata in condizioni differenti.
Per Prometeo, contribuire all’evoluzione dell’agricoltura significa quindi intervenire in un settore che possiede contemporaneamente una rilevanza economica, sociale e ambientale, nel quale il miglioramento della capacità decisionale può produrre effetti che vanno oltre la singola azienda e interessano l’intero sistema di produzione e gestione delle risorse.
Uno degli aspetti più complessi dell’attività agricola è la variabilità dei fenomeni che ne determinano i risultati. Due appezzamenti vicini possono presentare comportamenti differenti anche quando vengono coltivati con la medesima varietà e attraverso procedure apparentemente identiche. L’esposizione alla luce, la composizione e la profondità del terreno, la pendenza, la disponibilità idrica, la ventilazione e le caratteristiche delle piante contribuiscono a creare condizioni locali che possono modificarsi anche nell’arco di pochi metri.
Queste differenze influenzano lo sviluppo vegetativo, la maturazione, la qualità del prodotto e la risposta delle colture agli interventi agronomici. Un evento meteorologico può produrre conseguenze differenti all’interno dello stesso appezzamento, mentre una condizione di stress può manifestarsi in modo progressivo e non uniforme, rendendo difficile ricondurre il comportamento dell’intera coltivazione a un singolo indicatore medio.
Le medie rimangono strumenti utili per descrivere fenomeni complessivi, ma possono nascondere differenze che assumono un’importanza decisiva quando occorre intervenire su una porzione specifica del terreno o programmare un’attività in un momento determinato. Un valore medio di umidità, per esempio, non descrive necessariamente la distribuzione dell’acqua in tutte le aree coltivate, così come una valutazione complessiva della maturazione non rappresenta sempre le condizioni dei singoli filari.
La matematica permette di affrontare questa variabilità attraverso modelli che tengono conto delle dimensioni spaziali e temporali del fenomeno, costruendo rappresentazioni capaci di distinguere comportamenti differenti e di riconoscere relazioni che non emergono attraverso la sola aggregazione delle informazioni.
Il valore della modellazione non consiste nell’eliminare la variabilità naturale, ma nel comprenderne le caratteristiche e nel riconoscere quando una differenza diventa significativa per una decisione agronomica.
La conoscenza di un’azienda agricola si costruisce spesso attraverso anni di osservazioni, tentativi, verifiche e confronti tra stagioni differenti. Agronomi, tecnici e coltivatori sviluppano una familiarità profonda con il comportamento dei terreni e delle colture, imparando a riconoscere segnali che acquistano significato soltanto quando vengono interpretati alla luce dell’esperienza e delle caratteristiche del territorio.
Questa conoscenza costituisce un patrimonio che nessun modello matematico può semplicemente sostituire, perché comprende informazioni contestuali, relazioni difficilmente formalizzabili e capacità di giudizio maturate attraverso il lavoro quotidiano.
Esiste tuttavia un limite materiale che riguarda la possibilità di osservare sistematicamente un sistema biologico distribuito nello spazio. Anche una persona estremamente esperta non può controllare ogni pianta con la medesima frequenza, registrare tutte le variazioni che si verificano nel corso della stagione e confrontarle continuamente con quelle osservate nelle altre parti dell’azienda.
Le attività di monitoraggio richiedono quindi campionamenti, sopralluoghi e procedure che permettano di selezionare le informazioni considerate maggiormente significative. La qualità delle osservazioni può essere elevata, ma la loro distribuzione nello spazio e nel tempo rimane necessariamente condizionata dalle risorse disponibili.
È proprio in questa distanza tra competenza e capacità materiale di osservazione che gli strumenti matematici e tecnologici possono offrire un contributo. Attraverso sistemi di acquisizione, procedure ripetibili e modelli di analisi è possibile ampliare la quantità e la continuità delle informazioni disponibili, mettendo a disposizione degli specialisti rappresentazioni che permettano di confrontare fenomeni osservati in momenti e luoghi differenti.
Il nostro obiettivo è estendere la capacità di osservazione delle persone che conoscono il territorio, conservando il loro ruolo nell’interpretazione dei risultati e nelle decisioni che riguardano le coltivazioni.
La trasformazione delle osservazioni agricole in informazioni utilizzabili richiede un passaggio metodologico importante: stabilire quali fenomeni si intendano rappresentare, attraverso quali grandezze possano essere descritti e quali condizioni rendano confrontabili le misurazioni effettuate.
Una fotografia, una lettura di umidità o una rilevazione meteorologica costituiscono informazioni potenzialmente utili, ma acquistano un significato più ampio quando vengono associate al contesto nel quale sono state raccolte e integrate in una rappresentazione coerente del sistema agricolo.
La Computer Vision permette di elaborare immagini e video per riconoscere caratteristiche visibili, misurare determinate variazioni e costruire indicatori confrontabili. Nell’ambito agricolo queste capacità possono essere applicate all’osservazione delle colture, alla valutazione di alcune caratteristiche dei prodotti e al riconoscimento di alterazioni che richiedano un approfondimento.
Le immagini possono essere raccolte attraverso dispositivi utilizzati direttamente in campo oppure mediante altri sistemi di acquisizione, quando appropriati rispetto alla natura del fenomeno. Le modalità di raccolta devono essere definite in modo da rendere le osservazioni sufficientemente rappresentative e confrontabili, perché condizioni differenti di illuminazione, distanza, inquadratura e risoluzione possono influenzare significativamente i risultati dell’analisi.
La capacità di riconoscere una caratteristica visiva non coincide automaticamente con quella di determinarne la causa o il significato agronomico. Per questo gli indicatori devono essere verificati attraverso osservazioni e misure di riferimento, distinguendo ciò che può essere effettivamente rilevato da ciò che richiede ulteriori informazioni.
Le metodologie di Forecasting e analisi delle serie storiche permettono di studiare l’evoluzione temporale delle grandezze che descrivono un fenomeno, individuando relazioni, tendenze e variazioni che possono contribuire alla costruzione di previsioni.
In agricoltura queste applicazioni possono riguardare, quando esistano le condizioni informative necessarie, l’evoluzione delle produzioni, la domanda di risorse, le finestre operative e altri fenomeni influenzati dal comportamento delle colture e dalle condizioni ambientali.
La previsione deve tuttavia considerare che i sistemi biologici possono manifestare risposte differenti a condizioni apparentemente simili e che eventi meteorologici o fattori non osservati possono modificarne significativamente l’evoluzione. Per questo il risultato di un modello deve essere accompagnato da una rappresentazione dell’incertezza e da una chiara indicazione delle condizioni che ne sostengono la validità.
Attraverso modelli di Anomaly Detection è possibile studiare il comportamento delle grandezze osservate e individuare scostamenti rispetto alle condizioni attese, riconoscendo fenomeni che meritano un approfondimento agronomico.
Una variazione insolita nella crescita, nelle caratteristiche visive o nelle misurazioni ambientali può rappresentare un segnale utile, ma non deve essere automaticamente interpretata come una condizione patologica o un problema produttivo. Il suo significato dipende dalla varietà coltivata, dalla fase fenologica, dalle caratteristiche del terreno e dalle condizioni nelle quali è stata effettuata l’osservazione.
L’analisi matematica contribuisce quindi a orientare l’attenzione verso situazioni che presentano elementi differenti dal comportamento atteso, lasciando agli specialisti il compito di interpretarne le cause e valutare gli eventuali interventi.
La viticoltura rappresenta un ambito particolarmente interessante per l’applicazione della matematica, perché la qualità del prodotto finale dipende da un insieme articolato di fattori biologici, ambientali e operativi che interagiscono durante l’intera stagione.
La maturazione delle uve non procede necessariamente in modo uniforme all’interno di un vigneto. Differenze di esposizione, disponibilità idrica, caratteristiche del terreno e condizioni microclimatiche possono determinare variazioni significative tra appezzamenti e persino tra filari vicini. Queste differenze possono influenzare la programmazione della vendemmia, la selezione delle uve e le successive scelte enologiche.
La complessità aumenta quando l’azienda persegue obiettivi qualitativi specifici, perché la decisione relativa al momento della raccolta deve considerare non soltanto la maturazione complessiva, ma anche le caratteristiche che si intendono ottenere nel prodotto finale e le condizioni operative della cantina.
In questo contesto, la possibilità di osservare sistematicamente l’evoluzione delle diverse aree del vigneto può contribuire a costruire una conoscenza più articolata del processo, integrando le valutazioni degli agronomi e degli enologi con informazioni raccolte attraverso procedure ripetibili.
ProAgri è il prototipo sviluppato da Prometeo per l’analisi visiva dei vigneti e il monitoraggio di determinate caratteristiche associate all’evoluzione della maturazione delle uve.
La soluzione utilizza immagini raccolte in campo secondo protocolli definiti e modelli matematici attraverso i quali elaborare le informazioni visive, costruendo indicatori che possano essere confrontati tra filari e tra osservazioni effettuate in momenti differenti.
L’obiettivo è contribuire a descrivere la variabilità delle condizioni del vigneto, mettendo a disposizione degli specialisti strumenti utili per riconoscere differenze, seguirne l’evoluzione e approfondire eventuali situazioni che richiedano attenzione.
La prospettiva è quella di integrare questa conoscenza nel processo decisionale che accompagna la programmazione della vendemmia, senza attribuire al modello il compito di sostituire le valutazioni agronomiche ed enologiche o di determinare autonomamente il momento corretto per la raccolta.
ProAgri si trova attualmente nella fase di prototipo funzionante. La tecnologia è stata sviluppata, ma le sue prestazioni devono essere ulteriormente verificate attraverso campagne di validazione condotte in vigneti reali, confrontando gli indicatori prodotti con osservazioni agronomiche e misurazioni di riferimento.
Questo percorso è necessario perché le caratteristiche delle varietà, le condizioni climatiche, i sistemi di allevamento e le modalità di acquisizione delle immagini possono influenzare significativamente i risultati. La validazione deve quindi permettere di stabilire entro quali condizioni gli indicatori siano affidabili e quali adattamenti risultino necessari per applicare la soluzione a contesti differenti.
Prometeo è interessata a collaborare con cantine e aziende vitivinicole disponibili a partecipare a questa fase, contribuendo alla definizione delle modalità di sperimentazione e alla raccolta delle informazioni necessarie per verificare le prestazioni del modello.
Non presentiamo come risultati acquisiti prestazioni che devono ancora essere dimostrate sul campo, perché consideriamo la trasparenza sulla maturità della soluzione una condizione essenziale per costruire collaborazioni scientificamente e professionalmente credibili.
Le competenze che Prometeo applica alla viticoltura possono costituire una base metodologica per affrontare altre problematiche agricole, purché vengano riconosciute le differenze tra i sistemi biologici e siano disponibili le informazioni necessarie per costruire modelli adeguati.
Le possibilità di intervento comprendono differenti famiglie di problemi, che possono essere affrontate attraverso progetti di matematica applicata costruiti sulle caratteristiche specifiche dell’azienda e delle colture.
La possibilità di stimare l’evoluzione delle produzioni può contribuire alla pianificazione delle operazioni agricole, alla gestione delle risorse e all’organizzazione delle fasi successive della filiera. Queste valutazioni richiedono di considerare informazioni storiche, caratteristiche delle colture, condizioni ambientali e variabili operative, costruendo modelli che rappresentino anche l’incertezza delle previsioni.
La loro utilità dipende dalla capacità di collegare le stime alle decisioni effettivamente adottate dall’organizzazione, distinguendo ciò che può essere previsto con sufficiente affidabilità da ciò che rimane fortemente condizionato da eventi futuri.
L’acqua rappresenta una delle risorse più importanti e delicate dell’attività agricola, soprattutto nei contesti nei quali la disponibilità è variabile e le esigenze delle colture cambiano durante il ciclo produttivo.
Attraverso modelli matematici è possibile studiare le relazioni tra condizioni meteorologiche, caratteristiche del terreno, fabbisogni delle colture e modalità di distribuzione della risorsa, valutando differenti scenari di gestione quando siano disponibili informazioni adeguate.
Questa prospettiva può contribuire a rendere più consapevoli le decisioni relative all’irrigazione, senza ridurre il problema alla semplice minimizzazione dei consumi, perché la disponibilità idrica deve essere interpretata insieme alle condizioni fisiologiche delle piante e agli obiettivi produttivi.
La gestione agricola comprende numerose decisioni che riguardano la disponibilità del personale, l’impiego dei macchinari, la sequenza delle operazioni e la necessità di intervenire entro finestre temporali condizionate dalle caratteristiche delle colture e dalle condizioni meteorologiche.
Queste attività possono essere studiate attraverso modelli di pianificazione e ottimizzazione che permettano di confrontare differenti configurazioni organizzative, considerando i vincoli operativi e le conseguenze delle alternative disponibili.
La matematica applicata può quindi contribuire non soltanto all’osservazione dei fenomeni biologici, ma anche alla gestione delle risorse economiche e organizzative che ne accompagnano la produzione.
Le informazioni raccolte durante la produzione possono acquisire ulteriore valore quando vengono collegate alle fasi di selezione, trasformazione e distribuzione. La possibilità di comprendere le relazioni tra condizioni di coltivazione, caratteristiche osservabili dei prodotti e risultati delle lavorazioni può contribuire alla costruzione di sistemi informativi più coerenti lungo la filiera.
Queste applicazioni richiedono un’integrazione tra conoscenze agronomiche, modelli matematici e informazioni operative, mantenendo una distinzione chiara tra le caratteristiche effettivamente misurate e quelle che possono essere soltanto stimate.
La possibilità di applicare modelli matematici ai sistemi agricoli dipende dalla qualità delle informazioni disponibili e dalla coerenza delle procedure attraverso le quali vengono raccolte. Una misurazione effettuata in condizioni differenti da quelle previste può introdurre variazioni che non dipendono dal fenomeno osservato, alterando il significato dei confronti successivi.
Nel caso dell’analisi visiva, per esempio, modifiche dell’illuminazione, della distanza, dell’angolazione o delle caratteristiche del dispositivo possono influenzare i risultati. Allo stesso modo, dati ambientali raccolti attraverso strumenti non correttamente calibrati o secondo intervalli temporali incoerenti possono rendere difficile ricostruire l’evoluzione delle condizioni del campo.
Per questo consideriamo la definizione del protocollo di acquisizione una parte essenziale del progetto. Occorre stabilire quali grandezze osservare, dove e quando raccogliere le informazioni, quali strumenti utilizzare e attraverso quali procedure verificarne la qualità.
La ripetibilità delle osservazioni permette di distinguere, entro i limiti del metodo, le variazioni del fenomeno dalle differenze introdotte dalla misurazione. È una condizione necessaria per costruire indicatori confrontabili e per verificare nel tempo l’affidabilità dei modelli.
L’intelligenza artificiale amplia le possibilità di elaborare informazioni provenienti da immagini, sensori e serie temporali, permettendo di riconoscere relazioni complesse e individuare caratteristiche che possono risultare difficilmente osservabili attraverso strumenti tradizionali.
Queste capacità assumono un valore particolare quando vengono integrate con la conoscenza agronomica e con modelli matematici che descrivono i vincoli fisici e biologici del sistema. Una metodologia di apprendimento automatico può contribuire al riconoscimento di determinate caratteristiche visive, mentre un modello fondato sulla conoscenza del fenomeno può permettere di interpretare i risultati rispetto alle condizioni nelle quali sono stati prodotti.
Per Prometeo, l’intelligenza artificiale non costituisce quindi un’alternativa alla matematica applicata, ma uno degli strumenti che possono essere utilizzati all’interno di una struttura metodologica più ampia.
La scelta dipende dal problema, dalla disponibilità delle informazioni e dalla possibilità di verificare il comportamento del modello. In alcuni contesti può essere appropriato utilizzare metodologie statistiche o di apprendimento automatico, mentre in altri la conoscenza delle relazioni fisiche e biologiche permette di costruire rappresentazioni differenti o combinare più approcci.
La capacità di elaborare grandi quantità di dati non elimina la necessità di comprendere che cosa quei dati rappresentino, e la qualità di una previsione deve essere valutata attraverso il confronto con la realtà, non attraverso la complessità dell’algoritmo utilizzato.
Esiste una dimensione ulteriore dell’innovazione agricola che riguarda la possibilità di rendere progressivamente più condivisibili le conoscenze maturate attraverso l’osservazione e la sperimentazione. Le esperienze degli agronomi, dei coltivatori e dei tecnici sono spesso profondamente legate ai territori e alle condizioni nelle quali si sono sviluppate, mentre i sistemi di raccolta e modellazione possono contribuire a organizzarle in forme documentabili e confrontabili.
Questo non significa che una soluzione costruita per una determinata coltura possa essere trasferita automaticamente a un’altra, oppure che un modello validato in un territorio mantenga necessariamente le stesse prestazioni in condizioni ambientali differenti. Ogni trasferimento richiede di verificare le ipotesi e le relazioni sulle quali si fonda la rappresentazione.
La possibilità di conservare metodologie, procedure di acquisizione e componenti matematici riutilizzabili permette tuttavia di costruire un patrimonio di conoscenza che cresce attraverso le applicazioni, riducendo la necessità di ripetere attività già affrontate e concentrando gli sforzi sugli aspetti realmente nuovi del problema.
Per le aziende agricole, questo processo può contribuire a rendere più stabile la conoscenza organizzativa, evitando che informazioni importanti rimangano affidate esclusivamente alla memoria individuale e favorendo una maggiore continuità tra persone, stagioni e generazioni.
La trasformazione digitale dell’agricoltura viene spesso raccontata attraverso le tecnologie che la rendono visibile: sensori, droni, sistemi automatici, piattaforme informatiche e strumenti di intelligenza artificiale. Sono elementi che possono offrire possibilità importanti, ma il loro valore dipende dalla capacità di inserirli in un processo nel quale le informazioni raccolte contribuiscano effettivamente a migliorare la comprensione dei fenomeni e la qualità delle decisioni.
Un’azienda agricola non diventa necessariamente più efficiente perché dispone di una maggiore quantità di dati, così come non diventa automaticamente più sostenibile attraverso l’adozione di una tecnologia. La trasformazione richiede che siano riconoscibili gli obiettivi, che le informazioni siano adeguate e che i risultati possano essere verificati in relazione alle condizioni produttive, economiche e ambientali.
Prometeo intende contribuire a questa evoluzione attraverso modelli matematici e strumenti di analisi che permettano alle aziende di comprendere con maggiore precisione il comportamento delle colture, valutare le conseguenze degli interventi e utilizzare in modo più consapevole le risorse disponibili.
In un settore nel quale la variabilità biologica e ambientale continuerà a rappresentare una componente inevitabile, la conoscenza scientifica può contribuire a rendere le decisioni più fondate senza pretendere di eliminare l’incertezza o di sostituire la relazione tra le persone e il territorio.
Il futuro dell’agricoltura dipenderà anche dalla capacità di unire l’esperienza accumulata nel corso delle generazioni con strumenti che permettano di misurare, confrontare e comprendere fenomeni sempre più complessi. È in questa prospettiva che Prometeo considera l’agricoltura e la viticoltura uno degli ambiti nei quali la matematica applicata può contribuire maggiormente alla costruzione di sistemi produttivi capaci di evolvere insieme alle condizioni del mondo nel quale operano.
Modelli costruiti sul contesto reale, quando una soluzione esistente non basta
Analisi visiva per la viticoltura premium
Un modello di visione artificiale riconosce la fase di ogni grappolo fotografato e ne stima la maturazione, appezzamento per appezzamento.
Nessun indicatore sa che cosa significhi una vendemmia anticipata per un vino: lo sa chi lo fa. Il nostro lavoro è dargli una lettura del campo più continua di quella che una persona può raccogliere da sola, e lasciargli la decisione.