Di Pesach Benson • 16 dicembre 2025

Gerusalemme, 16 dicembre 2025 (TPS-IL) — Un nuovo studio israeliano suggerisce che i modelli di apprendimento automatico potrebbero presto offrire ai coltivatori un modo molto più preciso per prevedere quanta acqua utilizzeranno quotidianamente le loro colture, ponendo anche le basi per un rilevamento più precoce dello stress delle piante.

La ricerca si è concentrata sulla traspirazione giornaliera delle piante, un processo mediante il quale l’acqua evapora attraverso le foglie ed è un indicatore chiave di quanta acqua una pianta consuma effettivamente. Sebbene la traspirazione sia centrale per la pianificazione dell’irrigazione, la maggior parte dei metodi esistenti per valutarla si basa su informazioni indirette come dati meteorologici o umidità del suolo, piuttosto che sul comportamento fisiologico della pianta stessa.

Guidato da Shani Friedman e Nir Averbuch sotto la supervisione del Prof. Menachem Moshelion presso l’Università Ebraica di Gerusalemme, lo studio si è basato su sette anni di misurazioni continue e ad alta risoluzione da piante di pomodoro, grano e orzo coltivate in condizioni di serra semi-commerciale. Utilizzando un sistema di lisimetro a cella di carico ad alta precisione, il team ha registrato sottili cambiamenti nel peso della pianta in tempo reale, consentendo una misurazione diretta ed eccezionalmente accurata della traspirazione giornaliera.

Quel set di dati a lungo termine a livello di pianta ha permesso un’innovazione chiave: addestrare modelli di apprendimento automatico sul comportamento effettivo delle piante sane e ben irrigate, piuttosto che su proxy ambientali indiretti. Alimentando i dati in modelli come Random Forest e XGBoost, il team ha dimostrato che l’apprendimento automatico può prevedere in modo affidabile la traspirazione giornaliera dalle condizioni ambientali e dalle caratteristiche delle piante in più colture.

Nei test indipendenti, il modello XGBoost ha raggiunto un valore R² di 0,82, corrispondendo strettamente alla traspirazione misurata anche quando applicato in diverse condizioni climatiche e in strutture di ricerca separate. Secondo i ricercatori, questa capacità di generalizzare tra colture e ambienti suggerisce che i modelli stanno catturando segnali fisiologici fondamentali piuttosto che rumore specifico della coltura.

Due variabili sono emerse come particolarmente influenti: la biomassa vegetale e la temperatura giornaliera. “Queste variabili hanno plasmato costantemente quanta acqua consumavano le piante”, ha detto Friedman. “Capire come ci si aspetta che si comporti una pianta sana e ben irrigata in un dato giorno ci permette anche di rilevare quando qualcosa non va.”

Quel concetto rappresenta un altro aspetto innovativo del lavoro. Poiché il modello prevede ciò che una pianta sana dovrebbe fare, deviazioni inaspettate dalla previsione possono servire come segnali di allarme precoci di stress. Tale stress potrebbe derivare da siccità, salinità, malattie, danni alle radici o altre pressioni ambientali, potenzialmente prima che compaiano sintomi visibili.

“Se una pianta si comporta diversamente da quanto previsto dal modello, quella deviazione può essere un indicatore di comportamento anomalo o malsano della pianta”, ha detto Friedman.

Averbuch, la cui ricerca si concentra sull’irrigazione di precisione, ha affermato che i risultati indicano un cambiamento nel modo in cui gli strumenti basati sui dati potrebbero essere utilizzati in agricoltura. “Oggi, molte decisioni sull’irrigazione si basano ancora su stime indirette”, ha detto. “Sebbene questo modello non sia ancora pronto per l’uso sul campo, i risultati mostrano come i sistemi futuri potrebbero incorporare previsioni fisiologiche per supportare una programmazione dell’irrigazione più accurata.”

Mentre l’approccio attuale dipende da dati di lisimetro non tipicamente disponibili per i coltivatori, i ricercatori lo vedono come un passo concettuale verso strumenti decisionali guidati dalle piante che potrebbero eventualmente essere adattati a sensori più pratici.

Lo studio ha anche ottenuto buoni risultati quando testato su piante coltivate in una serra di ricerca separata presso l’Università di Tel Aviv, rafforzando il potenziale di un’applicabilità più ampia in climi e sistemi di produzione.

Nel breve termine, l’approccio dello studio è più applicabile nella ricerca e negli ambienti di coltivazione controllata. Fornendo una linea di base fisiologica precisa su come le piante sane dovrebbero traspirare in determinate condizioni, il modello può aiutare i ricercatori a definire il consumo di acqua delle colture, convalidare algoritmi di irrigazione e migliorare la gestione delle serre. Le deviazioni tra la traspirazione prevista e quella misurata possono anche servire come indicatore precoce di stress delle piante in prove di miglioramento genetico o sistemi sperimentali, spesso prima che compaiano sintomi visibili.

Nel lungo termine, le intuizioni del modello indicano strumenti di agricoltura di precisione più avanzati per i coltivatori, a supporto di una migliore programmazione dell’irrigazione e del risparmio idrico. Man mano che modelli simili verranno abbinati a sensori pronti per l’uso sul campo, potrebbero anche costituire la base di sistemi di allarme precoce che avvisano i coltivatori di stress emergenti causati da siccità, salinità, malattie o danni alle radici.

Lo studio è stato pubblicato sulla rivista peer-reviewed Plant, Cell & Environment.