logo SBA

ETD

Archivio digitale delle tesi discusse presso l’Università di Pisa

Tesi etd-03182024-165153


Tipo di tesi
Tesi di laurea magistrale
Autore
GIFFORD, FILIPPO
URN
etd-03182024-165153
Titolo
Analisi comportamentale mediante Machine Learning della sequenza di parassitizzazione di Aphidius colemani ed Aphidius ervi nei confronti di Aphis craccivora
Dipartimento
SCIENZE AGRARIE, ALIMENTARI E AGRO-AMBIENTALI
Corso di studi
BIOTECNOLOGIE VEGETALI E MICROBICHE
Relatori
relatore Benelli, Giovanni
relatore Romano, Donato
correlatore Conte, Giuseppe
Parole chiave
  • Aphidius colemani
  • Aphidius ervi
  • Host-seeking behavior
  • Machine Learning
Data inizio appello
15/04/2024
Consultabilità
Non consultabile
Data di rilascio
15/04/2094
Riassunto
Aphidius colemani ed Aphidius ervi sono parassitoidi solitari, cosmopoliti e utilizzati nei programmi di controllo biologico di molte specie di afidi di interesse agrario. La parassitizzazione di A. colemani ed A. ervi, prevede l’ovideposizione di un uovo all’interno dell’ospite a seguito della sua individuazione mediante stimoli fisici e e chimici. Studiare l’ecologia comportamentale di parassitoidi quali A. colemani ed A. ervi risulta molto importante per poterne ottimizzare l’utilizzo, in un’ottica di sostenibilità ambientale ed economica. Il presente lavoro di tesi si pone l’obiettivo di studiare, mediante l’impiego di tecnologie di Machine learning, il comportamento dei due parassitoidi durante la fase di ricerca dell’ospite Aphis craccivora.
Sui dati raccolti è stata effettuata un'analisi statistica e confrontando le due specie di parassitoidi, A. ervi risulta più reattivo di A.colemani, ma non se ne conosce il motivo. Dall'analisi di contingenza sulla scelta effettuata dalle due specie di parassitoidi si è visto che A. colemani raggiunge il pozzetto contenente l’afide nel 55% dei casi, mentre di A. ervi solo il 30%. I limiti al lavoro svolto sono stati: il numero di filmati totalizzati inferiore a quello prefissatoto e il solo utilizzo dell'afide. Molti studi in letteratura infatti suggeriscono che sia più adatta una combinazione di più elementi ad esempio l'uso di combinazioni afide-pianta attaccata. In ogni caso il Machine Learning si dimostra un valido strumento per raccogliere una mole considerevole di dati in modo preciso e dettagliato.
File