ETD

• Artificial Intelligence
• Decision Support Systems (DSS)
• Machine Learning
• Peronospora
• plant disease risk assessment
• Plasmopara viticola
• Precision Agriculture

The sustainability of modern viticulture is undermined by Plasmopara viticola, the agent of grapevine downy mildew, and by the ecological cost of the preventive fungicide programmes still used to contain it. Conventional Decision Support Systems estimate risk from weather models alone: they read only the environmental side of the problem and stay blind to the state of the plant, and their tendency to over-warn perpetuates calendar spraying and chemical overuse. The difficulty is one of timing — by the time symptoms are visible the infection has already happened, so a useful system must forecast the first infection rather than detect the disease once established.
This thesis presents wAIne, a multimodal Artificial Intelligence architecture that reframes disease forecasting through data fusion. Alongside the established weather channel it introduces a biological, pre-symptomatic one — leaf hyperspectral reflectance — able to sense the stress of plant tissue before any visible sign appears. The weather channel tells how favourable the environment is to infection; the biological channel whether the tissue is already reacting. The two are kept separate and combined only at the end, fusing calibrated probabilities so that each source contributes in proportion to its confidence.
A reproducible data-engineering pipeline supports the models, harmonising heterogeneous sensors and sources onto a common grid, accounting for treatment persistence and handling the class imbalance typical of agricultural data. On this foundation a gradient-boosting architecture produces a daily infection probability, which a simple operative rule turns into a stable, site-level alert. Two controls remain in the hands of the decision-maker — the alarm threshold and the relative weight of the channels — adjustable without retraining the system.
The results show that adding the biological eye to the weather reduces the false alarms of weather-centric systems: the fused model outperforms either channel alone, and the benefit, though measured honestly, is real. wAIne thus offers a scalable and interpretable diagnostic engine that connects remote sensing to applied precision viticulture, and points toward a defence calibrated on actual risk rather than on the calendar.

La sostenibilità della viticoltura moderna è minata da Plasmopara viticola, agente della peronospora della vite, e dal costo ecologico dei programmi di trattamento fungicida preventivo con cui la si contiene. I sistemi di supporto alle decisioni oggi diffusi stimano il rischio dal solo modello meteorologico: leggono soltanto il versante ambientale del problema e restano ciechi allo stato della pianta, e la tendenza a sovrastimare il pericolo perpetua il trattamento a calendario e l'impiego eccessivo di fitofarmaci. La difficoltà è di tempo: quando i sintomi diventano visibili l'infezione è già avvenuta, e uno strumento utile deve prevedere la prima infezione, non riconoscere la malattia conclamata.
La tesi presenta wAIne, un'architettura di intelligenza artificiale multimodale che riformula la previsione della malattia attraverso la fusione dei dati. Accanto al consolidato canale meteorologico ne introduce uno biologico e pre-sintomatico — la riflettanza iperspettrale fogliare — capace di cogliere lo stress del tessuto vegetale prima che compaia qualsiasi segno visibile. Il canale meteo dice quanto l'ambiente sia propizio all'infezione; quello biologico se il tessuto stia già reagendo. I due restano separati e si combinano solo alla fine, fondendo probabilità calibrate in modo che ciascuna sorgente contribuisca in proporzione alla propria confidenza.
Una pipeline di data engineering riproducibile sostiene i modelli: armonizza sensori e sorgenti eterogenee su una griglia comune, tiene conto della persistenza dei trattamenti e gestisce lo sbilanciamento tra le classi tipico dei dati agricoli. Su questa base un'architettura a gradient boosting produce una probabilità di infezione giornaliera, che una semplice regola operativa trasforma in un'allerta stabile a scala di sito. Due regolazioni restano in mano a chi decide — la soglia di allarme e il peso relativo dei canali — modificabili senza riaddestrare il sistema.
I risultati mostrano che aggiungere l'occhio biologico al meteo riduce i falsi allarmi dei sistemi meteo-centrici: il modello fuso supera ciascun canale preso da solo, e il beneficio, per quanto misurato con onestà, è reale. wAIne offre così un motore diagnostico scalabile e interpretabile che collega il telerilevamento alla viticoltura di precisione applicata, e indica una difesa calibrata sul rischio effettivo anziché sul calendario.