• modellizzazione idroponica

La tesi si inserisce nell’ambito delle attività del progetto “Coltiv@mi- COLTIVazione Automatizzata Miniaturizzata Innovativa”, finanziato dal programma POR FESR Toscana 2014-2020, in cui il Dipartimento di Scienze Agrarie, Alimentari e Agro-ambientali (DiSAAA-a) dell’Università di Pisa, il cui obiettivo quello di sviluppare una serra completamente automatizzata per la coltivazione di specie ortive o floreali all’interno di un appartamento. Una delle unicità del progetto sta nel fatto che la piccola serra sarà dotata di APP che sarà in grado di controllare (anche in remoto) gli impianti della serra, guidare l’utente nella coltivazione e potrà fornire dati sulla probabile data e quantità di biomassa da raccogliere.

Il lavoro di tesi ha avuto lo scopo di sviluppare dei semplici modelli autocalibranti, da implementare nella APP del progetto Coltiv@mi e si diviso in due parti: 1) ricerca bibliografica, atta a identificare i modelli più semplici, ma con un accettabile grado di affidabilità, con pochi parametri, facili a calibrare in maniera autonoma sulla base di informazioni raccolte dai sensori posti nel prototipo e da alcune semplici domande fatte all’utilizzatore; 2) parte sperimentale, atta a verificare la applicabilità dei modelli individuati e la correttezza della eventuale procedura di auto-calibrazione.

In fase bibliografica si sono individuati dei semplici modelli di crescita empirici basati sul modello dei gradi-giorno (GDD, Growing Degree Days) per la stima della organogenesi (numero di foglie sviluppate) e delle unità fototermiche (PTU, Photo-Thermal units) per la stima della biomassa prodotta. Infine, sono stati selezionati alcuni modelli semplificati per la stima del Leaf Area Index e della evapotraspirazione della coltura, cercando di utilizzare delle regressioni lineari o di secondo ordine per modellizzare dette grandezze con i dati climatici registrati (luce, temperatura, umidità relativa).

Successivamente si sono effettuati degli esperimenti, in tre differenti ambienti climatici diversi (serra calda, serra fredda con parziale ombreggiamento, laboratorio con luce LED artificiale) utilizzando due specie ortive (pomodoro e basilico): per ciascuna specie, sono stati misurati cinque piante, con vari intervalli i nodi sviluppati, l’area fogliare, e la biomassa. Con i dati climatici raccolti nei tre ambienti di crescita differenti, utilizzando i modelli selezionati dalla bibliografia, si sono effettuate delle simulazioni e si è verificato l’accordanza dei valori simulati con i valori misurati. Purtroppo, per alcuni parametri, i modelli utilizzati con la calibrazione riportate in bibliografia, non sono stati molto precisi e si reso necessario effettuare delle calibrazioni specie specifiche, procedure che non risultano facilmente automatizzabili.

Per questo motivo, aiutati da esperti informatici, si è provato ad applicare un algoritmo basato su un modello stocastico del tipo machine learning, sviluppato per la previsione dell’evapotraspirazione e dello sviluppo della pianta (sostanza secca prodotta): il modello, di tipo statistico, permette di fare previsioni delle variabili sulla base dei valori pregressi. La machine learning ha fornito una corrispondenza fra valori simulati e valori misurati molta buona e unito alla sua capacità di auto-apprendere, la rende ideale per questo tipo di applicazioni.