Segmentazione semantica e modelli u-Net per la mappatura di precisione della canopia

Introduzione: oltre la percezione complessiva della chioma

Nel monitoraggio delle colture arboree (vigneti, frutteti, oliveti, agrumeti), uno dei parametri biometrici fondamentali per la stima dello stato nutrizionale, dell'efficienza fotosintetica e del fabbisogno idrico è il volume e la continuità della canopia (la chioma delle piante). Nella gestione tradizionale o attraverso un telerilevamento di prima generazione, la valutazione della superficie vegetale viene effettuata considerando l'intero pixel della mappa, senza distinguere la frazione occupata dalle foglie rispetto a quella occupata dal terreno nudo, dalle ombre portate o dall'inerbimento inter-fila.

Questa approssimazione introduce errori sistematici notevoli: un indice spettrale medio calcolato su un frutteto include inevitabilmente la risposta dell'erba presente tra i filari, falsando la valutazione sul reale stato di salute degli alberi.

Per superare questo limite strutturale, l'intelligenza artificiale ricorre ad algoritmi avanzati di segmentazione semantica, in particolare le reti neurali basate su architettura U-Net. Questi modelli sono in grado di classificare ogni singolo pixel dell'ortomosaico ad alta risoluzione generato da drone, isolando la canopia con precisione chirurgica ed escludendo tutte le componenti di disturbo.

Architettura u-Net: come funziona la segmentazione pixel-by-Pixel

Struttura a "Encoder-Decoder" e skip connections

La rete neurale U-Net (così chiamata per la sua caratteristica forma simmetrica a "U") è composta da due sezioni principali:

1. Rete di Contrazione (Encoder): Funziona come una tradizionale rete convoluzionale che riduce progressivamente la risoluzione spaziale delle immagini mediante operazioni di pooling, estraendo caratteristiche semantiche ad alto livello (forme, texture della chioma, pattern fogliari).
2. Rete di Espansione (Decoder): Esegue un'operazione inversa di upsampling, ricostruendo la risoluzione spaziale originaria dell'immagine e proiettando le caratteristiche apprese su una mappa di classificazione pixel per pixel.

Il punto di forza delle reti U-Net risiede nelle Skip Connections: collegamenti diretti che trasferiscono le informazioni ad alta risoluzione spaziale dai livelli dell'Encoder direttamente ai corrispondenti livelli del Decoder. Questo meccanismo permette alla rete di preservare con nitidezza i bordi frastagliati delle chiome e i dettagli microscopici delle singole foglie, evitando le sfocature tipiche delle tradizionali reti convoluzionali.

┌────────────────────────────────────────────────────────────────────────┐
│                        ARCHITETTURA NEURALE U-NET                      │
└────────────────────────────────────────────────────────────────────────┘

Immagine Input (UAV) Mappa Segmentata

  ┌──────────────┐                                       ┌──────────────┐
  │  Ortofoto    │                                       │  Chioma vs   │
  │  RGB / NIR   │                                       │  Ombra/Suolo │
  └──────┬───────┘                                       └──────▲───────┘
         │                                                      │

▼ (Contrazione / Encoder) (Espansione / Decoder) │

   [ Conv 3x3 ] ── Skip Connection 1 ──────────────► [ Conv 3x3 ]
         │                                                      │
         ▼                                                      │
   [ MaxPool  ] ── Skip Connection 2 ──────────────► [ Upsampling ]
         │                                                      │
         └───────────────────► [ Bottleneck ] ──────────────────┘

Parametri biometrici estratti tramite segmentazione u-Net

Una volta che l'algoritmo U-Net ha isolato i pixel appartenenti esclusivamente alla canopia, è possibile calcolare una serie di indici biometrici di grande valore per l'agronomo:

1. canopy cover percentage (Copertura della chioma)

Rapporto percentuale esatto tra la superficie proiettata a terra dalle chiome delle piante e la superficie totale dell'appezzamento. Consente di monitorare il ritmo di accrescimento stagionale e l'intercettazione della luce solare.

2. isolamento del leaf area index (LAI) effettivo

Calcolo dell'Indice di Area Fogliare ristretto alla sola componente arborea, eliminando l'interferenza dell'inerbimento naturale o seminato nei filari.

3. mascheramento dell'Ombra portata (Shadow masking)

L'algoritmo U-Net viene addestrato a riconoscere e separare le ombre proiettate dagli alberi sul terreno. Le ombre, infatti, alterano drasticamente i valori di riflettanza nei canali visibile e infrarosso, conducendo a valutazioni errate sugli indici di vigore.

Integrazione tra segmentazione 2D u-Net e modelli 3D da droni (DSM/CHM)

L'analisi della canopia raggiunge la massima completezza quando la segmentazione semantica 2D viene incrociata con la modellazione tridimensionale derivata da rilievi fotogrammetrici o LiDAR aerei.

Sottraendo il Modello Digitale del Terreno (DTM) dal Modello Digitale di Superficie (DSM), si ottiene il Canopy Height Model (CHM), ovvero la mappa delle altezze reali di ogni pianta. Sovrapponendo la maschera bidimensionale generata da U-Net al CHM, l'intelligenza artificiale calcola il Volume Reale della Chioma in metri cubi (m³) per ciascun albero.

L'Eccellenza dei rilievi ITALDRONI e l'Esperienza di Dimitri Albino

La segmentazione pixel-by-pixel richiede una base dati ad altissima risoluzione e geometricamente impeccabile. Variazioni d'angolo della telecamera o deformazioni ortofotografiche creano sfocature nei bordi della canopia che compromettono le prestazioni dell'algoritmo U-Net.

I droni impiegati da ITALDRONI, pilotati da professionisti come Dimitri Albino (abilitato al volo in scenari critici ed eventi BVLOS), eseguono sorvoli con sovrapposizioni elevate (overlap fino all'85%) e posizionamento centimetrico RTK. Questo garantisce la produzione di ortomosaici con GSD sub-centimetrico, la materia prima ideale per l'elaborazione tramite reti neurali U-Net.

Applicazioni operative e risparmi per l'Azienda agricola

• Trattamenti Fitosanitari a Rateo Variabile Volumetrico: Conoscendo il volume esatto in m³ della chioma di ogni singolo albero o tratto di filare, le atomizzatrici intelligenti possono modulare il volume di miscela fitosanitaria distribuito in tempo reale. Si evita così di irrorare dosi eccessive su alberi piccoli o spazi vuoti, riducendo l'uso di rame e zolfo biologico fino al 30-40%.
• Monitoraggio dello Sviluppo nei Giovani Impianti: Negli impianti frutticoli o viticoli di recente conversione, la segmentazione U-Net permette di tracciare la crescita individuale di ogni barbatella o piantina, identificando precocemente gli individui stentati o soggetti a sofferenza radicale.

Calcolo dei volumi fogliari e ottimizzazione della TRV (Tree row volume)

Il concetto di tree row volume (TRV) nell'Irrorazione fitosanitaria

Nelle colture arboree (frutteti, vigneti, oliveti), il dosaggio dei prodotti fitosanitari è stato storicamente calcolato in funzione della sola superficie del terreno (kg/ha o L/ha). Questo approccio convenzionale ignora completamente la struttura tridimensionale della vegetazione, portando a gravi sotto-dosaggi nei frutteti espansi ed adulti o a massicci sovra-dosaggi nei giovani impianti con chioma ridotta.

Il concetto moderno di Tree Row Volume (TRV) definisce il volume occupato dalla chioma per ettaro espresso in m³/ha:

Integrazione della segmentazione u-Net per il calcolo digitale della TRV

L'impiego della segmentazione semantica U-Net applicata agli ortomosaici da drone e ai modelli digitali di elevazione (DSM/DTM) permette di automatizzare completamente la misurazione della TRV. Invece di misurare manualmente con la stezza millimetrata poche piante campione, l'IA calcola il volume m³ reale della chioma albero per albero lungo ogni singolo metro di filare.

L'output dell'algoritmo viene caricato sul computer di bordo delle moderne atomizzatrici intelligenti VRA. Durante l'avanzamento, il sistema regola istante per istante la pressione degli ugelli e la portata della pompa in funzione del volume di vegetazione reale intercettato, riducendo le perdite per deriva nell'ambiente di oltre il 35-50%.

Confronto tecnico tra architetture u-Net, DeepLabV3+ e SegNet