machine learning – Fondazione Qualivita

Intelligenza Artificiale, verso modelli digitali più solidi per le Indicazioni Geografiche

Alberto Laschi — Thu, 25 Jun 2026 08:03:46 +0000

Modelli di terroir digitale basati su Intelligenza artificiale, una ricerca sulle Indicazioni Geografiche ha mostrato che l’accuratezza del machine learning cala spesso dell’11,8% senza validazione spaziale, sollevando dubbi per i regolatori

Uno studio pubblicato martedì su Discover Applied Sciences ha rilevato che gli strumenti di machine learning utilizzati a supporto delle Indicazioni Geografiche, comprese le aree vitivinicole e altri prodotti alimentari e delle bevande legati all’origine, spesso ottengono buoni risultati nei test interni ma si indeboliscono quando vengono verificati con dati spaziali indipendenti.

Il paper esamina quello che gli autori definiscono “terroir digitale”, uno strato digitale pensato per collegare le qualità dichiarate di un prodotto a condizioni ambientali misurabili come suolo, clima, biodiversità, gestione del territorio e pratiche locali. I ricercatori sostengono che la credibilità delle Indicazioni Geografiche dipenda sempre più da sistemi in grado di verificare tali affermazioni con prove controllabili.

Lo studio è stato guidato da ricercatori affiliati a istituzioni brasiliane, tra cui la Federal University of Sergipe, la State University of Feira de Santana e la Federal Rural University of Pernambuco. Ha esaminato la letteratura scientifica pubblicata tra il 2010 e il 2025 sugli approcci di machine learning legati alle Indicazioni Geografiche e alla verifica dei servizi ecosistemici.

Utilizzando le linee guida di revisione PRISMA-ScR, il team ha iniziato con 272 record e li ha vagliati con un sistema automatizzato a punteggio ponderato che, secondo il paper, ha raggiunto un’accuratezza tematica del 94,2%. Quel processo ha prodotto un corpus tematico finale di 148 studi per analisi descrittive, multivariate, di rete e meta-analitiche.

[…]

Le opportunità per i sistemi IG

I risultati potrebbero essere rilevanti per i produttori di bevande che fanno affidamento sulle Indicazioni Geografiche, in particolare le regioni vinicole ma anche altre categorie basate sull’origine, perché strumenti più solidi di audit digitale potrebbero aiutare a sostenere le rivendicazioni su sostenibilità e terroir con prove tracciabili. Ciò potrebbe ridurre il rischio che il marketing ambientale legato ai nomi dei luoghi superi ciò che può effettivamente essere verificato.

[…]

Fonte: Vinetur.com

L'articolo Intelligenza Artificiale, verso modelli digitali più solidi per le Indicazioni Geografiche proviene da Fondazione Qualivita.

PAC: algoritmi e machine learning per il monitoraggio delle superfici

Alberto Laschi — Tue, 23 Jul 2024 07:19:06 +0000

Quest’anno scatta il monitoraggio dei terreni, gli aiuti PAC verificati col satellite, machine learning e intelligenza artificiale.

Dal 2024 tutti gli interventi a superficie della Politica agricola comune (PAC) sono verificati attraverso le immagini satellitari, oltre che con i classici controlli amministrativi e in loco. La procedura che gli organismi pagatori attivi nel territorio devono seguire per la messa a disposizione delle informazioni e lo svolgimento degli accertamenti, è contenuta nella circolare Agea Coordinamento n. 57040 del 19 luglio 2024.

Il sistema di monitoraggio delle superfici (Area Monitoring System – AMS): attraverso le immagini satellitari si riesce ad osservare, tracciare e valutare le attività e le pratiche agricole sugli ettari oggetto degli interventi basati sulle superfici. In pratica gli organismi pagatori acquisiscono informazioni sulle colture presenti nelle parcelle agricole e sulle operazioni agronomiche realizzate.

In questa maniera, grazie ad opportuni procedimenti che consentono di interpretare automaticamente le attività svolte, servendosi dell’intelligenza artificiale e di algoritmi informatici di machine learning, si arriva a valutare il comportamento dell’agricoltore e verificare il rispetto dei requisiti, degli obblighi e degli impegni, necessari per accedere ai finanziamenti pubblici.

L’AMS si applica sul 100% delle domande presentate nel corso dell`anno e sul 100% delle parcelle agricole dichiarate. Non tutto però è osservabile attraverso il satellite. Ci sono ancora molti elementi della PAC che devono essere verificati utilizzando approcci alternativi come il classico strumento dei controlli in loco, che prevede anche l`ispezione diretta dei controllori presso le aziende agricole.

Cosa rileva l’AMS: grazie alle foto satellitari è possibile individuare se la parcella agricola sia idonea ad incassare i contributi pubblici, perché sono rispettate le condizioni di ammissibilità previste per un dato intervento della PAC (ad esempio gli aiuti disaccoppiati, l`eco-schema o una misura dello sviluppo rurale come la produzione integrata). Inoltre si possono individuare le superfici non ammissibili agli aiuti (in quanto, ad esempio, coperte da strutture permanenti) ed il cambiamento della categoria di superficie agricola (seminativo, coltura permanente, prato permanente).

[…]

Fonte: Italia Oggi

L'articolo PAC: algoritmi e machine learning per il monitoraggio delle superfici proviene da Fondazione Qualivita.

Gestione del territorio: machine learning per rilevare l’abbandono degli oliveti

Alberto Laschi — Mon, 23 Oct 2023 07:15:32 +0000

Uno studio della Scuola Superiore Sant’Anna di Pisa, ha utilizzato la tecnologia machine learning per identificare gli oliveti abbandonati, la teconologia potrà essere utilizzata nella gestione del territorio.

L’abbandono delle aree rurali è un importante problema ambientale e socioeconomico in Europa, che minaccia la stabilità e la redditività della produzione agricola. L’identificazione e la quantificazione dei terreni abbandonati è fondamentale per l’applicazione di misure di gestione alternative.

L’Italia è uno dei paesi europei più importanti per la produzione di olio d’oliva di alta qualità, rappresentando una larga fetta dell’attuale produzione certificata (DOP, IGP).

In questo studio, dell’Istituto di Scienze della Vita della Scuola Superiore Sant’Anna, viene presentato un modello di machine learning (cioè Random Forest) per l’identificazione degli uliveti abbandonati utilizzando osservazioni sul campo e serie temporali NDVI, testato in un tipico agroecosistema dell’Italia centrale dominato dagli uliveti.

È stata sviluppata un’applicazione per smartphone in grado di registrare la posizione geografica e utilizzata per raccogliere punti di campo, che a loro volta sono stati utilizzati per addestrare il modello. I dati raccolti da gennaio a dicembre 2020, calcolati sulle immagini Sentinel-2, sono stati estratti per ciascun punto di monitoraggio e colmati per ottenere una serie temporale con intervalli di 10 giorni.

I risultati hanno dimostrato l’applicabilità dell’approccio combinato per discriminare gli oliveti coltivati dagli oliveti abbandonati, nel caso in cui siano note le parcelle destinate alla coltivazione dell’olivo. È stato implementato uno strumento basato sul web per supportare il monitoraggio e la gestione del territorio.

Fonte: I. Volpi, S. Marchi, R. Petacchi, K. Hoxha, D. Guidotti, (2023). Detecting olive grove abandonment with Sentinel-2 and machine learning: The development of a web-based tool for land management. Smart Agricultural Technology, Volume 3, 2023.

L'articolo Gestione del territorio: machine learning per rilevare l’abbandono degli oliveti proviene da Fondazione Qualivita.