Indice
Deficit traspirativo, umidità del suolo e stress idrico
La prima domanda che sorge pensando all’irrigazione in agricoltura è: quando e quanto irrigare?
La risposta, ovviamente, dipende dall’obiettivo produttivo.
Ma ci sono alcuni processi fisiologici delle piante che guidano la pratica irrigua e che, almeno a livello intuitivo, sono noti a tutti.
Accade infatti, prendendoci cura delle piante in casa, di innaffiarle più frequentemente d’estate perché la temperatura è più alta o di evitare che il terriccio sia troppo secco.
Questi ragionamenti sono ovvi per gli agricoltori, che sanno bene quali rischi corre la produzione se la pianta non dispone di sufficienti riserve idriche. All’atto pratico, sono due le cose da tenere d’occhio per decidere quando e quanto irrigare:
- La domanda traspirativa, controllata dall’atmosfera (temperatura, radiazione, umidità dell’aria e vento) e dalle caratteristiche della pianta;
- La disponibilità idrica, ossia la riserva d’acqua presente nel suolo.
La domanda traspirativa dovrà essere bilanciata da un’adeguata disponibilità idrica per evitare il deficit traspirativo, che provoca la chiusura degli stomi della pianta.
Gli stomi sono anche il punto di entrata della CO2 per la fotosintesi, che converte il carbonio atmosferico in tessuti della pianta (biomassa), compresi quelli di interesse per la produzione.
Ne consegue, come è stato formalizzato sin dagli anni ’80, che domanda traspirativa e disponibilità idrica sono legati alla resa delle colture [1 – 4].
Nonostante gli effetti dello stress idrico siano complessi e numerosi (ad esempio riduzione dell’espansione fogliare, anticipazione e accelerazione della senescenza, modifica della durata delle fasi fenologiche e della ripartizione di assimilati), lo stress traspirativo è il più pericoloso ma anche il più “facilmente” quantificabile. Ciò avviene attraverso la stima o misura del deficit traspirativo o dell’umidità del suolo (usata come proxy) [5].
Si può infatti identificare, per ogni coltura, una “soglia di sicurezza” di umidità del suolo al di sopra della quale la pianta non incorre nello stress traspirativo. È la cosiddetta soglia dell’acqua facilmente disponibile, così come definita nei manuali di agronomia italiani, o della Readily Available Water (RAW) in inglese, così come definita nel famoso FAO Irrigation and drainage paper 56 [6 – 7].
Satelliti e sensori: cosa si vede dallo spazio?
I sensori montati sui satelliti, di cui si occupa la disciplina della Earth Observation (EO), possono essere considerati come un occhio che osserva la Terra dallo spazio. Da questa osservazione possono essere estrapolate informazioni utili sul deficit traspirativo delle piante o sull’umidità del suolo.
I sensori satellitari, dunque, ci permettono di avere informazioni incaptabili ad occhio nudo, quantificando la radiazione riflessa/emessa dalla superficie terrestre (Fig. 1).
In linea di massima, le lunghezze d’onda di particolare interesse per l’ambito agricolo sono:
- Visibile + infrarosso vicino (Near InfraRed – NIR), per la caratterizzazione fisico-chimica delle colture.
- Infrarosso termico, per la stima della temperatura del suolo e della pianta.
- Microonde, tramite cui viene misurata l’umidità del suolo.
Applicazioni e limiti dei satelliti per l’osservazione
Le applicazioni dell’EO che riguardano la misura del deficit traspirativo e dell’umidità del suolo sono diverse ma, semplificando, possono essere riassunte come segue (Fig. 2):
- Le misure della domanda e del deficit traspirativo possono definire l’evapotraspirazione combinando le informazioni derivanti dall’infrarosso termico (temperatura del suolo e della pianta), e dal visibile + NIR (caratteristiche fisiche). Le caratteristiche fisiche della pianta rappresentano l’interfaccia con l’atmosfera, e consentono di definire la domanda evapotraspirativa di una coltura, mentre dall’infrarosso termico si possono ottenere ulteriori informazioni sullo stato di stress della pianta e sui bilanci energetici della superficie agricola [9]. Tra vari metodi, vale la pena ricordare il metodo diretto per la stima dell’evapotraspirazione tramite Penman–Monteith [10], noto nella realtà italiana [11].
- Le misure dell’umidità del suolo avvengono nell’ambito delle microonde, tramite sensori passivi (radiometri) ed attivi (radar), che hanno il vantaggio rispetto ad altri sensori di riuscire a vedere attraverso le nuvole [12]. Tuttavia, la risoluzione spaziale è ancora piuttosto grezza per scopi agricoli, richiedendo delle forme di downscaling non sempre ottimali [13 – 14].
In generale, uno dei maggiori vantaggi dell’EO è che le immagini sono gratuite o a basso costo, ed è solo il processing, ossia il passaggio dall’immagine grezza a quella direttamente utilizzabile per lo scopo prescelto, ad essere d’ostacolo per l’utilizzazione finale.
Per questo motivo, un approccio che sta emergendo di recente è quello di fornire prodotti ad un livello di processing superiore, come avviene nel caso della piattaforma openET [15], che fornisce mappe di evapotraspirazione per gli USA, ottenute principalmente integrando le immagini satellitari con diversi modelli di flusso energetico della superficie (Surface Energy Balance – SEB).
Ciò consente di uniformare ed ufficializzare l’elaborazione dei dati, evitando che utenti diversi debbano ripetere lo stesso processing singolarmente.
Tuttavia, l’EO presenta anche dei limiti, tra cui la difficoltà di ottenere immagini alla risoluzione desiderata per la scala di campo, l’impossibilità per i sensori ottici di acquisire immagini utili in presenza di copertura nuvolosa, e una frequenza di acquisizione delle immagini a volte insufficiente.
Infine, i satelliti rappresentano uno strumento per l’osservazione dello stato attuale delle colture, ma da soli non possono fornire informazioni su quanto avverrà in futuro.
Conclusioni
L’EO offre grandi potenzialità, e verosimilmente continuerà ad evolversi e migliorare nel futuro prossimo. Spesso però, nell’ambito dell’irrigazione, prevedere in anticipo quando e quanto irrigare risulta determinante.
L’EO offre delle “istantanee” sullo stato del suolo e della coltura, che richiedono successive integrazioni con bilanci idrici e modelli colturali, anche semplici, per essere sfruttate al meglio.
L’integrazione delle osservazioni istantanee dell’EO e delle simulazioni e previsioni dei modelli, può dar vita a dei sistemi di supporto alle decisioni (Decision Support Systems – DSS) che facilitino la vita dell’agricoltore e aumentino l’efficienza d’uso dell’acqua. Un esempio è la piattaforma Irrisat® [11, 16], creata da uno spin-off dell’Università di Napoli Federico II, che applica il metodo diretto per la stima dell’evapotraspirazione [10 – 11], e unisce i dati satellitari ad un semplice bilancio idrico basato sul FAO 56 [6].
Un altro esempio di integrazione di modelli e remote sensing è il progetto MARS (Monitoring of Agricultural ResourceS) del JRC (Joint Research Center della Commissione Europea) che si occupa anche di previsioni della resa e dei fabbisogni irrigui delle colture attraverso la combinazione di EO e modelli climatici e colturali [17].
Speriamo che tu abbia trovato la lettura di questo articolo sui satelliti supportano l’agricoltura contro lo stress idrico interessante. Per altri contenuti simili, consulta la sezione Produzione del nostro sito web. E se vuoi restare sempre al passo con le ultime novità in fatto di Agrifood, iscriviti alla nostra Newsletter!
[1] Tanner, C.B.; Sinclair, T.R. Efficient water use in crop production: Research or re‐search? In: Limitations to efficient water use in crop production, 1–27, 1983.
[2] Sinclair, T.R.; Tanner, C.B.; Bennett, J.M. Water-use efficiency in crop production. Bioscience 34, 36–40, 1984.
[3] French, R.J.; Schultz, J.E. Water use efficiency of wheat in a Mediterranean-type environment. I. The relation between yield, water use and climate. Australian Journal of Agricultural Research, 35, 743–764, 1984.
[4] French, R.J.; Schultz, J.E. Water use efficiency of wheat in a Mediterranean-type environment. II. Some limitations to efficiency. Australian Journal of Agricultural Research, 35, 765–775, 1984.
[5] Tolomio, M.; Casa, R. Dynamic crop models and remote sensing irrigation decision support systems: A review of water stress concepts for improved estimation of water requirements. Remote Sensing, 12, 3945, 2020.
[6] Allen, R.G.; Pereira, L.S.; Raes, D.; Smith, M. Crop evapotranspiration – Guidelines for computing crop water requirements – FAO Irrigation and drainage paper 56. Fao, Rome, 300, D05109, 1998.
[7] https://www.fao.org/3/X0490E/x0490e00.htm, ultimo accesso il 28 febbraio 2022.
[8] Rouse Jr., J.W.; Haas, R.H.; Schell, J.A.; Deering, D.W. Monitoring Vegetation Systems in the Great Plains with ERTS. In: Third Earth Resources Technology Satellite-1 Symposium: Section AB. Technical presentations (Vol. 1, p. 309). Scientific and Technical Information Office, National Aeronautics and Space Administration, 1973.
[9] Calera, A.; Campos, I.; Osann, A.; D’Urso, G.; Menenti, M. Remote sensing for crop water management: From ET modelling to services for the end users. Sensors, 17, 1104, 2017.
[10] D’Urso, G.; Menenti, M. Mapping crop coefficients in irrigated areas from Landsat TM images. In: Remote Sensing for Agriculture, Forestry, and Natural Resources (Vol. 2585, pp. 41-47). International Society for Optics and Photonics, 1995.
[11] D’Urso, G.; Michele, C.D.; Bolognesi, S.F. IRRISAT: The Italian on-line satellite irrigation advisory service. In: Proceedings of the EFITA-WCCA-CIGR Conference “Sustainable Agriculture Through ICT Innovation”, Turin, Italy (pp. 23-27), 2013.
[12] Karthikeyan, L.; Pan, M.; Wanders, N.; Kumar, D.N.; Wood, E.F. Four decades of microwave satellite soil moisture observations: Part 1. A review of retrieval algorithms. Advances in Water Resources, 109, 106–120, 2017.
[13] Peng, J.; Loew, A.; Merlin, O.; Verhoest, N.E. A review of spatial downscaling of satellite remotely sensed soil moisture. Reviews of Geophysics, 55, 341–366, 2017.
[14] Sabaghy, S.; Walker, J.P.; Renzullo, L.J.; Jackson, T.J. Spatially enhanced passive microwave derived soil moisture: Capabilities and opportunities. Remote Sensing of Environment 209, 551–580, 2018.
[15] https://openetdata.org/, ultimo accesso il 28 febbraio 2022.
[16] https://www.irrisat.com/, ultimo accesso il 28 febbraio 2022.
[17] https://joint-research-centre.ec.europa.eu/monitoring-agricultural-resources-mars_en, ultimo accesso il 28 febbraio 2022.
Massimo Tolomio
Studia Agraria a Padova, dove ottiene il dottorato nel 2019. Si appassiona ai modelli colturali durante un periodo alla MSU (USA). Poi lavora per due anni su modelli e remote sensing all’UNITUS (Viterbo). Da fine 2021 è postdoc all’Università di Wageningen (NL), dove si occupa di DSS e yield gap.
