Indice
La dannosità delle infestanti
Le piante infestanti rappresentano una delle principali problematiche all’interno degli agroecosistemi, il cui danno si configura generalmente come una perdita produttiva sia in termini qualitativi che quantitativi. Tale riduzione può raggiungere anche la totalità [1], ed è stata quantificata per le principali colture riportate in Tabella 1.
Indubbiamente, la perdita produttiva è tra i fattori che interessano maggiormente l’essere umano ed è una delle risultanti delle interazioni tra pianta coltivata ed infestante. Le infestanti presentano richieste simili alle colture e possono dare vita a interazioni ecologiche come la competizione per risorse limitate [3].
Per l’acqua, tratti come la regolazione stomatica, la resistenza alla cavitazione e l’abilità delle radici di regolarsi osmoticamente, rappresentano elementi fondamentali per una maggiore competitività [4,5]. La competizione per la luce può essere intesa come la capacità di localizzare le proprie foglie più in alto rispetto agli altri individui generando fenomeni di ombreggiamento sul competitore [6]. Tra i macronutrienti, l’azoto è tra i più limitanti visti i più alti fabbisogni nutrizionali, nonché l’elevata lisciviabilità. Una delle possibili interpretazioni di questa competizione si basa sulla capacità degli individui di impedire al competitore di venire a contatto con la risorsa [4,7–9].
Oltre alla competizione per le risorse, le infestanti possono causare fenomeni di allelopatia. Le sostanze allelopatiche possono essere prodotte o accumularsi in diverse parti della pianta, e quindi essere rilasciate nell’ambiente con differenti meccanismi [10]. Nel suolo questi composti possono sopprimere la crescita nonché l’insediamento di altre piante [11]. Diverse specie infestanti si comportano da donatrici di molecole allelopatiche, come Sorghum halepense [12], Echinocloa colona [13] ed Avena fatua [14].
Infine, le infestanti causano danni indiretti come, ad esempio, ostacolare le operazioni di raccolta meccanica [15], provocare scadimenti qualitativi dovuti a contaminazioni [16,17] e, inoltre, possono rappresentare una riserva di patogeni delle colture [18–20].
Attuali metodi di gestione delle infestanti
Per gestire la flora infestante possono essere adoperati metodi diretti ed indiretti. Nei primi rientrano i metodi agronomici che con limitano la flora infestante con diversi approcci. [21–25]. Nei metodi diretti troviamo il diserbo meccanico [26–31], così come il diserbo chimico che rappresenta attualmente il principale metodo utilizzato per la gestione della flora infestante nelle colture [32]. L’ottimo rapporto costi-benefici, la flessibilità e selettività sono i motivi alla base del suo successo. La problematica degli erbicidi è legata alla comparsa di flora resistente: ad oggi sono stati riscontrati più di 513 casi di resistenza unica [33].
Una possibile gestione alternativa delle malerbe è la “gestione sito-specifica della flora infestante” (SSWM). Questa metodica si basa sulla gestione puntuale della flora infestante, andando a regolare l’intervento a seconda della tipologia di infestante, nonché del grado. In questo modo si riesce a razionalizzare gli input come gli erbicidi, ottenendo benefici ambientali [34]. Tutto questo però è possibile solo mediante tecnologie che permettano di riconoscere la flora infestante [35].
Reti neurali convoluzionali per il riconoscimento della flora infestante
L’esperimento condotto presso il dipartimento di agraria dell’Università degli Studi Federico II di Napoli ha avuto come obiettivo quello di adoperare la nuova tecnologia delle reti neurali convoluzionali (CNN) per riconoscere in uno stadio precoce la flora infestante e prevedere le potenziali perdite produttive nel grano tenero. Le parcelle disposte secondo un disegno sperimentale a blocchi randomizzati sono state suddivise in due trattamenti: weed-free e weedy.
Nelle prime, la flora infestante è stata limitata mediante l’uso di erbicidi, mentre nelle seconde le malerbe sono cresciute liberamente. Per allenare la CNN, sono state acquisite delle immagini di ogni plot e successivamente sottoposte ad annotazione. Le foto sono state scattate con lenti parallele al suolo e a 65-70 cm di altezza. Inoltre, sono state effettuate delle misurazioni dei parametri biomorfologici del grano alla spigatura e alla raccolta finale.
Le classi di infestanti riscontrate
Nel campo sono state riscontrate undici classi di infestanti:
- Raphanus raphanistrum
- Anthemis arvensis
- Papaver rhoeas
- Chenopodium album
- Leguminose
- Polygonum aviculare
- Veronica persica
- Veronica hederifolia
- Stellaria media
- Fumaria officinalis
- Ranunculus repens
Le foto così scattate sono state annotate mediante lo strumento Computer Vision Annotation tool [36] e suddivise poi in due dataset per l’allenamento e validazione della CNN. Come CNN è stata adoperata YOLOv5 [37]. Al fine di migliorare le performance della rete, le foto sono state suddivise in frammenti di 640×640 pixel adoperando la libreria Slicing Aided Hyper Inference [38]. Il risultato dell’allenamento della CNN si può vedere dalla Figura 1.
La Tabella 2 riassume i risultati ottenuti sul dataset di validazione secondo l’average precision (AP50), una delle principali metriche usate per confrontare le performance delle CNN [39], questo valore può oscillare dallo zero all’uno. Come si può notare, per alcune classi si sono raggiunti valori consistenti di questa metrica, per altre i valori bassi sono spiegabili dalla sottorappresentazione nel dataset stesso.
Grazie alle misurazioni dei parametri biometrici del grano, si è potuto verificare eventuali correlazioni tra le infestanti e le performance del grano. Come si vede da Figura 2, la densità iniziale delle infestanti, misurabile mediante CNN è significativamente correlata con i parametri biometrici del grano sia nella fase di spigatura che nella fase finale.
Conclusioni
Le CNN rappresentano un buono strumento per il riconoscimento specie-specifico della flora infestante e possono quindi rappresentare quel classificatore flessibile necessario all’applicazione di tecniche di SSWM.
Inoltre, la possibilità di prevedere le perdite produttive dovute alle infestanti in colture come il grano a partire da una visualizzazione non distruttiva molto precoce non può che guidare in maniera ancora più precisa le tecniche di gestione delle malerbe.
—
Speriamo che tu abbia trovato la lettura di questo articolo sulla gestione delle infestanti attraverso reti neurali convoluzionali interessante. Per altri contenuti simili, consulta la sezione Qualità del nostro sito web. E se vuoi restare sempre al passo con le ultime novità in fatto di Agrifood, iscriviti alla nostra Newsletter!
- Chauhan, B.S. Grand Challenges in Weed Management. Frontiers in Agronomy 2020, 1
- Oerke, E.-C. Crop Losses to Pests. J Agric Sci 2006, 144, 31–43
- da Silva, E.M.G.; de Aguiar, A.C.M.; Mendes, K.F.; da Silva, A.A. Weed Competition and Interference in Crops. Applied Weed and Herbicide Science 2022, 55–96.
- Craine, J.M.; Dybzinski, R. Mechanisms of Plant Competition for Nutrients, Water and Light. Funct Ecol 2013, 27, 833–840
- Khan, A.; Pan, X.; Najeeb, U.; Tan, D.K.Y.; Fahad, S.; Zahoor, R.; Luo, H. Coping with Drought: Stress and Adaptive Mechanisms, and Management through Cultural and Molecular Alternatives in Cotton as Vital Constituents for Plant Stress Resilience and Fitness. Biol Res 2018, 51, 47
- Falster, D.S.; Westoby, M. Plant Height and Evolutionary Games. Trends Ecol Evol 2003, 18, 337–343
- Raynaud, X.; Leadley, P.W. SOIL CHARACTERISTICS PLAY A KEY ROLE IN MODELING NUTRIENT COMPETITION IN PLANT COMMUNITIES. Ecology 2004, 85, 2200–2214
- Reich, P.B.; Wright, I.J.; Cavender‐Bares, J.; Craine, J.M.; Oleksyn, J.; Westoby, M.; Walters, M.B. The Evolution of Plant Functional Variation: Traits, Spectra, and Strategies. Int J Plant Sci 2003, 164, S143–S164
- Craine, J.M.; Fargione, J.; Sugita, S. Supply Pre‐emption, Not Concentration Reduction, Is the Mechanism of Competition for Nutrients. New Phytologist 2005, 166, 933–940
- Głąb, L.; Sowiński, J.; Bough, R.; Dayan, F.E. Allelopathic Potential of Sorghum ( Sorghum Bicolor (L.) Moench) in Weed Control: A Comprehensive Review 2017, 43–95.
- Inderjit; Wardle, D.A.; Karban, R.; Callaway, R.M. The Ecosystem and Evolutionary Contexts of Allelopathy. Trends Ecol Evol 2011, 26, 655–662
- Lolas, P.C.; Coble, H.D. Noncompetitive Effects of Johnsongrass (Sorghum Halepense) on Soybeans (Glycine Max). Weed Sci 1982, 30, 589–593
- Chopra, N.; Tewari, G.; Tewari, L.M.; Upreti, B.; Pandey, N. Allelopathic Effect of Echinochloa Colona L. and Cyperus Iria L. Weed Extracts on the Seed Germination and Seedling Growth of Rice and Soyabean. Advances in Agriculture 2017, 2017, 1–5
- Schumacher, W.J.; Thill, D.C.; Lee, G.A. Allelopathic Potential of Wild Oat (Avena Fatua) on Spring Wheat (Triticum Aestivum) Growth. J Chem Ecol 1983, 9, 1235–1245, doi:10.1007/BF00982225.
- Nave, W.R.; Wax, L.M. Effect of Weeds on Soybean Yield and Harvesting Efficiency. Weed Sci 1971, 19, 533–535.
- Gualbert, G. Guidance on Weed Issues and Assessment of Noxious Weeds in a Context of Harmonized Legislation for Production of Certified Seed 2013.
- Frick, B.; Johnson, E. Weeds – When Are the a Problem 2002.
- Dikova, B. Establishment of Tobacco Rattle Virus (TRV) in Weeds and Cuscuta. Biotechnology & Biotechnological Equipment 2006
- Sowa, S.; Toporowska, J.; Koroluk, A.; Paczos-Grzęda, E. First Detailed Report on Puccinia Graminis f. Sp. Avenae Virulence Structure and Pg Resistance Genes Effective in Poland. Eur J Plant Pathol 2021.
- Yazdkhasti, E.; Hopkins, R.J.; Kvarnheden, A. Reservoirs of Plant Virus Disease: Occurrence of Wheat Dwarf Virus and Barley/Cereal Yellow Dwarf Viruses in Sweden. Plant Pathol 2021, 70, 1552–1561
- LEMERLE, D.; COUSENS, R.D.; GILL, G.S.; PELTZER, S.J.; MOERKERK, M.; MURPHY, C.E.; COLLINS, D.; CULLIS, B.R. Reliability of Higher Seeding Rates of Wheat for Increased Competitiveness with Weeds in Low Rainfall Environments. J Agric Sci 2004, 142, 395–409
- Kolb, L.N.; Gallandt, E.R.; Mallory, E.B. Impact of Spring Wheat Planting Density, Row Spacing, and Mechanical Weed Control on Yield, Grain Protein, and Economic Return in Maine. Weed Sci 2012, 60, 244–253.
- Borger, C.P.D.; Hashem, A.; Powles, S.B. Manipulating Crop Row Orientation and Crop Density to Suppress Lolium Rigidum. Weed Res 2016, 56, 22–30.
- DREWS, S.; NEUHOFF, D.; KÖPKE, U. Weed Suppression Ability of Three Winter Wheat Varieties at Different Row Spacing under Organic Farming Conditions. Weed Res 2009, 49, 526–533
- LEMERLE, D.; VERBEEK, B.; COUSENS, R.D.; COOMBES, N.E. The Potential for Selecting Wheat Varieties Strongly Competitive against Weeds. Weed Res 1996, 36, 505–513
- Pardo, G.; Cirujeda, A.; Aibar, J.; Cavero, J.; Zaragoza, C. Weed Harrowing in Winter Cereal under Semi-Arid Conditions. Spanish Journal of Agricultural Research 2008, 6, 661.
- RUEDA-AYALA, V.P.; RASMUSSEN, J.; GERHARDS, R.; FOURNAISE, N.E. The Influence of Post-Emergence Weed Harrowing on Selectivity, Crop Recovery and Crop Yield in Different Growth Stages of Winter Wheat. Weed Res 2011, 51, 478–488.
- Welsh, J.P.; Bulson, H.A.J.; Stopes, C.E.; Froud-Williams, R.J.; Murdoch, A.J. Weed Control in Organic Winter Wheat Using a Spring-Tine Weeder.; International Weed Science Society, 1996; pp. 1127–1132.
- Melander, B.; Cirujeda, A.; Jørgensen, M.H. Effects of Inter-Row Hoeing and Fertilizer Placement on Weed Growth and Yield of Winter Wheat. Weed Res 2003, 43, 428–438.
- Jabran, K.; Mahmood, K.; Melander, B.; Bajwa, A.A.; Kudsk, P. Weed Dynamics and Management in Wheat 2017, 97–166.
- Tillett, N.D.; Hague, T. Increasing Work Rate in Vision Guided Precision Banded Operations. Biosyst Eng 2006, 94, 487–494
- Carver, B.F. Wheat: Science and Trade; Carver, B.F., Ed.; Wiley-Blackwell Publishing, 2009;
- Heap, I. The International Herbicide-Resistant Weed Database. Online. 2021.
- Lòpez-Granados, F. Weed Detection for Site-Specific Weed Management: Mapping and Real-Time Approaches. Weed Res 2011, 51, 1–11.
- Fernández-Quintanilla, C.; Peña, J.M.; Andújar, D.; Dorado, J.; Ribeiro, A.; López-Granados, F. Is the Current State of the Art of Weed Monitoring Suitable for Site-Specific Weed Management in Arable Crops? Weed Res 2018, 58, 259–272.
- Sekachev, B.; Manovich, N.; Zhiltsov, M.; Zhavoronkov, A.; Kalinin, D.; Hoff, B.; TOsmanov; Kruchinin, D.; Zankevich, A.; DmitriySidnev; et al. Opencv/Cvat: V1.1.0. 2020, doi:10.5281/ZENODO.4009388.
- Jocher, G.; Chaurasia, A.; Stoken, A.; Borovec, J.; NanoCode012; Kwon, Y.; TaoXie; Michael, K.; Fang, J.; imyhxy; et al. Ultralytics/Yolov5: V6.2 – YOLOv5 Classification Models, Apple M1, Reproducibility, ClearML and Deci.Ai Integrations. 2022, doi:10.5281/ZENODO.7002879.
- Akyon, F.C.; Altinuc, S.O.; Temizel, A. Slicing Aided Hyper Inference and Fine-Tuning for Small Object Detection. 2022.
- Padilla, R.; Passos, W.L.; Dias, T.L.B.; Netto, S.L.; da Silva, E.A.B. A Comparative Analysis of Object Detection Metrics with a Companion Open-Source Toolkit. Electronics (Basel) 2021, 10, 279.
Claudio Russo
Claudio Russo è uno dottorando presso il dipartimento di agraria dell’Università degli studi di Napoli Federico II. Attualmente collabora con il docente di malerbologia presso il suddetto ateneo ed è attivo anche nello studio di colture sottoutilizzate per la produzione di biocarburanti.
Valerio Cirillo
Il Dott. Valerio Cirillo è ricercatore in Agronomia e Coltivazioni Erbacee e docente di Malerbologia presso il Dipartimento di Agraria dell’Università degli Studi di Napoli Federico II. Si interessa dello studio delle relazioni tra le piante coltivate ed altri fattori ambientali di natura biotica ed abiotica, con l’obiettivo di individuare strategie in grado di aumentare la sostenibilità delle produzioni agricole.
Nausicaa Pollaro
Nausicaa Pollaro è dottoranda in ‘’Sustainable agricultural and forestry systems and food security’’ presso Università ‘’Federico II’’ di Napoli, con un progetto dal titolo ‘’La competizione per la luce tra piante coltivate ed infestanti: effetti diretti ed indiretti sulle performance produttive in ambienti ostili’’, in collaborazione con i professori di colture erbacee e di flora infestante.
