Il controllo dell'umidità del suolo è infatti un fattore cruciale per ottimizzare l'irrigazione e le prestazioni delle colture. Una volta installati nell’area da monitorare, i sensori 2D e 3D rilevano le caratteristiche del suolo e, grazie allo specifico algoritmo di machine learning, permettono di elaborare un profilo del terreno estremamente dettagliato. In questo modo, è possibile monitorare lo stato di umidità del terreno in uno specifico intervallo temporale. Le previsioni offerte dal sistema arrivano a un livello di dettaglio misurato in centimetri, non richiedono una modellazione fisica del suolo e sono aggiornate al variare del comportamento del suolo.
La tecnologia offre quindi dati e informazioni precise per orientare le scelte, quantitative e qualitative, di irrigazione. Non solo: il sistema è in grado di offrire delle stime accurate sullo stato di umidità anche per le porzioni di terreno circostanti all’area in cui sono presenti i sensori.
Offrendo stime dettagliate e personalizzate, il sistema permette di ridurre l'utilizzo di acqua e di fertilizzanti, assicurando al tempo stesso raccolti di migliore qualità. L'ambito è quello dell'agricoltura di precisione: un mercato che oggi vale quasi dieci miliardi di dollari e che si stima arriverà a raddoppiare questo valore entro il 2030. Ma la stessa tecnologia potrebbe trovare applicazioni anche nel campo della geologia, per il monitoraggio del rischio idrogeologico, o anche nell’edilizia, per valutare il livello di umidità dei materiali da costruzione.
Il brevetto nasce dalla collaborazione tra Matteo Golfarelli, Matteo Francia e Joseph Giovanelli del Dipartimento di Informatica - Scienza e Ingegneria, e di Moreno Toselli, Elena Baldi e Maurizio Quartieri del Dipartimento di Scienze e Tecnologie Agroalimentari dell'Università di Bologna