Riduzione della dimensionalità spettroscopica per la classificazione dello stress idrico nelle piante di insalata = Spectroscopic dimensionality reduction for the classification of water stress level in salad plants

L’agricoltura è da sempre fondamentale per l’uomo e numerosi fattori, come l’aumento della popolazione, i cambiamenti climatici e gli eventi geo-politici, rendono sempre più necessaria un’ottimizzazione della produzione agricola. Con l’agricoltura di precisione si è riusciti ad aumentare la resa della produzione e contemporaneamente a ridurre gli sprechi tramite l’uso di vari strumenti, come il telerilevamento, l’IoT, la computer vision e l’analisi multi-spettrale. Lo studio approfondisce l’uso della spettroscopia, la disciplina che studia le radiazioni elettromagnetiche, per monitorare lo stato di salute delle piante. Il principio su cui ci si basa è che piante sane e sotto stress hanno differenze nei loro spettri e, tramite questi ultimi, è possibile rilevare lo stato di stress prima che questo sia visibile ad occhio nudo, in modo da poter intervenire di conseguenza tempestivamente. Utilizzare i dati spettroscopici direttamente può però essere complicato perché gli spettri contengono solitamente centinaia di variabili (corrispondenti alle lunghezze d’onda misurate). Questo lavoro ha lo scopo di individuare un numero ridotto di lunghezze d'onda che permetta di effettuare la classificazione in modo più agevole, ma senza comprometterne l’accuratezza. In particolare sono state considerate delle piante di insalata per effettuare una classificazione fra piante in salute o sottoposte a stress idrico, utilizzando diverse tecniche di pre-processing e applicando due tecniche per selezionare le lunghezze d’onda più utili nella classificazione: la Competitive Adaptive Reweight Sampling (CARS) e la Moving Windows Partial Least Square - Discriminant Analisys (MWPLS-DA), entrambe basate sulla Partial Least Square (PLS). In particolare CARS, tramite l’unione del campionamento statistico e mimando il principio evoluzionistico di selezione del più forte, individua un numero ridotto di lunghezze d’onda per effettuare la classificazione, mentre la MWPLS-DA, applicando la PLS tramite finestre mobili su tutto lo spettro, identifica delle regioni continue da usare nella classificazione. In questa ricerca, tramite l'uso di queste tecniche, dalle 1133 variabili che costituivano lo spettro iniziale, si è riusciti a selezionarne un numero molto più ridotto che permette di ottenere una classificazione accurata, nello specifico meno di 10 utilizzando CARS e a qualche decina utilizzando la MWPLS-DA.