REMOTE SENSING FOR THE AGRI-FOOD SECTOR: METHODS & APPLICATIONS

In the last decade, the agri-food sector and local authorities have invested in new technologies to address the growing social, economic, and environmental challenges related to food and its sustainability. Artificial Intelligence (AI) and Machine Learning (ML) fed with high spatial and temporal resolution data (e.g. remote sensing, proximal sensors, weather data and soil maps) enable the development of new tools that can monitor the whole agri-food chain enabling in turn the optimization of production processes and their sustainability. In this study, the three main applications of remote sensing for crop and land monitoring were investigated: i) crop mapping, ii) estimation of biophysical parameters, and iii) yield prediction. In particular, for each of these three applications, some methodological aspects have been analyzed to develop operational solutions for monitoring the agri-food supply chain.

Nell'ultimo decennio, il settore agroalimentare e le autorità locali hanno investito in nuove tecnologie per affrontare le crescenti sfide sociali, economiche e ambientali legate al cibo e alla sua sostenibilità. L'intelligenza artificiale (AI) e il Machine Learning (ML) alimentate con dati ad alta risoluzione spaziale e temporale (es. telerilevamento, sensori prossimali, dati meteorologici e mappe del suolo) permettono lo sviluppo di nuovi strumenti in grado di monitorare l'intera catena agroalimentare consentendo a sua volta l'ottimizzazione dei processi produttivi e la loro sostenibilità. In questo studio sono state indagate le tre principali applicazioni del telerilevamento per il monitoraggio delle colture: i) la mappatura delle colture, ii) la stima dei parametri biofisici e iii) la previsione delle rese. Per ognuna di queste tre applicazioni, è stato analizzato un caso studio al fine di approfondire specifici aspetti metodologici necessari allo sviluppo di un sistema di monitoraggio della filiera agroalimentare.