REMOTE SENSING TO SUPPORT THE AGRI-FOOD INDUSTRY: CASE STUDIES OF VEGETABLE CROPS

This thesis focuses on the use of new technologies, including satellite remote sensing and unmanned aerial vehicles (UAVs), as a tool for monitoring vegetable crops in order to improve the regional horticultural sector, developing specific solutions for the agri-food sector of spinach for industry, white garlic from Piacenza and tomatoes for industry. Specifically, Chapter 2 aims to assess the feasibility of using Sentinel-2 satellite imagery to monitor the spinach supply chain through the development of models for estimating biophysical and biochemical parameters, and to evaluate the transferability and operability of the yield estimation model to the field scale using data provided by the industry in different growing seasons. Chapter 3 aims to develop a machine learning model for garlic yield monitoring using multispectral images acquired by UAVs. Chapter 4 aims to establish an effective machine learning (ML) workflow to predict the yield of processing tomatoes at field scale. In general, it has been shown that Sentinel-2 and UAV satellite imagery can effectively estimate biophysical and biochemical parameters that are crucial for vegetable crop monitoring and are a primary source of data for yield estimation and prediction.

Questa tesi si concentra sull'utilizzo di nuove tecnologie, tra cui il telerilevamento satellitare e i veicoli aerei senza pilota (UAV), come strumento di monitoraggio delle colture orticole per migliorare il settore orticolo regionale, sviluppando soluzioni specifiche per il settore agroalimentare dello spinacio da industria, dell'aglio bianco piacentino e del pomodoro da industria. Nello specifico il capitolo 2 ha l'obiettivo di valutare la fattibilità dell'utilizzo delle immagini satellitari Sentinel-2 per monitorare la filiera dello spinacio attraverso lo sviluppo di modelli per la stima dei parametri biofisici e biochimici e di valutare la trasferibilità e l'operatività del modello di stima della resa alla scala di campo utilizzando i dati forniti dall'industria in diverse stagioni di crescita. Il capitolo 3 ha l’obiettivo di sviluppare un modello di apprendimento automatico per monitorare la resa dell'aglio utilizzando immagini multispettrali acquisite da UAV. Il capitolo 4 mira a stabilire un flusso di lavoro efficace di apprendimento automatico (ML) per prevedere la resa del pomodoro da industria su scala di campo. In generale, si è dimostrato che le immagini satellitari Sentinel-2 e UAV possono stimare efficacemente i parametri biofisici e biochimici cruciali per il monitoraggio delle colture orticole, oltre ad essere una fonte primaria di dati per la stima e previsione della resa.