ADVANCING PRECISION AGRICULTURE THROUGH SPECTRAL SENSING AND MACHINE LEARNING: DATA-DRIVEN MODELS FOR CROP MONITORING

The thesis explores the integration of spectral sensing techniques and machine learning algorithms to improve agronomic assessment and early selection of new sunflower hybrids. During the first year, the analysis of hyperspectral data identified four strategic wavelengths in near infrared and red edge regions (715, 719, 756-765 nm) that explained most of the spectral variability among genotypes. Fatty acid composition, and oleic acid in particular, emerged as a key discriminant factor between hybrids. In the second and third years, the use of drone-based multispectral imagery revealed a strong sensitivity of major vegetation indices to phenological changes, confirming patterns consistent with crop physiological dynamics. Predictive analyses showed that NDRE (Normalized Difference Red Edge Index) was the most robust index for modelling sunflower phenological evolution, ensuring stability and superior performance of linear regression models across all years of experimentation. Regarding agronomic parameters, during the second year, the models achieved good performance in estimating achene yield (R² = 0.40; RMSE = 0.25 t ha⁻¹) and oil percentage (R² = 0.40; RMSE = 2.12%), while oleic acid content could not be predicted. Conversely, in the third year, models for estimating all agronomic parameters showed poor performance. Overall, the work proposes a scalable and reproducible protocol for integrating spectral sensors and machine learning models in sunflower phenotyping, highlighting the potential of digital technologies to accelerate varietal selection and optimise experimental field management.

La tesi esplora l’integrazione di tecniche di spectral sensing e algoritmi di machine learning per migliorare la valutazione agronomica e la selezione precoce di nuovi ibridi di girasole. Nel primo anno, l’analisi dei dati iperspettrali ha evidenziato quattro lunghezze d’onda strategiche nella regione dell’infrarosso e del red edge (715, 719, 756-765 nm) che spiegano la maggiore variabilità spettrale tra i genotipi. La composizione di acidi grassi e, in particolare l’acido oleico, sono emersi come fattore discriminante tra gli ibridi. Nel secondo e terzo anno, l’uso di immagini multispettrali da drone ha mostrato una marcata sensibilità dei principali indici vegetazionali ai cambiamenti fenologici, confermando pattern coerenti con le dinamiche fisiologiche della coltura. L’analisi predittiva ha rivelato che il NDRE (Normalized Difference Red Edge Index) è l’indice più robusto per la modellazione della fenologia del girasole, garantendo stabilità e migliori prestazioni dei modelli di regressione lineare in tutti gli anni di sperimentazione. Per quanto riguarda i parametri agronomici, nel secondo anno, i modelli hanno ottenuto buone performance per la stima della resa (R² = 0.4; RMSE = 0.25 t ha-1) e della percentuale di olio (R² = 0.40; RMSE = 2.12%), mentre l’acido oleico non è risultato predicibile. Invece, nel terzo anno, i modelli per stimare tutti i parametri agronomici hanno fatto registrare scarse performance. Complessivamente, il lavoro propone un protocollo scalabile e riproducibile per integrare sensori spettrali e modelli di machine learning nella fenotipizzazione del girasole, evidenziando le potenzialità delle tecnologie digitali per accelerare la selezione varietale e ottimizzare la gestione sperimentale.