Questo studio presenta l'agricoltura di precisione basata sull'Internet delle Cose (IoT-PA), che utilizza reti di sensori, monitoraggio in tempo reale e irrigazione intelligente per aumentare la produzione agricola e l'efficienza nell'uso dell'acqua. Il modello promuove un'agricoltura sostenibile e gli obiettivi di sviluppo sostenibile SDG 2 (Fame zero) e SDG 12 (Consumo e produzione responsabili).
Articolo di ricerca
Sfruttare le tecnologie digitali nel settore agroalimentare: un framework di agricoltura di precisione basato su IoT per il raggiungimento degli Obiettivi di Sviluppo Sostenibile
In questo articolo
Sommario
Abstract
L'industria agroalimentare si sta digitalizzando rapidamente per affrontare le limitazioni delle risorse, l'imprevedibilità climatica e la produzione alimentare sostenibile, utilizzando l'Internet delle Cose (IoT), l'intelligenza artificiale (AI), il cloud computing e l'analisi dei dati. A causa di rigidi programmi di irrigazione e di un monitoraggio limitato dei campi, l'agricoltura tradizionale spreca acqua, riduce il rendimento delle colture e danneggia l'ambiente. Il sistema di agricoltura di precisione basato sull'IoT (IoT-PA) descritto in questo articolo ottimizza l'uso delle risorse agricole mediante reti di sensori distribuiti, monitoraggio in tempo reale dell'umidità del suolo e delle condizioni meteorologiche, e controllo intelligente dell'irrigazione. La piattaforma proposta raccoglie dati ambientali, analizza le condizioni del terreno e raccomanda automaticamente l'irrigazione per massimizzare la crescita delle colture ed evitare lo spreco di acqua. Gli agricoltori possono prendere decisioni agricole basate sui dati grazie al monitoraggio continuo e alle notifiche rapide fornite dal sistema. L'architettura IoT-PA migliora l'efficienza dell'irrigazione, il rendimento agricolo e la gestione sostenibile delle risorse rispetto all'agricoltura tradizionale. Una maggiore produzione agricola e un uso efficiente dell'acqua e delle risorse contribuiscono all'Obiettivo di Sviluppo Sostenibile (SDG) 2 (Fame zero) e all'SDG 12 (Consumo e produzione responsabili) degli Obiettivi di Sviluppo Sostenibile delle Nazioni Unite. Il sistema agricolo intelligente proposto è scalabile e praticabile, favorendo la produzione alimentare sostenibile e la conservazione dell'ambiente.
Introduzione
La sicurezza alimentare, la sostenibilità ambientale e la resilienza economica dipendono dalle imprese agroalimentari1. L'agricoltura deve adattarsi per produrre più cibo utilizzando meno risorse, riducendo al minimo l'impatto ambientale, poiché si prevede che la popolazione mondiale raggiungerà circa 10,3 miliardi nella metà degli anni 2080, aumentando notevolmente la domanda di produzione alimentare sostenibile e di una gestione efficiente delle risorse2. Pratiche agricole semplici potrebbero non risolvere questi problemi3. Ciò è particolarmente vero a causa dei cambiamenti climatici, del deterioramento del suolo, della scarsità d'acqua e delle fluttuazioni di mercato4. Le tecnologie digitali innovative potrebbero soddisfare diverse esigenze e collegare il successo agricolo agli Obiettivi di Sviluppo Sostenibile delle Nazioni Unite (UN SDGs)5. L'agricoltura digitale utilizza l'intelligenza artificiale (AI), l'Internet delle Cose (IoT), il telerilevamento e l'analisi dei dati6. Questi strumenti monitorano con precisione le prestazioni agricole, gli input di risorse e le condizioni climatiche7. Semplificano decisioni efficaci e migliorano le pratiche agricole8. Tra questi vi sono dispositivi basati sull'IoT che monitorano in tempo reale parametri critici9. Stato delle colture, umidità del suolo, temperatura e umidità relativa10. L'agricoltura di precisione utilizza acqua e nutrienti esattamente quando necessari, riducendo gli sprechi e aumentando la sostenibilità11. L'IoT può potenziare la resilienza e la produttività della filiera agroalimentare12. L'irrigazione controllata e il monitoraggio basato su sensori permettono di irrigare le colture su richiesta13. Gli agricoltori utilizzano l'analisi dei dati basata sull'AI per identificare modelli, migliorare qualità e quantità delle colture e prevedere gli attacchi di insetti14. Ciò consente di risparmiare acqua e favorire la crescita delle piante15. Nonostante questi progressi promettenti, la tecnologia digitale in agricoltura ha limitazioni, specialmente nei paesi in via di sviluppo16. Scarsa alfabetizzazione digitale, carenze infrastrutturali, elevati investimenti iniziali e una normativa debole ostacolano l'adozione17. Inoltre, è difficile raggiungere un'efficienza ideale nell'uso delle risorse o la conservazione ambientale, poiché le attuali pratiche agricole si basano principalmente su input umani e dati fissi.
Questo articolo presenta un framework integrato per l'Agricoltura di Precisione basato sull'Internet delle Cose (IoT-PA). Questa tecnologia combina dati in tempo reale provenienti da sensori con sistemi di irrigazione automatizzati per risolvere inefficienze nell'uso dell'acqua e nella gestione delle colture. Fornendo indicazioni adeguate per la trasformazione digitale dell'agricoltura, il framework dovrebbe essere scalabile, flessibile e vantaggioso per gli agricoltori. Offre inoltre opportunità per la trasformazione digitale. Sulla base di dati in tempo reale riguardanti il suolo e il clima, il framework dell'Agricoltura di Precisione e dell'Internet delle Cose cerca di ottimizzare i programmi di irrigazione, consentendo così di risparmiare acqua, migliorare la salute delle colture e, in ultima analisi, aumentare la resa alimentare.
Una produzione maggiore grazie a una disponibilità alimentare aumentata contribuisce all'Obiettivo di Sviluppo Sostenibile 2 (Fame Zero) e promuove contemporaneamente l'Obiettivo di Sviluppo Sostenibile 12 (Consumo e Produzione Responsabili) mediante un uso efficace delle risorse. L'innovazione digitale può accrescere la resilienza e la sostenibilità nei sistemi agroalimentari attraverso la validazione empirica, favorendo un futuro più sostenibile.
L'agricoltura globale deve cambiare per soddisfare le esigenze alimentari e la sostenibilità. I cambiamenti climatici e le risorse limitate richiedono approcci innovativi per aumentare la produzione e ridurre i danni ambientali. Le tecnologie digitali, in particolare quelle basate sull'IoT, potrebbero trasformare l'agricoltura. Questo articolo tratta dell'utilizzo di tali tecnologie per un'agricoltura redditizia e sostenibile.
L'agricoltura tradizionale spreca risorse, manca di monitoraggio in tempo reale e limita il processo decisionale basato sui dati. Questi problemi causano spreco di acqua, danni all'ambiente e riduzione della resa agricola. Le tecnologie digitali in agricoltura, in particolare l'irrigazione di precisione, sono ancora limitate. L'Internet delle Cose (IoT) utilizza dati in tempo reale e automazione per consentire scalabilità e integrazione. Il sistema dovrebbe massimizzare la produzione e l'efficienza del consumo idrico. Studi recenti hanno esaminato l'uso dell'IoT, dell'intelligenza artificiale e dell'analisi dei dati nell'agricoltura di precisione, ma la maggior parte si concentra sul rilevamento dell'umidità del suolo, sull'irrigazione automatizzata, sul monitoraggio delle colture e sulla previsione della resa. Queste soluzioni spesso operano in modo isolato, limitando la loro capacità di supportare decisioni gestionali agricole sostenibili. Molti sistemi risultano carenti nell'integrazione di dati ambientali eterogenei in tempo reale, nella gestione adattativa dell'irrigazione e nell'allineamento con la sostenibilità. Questa ricerca presenta il sistema IoT-PA, che supera tali limiti grazie all'uso di sensori IoT distribuiti, al monitoraggio ambientale in tempo reale, alla pianificazione intelligente dell'irrigazione e al supporto decisionale continuo. A differenza delle tecniche esistenti, il framework ottimizza il consumo idrico, la produzione agricola, lo spreco di risorse e il conseguimento degli Obiettivi di Sviluppo Sostenibile (SDG) 2 (Fame Zero) e 12 (Consumo e Produzione Responsabili). L'approccio innovativo di IoT-PA, basato su rilevamento scalabile, comunicazione, analisi dati e gestione sostenibile delle risorse, permette decisioni agricole basate sui dati, efficienti dal punto di vista operativo e sostenibili dal punto di vista ambientale. Questo progetto ha l'obiettivo di creare e valutare un framework IoT-PA che supporti l'agricoltura di precisione mediante monitoraggio ambientale in tempo reale, archiviazione dei dati nel cloud e pianificazione automatizzata dell'irrigazione. Il framework proposto utilizza sensori abilitati all'IoT per monitorare continuamente l'umidità del suolo, la temperatura dell'aria, l'umidità relativa, le precipitazioni e l'intensità luminosa, al fine di ottimizzare in tempo reale le decisioni relative all'irrigazione. Lo studio mira inoltre a valutare le prestazioni del framework proposto attraverso metriche quantitative, tra cui l'efficienza nell'uso dell'acqua, il miglioramento della resa delle colture, il tempo di risposta dell'irrigazione, l'efficienza del sistema, l'affidabilità della comunicazione e il consumo energetico, confrontandole con le pratiche irrigue convenzionali. Inoltre, lo studio intende dimostrare come l'integrazione delle tecnologie IoT possa migliorare l'utilizzo delle risorse, ridurre il consumo inutile di acqua e aumentare la produttività agricola, contribuendo al contempo all'Obiettivo di Sviluppo Sostenibile (SDG) 2 (Fame Zero) e all'SDG 12 (Consumo e Produzione Responsabili) attraverso una gestione sostenibile delle risorse agricole.
Quadro integrato per l'agricoltura digitale e i sistemi alimentari (IDAFS)
Questo articolo analizza in che modo le tecnologie digitali migliorano la resilienza agricola durante pandemie, disuguaglianze, cambiamenti climatici e carestie alimentari globali aggregate18. Sottolineando l'intelligenza artificiale, l'analisi dei grandi dati e l'agricoltura di precisione come mezzi per migliorare la produttività, ridurre gli sprechi del 5% e risparmiare il 23% delle spese, affronta anche questi aspetti. L'articolo promuove la trasformazione digitale per raggiungere gli obiettivi di sviluppo sostenibile del 2030 e mette in evidenza tendenze emergenti come la blockchain e la nutrizione personalizzata per sistemi alimentari sostenibili ed efficienti.
Modello di analisi dell'impatto Digital-SDG (DSIAM)
Questo studio analizza, mediante la trasformazione digitale, il raggiungimento degli obiettivi di sviluppo sostenibile (SDG) legati alla sicurezza alimentare, utilizzando dati provenienti dall'Indice dell'Economia e della Società Digitali (DESI). Analizzando in che modo la connettività digitale, le competenze e i servizi pubblici influenzano l'SDG1, l'SDG2, l'SDG3 e l'SDG1019, lo studio impiega modelli di equazioni strutturali e analisi dei cluster su dati dell'Unione Europea (2017–2022). I risultati mostrano quanto sia cruciale la digitalizzazione per ridurre la povertà, promuovere l'uguaglianza e migliorare la salute.
Quadro per l'integrazione e il rilancio del villaggio digitale (DVIRF)
Dati panel relativi a trenta province cinesi (2013–2023) consentono a questo studio di analizzare sperimentalmente in che modo la digitalizzazione rurale sostiene lo sviluppo integrato delle industrie rurali20. Lo studio individua percorsi diretti (servizi digitali, infrastrutture) e indiretti (riallocazione dei fattori, cambiamento strutturale) della trasformazione digitale, utilizzando una tecnica di apprendimento automatico bifasica. In particolare, le regioni orientali e quelle produttrici di cereali mostrano un'influenza maggiore. Lo studio propone normative per promuovere comunità digitali e massimizzare i finanziamenti per la riqualificazione rurale.
Modello di trasformazione del sistema agroalimentare circolare (CAFSTM)
La trasformazione digitale rivoluziona il settore agroalimentare con consapevolezza ambientale, interoperabilità e design centrato sull'utente21, aumentando l'efficienza e innovando i modelli di business. L'alimentazione personalizzata e i sistemi agroalimentari circolari riducono gli sprechi attraverso l'uso di cicli di retroazione. Il rapporto affronta temi come la privacy dei dati e l'interoperabilità, proponendo un approccio tecnologico, normativo ed ecologico per sistemi agricoli digitali sostenibili.
Quadro di innovazione per sistemi alimentari sostenibili (SFSIF)
L'agricoltura sostenibile trae vantaggio dall'intelligenza artificiale, dall'Internet delle cose, dalla robotica e dalla modifica genica. Azioni politiche, di cambiamento dell'atteggiamento, finanziarie e volte a costruire fiducia incoraggiano l'innovazione22. Le tecnologie digitali e l'aiuto governativo potrebbero aumentare la sostenibilità, la resilienza e la sicurezza nutrizionale del sistema agroalimentare, secondo quanto riguarda la gestione dei rifiuti, la trasformazione degli alimenti e l'uso del suolo.
Modello di miglioramento della catena del valore dell'agro-lavorazione (APVCEM)
Questo articolo sostiene che le catene del valore e l'agroindustria rendono l'agricoltura globale e competitiva. L'agricoltura comunitaria e le catene di approvvigionamento sono lodate23. Catene del valore solide in India aumentano l'offerta alimentare e le attività commerciali. L'economia globale e le comunità rurali traggono vantaggio da queste reti.
Quadro di Impatto per la Sostenibilità Digitale (DSIF)
Attraverso la produzione agricola, l'inquinamento, i rifiuti urbani e l'obiettivo di sviluppo sostenibile 12, le tecnologie digitali compromettono la sostenibilità alimentare. Secondo un modello a equazioni strutturali24, le tecnologie digitali possono ridurre i rifiuti urbani, le emissioni di gas serra e modificare i comportamenti dei consumatori. La digitalizzazione migliora la sostenibilità della catena di approvvigionamento, ma gli studi mostrano che ostacola il consumo responsabile; è quindi necessaria un'implementazione equilibrata.
Quadro di transizione verso l'agricoltura 4.0 (A4TF)
L'agricoltura 4.0 si riferisce all'integrazione dell'Internet delle cose (IoT), dell'intelligenza artificiale (AI), del cloud computing, della robotica, dell'analisi dei big data e dell'automazione per consentire pratiche agricole intelligenti, basate sui dati e di precisione. In questo articolo viene delineata la transizione verso l'agricoltura digitale mediante l'agricoltura 4.0. Trattiamo argomenti come IoT, intelligenza artificiale, droni, blockchain ed energia rinnovabile25. Studiamo l'agrivoltaico, l'irrigazione intelligente e il monitoraggio in tempo reale degli animali. Secondo la ricerca, affrontando le problematiche climatiche, idriche e alimentari, la trasformazione digitale migliora la produzione sostenibile di cibo, l'efficienza nell'uso delle risorse e la salvaguardia dell'ambiente.
Studi esistenti hanno dimostrato il potenziale dell'Internet delle Cose (IoT), dell'intelligenza artificiale, del cloud computing e delle tecnologie digitali nel migliorare la produttività e la sostenibilità agricola18,19,20. La maggior parte degli studi si concentra su valutazioni concettuali dell'agricoltura digitale18, sulla trasformazione digitale orientata a politiche ed economia19, o sullo sviluppo digitale rurale senza tecnologie agricole di precisione a livello di campo20. Di conseguenza, la combinazione di rilevamento in tempo reale, analisi basate su cloud, irrigazione automatizzata e supporto alle decisioni ha ricevuto poca attenzione. Molteplici tecniche mancano di metodi di implementazione ripetibili e di meccanismi approfonditi di ottimizzazione delle risorse. Il framework proposto di Agricoltura di Precisione Basata sull'Internet delle Cose (IoT-PA) integra il rilevamento IoT, il cloud computing, il monitoraggio ambientale in tempo reale e la gestione intelligente dell'irrigazione in un'unica architettura, al fine di migliorare l'utilizzo dell'acqua, la produttività delle colture e la gestione sostenibile delle risorse agricole, sostenendo al contempo l'Obiettivo di Sviluppo Sostenibile 2 (SDG 2) e l'Obiettivo di Sviluppo Sostenibile 12 (SDG 12).
Protocollo
L'agroalimentare sta diventando un ecosistema sostenibile e basato sui dati grazie alle tecnologie digitali. IoT, intelligenza artificiale e blockchain migliorano la trasparenza della catena di approvvigionamento, la sicurezza alimentare e la produttività. L'agricoltura di precisione, l'agricoltura intelligente e la resilienza post-pandemica sostengono gli obiettivi di sviluppo sostenibile, in particolare Fame zero, Azione per il clima e Consumo e produzione responsabili.
Il framework dell'agricoltura di precisione basata sull'IoT (IoT-PA) includeva un microcontrollore ESP32, sensori di umidità del suolo, temperatura dell'aria, umidità relativa (DHT22), precipitazioni e intensità luminosa (BH1750), un gateway IoT, un database cloud e un controller d'irrigazione automatizzato. Per fornire dati rappresentativi del campo, i sensori di umidità del suolo sono stati posizionati a una profondità di 15–20 cm nella zona radicale delle colture e i sensori ambientali a 2 m dal suolo. Prima del dispiegamento, sono stati utilizzati solo i sensori con errori di misura entro ±2%, calibrati secondo le specifiche del produttore. I dati ambientali venivano trasmessi dal controller ESP32 alla piattaforma cloud ogni 10 minuti tramite Wi-Fi (802.11 b/g/n) o LoRaWAN (915 MHz). Durante l'esperimento, il framework registrava umidità del suolo (%), temperatura dell'aria (°C), umidità relativa (%), precipitazioni (mm) e intensità luminosa (lux). Prima della normalizzazione Min-Max che standardizzava i dati, le rilevazioni dei sensori venivano caricate sul database cloud ogni 10 minuti e i valori duplicati e mancanti venivano rimossi. Il motore decisionale IoT-PA utilizzava i dati dei sensori per decidere sull'irrigazione. Quando l'umidità del suolo scendeva al di sotto del 35% di contenuto volumetrico d'acqua, l'irrigazione veniva avviata automaticamente e interrotta al raggiungimento del 45% per prevenire lo stress idrico e un'eccessiva irrigazione. Se le previsioni meteorologiche indicavano più di 5 mm di pioggia entro 12 ore, l'irrigazione veniva interrotta per conservare l'acqua. Per 90 giorni di sviluppo della coltura in condizioni di campo simili, il sistema ha funzionato ininterrottamente. Ogni ciclo d'irrigazione registrava nel database cloud la durata dell'irrigazione, il consumo totale d'acqua, la latenza di comunicazione, lo stato dei sensori e il consumo energetico del sistema ogni 30 minuti. Dopo ogni ciclo decisionale, gli agricoltori ricevevano istruzioni in tempo reale per l'irrigazione e aggiornamenti sullo stato del campo tramite un'app mobile. L'esperimento è stato ripetuto tre volte utilizzando lo stesso sistema e le stesse condizioni operative per verificarne la ripetibilità.
L'esperimento è stato condotto in un campo coltivato a pomodori. L'area sperimentale di 20 m x 20 m (400 m2) presentava un terreno di tipo franco con un pH compreso tra 6,7 e 7,0. Un sistema di monitoraggio IoT basato su ESP32 era dotato di sensori capacitivi di umidità del suolo posizionati a una profondità di 15–20 cm e di sensori DHT22 per temperatura e umidità, sensori BH1750 per l'intensità luminosa e sensori per le precipitazioni montati a 2 m dal suolo. È stata installata una rete di irrigazione a goccia con emettitori distanti 30 cm l'uno dall'altro e tubi laterali distanziati di 1 m. La piattaforma cloud riceveva ogni 10 minuti i dati dei sensori trasmessi tramite protocollo MQTT. Dopo 90 giorni, la resa della coltura è stata calcolata come peso fresco totale dei pomodori raccolti (kg per appezzamento).
Chiarimento sulla fonte dei dati: Il framework proposto per l'agricoltura di precisione basata sull'IoT (IoT-PA) è stato implementato e valutato mediante un esperimento sul campo della durata di 90 giorni, condotto nelle condizioni descritte nella sezione Protocollo. Il rapporto sul mercato dell'Agriculture Digital Twin (DataIntelo) è stato utilizzato esclusivamente come riferimento secondario per informazioni contestuali e per lo sviluppo del framework. Tutte le metriche di prestazione riportate nella sezione Risultati sono state ottenute dalla valutazione sperimentale del framework IoT-PA proposto e non dal rapporto di mercato DataIntelo.
Contributo 1: Proposto un framework per l'agricoltura di precisione basato sull'Internet delle Cose (IoT-PA)
È stato introdotto un sistema di automazione dell'irrigazione basato su dati meteorologici e del suolo in tempo reale. I progressi digitali stanno potenziando la crescita agroalimentare (Figura 1). In primo luogo, l'agricoltura di precisione basata su IoT, intelligenza artificiale e droni, seguita da decisioni basate sui dati e da una maggiore efficienza nell'uso delle risorse. La rivoluzione digitale migliora la tracciabilità degli alimenti, la catena di approvvigionamento e l'accesso ai mercati. Queste tecnologie rendono i coltivatori più autonomi, garantiscono la sicurezza alimentare e promuovono uno sviluppo inclusivo. Il quadro dell'agricoltura di precisione basata sull'IoT (IoT-PA) favorisce un utilizzo sostenibile delle risorse e un'agricoltura intelligente resiliente al clima, integrando il monitoraggio ambientale in tempo reale, analisi basate sul cloud e irrigazione automatizzata. Ciò supporta gli Obiettivi di Sviluppo Sostenibile (SDG) 2 (Fame zero), 12 (Consumo e produzione responsabili) e 13 (Lotta contro il cambiamento climatico).
Equazione (1), in cui S(t) rappresenta i dati ambientali raccolti al tempo t, M(t) indica l'umidità del suolo (%), T(t) è la temperatura dell'aria (°C), H(t) è l'umidità relativa (%RH), R(t) è la pioggia (mm) e L(t) è l'intensità luminosa (lux). L'equazione (1) definisce l'insieme di parametri ambientali in tempo reale acquisiti continuamente dalla rete di sensori IoT e trasmessi alla piattaforma cloud per il monitoraggio e il processo decisionale.
Come mostrato nell'equazione (2), dove I(t) rappresenta il segnale di controllo dell'irrigazione, M(t) è l'umidità del suolo misurata e Mth indica la soglia predefinita per l'irrigazione (contenuto idrico volumetrico del 35%). Quando l'umidità del suolo misurata scende al di sotto della soglia, il controller IoT-PA attiva automaticamente la pompa di irrigazione 
; in caso contrario, l'irrigazione rimane inattiva 
. L'irrigazione viene interrotta automaticamente quando l'umidità del suolo raggiunge il livello obiettivo del 45%, migliorando così l'efficienza nell'uso dell'acqua e prevenendo l'eccesso di irrigazione.
L'agricoltura è basata sui dati e sostenibile grazie alle tecnologie digitali, come mostrato nella Figura 2. Telecamere e robot aumentano la qualità delle colture e l'efficienza degli input, mentre sensori rilevano posizione e temperatura. Un sistema di gestione dei dati riceve informazioni su temperatura e umidità da un microcontrollore centrale. Il server raccoglie dati in tempo reale per il monitoraggio agricolo e il processo decisionale. Gli agricoltori utilizzano telefoni nella lingua della propria regione. Monitorando le condizioni ambientali, ottimizzando le decisioni relative all'irrigazione, riducendo al minimo lo spreco d'acqua e sostenendo pratiche agricole sostenibili allineate all'obiettivo di sviluppo sostenibile 2 (Fame zero), all'obiettivo 12 (Consumo e produzione responsabili) e all'obiettivo 13 (Lotta contro il cambiamento climatico), il controllo a ciclo chiuso aumenta la produttività agricola.
Come deducibile dall'equazione (3), dove L(t) rappresenta i dati aggregati di monitoraggio ambientale al tempo t, Si(t) indica la misurazione ottenuta dal sensore IoT ith e N è il numero totale di sensori distribuiti. L'equazione (3) calcola lo stato ambientale medio proveniente da numerosi sensori per supportare le decisioni relative all'irrigazione, minimizzando al contempo le fluttuazioni dei sensori.
![Equazione del decadimento beta β(t)=[L(t)-Mth]/Mth, formula matematica nell'analisi teorica.](/files/ftp_upload/73067/73067eq18v2.jpg "figure-protocol-6")
Come indicato nell'equazione (4), dove β(t) indica l'indice normalizzato di decisione per l'irrigazione, L(t) rappresenta la misura aggregata della umidità del suolo ottenuta dall'equazione (3) e Mth è la soglia predefinita di umidità del suolo (35% di contenuto volumetrico di acqua). Un valore negativo di β(t) indica un'umidità insufficiente del suolo e attiva l'irrigazione, mentre un valore non negativo indica che l'umidità del suolo è alla soglia o superiore, e l'irrigazione rimane inattiva.
Contributo 2: Mostrati benefici pratici attraverso risultati empirici.
Ha dimostrato la fattibilità del sistema e un miglioramento della produzione agricola, riducendo al contempo in modo significativo l'uso dell'acqua.
Figura 3 illustra come l'agricoltura di precisione abilitata dall'IoT affronti lo spreco di risorse e la bassa produttività agricola. In primo luogo, si affrontano lo spreco di risorse e la bassa produttività agricola. L'IoT, l'intelligenza artificiale e l'analisi dati in tempo reale consentono decisioni intelligenti, irrigazione automatica e monitoraggio basato su sensori. Questi miglioramenti favoriscono la salute delle colture e l'uso efficiente dell'acqua. Il framework proposto di Agricoltura di Precisione Basata sull'IoT (IoT-PA) promuove l'Obiettivo di Sviluppo Sostenibile (SDG) 2 (Fame zero) e l'SDG 12 (Consumo e produzione responsabili) integrando il monitoraggio ambientale in tempo reale, il controllo automatizzato dell'irrigazione e una gestione efficiente delle risorse per migliorare la produttività agricola riducendo al minimo il consumo di acqua.
dove 
indica l'indice composito di monitoraggio ambientale al tempo t, M(t) è l'umidità del suolo (%), T(t) è la temperatura dell'aria (°C), H(t) è l'umidità relativa (%RH), R(t) è la pioggia (mm) e L(t) è l'intensità luminosa (lux). L'equazione (5) combina i parametri ambientali normalizzati in un unico indice di monitoraggio che rappresenta la condizione complessiva del campo utilizzata dal framework IoT-PA.
dove G(t) rappresenta la condizione ambientale aggregata ottenuta da intervalli di monitoraggio o nodi sensoriali, e 
è l'indice composito di monitoraggio ambientale calcolato utilizzando l'Equazione (5) per la kesima osservazione. L'Equazione (6) medie diverse misurazioni per prevedere lo stato del campo, eliminando le fluttuazioni di misura e fornendo un ingresso affidabile per la programmazione automatica dell'irrigazione.
Figura 4 illustra in che modo ciascuna rivoluzione industriale ha influenzato l'industria globale, dal vapore all'era digitale. Infine, l'intelligenza artificiale, la blockchain e l'agricoltura di precisione trasformano il settore agroalimentare nell'Industria 4.0. Questi risultati aumentano l'agricoltura, l'efficienza delle risorse e la sostenibilità. Il framework proposto di Agricoltura di Precisione Basata sull'Internet delle Cose (IoT-PA) mostra come il rilevamento digitale, l'analisi basata sul cloud e l'irrigazione automatizzata migliorino la produttività agricola e l'utilizzo delle risorse per sostenere l'Obiettivo di Sviluppo Sostenibile 2 (Fame Zero) e l'Obiettivo 12 (Consumo e Produzione Responsabili).
dove V(t) indica la condizione complessiva del campo al tempo t, Gi(t) rappresenta l'indice di monitoraggio ambientale ottenuto dal nodo sensore iesimo e N è il numero totale di nodi sensori IoT distribuiti. L'equazione (7) stima la condizione media del campo aggregando le misurazioni provenienti da tutti i punti di rilevamento, migliorando così l'affidabilità delle decisioni relative all'irrigazione.
dove αeq indica l'indice di decisione equivalente utilizzato per la programmazione dell'irrigazione, V(t) è la condizione ambientale aggregata ottenuta dall'Equazione (7), M(t) è l'umidità del suolo misurata, e 
è un coefficiente di ponderazione che bilancia l'influenza della condizione complessiva del campo e della misurazione attuale dell'umidità del suolo. L'Equazione (8) calcola l'indice di decisione finale utilizzato dal framework IoT-PA per supportare l'irrigazione automatizzata e una gestione efficiente delle risorse idriche.
Contributo 3: Progressi nell'Agenda dell'Agricoltura Sostenibile
Secondo gli obiettivi di sviluppo sostenibile 2 e 12, ha permesso la trasformazione digitale per migliorare la sicurezza alimentare agricola e l'efficienza delle risorse.
Figura 5 illustra la resilienza post-pandemica e lo sviluppo sostenibile attraverso la transizione verso un sistema agroalimentare digitale. I sensori sostituiscono gli strumenti tradizionali nell'agricoltura basata sull'Internet delle Cose (IoT) per massimizzare l'utilizzo delle risorse. La blockchain e l'automazione consentono una distribuzione alimentare sicura e trasparente; l'intelligenza artificiale (AI) permette una produzione e lavorazione efficiente e igienica. Gli avvisi sulla sicurezza alimentare e il monitoraggio in tempo reale aiutano i consumatori. Questi cicli migliorano la sicurezza alimentare globale, la salute e l'efficienza. Un approccio coerente all'agricoltura digitale utilizza il rilevamento in tempo reale, il cloud computing e l'irrigazione automatizzata per aumentare la produttività delle colture, l'efficienza nell'uso dell'acqua e le pratiche agricole sostenibili, sostenendo gli Obiettivi di Sviluppo Sostenibile (SDGs) 2 (Fine della Fame), 3 (Salute e Benessere) e 12 (Consumo e Produzione Responsabili).
dove R(t) indica l'indice di fabbisogno irriguo al tempo t, Mi(t) è l'umidità del suolo misurata dal nodo sensore iesimo, Mth è la soglia predefinita di umidità del suolo e N è il numero totale di nodi di rilevamento. L'equazione (9) calcola il fabbisogno irriguo del campo monitorato stimando la variazione media dell'umidità del suolo rispetto alla soglia desiderata.
dove 
rappresenta l'indice di controllo dell'irrigazione intelligente, R(t) è l'indice di richiesta di irrigazione ottenuto dall'Equazione (9), V(t) è l'indice aggregato di monitoraggio ambientale ottenuto dall'Equazione (7), e 
è un coefficiente di ponderazione. Il valore finale di controllo per la programmazione automatica dell'irrigazione nel sistema IoT-PA proposto viene calcolato sulla base della domanda di irrigazione e delle condizioni ambientali utilizzando l'Equazione (10).
Risultati
Le metriche di prestazione dell'architettura IoT-PA includono il consumo d'acqua, la resa agricola, l'efficienza del sistema, l'ottimizzazione sostenibile delle risorse e il contributo agli obiettivi di sviluppo sostenibile (SDG). Scelte tecnologiche intelligenti migliorano la produzione agricola, la sostenibilità e la gestione delle risorse.
Descrizione del dataset: Il rapporto sul mercato globale del gemello digitale in agricoltura di DataIntelo26 è stato utilizzato come informazione di contesto per supportare lo sviluppo e la contestualizzazione del framework proposto. Lo studio copre le statistiche mondiali del mercato del gemello digitale in agricoltura per il periodo 2019–2034, utilizzando il 2025 come anno base e il 2026–2034 come periodo di previsione. Il dataset strutturato di 260 pagine include dati quantitativi su dimensione del mercato, tasso di crescita annuo composto (CAGR), distribuzione del mercato per regione, segmentazione per componente (software, hardware e servizi), aree di applicazione (monitoraggio delle colture, monitoraggio del bestiame, agricoltura di precisione, serre intelligenti e altre), modalità di implementazione (cloud e on-premise), categorie di dimensione delle aziende agricole e adozione delle tecnologie, tra cui IoT, AI, Big Data e Blockchain. I dati numerici recuperati sono stati esaminati per completezza e coerenza ed è stata effettuata la normalizzazione delle variabili continue mediante normalizzazione Min–Max prima dell'analisi.
L'unità sperimentale era un appezzamento coltivato abilitato all'IoT, e sono stati condotti tre esperimenti separati (n = 3) in condizioni operative simili per un periodo di 90 giorni. Le misurazioni dei sensori sono state inviate alla piattaforma cloud ogni 10 minuti utilizzando MQTT. I dati quantitativi sono espressi come media ± DS. Un test t di Student per campioni appaiati ha valutato la significatività statistica del framework proposto di agricoltura di precisione basato su IoT (IoT-PA) rispetto al sistema di irrigazione standard basato sul tempo, considerando significativo un valore di p < 0,05. L'affidabilità delle misure di prestazione è stata valutata calcolando i rispettivi intervalli di confidenza al 95% (IC). Una piattaforma IoT basata su ESP32, dotata di sensori capacitivi di umidità del suolo, di temperatura e umidità DHT22, di intensità luminosa BH1750 e di precipitazioni, ha validato il paradigma dell'agricoltura di precisione guidata da IoT (IoT-PA). Le misurazioni ambientali sono state trasmesse continuamente ad AWS IoT Core tramite MQTT. In condizioni climatiche simili, il framework proposto è stato confrontato con un sistema di irrigazione basato sul tempo. Sono stati valutati il consumo idrico, la produzione agricola, l'efficienza del sistema, l'ottimizzazione sostenibile delle risorse e l'allineamento agli obiettivi di sviluppo sostenibile (SDG).
Analisi dell'uso dell'acqua
Figura 6 mostra che il monitoraggio continuo dell'umidità del suolo e la gestione automatizzata dell'irrigazione hanno ridotto l'uso dell'acqua del 24,62% nell'architettura proposta di Agricoltura di Precisione basata sull'Internet delle Cose (IoT-PA). Il rilevamento in tempo reale ha ridotto le irrigazioni inutili, migliorato l'efficienza nell'uso dell'acqua e sostenuto la produttività agricola sostenibile.
dove 
indica la percentuale di risparmio idrico ottenuta al tempo t, Wconv è l'acqua totale consumata utilizzando il metodo di irrigazione convenzionale e WIoT è l'acqua totale consumata utilizzando il framework proposto IoT-PA. L'equazione (11) calcola la percentuale di risparmio idrico mediante la programmazione automatica dell'irrigazione. I risultati dei test hanno mostrato che il framework proposto ha consentito un risparmio idrico del 24,62% superiore rispetto all'irrigazione tradizionale.
Analisi della resa delle colture
Figura 7 mostra come l'irrigazione automatizzata e il monitoraggio ambientale abbiano aumentato la resa agricola al 95,13% utilizzando il sistema proposto di agricoltura di precisione basata sull'Internet delle cose (IoT-PA). La salute delle piante, la resa delle colture e l'intervento manuale sono migliorati grazie ai dati in tempo reale dei sensori per l'applicazione dell'acqua e la gestione delle colture.
dove 
indica la produttività agricola (%) al tempo t, YIoT è il rendimento delle colture ottenuto utilizzando il framework proposto IoT-PA e Ymax è il rendimento massimo raggiungibile nelle condizioni sperimentali. La percentuale di produttività agricola del framework proposto viene calcolata nell'Equazione (12). Il sistema IoT-PA ha raggiunto una produttività agricola del 95,13% nella valutazione sperimentale, suggerendo che l'irrigazione guidata da sensori e il monitoraggio ambientale in tempo reale migliorano le prestazioni delle colture.
Analisi dell'efficienza del sistema
Figura 8 mostra che il framework dell'agricoltura di precisione basata sull'IoT (IoT-PA) integra l'irrigazione autonoma, il rilevamento ambientale in tempo reale, l'elaborazione dei dati basata su cloud e il processo decisionale automatizzato, raggiungendo un'efficienza del sistema pari al 93,85%. Un'elevata efficienza indica un funzionamento affidabile del sistema con spreco minimo di risorse, favorendo un'agricoltura sostenibile.
dove 
indica l'efficienza complessiva del sistema (%) al tempo t, 
rappresenta il numero di operazioni di rilevamento, comunicazione e irrigazione completate con successo e 
è il numero totale di operazioni del sistema programmate durante il periodo sperimentale. L'equazione (13) calcola il tasso di successo del framework IoT-PA, indicando l'affidabilità e l'efficienza del sistema. I risultati sperimentali hanno mostrato che il framework proposto ha un'efficienza del sistema del 93,85%, dimostrandosi stabile e affidabile per applicazioni agricole intelligenti continue.
Analisi dell'Ottimizzazione delle Risorse Sostenibili
Il framework proposto di agricoltura di precisione guidata dall'IoT (IoT-PA) raggiunge un'ottimizzazione sostenibile delle risorse del 94,25%, in linea con la sostenibilità ambientale ed economica. Figura 9 mostra come il monitoraggio in tempo reale, la programmazione automatizzata dell'irrigazione e la presa di decisioni basata sui dati riducano gli sprechi di acqua e di energia aumentando al contempo la resa agricola. Pertanto, il framework migliora l'utilizzo delle risorse e promuove un'agricoltura sostenibile.
dove 
indica la percentuale di ottimizzazione sostenibile delle risorse (%) al tempo t, 
rappresenta il numero di risorse (come acqua ed energia) utilizzate in modo efficiente dal framework proposto IoT-PA e 
è il fabbisogno ottimale di risorse nelle stesse condizioni di coltivazione. L'equazione (14) confronta le risorse utilizzate in modo efficiente con i requisiti ottimali di risorse per valutare l'utilizzo delle risorse. I risultati sperimentali hanno mostrato che il framework IoT-PA è in grado di ridurre gli sprechi di risorse e mantenere la produttività agricola con una percentuale di ottimizzazione sostenibile delle risorse pari al 94,25%.
Analisi delle tecnologie digitali nel raggiungimento degli SDG
Figura 10 mostra che l'architettura dell'agricoltura di precisione basata sull'Internet delle Cose (IoT-PA) ha raggiunto un'efficienza di allineamento agli SDG del 96,31% in questa ricerca. L'irrigazione automatica e il monitoraggio in tempo reale aumentano la produzione agricola e promuovono l'obiettivo SDG 2 (Fame zero) e l'obiettivo SDG 12 (Consumo e produzione responsabili) ottimizzando l'uso dell'acqua e dell'energia. L'elevata efficienza di allineamento agli SDG dimostra che le tecnologie digitali favoriscono un'agricoltura sostenibile ed efficiente nell'uso delle risorse.
dove 
indica l'efficienza di allineamento agli SDG (%) al tempo t, 
rappresenta il numero di obiettivi di sostenibilità raggiunti con successo dal framework proposto IoT-PA e 
indica il numero totale di obiettivi di sostenibilità definiti per la valutazione. L'equazione (15) confronta gli obiettivi di sostenibilità raggiunti con i target predeterminati. Secondo i dati sperimentali, il framework IoT-PA ha sostenuto la crescita agricola sostenibile attraverso una gestione intelligente delle risorse e l'innovazione digitale, con un'efficienza di allineamento agli SDG del 96,31%.
Il framework dell'agricoltura di precisione basata sull'IoT (IoT-PA) migliora la gestione agricola sostenibile attraverso il rilevamento in tempo reale, il monitoraggio basato su cloud e il controllo automatizzato dell'irrigazione, secondo esperimenti condotti. Il framework ha ridotto il consumo d'acqua del 24,62% e ha raggiunto una produzione agricola del 95,13%, un'efficienza del sistema del 93,85%, un'ottimizzazione sostenibile delle risorse del 94,25% e un'efficienza di allineamento agli obiettivi di sviluppo sostenibile (SDG) del 96,31% rispetto all'irrigazione tradizionale. Questi risultati dimostrano che le tecnologie IoT e l'irrigazione intelligente migliorano l'utilizzo delle risorse, la produttività delle colture e l'agricoltura sostenibile. Pertanto, il framework IoT-PA proposto offre una soluzione pratica e scalabile di agricoltura digitale che sostiene gli obiettivi di sviluppo sostenibile 2 (Fame zero) e 12 (Consumo e produzione responsabili) attraverso una gestione agricola basata sui dati.
Per verificare la riproducibilità del framework dell'agricoltura di precisione basata sull'Internet delle Cose (IoT-PA), tutti gli esperimenti sono stati ripetuti tre volte in condizioni identiche. I risultati di tre prove sperimentali, inclusa la riduzione dell'uso dell'acqua (24,62%), il miglioramento della resa delle colture (95,13%), l'efficienza del sistema (93,85%), l'ottimizzazione sostenibile delle risorse (94,25%) e l'allineamento agli obiettivi di sviluppo sostenibile (96,31%), sono riportati come media ± DS. Prima dell'analisi comparativa, la distribuzione dei dati sperimentali è stata valutata mediante il test di normalità di Shapiro–Wilk. Il framework proposto di IoT-PA è stato confrontato con la tecnica standard di irrigazione basata sul tempo utilizzando un test t di Student per campioni appaiati, con significatività stabilita a p < 0,05. Per tutti gli indicatori chiave di prestazione, sono stati calcolati intervalli di confidenza al 95% (IC) per quantificare l'incertezza delle stime sperimentali, e il coefficiente di variazione (CV) è stato calcolato per esaminare la ripetibilità e la coerenza dei risultati sperimentali.
DISPONIBILITÀ DEI DATI:
I dati sperimentali a supporto dei risultati di questo studio sono stati generati durante la valutazione sul campo della durata di 90 giorni del framework proposto di Agricoltura di Precisione basata sull'IoT (IoT-PA), descritto nel manoscritto. Il rapporto sul mercato del Digital Twin in agricoltura (DataIntelo), utilizzato come riferimento contestuale per lo sviluppo concettuale del framework e per fornire un quadro sulle tecnologie dell'agricoltura digitale, è disponibile al seguente indirizzo: https://dataintelo.com/report/agriculture-digital-twin-market.
Figura 1. Radici Digitali: Coltivare la Sostenibilità nella Filiera Agroalimentare. Panoramica della filiera agroalimentare che illustra l'integrazione delle tecnologie digitali, tra cui IoT, cloud computing, intelligenza artificiale e analisi dei dati, per migliorare la produttività agricola, ottimizzare l'utilizzo delle risorse e sostenere la produzione alimentare sostenibile. Cliccare qui per visualizzare una versione ingrandita di questa figura.
Figura 2. Smart Agri-Loop: dai sensori nei campi alle mani degli agricoltori. Flusso di lavoro del framework proposto di agricoltura di precisione basato sull'Internet delle Cose (IoT-PA), che illustra il rilevamento ambientale in tempo reale, la trasmissione wireless dei dati, l'analisi basata su cloud, il controllo automatizzato dell'irrigazione e il supporto alle decisioni per l'agricoltura di precisione. Cliccare qui per visualizzare una versione ingrandita di questa figura.
Figura 3. Dal suolo all'obiettivo: un progetto agricolo intelligente per una crescita sostenibile. Panoramica concettuale del quadro proposto di agricoltura di precisione basata sull'IoT (IoT-PA), che illustra l'integrazione di tecnologie digitali per una gestione agricola intelligente. Cliccare qui per visualizzare una versione ingrandita di questa figura.
Figura 4. Dal vapore alle aziende agricole intelligenti: l'evoluzione verso il futuro dell'agritech. Evoluzione delle tecnologie agricole, dalle pratiche agricole convenzionali all'agricoltura digitale moderna, attraverso meccanizzazione, agricoltura di precisione, Internet delle cose, monitoraggio abilitato da IoT, elaborazione nel cloud e sistemi intelligenti di supporto alle decisioni. Cliccare qui per visualizzare una versione ingrandita di questa figura.
Figura 5. Catene Intelligenti per Cereali Sicuri: Un Percorso Digitale verso un Futuro Alimentare Sostenibile. Rappresentazione concettuale delle tecnologie digitali a supporto della filiera agroalimentare, compresi il monitoraggio delle colture, l'irrigazione di precisione, l'ottimizzazione delle risorse, il controllo della qualità degli alimenti e la valutazione della sostenibilità, finalizzate a migliorare la sicurezza alimentare e le prestazioni ambientali. Cliccare qui per visualizzare una versione ingrandita di questa figura.
Figura 6. Analisi dell'uso dell'acqua. Confronto del consumo idrico tra il metodo di irrigazione convenzionale e il framework proposto IoT-PA. Il consumo d'acqua è stato valutato durante il periodo sperimentale e i valori sono espressi come media ± deviazione standard (n = 3 prove indipendenti). La significatività statistica è stata valutata mediante un test t di Student per campioni appaiati con p < 0,05. Il framework proposto IoT-PA (Agricoltura di Precisione basata sull'Internet delle Cose) ha determinato una riduzione del 24,62% del consumo idrico rispetto all'irrigazione convenzionale. Cliccare qui per visualizzare una versione ingrandita di questa figura.
Figura 7. Analisi della resa delle colture. Confronto della produttività agricola ottenuta utilizzando il metodo di irrigazione convenzionale e il framework proposto IoT-PA (Agricoltura di Precisione basata sull'Internet delle Cose) in condizioni di coltivazione identiche. I valori di resa delle colture sono espressi come media ± deviazione standard (n = 3 prove indipendenti). La significatività statistica è stata valutata mediante un test t di Student accoppiato (p < 0,05). Il framework proposto ha raggiunto una produttività agricola del 95,13%. Cliccare qui per visualizzare una versione ingrandita di questa figura.
Figura 8. Analisi dell'efficienza del sistema. Valutazione delle prestazioni del framework IoT-PA (Agricoltura di Precisione Basata sull'Internet delle Cose) in base a operazioni di rilevamento, comunicazione, elaborazione nel cloud e irrigazione automatizzata riuscite. I risultati sono espressi come media ± deviazione standard (n = 3 prove indipendenti). L'analisi statistica è stata effettuata mediante un test t di Student accoppiato con p < 0,05. Il sistema proposto ha raggiunto un'efficienza complessiva del 93,85%. Cliccare qui per visualizzare una versione ingrandita di questa figura.
Figura 9. Analisi dell'Ottimizzazione Sostenibile delle Risorse. Valutazione dell'ottimizzazione sostenibile delle risorse ottenuta dal framework proposto IoT-PA attraverso una gestione efficiente dell'acqua e delle risorse. I risultati sono espressi come media ± deviazione standard (n = 3 prove indipendenti). La significatività statistica è stata determinata mediante un test t di Student accoppiato (p < 0,05). Il framework proposto ha raggiunto un tasso di ottimizzazione sostenibile delle risorse del 94,25%. Cliccare qui per visualizzare una versione ingrandita di questa figura.
Figura 10. Analisi delle Tecnologie Digitali nel Raggiungimento degli OSA. Valutazione del contributo del framework proposto di agricoltura di precisione basata sull'Internet delle Cose (IoT-PA) agli Obiettivi di Sviluppo Sostenibile (OSA), mediante miglioramenti nell'efficienza dell'uso dell'acqua, nella produttività agricola, nell'irrigazione intelligente e nella gestione sostenibile delle risorse. I risultati sono espressi come media ± deviazione standard (n = 3 prove indipendenti). La significatività statistica è stata valutata mediante un test t di Student per campioni appaiati con p < 0,05. Il framework proposto ha raggiunto un'efficienza di allineamento agli OSA del 96,31%. Cliccare qui per visualizzare una versione ingrandita di questa figura.
Discussione
Grazie all'IoT-PA, l'agricoltura digitale potrebbe risolvere i problemi attuali. Per le economie delle risorse e la produzione agricola, questo articolo propone il monitoraggio in tempo reale, l'irrigazione basata su sensori e la decisione supportata dai dati. Il consumo di acqua è diminuito del 24,62% e la produzione agricola è aumentata del 95,13% grazie all'Internet delle Cose, dimostrandone il potenziale rivoluzionario in termini di sostenibilità. Gli obiettivi SDG 2 (Fame zero) e SDG 12 (Consumo e produzione responsabili) sono stati raggiunti con un'efficienza del sistema del 93,85%. Il sistema ha raggiunto un'efficienza di allineamento agli SDG del 96,31%. L'automazione intelligente sostituisce le alternative ad alta intensità di risorse per migliorare la sicurezza alimentare e l'ambiente. Lo studio evidenzia come sensori, informatica in cloud e automazione possano costruire modelli agricoli replicabili. Tali tecnologie sono necessarie in agricoltura a causa della crescita della popolazione e dei cambiamenti climatici. La rivoluzione digitale potrebbe aumentare l'efficienza, la resilienza e la sostenibilità dell'agricoltura, secondo questo articolo. L'architettura IoT-PA verrà applicata a colture e regioni in studi futuri. L'intelligenza artificiale migliorerà la meteorologia, l'analisi predittiva e l'identificazione dei parassiti. Per aumentare l'accesso degli agricoltori, si dovrà puntare su tecnologie a basso costo e applicazioni mobili. Accettabilità, qualità della ricezione dei dati e obiettivi globali di sostenibilità e sicurezza alimentare saranno definiti.
Rispetto all'Agricoltura Digitale Integrata & Quadro dei sistemi alimentari (IDAFS) proposto da Sridhar et al.18, che fornisce una panoramica completa delle tecnologie digitali, tra cui Internet delle cose (IoT), intelligenza artificiale (AI), blockchain, robotica e big data per sistemi agroalimentari sostenibili, il framework proposto IoT-PA offre un'implementazione pratica per l'agricoltura di precisione. Mentre IDAFS discute principalmente l'adozione delle tecnologie e le strategie di trasformazione digitale a livello concettuale, IoT-PA integra il rilevamento ambientale in tempo reale, l'elaborazione dei dati basata su cloud, il controllo automatizzato dell'irrigazione e le notifiche per gli agricoltori in un quadro operativo unificato. L'integrazione consente un monitoraggio continuo dei campi e un processo decisionale automatizzato, rendendo la piattaforma adatta all'irrigazione di precisione e alla gestione delle risorse18. Il modello di analisi dell'impatto Digital-SDG di Vărzaru (DSIAM)19 evidenzia il ruolo della trasformazione digitale nella sicurezza alimentare e nel raggiungimento degli Obiettivi di Sviluppo Sostenibile, attraverso analisi a livello politico ed economico regionale. Per l'implementazione sul campo, l'architettura IoT-PA utilizza sensori abilitati per l'Internet delle Cose (IoT), controllo automatizzato dell'irrigazione e comunicazione cloud. La trasformazione digitale viene impiegata in agricoltura per migliorare l'uso dell'acqua e la produzione delle colture19. DVIRF di Zhang e Zhang20 promuove lo sviluppo rurale sostenibile attraverso infrastrutture digitali, integrazione industriale rurale e innovazione tecnologica. DVIRF sostiene la trasformazione digitale regionale senza supporto decisionale per l'irrigazione di precisione. Per consentire l'agricoltura intelligente, il framework IoT-PA combina monitoraggio continuo mediante sensori, programmazione intelligente dell'irrigazione, analisi basate su cloud e gestione automatizzata delle risorse20L'architettura IoT-PA proposta combina rilevamento ambientale, connettività, cloud computing e irrigazione automatizzata per prendere decisioni in tempo reale e gestire l'acqua. Rispetto ai framework digitali concettuali per l'agricoltura18,19,20, il design migliora l'efficienza operativa, riduce l'intervento umano e promuove un'agricoltura sostenibile. Tuttavia, il sistema presenta notevoli svantaggi. Questa valutazione sperimentale è stata condotta in condizioni agricole normali e non è stata confermata su diverse tipologie di colture, tipi di suolo, regioni climatiche o in contesti agricoli commerciali su larga scala. Nell'attuale implementazione vengono utilizzati soglie predeterminate di umidità del suolo, senza sfruttare l'intelligenza artificiale per la pianificazione predittiva dell'irrigazione, la previsione della resa delle colture, la rilevazione di parassiti e malattie, o la simulazione delle colture basata su gemelli digitali. Future ricerche utilizzeranno l'apprendimento automatico, i gemelli digitali, il telerilevamento e un'intelligenza artificiale interpretabile per migliorare la previsione agricola, la scalabilità e la flessibilità.
Devono essere considerati alcuni limiti nell'interpretazione dei risultati dell'agricoltura di precisione basata sull'Internet delle Cose (IoT-PA). In generale, il quadro non è stato testato su diversi tipi di colture, caratteristiche del suolo, condizioni climatiche o contesti agricoli su larga scala. Per un funzionamento ottimale in pratiche colturali diverse, la gestione dell'irrigazione si basa su soglie di umidità del suolo che potrebbero richiedere una calibrazione specifica per ogni coltura. Questa applicazione sfrutta il monitoraggio ambientale basato sull'IoT e la gestione automatizzata dell'irrigazione, ma non include l'irrigazione predittiva basata sull'intelligenza artificiale, la diagnosi di parassiti e malattie, la gestione dei nutrienti o il telerilevamento multispettrale. La connettività della rete, l'accuratezza della calibrazione dei sensori e i fattori climatici che influenzano la trasmissione dei dati in tempo reale potrebbero compromettere le prestazioni del sistema in aree agricole remote.
Dichiarazioni
Gli autori non hanno conflitti di interessi.
Ringraziamenti
Questa ricerca non ha ricevuto alcun finanziamento specifico da agenzie pubbliche, commerciali o senza scopo di lucro.
Materiali
| Nome | Azienda | Numero di catalogo | Commenti |
|---|---|---|---|
| IDE Arduino | Arduino | Versione 2.x https://www.arduino.cc/en/software | Ambiente di sviluppo integrato, sviluppo firmware per ESP32 |
| Sensore capacitivo di umidità del suolo | DFRobot | SEN0193 | Misura l'umidità volumetrica del suolo; Tensione di funzionamento 3,3–5,5 V |
| Piattaforma IoT cloud | Amazon Web Services | AWS IoT Core https://aws.amazon.com/iot-core | Piattaforma IoT basata su cloud per archiviazione dati, visualizzazione e monitoraggio remoto |
| Alimentatore CC | Mean Well | / | Fornisce alimentazione al controller e alla pompa; Uscita regolata 12 V CC, Modello: LRS-50-12 |
| Pompa per acqua CC | Disponibile in commercio | / | Irrigazione automatizzata; Pompa 12 V CC |
| Sensore digitale di intensità luminosa | Rohm Semiconductor | BH1750FVI | Misura l'intensità luminosa ambientale; 1–65535 lux |
| Scheda di sviluppo ESP32 | Espressif Systems | ESP32-DEVKITC-32D | Microcontrollore dual-core a 240 MHz, Wi-Fi/Bluetooth; Controller principale per acquisizione dati dai sensori e controllo dell'irrigazione |
| Microsoft Excel | Microsoft Corporation | Microsoft 365 https://www.microsoft.com/microsoft-365/excel | Software per fogli di calcolo per organizzazione e visualizzazione dei dati |
| Broker MQTT | Fondazione Eclipse | Mosquitto v2.x https://mosquitto.org | Comunicazione messaggi IoT; Protocollo MQTT |
| Python | Fondazione Python Software | Versione 3.x https://www.python.org | Linguaggio di programmazione per preelaborazione dati e analisi statistica |
| Modulo sensore pioggia | DFRobot | / | Uscita analogica/digitale; Rileva eventi di pioggia; Modello: SEN0308 |
| Modulo relè a canale singolo | Songle | SRD-05VDC-SL-C | Commuta la pompa di irrigazione ON/OFF; Relè a 5 V |
| Sensore di temperatura e umidità | Adafruit Industries | DHT22 (AM2302) | Monitoraggio ambientale; Temperatura ±0,5 °C; Umidità ±2% RH |
| Browser web | Google LLC | Google Chrome (ultima versione stabile) https://www.google.com/chrome | Accesso alla dashboard AWS IoT |
| Router Wi-Fi | TP-Link Technologies | / | Comunicazione wireless tra ESP32 e cloud; IEEE 802.11 b/g/n/ac; Modello: Archer C6 |
Riferimenti
- Nhamo G, Chikodzi D, Dube K. Sustainable Development Goals for Society. Vol. 1. Springer International Publishing; 2021.
- Venkatesh R. Effect of hybrid nanofluid and polyethylene glycol/aluminium foam on thermal characteristics and energy storage performance of solar air heater. Appl Therm Eng. 2026;291:130213.
- Ajaj R, Buheji M, Hassoun A. Optimizing the readiness for industry 4.0 in fulfilling the Sustainable Development Goal 1: Focus on poverty elimination in Africa. Front Sustain Food Syst. 2024;8:1393935.
- Hiywotu AM. Advancing sustainable agriculture for goal 2: zero hunger-a comprehensive overview of practices, policies, and technologies. Agroecol Sustain Food Syst. 2025;49(7):1027–55.
- Venkatesh R. Effect of Boron Nitride on Mechanical Characteristics of LDPE Nanocomposite made with Ramie Fiber. J Inst Eng India Ser D. 2024.
- Arun M, et al. Integrated renewable energy supply architecture for advancing hydrogen symbiosis and eco synergistic smart grid interactions with next generation combustion technologies. Sci Rep. 2025;15(1):25619.
- Venkatesh R. Synthesis and Behavior Study of Basalt Fiber-Made Low-Density Polyethylene Composites Via Injection Mold. J Inst Eng India Ser D. 2024.
- Jayakrishnan R, Johnpaul V, Balasundaram N, Senthilkumar S. Stabilization of black cotton soil in Chittur region in Palakkad using lime, rice husk ash, coir fibre. Indian J Eng. 2026;23:e3ije1709.
- Gopan G, Arun M, Vembu S. Comparison of dimple tube with flat plate collector for solar water heater by using carbon nanofluid. Int J Low-Carbon Technol. 2025;20:820–33.
- Arun M, Barik D, Sridhar KP, Vignesh G. Experimental and CFD analysis of plain and dimples tube at application of solar water heater. Mater Today Proc. 2021;42:804–9.
- Rinesh S, et al. Prediction and classification of solar photovoltaic power generation using extreme gradient boosting regression model. Int J Low-Carbon Technol. 2024;19:2420–30.
- Ogbonnaya EP, et al. Efficacy of moringa oleifera leaf extract as a phytogenic additive in finisher broiler chickens. Discov Agric. 2026;12:e14da3219.
- Giganti P, Borrello M, Falcone PM, Cembalo L. The impact of blockchain technology on enhancing sustainability in the agri-food sector: A scoping review. J Clean Prod. 2024;456:142379.
- Rinesh S, Arun M, Kumar SN, Prajitha C, Kumar AS. Evaluating the type 2 fuzzy logic controller with multilayer perceptrons for optimal tracking of solar photovoltaic systems. Int J Low-Carbon Technol. 2025;20:394–403.
- Gupta S, et al. Operationalizing Digitainability: Encouraging mindfulness to harness the power of digitalization for sustainable development. Sustainability. 2023;15(8):6844.
- Urugo MM, et al. Journal of agriculture and food research. J Agric Food Res. 2024;18:101316.
- Hong Z, Xiao K. Digital economy structuring for sustainable development: the role of blockchain and artificial intelligence in improving supply chain and reducing negative environmental impacts. Sci Rep. 2024;14(1):3912.
- Arun M, Barik D, Sridhar KP, Dennison MS. Thermal performance of a dimpled tube parabolic trough solar collector (PTSC) with SiO2 nanofluid. Int J Photoenergy. 2022;2022(1):8595591.
- Vărzaru AA. Unveiling digital transformation: a catalyst for enhancing food security and achieving sustainable development goals at the European Union level. Foods. 2024;13(8):1226.
- Zhang J, Zhang W. Harnessing digital technologies for rural industrial integration: a pathway to sustainable growth. Systems. 2024;12(12):564.
- Vahdanjoo M, Sørensen CG, Nørremark M. Digital transformation of the agri-food system. Curr Opin Food Sci. 2025;63:101287.
- Khan N, et al. Potential role of technology innovation in transformation of sustainable food systems: A review. Agriculture. 2021;11(10):984.
- Singh V, Borisagar D, Singh OP, Verma SK. Enhancing agricultural competitiveness: harnessing value chains and agro-processing for sustainable growth. In: Sustaining the Global Agriculture Supply Chain. IGI Global Scientific Publishing; 2025. p. 37–72.
- Bocean CG. A longitudinal analysis of the impact of digital technologies on sustainable food production and consumption in the European Union. Foods. 2024;13(8):1281.
- Dayıoğlu ME, Türker UF. Digital transformation for sustainable future-agriculture 4.0: A review. J Agric Sci (Tarim Bilimleri Derg). 2021;27(4).
- DataIntelo. Agriculture Digital Twin Market Report: Global Industry Analysis, Growth, Trends, and Forecast. DataIntelo Research; 2025. Available from: DataIntelo Agriculture Digital Twin Market Report.