3 Tehnologije v preciznem vinogradništvu

Alessia Cogato

Uvod

Pri prizadevanjih za visokokakovostna in skladna vina se vinogradniki pogosto soočajo z velikim izzivom, ki ga predstavlja značilna raznolikost vinogradov. Ta raznolikost, ki se kaže v razlikah v tleh, topografskih značilnostih, mikroklimi in zdravstvenem stanju vinske trte, je lahko opazna celo znotraj enega samega vinograda. Zato vinogradi niso enotni glede vigorja (rasti), pridelka in sestave grozdja ter organoleptičnih lastnosti vina, kar otežuje dosledno pridelavo enostavno prepoznavnih vin.

Enotno upravljanje raznolikih vinogradov ima številne škodljive posledice. Po eni strani vina iz takšnega upravljanja sčasoma ne bodo imela želene konsistentnosti. Po drugi strani pa bodo trpeli sami vinogradi, saj se enaki vložki (voda, gnojila, fitofarmacevtska sredstva) uporabljajo brez upoštevanja raznolikosti, kar povzroča neučinkovitost in morebitno škodo za okolje. Precizno vinogradništvo (PV) vključuje strategijo upravljanja, ki temelji na naprednih informacijah in analizi podatkov, ki pomagajo pri odločanju (npr. količina namakanja, odmerek gnojil in fitofarmacevtskih sredstev itd.) (Sishodia in sod., 2020). Tako PV pomaga izboljšati pridelavo ter zmanjšati izgube vode in hranil ter negativne vplive na okolje (Ozdemir in sod., 2017).

Osnovni cilj PV je odpraviti prostorsko raznolikost in doseganje enotne kakovosti grozdja v vinogradu (Matese in Di Gennaro, 2015). PV ni le niz praks in tehnologij, temveč celovita rešitev, ki odgovarja na ključna vprašanja: “Kaj storiti, kje in kdaj?”, za optimalno doseganje želenega cilja. Pri PV so vinogradi skrbno razdeljeni na homogena območja, kar zagotavlja, da se vsako polje upravlja z največjo natančnostjo, pri čemer se upoštevajo njegove edinstvene in specifične potrebe.

Tehnologije zaznavanja predstavljajo jedro sistema PV in zagotavljajo vse potrebne podatke za izvajanje strategij upravljanja, namenjenih obvladovanju prostorske variabilnosti.

Tehnologije zaznavanja

PV temelji na možnosti uporabe senzorjev za pridobivanje velike količine georeferenciranih informacij in podatkov s celovitim postopkom. V zadnjih letih je bilo razvitih več tehnologij zaznavanja za PV.

Prvič, vremenski in okoljski senzorji, ki omogočajo spremljanje atmosferskih razmer v realnem času, so ključni za ocenjevanje tveganj, povezanih z vremenom, ter optimizacijo namakanja in varstva rastlin (Soussi in sod., 2024). Poleg tega več sistemov za podporo odločanju (DSS) uporablja vremenske parametre kot vhodne podatke za modeliranje interakcij med vinsko trto in njenim okoljem.

Razširjeni so tudi senzorji za tla, ki merijo temperaturo, pH, vsebnost vlage in vsebnost hranil. Spremljanje dnevne vlažnosti tal lahko kmetom pomaga pri stalnem spremljanju stanja vode na polju in pri določanju pravilnega časa za namakanje. Zato je poskus, izveden v komercialnem vinogradu v južni Italiji, pokazal prihranek od 10 % do 17 % namakalne vode v primerjavi s tradicionalno prakso namakanja, ki jo upravlja specializirano osebje na kmetiji (Garofalo in sod., 2023).

Za precizno vinogradništvo je na voljo široka paleta senzorjev pridelkov, ki večinoma temeljijo na merjenju odbojnosti elektromagnetnega sevanja. Znano je, da rastline absorbirajo, prenašajo ali odbijajo sončno energijo, ki doseže vegetacijo. Elektromagnetni spekter sestavljajo pasovi od 350 do približno 25 000 nm. Kamere RGB (Red Green Blue), ki zajemajo odbojnost v rdečem (635-700 nm), zelenem (520-560 nm) in modrem (450-490 nm) valovnem območju, se lahko uporabljajo za več področij v preciznem vinogradništvu. Modeli globokega učenja in konvolucijskih nevronskih mrež za zgodnje odkrivanje pepelaste plesni in peronospore na podlagi slik RGB so na primer pokazali natančnost od 81 % v fazi okužbe in do 99 % v naslednjih fazah (Hernández in sod., 2024; Bierman in sod., 2019). Poleg tega so bile slike RGB uporabljene za oceno zgradbe krošnje in štetje manjkajočih rastlin z metodama 2,5D-površina in 3D-alfa oblika (Di Gennaro in Matese, 2020). Podrobne informacije o obsegu trte, biomasi in porazdelitvi manjkajočih rastlin so ključne za upravljanje krošenj in doziranje škropljenja.

Doslej so se v preciznem vinogradništvu najpogosteje uporabljali večspektralni senzorji pridelkov (Ferro in Catania, 2023) s spektralnim območjem med 400 in 1000 nm. Običajno je število pasov štiri ali pet, tj. modri, zeleni, rdeči, rdeči rob (700-740 nm) in bližnji infrardeči (NIR, 780 nm). Tako večspektralno slikanje presega tisto, kar lahko vidi človeško oko. V stresnih razmerah na primer trta zapre listne reže, temperatura na površini listov pa se zaradi nižje odbojnosti NIR poveča. Večspektralne kamere lahko zajamejo to povečanje, ki ga človeško oko ne zazna.

Odbojnost v različnih valovnih pasovih, zbranih z večspektralnimi kamerami, je mogoče združiti za oblikovanje vegetacijskih indeksov (VI), ki zagotavljajo natančnejši opis stanja rastlin. Najpogosteje uporabljen VI v PV je normalizirani indeks razlike vegetacije (NDVI), ki je strogo povezan z vigorjem trte in dejavniki, ki vplivajo nanjo, kot sta prehrana in stanje vode (Zarco-Tejada in sod., 2013; Helman in sod., 2018).

NDVI lahko izračunamo kot razmerje med razliko med odbojnostjo NIR in rdečih območij ter vsoto odbojnosti iz istih območij (Enačba 1),

Enačba 1

kjer je RNIR odbojnost v NIR valovni dolžini, RRED pa odbojnost v rdeči valovni dolžini.

NDVI in drugi VI, izračunani z multispektralnimi senzorji, se uporabljajo za oceno stanja vegetacije pod abiotskim stresom. Na primer, indeks razmerja absorpcije klorofila (CARI), izboljšani vegetacijski indeks (EVI) in modificirani trikotniški vegetacijski indeks 1 (MTVI1), pridobljeni s satelitskim senzorjem Sentinel-2, so bili občutljivi pri odkrivanju poškodb zaradi zmrzali in časa obnove v vinogradih v severni Italiji (Cogato in sod., 2020). Ugotovljene so bile dobre korelacije med zelenim normaliziranim vegetacijskim indeksom (GNDVI) ter stomatalno prevodnostjo in pridelkom pri vinski trti, ki jo je prizadel vodni stress (Espinoza in sod., 2017). Vidni atmosfersko odporni indeks (VARI) in normalizirani indeks zelene razlike vegetacije (NDGI), pridobljena s prenosnim spektroradiometrom, sta zagotovila zanesljivo oceno vodnega potenciala listov (Pôças in sod., 2015).

Hiperspektralni senzorji temeljijo na enakih načelih kot multispektralni, vendar omogočajo večjo natančnost. Hiperspektralni senzorji lahko zaznajo več tesno med seboj oddaljenih območij valovnih dolžin s spektralno ločljivostjo od 1 do 10 nm. Vendar so njihovi stroški pogosto previsoki za široko uporabo. Odsevnost iz hiperspektralnih slik je bila uporabljena za razvoj modelov umetnih nevronskih mrež za napovedovanje prostorske spremenljivosti vodnega stresa pri sorti ‘Carménère’ (Poblete in sod, 2017). Poleg tega so bili na hiperspektralnih posnetkih zasnovani modeli senzorskih mrež uporabljeni za oceno vsebnosti vode v listih vinske trte (sorte ‘Cabernet sauvignon’, ‘Grenache’, ‘Tempranillo’) (Baluja in sod., 2012) .

Toplotni senzorji so še ena tehnologija, ki se uporablja za ugotavljanje stanja pridelka. Za ugotavljanje stanja vode v vinski trti se običajno uporabljajo toplotne kamere, ki se osredotočajo na območje od 7000 nm do 14 000 nm. Vodni stres lahko izpeljemo iz temperature listov z oceno indeksa vodnega stresa pridelka (CWSI), ki je naveden v enačbi 2,

Enačba 2

kjer je Tcanopy temperatura, izmerjena na krošnji, Twet je referenčna temperatura za list, ki se v celoti transpira, Tdry pa referenčna temperatura za list, ki ne transpirira.

Termični in večspektralni podatki se pogosto uporabljajo za izdelavo predpisanih zemljevidov.

Tako je lahko CWSI zanesljiv napovedovalec vodnega potenciala stebla in stomatalne prevodnosti (Cogato in sod., 2019). Poleg tega je termična analiza omogočila zaznavanje sprememb temperature listov vsaj tri dni pred pojavom vidnih simptomov glivične bolezni peronospore (Plasmopara viticola Berk. & MA Curtis) (Stoll in sod., 2008).

Določanje in priprava območij za aplikacije z variabilnim odmerkom

Kartiranje prostorske variabilnosti omogoča opredelitev homogenih območij v vinogradu, ki zahtevajo različne pristope k upravljanju, kar vodi k upravljanju, specifičnemu za posamezno območje. Določanje območij se izvaja z zemljevidi predpisovanja, ki omogočajo uporabo različnih vnosov, kot so gnojila, herbicidi ali voda, s spremenljivim odmerkom, ki se prilagaja dejanskim potrebam območja. Ker prostorska spremenljivost izhaja iz več dejavnikov, se dober zemljevid predpisa ustvari iz georeferenciranih podatkov, kot so lastnosti hranil v tleh, pretekli pridelki, CSWI in NDVI (Slika 1)

Tehnologije zaznavanja za ocenjevanje stanja pridelkov, predvsem multispektralni in toplotni instrumenti, lahko delujejo na dva načina glede na oddaljenost od cilja. Proksimalno zaznavanje pomeni uporabo senzorjev v neposredni bližini cilja (ročnih ali nameščenih na traktorju ali kmetijskem robotu). Pri daljinskem zaznavanju se uporabljajo senzorji, ki so od cilja oddaljeni, na primer nameščeni na satelitih ali brezpilotnih zrakoplovih (UAV). Po eni strani bližnji senzorji zagotavljajo natančne informacije o vegetaciji na tleh. Po drugi strani pa daljinsko zaznavanje omogoča zbiranje ponavljajočih se informacij od lokalnega do globalnega merila (Weiss in sod., 2020).

Tehnologije s spremenljivim odmerkom združujejo informacije o položaju, ki jih zagotavlja modul GPS, s predpisanimi zemljevidi, da se vsako območje vinograda oskrbi s točno določenim kmetijskim vnosom, ki ga potrebuje. V zadnjih letih so bili razviti mednarodni standardi, ki urejajo komunikacijske protokole in omogočajo izmenjavo informacij med senzorji, aktuatorji in programsko opremo različnih proizvajalcev (Matese in Di Gennaro, 2015). Tako so traktorji z VRA (angl. Variable Rate Application) zasnovani tako, da samostojno razlagajo predpisane zemljevide, ustvarjene na podlagi podatkov iz senzorjev, nameščenih na krovu ali na brezpilotnih zrakoplovih, in ustrezno odmerjajo vnos.

Poleg tega so bili preizkušeni eksperimentalni sistemi za gnojenje s spremenljivim odmerkom na poti za interpretacijo senzorskih podatkov v realnem času. Na primer, na podlagi komercialnih spektralnih senzorjev je bilo izvedeno gnojilo s spremenljivim odmerkom. Par senzorjev GreenSeeker NDVI je bilo nameščenih pred traktorjem in povezanih z elektronsko krmilno enoto gnojilnika s spremenljivim odmerkom (Sozzi in sod., 2020).

Izkoriščene so bile tudi številne druge rešitve VRA, kot so škropljenje s spremenljivim odmerkom, namakanje in kombajni.

Za škropljenje VRA je nujno pridobiti podatke o rastlinski krošnji z uporabo tehnologije skeniranja, da se opišeta njen obseg in gostota listja. V ta namen se lahko uporabljajo različne vrste senzorjev, kot so lasersko slikovno zaznavanje in določanje razdalje (LiDAR), ultrazvočni senzorji in stereovid. Poleg tega lahko senzorji zaznajo vrzeli med trtami, kar omogoča nadzor razporeditve. Na podlagi teh informacij pršilnik VRA z ustreznim algoritmom, ki nadzoruje pretok šob, v realnem času spremeni odmerek pesticidov (Slika 2). Potencialni prihranek pesticidov je bil ocenjen na 21,9 % glede na stroške običajnega nanašanja, kar zagotavlja pomembne ekonomske koristi (Gil in sod., 2013).

V zvezi z variabilnim namakanjem je bil ocenjen 20-odstotni prihranek vode pri uporabi kapljičnega namakanja z variabilno stopnjo z merjenjem električne upornosti tal s senzorjem elektromagnetne indukcije, ki ga v vinogradu vleče štirikolesnik (Ortuani in sod., 2019).

VRA postajajo vse pogostejše na več vinogradniških območjih. Vendar morajo agronomi in tehniki, ki pripravljajo predpise, poleg značilnosti polja upoštevati tudi omejitve tehnologij s spremenljivim odmerkom, saj takšne tehnologije najbolje delujejo na velikih homogenih območjih.

Avtonomni roboti

Kratek odstavek je treba nameniti nastajajoči razširjenosti avtonomnih kmetijskih robotov. Čeprav je uporaba robotike v preciznem vinogradništvu še vedno v fazi prototipa, so številni projekti že v zaključni fazi razvoja. Roboti za vinograde uporabljajo zelo natančno satelitsko določanje položaja: pred uporabo robotov je treba vinograd kartirati. Roboti imajo običajno električni pogon in so opremljeni z več senzorji za 3D vodenje in zaznavanje ovir za avtonomno gibanje. Takšne tehnologije so lahko standardne kamere RGB, ki zagotavljajo slike v 2D. Lahko se namestita dve kameri z različnih zornih kotov, da se ustvari psevdo-3D slika z uporabo računalniške tehnike stereo vida. Prednost uporabe kamer RGB je njihova sposobnost, da vidijo kot človeško oko. Vendar je interpretacija slik lahko zapletena. Poleg tega kamere RGB delujejo le ob prisotnosti sončne svetlobe. Druga tehnologija, ki omogoča avtonomno vodenje, so ultrazvočni senzorji, ki razdaljo do predmetov izračunajo z oddajanjem visokofrekvenčnih zvočnih valov s hitrostjo zvoka (340 m/s) in merjenjem časa, ki ga potrebujejo odbiti zvočni valovi, da se vrnejo. Ultrazvočna tehnologija lahko deluje podnevi in ponoči, kar omogoča upravljanje vinogradov ponoči. Vendar imajo takšni senzorji kratek doseg zaznavanja in niso natančni pri majhnih in ukrivljenih predmetih. Nadaljnja napredna tehnologija zaznavanja, nameščena na kmetijskih robotih, temelji na tehnologiji RaDAR (Radio Detection and Ranging), ki izračunava razdaljo do predmetov z oddajanjem radijskih valov (elektromagnetni valovi, ki potujejo s svetlobno hitrostjo: 300 000 000 m/s) in merjenjem časa, v katerem se odbiti valovi vrnejo. RaDAR še vedno ne more razločiti majhnih elementov, vendar ima daljše območje zaznavanja kot ultrazvočni senzorji. LiDAR je običajno nameščen na avtonomnih robotih; ta tehnologija izračunava razdaljo do predmetov z oddajanjem elektromagnetnih valov s svetlobno hitrostjo, podobno kot RaDAR, vendar z veliko krajšo valovno dolžino, običajno infrardečo. LiDAR je draga tehnologija, vendar omogoča razločevanje majhnih elementov in ima velik doseg zaznavanja. Številni kmetijski roboti imajo pred kolesi senzorje udarcev kot zadnjo zaščitno plast, ki v nujnih primerih sproži zaustavitev.

Za pomoč pri različnih vinogradniških opravilih je bilo preizkušenih več robotov. Na primer, za spremljanje vinogradov so bili uporabljeni roboti, opremljeni z neinvazivnimi tehnologijami zaznavanja (fluorescenca, multispektralno, RGB toplotno infrardeče in GPS) (Matese in Di Gennaro, 2015). V razvoju so inteligentni avtonomni obrezovalniki vinske trte, ki temeljijo na 3D rekonstrukciji strukture vinske trte (Silwal in sod., 2022). Poleg tega se dokončno preizkuša robot za nadzor peronospore, pepelaste plesni in botritisa z uporabo UV-C žarkov  (Freoni, 2022).

Sistemi za podporo odločanju

Ker se količina podatkov iz vinogradov še naprej povečuje, se lahko kmetje počutijo preobremenjene pri sprejemanju odločitev o upravljanju kmetijstva (Zhai in sod., 2020). DSS (angl. Decision Support System) v kmetijstvu so interaktivni sistemi, ki temeljijo na programski opremi in se uporabljajo za zbiranje in analizo podatkov iz različnih virov, da bi končnim uporabnikom ponudili dragocen vpogled v njihov proces odločanja. Podpora DSS ni namenjena sprejemanju odločitev, temveč temu, da vinogradnikom zagotovi vse informacije, ki jih potrebujejo za sprejemanje razumnih odločitev na podlagi neobdelanih podatkov. Tako DSS s pošiljanjem obvestil in opozoril končnim uporabnikom zagotavljajo agronomske nasvete v realnem času.

Vinogradnikom je na voljo široka paleta DSS za upravljanje listne stene, nadzor bolezni in škodljivcev, načrtovanje namakanja, nadzor zorenja grozdja, natančno in učinkovito uporabo gnojil ter ocenjevanje pridelka.

DSS za obvladovanje bolezni in škodljivcev postajajo vse pomembnejši, saj so bila številna tradicionalna fitofarmacevtska sredstva preklicana in prepovedana. Tako lahko pravočasna opozorila o verjetnih okužbah z boleznimi in prisotnostjo škodljivcev pomagajo pri izvajanju strategij za zaščito zdravja rastlin. Večina DSS za nadzor bolezni in škodljivcev zagotavlja nasvete s priporočenimi odmerki za posamezno sredstvo glede na razvoj krošnje in vremenske napovedi. Poleg tega sistemi DSS, namenjeni zatiranju moljev in drugih žuželk, zagotavljajo fenološke krivulje za vse faze, ki omogočajo pravilne protokole zaščite. Najnaprednejši DSS temeljijo na vizualnem spremljanju žuželk v realnem času z uporabo kamer RGB, povezanih s sistemi umetne inteligence za samodejno prepoznavanje (Guo in sod., 2023).

Namestitev senzorjev za tla in vremenske razmere v vinogradu omogoča uporabo sistema DSS za zagotavljanje agronomskih nasvetov za namakanje. Takšni DSS so zasnovani tako, da prepoznajo vodni stres in čas namakanja. Poleg tega podpirajo trajno pomanjkanje vode v ključnih fenoloških fazah.

Skupina raziskovalcev z Univerze v Adelaidi in Univerze v Melbournu je razvila aplikacijo za pametne telefone in osebne računalnike za ocenjevanje velikosti krošnje vinske trte v smislu indeksa listne površine (LAI) in indeksa rastlinske površine (PAI), poroznosti krošnje in pokritosti krošnje (De Bei in sod., 2016). Aplikacija uporablja sprednjo kamero pametnega telefona za izvajanje algoritmov za analizo slik na slikah krošnje, usmerjenih navzgor, in izračunava ustrezne parametre arhitekture krošnje. Drugi DSS za upravljanje krošenj temeljijo na stereo vidu, ki omogoča izdelavo 3D slik vinske trte in doziranje fitofarmacevtskih sredstev glede na vegetativni razvoj krošnje (Tacconi in sod., 2022).

V zadnjih letih je bilo vloženega veliko truda v razvoj DSS, ki lahko samodejno šteje grozdje vinske trte in napoveduje pridelek. Pri obdelavi slik se uporabljajo sistemi, ki temeljijo na metodi You Only Look Once (YOLO) in globokem učenju, in jih je mogoče namestiti na traktorje, kombije ali vinogradniške robote za odkrivanje na poti (Sozzi in sod., 2022; Pinheiro in sod., 2023). Nazadnje so bili nedavno preučeni DSS za antocianine v koži, bolezni rastlin ali izbiro najprimernejše podlage v danih okoljskih razmerah in enoloških ciljih (Visconti in sod., 2023).

Podpora DSS mora biti ustrezna, pravočasna in uporabniku prijazna. DSS običajno razvijajo multidisciplinarne skupine, saj so sestavljene iz petih glavnih elementov:

– sistem za pridobivanje podatkov o okolju gojenja (tehnologije zaznavanja)

– struktura medsebojno odvisnih podatkovnih zbirk, ki zbira, organizira in izvaja nadzor kakovosti teh podatkov

– algoritmi za analizo, ki omogočajo prehod od neobdelanih podatkov k obdelanim podatkom

– postopki samodejne interpretacije, ki omogočajo prehod od obdelanih podatkov do agronomskega svetovanja

– grafični vmesnik, ki uporabniku omogoča dostop do DSS in interakcijo z njim

Zaključki

Precizno vinogradništvo hitro prehaja iz teorije v realnost, zlasti v večjih vinorodnih regijah. Izvajanje PV praks obeta pomemben napredek na področju okoljske in gospodarske trajnosti.

Vendar pa je treba rešiti več izzivov, da bi omogočili širšo uporabo. Med temi izzivi je predvsem potreba po znižanju stroškov, povezanih s tehnologijami PV, poenostavitvi orodij in vmesnikov za končne uporabnike ter celovitem usposabljanju kmetov in vinogradnikov. Premagovanje teh ovir bo ključnega pomena pri zagotavljanju, da se bodo prednosti fotovoltaike v celoti izkoristile v celotni vinski industriji, kar bo na koncu privedlo do učinkovitejših in bolj trajnostnih praks upravljanja vinogradov po vsem svetu.

Viri

1. Baluja J, Diago MP, Balda P, et al. Assessment of vineyard water status variability by thermal and multispectral imagery using an unmanned aerial vehicle (UAV). Irrig Sci. 2012;30(6):511-522.
2. Bierman A, LaPlumm T, Cadle-Davidson L, et al. A high-throughput phenotyping system using machine vision to quantify severity of grapevine powdery mildew. Plant Phenomics. 2019;2019.
3. Cogato A, Meggio F, Collins C, Marinello F. Medium-resolution multispectral data from Sentinel-2 to assess the damage and the recovery time of late frost on vineyards. Remote Sens. 2020;12(11).
4. Cogato A, Pagay V, Marinello F, Meggio F, Grace P, Migliorati MDA. Assessing the feasibility of using Sentinel-2 imagery to quantify the impact of heatwaves on irrigated vineyards. Remote Sens. 2019;11(23).
5. De Bei R, Fuentes S, Gilliham M, et al. Viticanopy: A free computer app to estimate canopy vigor and porosity for grapevine. Sensors (Switzerland). 2016;16(4).
6. Di Gennaro SF, Matese A. Evaluation of novel precision viticulture tool for canopy biomass
7. estimation and missing plant detection based on 2.5D and 3D approaches using RGB images acquired by UAV platform. Plant Methods. 2020;16(1):1-12.
8. Espinoza CZ, Khot LR, Sankaran S, Jacoby PW. High resolution multispectral and thermal remote sensing-based water stress assessment in subsurface irrigated grapevines. Remote Sens. 2017;9(9):art. n. 961.
9. Ferro MV, Catania P. x Methods for Precision Viticulture: A Comprehensive Review. Horticulturae. 2023;9(3).
10. Freoni L. Confronto tra robot agricolo e un trattore per operazioni di diserbo meccanico in vigneto. 2022.
11. Garofalo S Pietro, Intrigliolo DS, Camposeo S, et al. Agronomic Responses of Grapevines to an Irrigation Scheduling Approach Based on Continuous Monitoring of Soil Water Content. Agronomy. 2023;13(11).
12. Gil E, Llorens J, Llop J, Fàbregas X, Escolà A, Rosell-Polo JR. Variable rate sprayer. Part 2 – Vineyard prototype: Design, implementation, and validation. Comput Electron Agric. 2013;95:136-150.
13. Guo Q, Wang C, Xiao D, Huang Q. Automatic monitoring of flying vegetable insect pests using an RGB camera and YOLO-SIP detector. Precis Agric. 2023;24(2):436-457.
14. Helman D, Bahat I, Netzer Y, et al. Using time series of high-resolution Planet satellite images to monitor grapevine stem water potential in commercial vineyards. Remote Sens. 2018;10(10):1615.
15. Hernández I, Gutiérrez S, Tardaguila J. Image analysis with deep learning for early detection of downy mildew in grapevine. Sci Hortic (Amsterdam). 2024;331(March).
16. Matese A, Di Gennaro SF. Technology in precision viticulture: A state of the art review. Int J Wine Res. 2015;7(1):69-81.
17. Ortuani B, Facchi A, Mayer A, Bianchi D, Bianchi A, Brancadoro L. Assessing the effectiveness of variable-rate drip irrigation on water use efficiency in a Vineyard in Northern Italy. Water (Switzerland). 2019;11(10).
18. Ozdemir G, Sessiz A, Pekitkan FG. Precision viticulture tools to production of high quality grapes. Sci Pap B-Horticulture. 2017;61(November 2017):209-218.
19. Pinheiro I, Moreira G, Queirós da Silva D, et al. Deep Learning YOLO-Based Solution for Grape Bunch Detection and Assessment of Biophysical Lesions. Agronomy. 2023;13(4):1-23.
20. Pôças I, Rodrigues A, Gonçalves S, et al. Predicting Grapevine Water Status Based on Hyperspectral Reflectance Vegetation Indices. Remote Sens. 2015;7(12):16460-16479.
21. Poblete T, Ortega-Farías S, Moreno MA, Bardeen M. Artificial neural network to predict vine water status spatial variability using multispectral information obtained from an unmanned aerial vehicle (UAV). Sensors (Switzerland). 2017;17(11).
22. Silwal A, Yandun F, Nellithimaru A, Bates T, Kantor G. Bumblebee: A Path Towards Fully Autonomous Robotic Vine Pruning. F Robot. 2022;2(1):1661-1696.
23. Sishodia RP, Ray RL, Singh SK. Applications of remote sensing in precision agriculture: A review. Remote Sens. 2020;12(19):1-31.
24. Soussi A, Zero E, Sacile R, Trinchero D, Fossa M. Smart Sensors and Smart Data for Precision Agriculture: A Review. Sensors. 2024;24(8).
25. Sozzi M, Bernardi E, Kayad A, et al. On-The-go variable rate fertilizer application on vineyard using a proximal spectral sensor. 2020 IEEE Int Work Metrol Agric For MetroAgriFor 2020 – Proc. 2020:343-347.
26. Sozzi M, Cantalamessa S, Cogato A, Kayad A, Marinello F. Automatic Bunch Detection in White Grape Varieties Using YOLOv3, YOLOv4, and YOLOv5 Deep Learning Algorithms. Agronomy. 2022;12(319):319.
27. Stoll M, Schultz HR, Berkelmann-Loehnertz B. Exploring the sensitivity of thermal imaging for Plasmopara viticola pathogen detection in grapevines under different water status. Funct Plant Biol. 2008;35(4):281-288.
28. Tacconi G, Tonon M, Marcuzzo P, et al. A novel system for assessing kiwifruit water status by AI and 3D image analysis. Acta Hortic. 2022;1332(1332):231-238.
29. Visconti F, de la Fuente M, Buesa I, et al. Decision support system for selecting the rootstock, irrigation regime and nitrogen fertilization in winemaking vineyards: WANUGRAPE4.0. BIO Web Conf. 2023;68.
30. Weiss M, Jacob F, Duveiller G. Remote sensing for agricultural applications: A meta-review. Remote Sens Environ. 2020;236(December 2018):111402. doi:10.1016/j.rse.2019.111402
31. Zarco-Tejada PJ, González-Dugo V, Williams LE, et al. A PRI-based water stress index combining structural and chlorophyll effects: Assessment using diurnal narrow-band airborne imagery and the CWSI thermal index. Remote Sens Environ. 2013;138:38-50.