Attività

Azione B2: Efficientamento del modello organizzativo e produttivo aziendale mediante IoT 

Presso le aziende agricole è prevista l'installazione di sensori IoT e centraline meteo con tecnologia LoRa per inviare in continuo dati agronomici a un server centrale di filiera. Tutte le informazioni — operazioni colturali, tracciabilità, analisi dei terreni e dei prodotti — saranno integrate in un’unica piattaforma organizzata tramite tecniche avanzate di data fusion. Algoritmi di IA elaboreranno questi dati per prevedere la qualità delle produzioni. Il nuovo sistema migliorerà efficienza, sostenibilità e autenticità della filiera, con dati critici certificati in blockchain.

Azione B3- Coltivazione sostenibile e miglioramento della qualità delle produzioni officinali mediante elicitazione controllata 

Fase 1 — Coltivazione sostenibile
TRACE valuta le performance agronomiche e ambientali di melissa, passiflora, cardo e carciofo confrontando protocolli Low-Input e High-Input in diverse aziende agricole. Le prove  monitorano parametri produttivi, fenologici e qualitativi per definire tecniche a basso impatto e adattabili alle condizioni pedoclimatiche locali.

Fase 2 — Qualità delle produzioni
Il progetto testa tecniche di elicitazione controllata (chitosano e acido salicilico) per aumentare i principi attivi nelle piante officinali. Le prove sperimentali, monitorate con sensori e analisi di laboratorio, valutano l’efficacia dei trattamenti su qualità, composizione chimica e attività antiossidante, includendo anche la percezione e la soddisfazione degli agricoltori coinvolti.

Azione B4: Elaborazione dei risultati ottenuti e valutazione della sostenibilità ambientale dell’innovazione

L’attività comprende il campionamento e l’analisi del suolo prima e dopo i trattamenti per valutarne qualità e variazioni, coinvolgendo direttamente gli agricoltori. I dati raccolti vengono integrati con quelli delle altre azioni e analizzati mediante modelli statistici e LCA per stimare effetti, sinergie, impatti ambientali e costi produttivi. In parallelo, algoritmi di deep learning correlano dati ambientali e qualità delle produzioni, permettendo di individuare anomalie e prevedere strategie di ottimizzazione futura.