L’acquacoltura è un settore in for- te espansione negli ultimi decenni sia per volumi prodotti che per resa economica e grazie a questo trend di crescita sta superando la pesca come principale fonte di approvvigiona-
mento di pesce destinato al consumo umano. Tuttavia, come ogni attività antropica, aumentando i volumi di produzione dell’acquacoltura è neces- sario affrontare le problematiche bio- logiche, economiche e sociali emer-
genti che rappresentano il prezzo da pagare per continuare a mantenere la produzione redditizia e sostenibile dal punto di vista etico ed ambienta- le. La tecnologia in tal senso può aiu- tare gli allevatori ad incrementare la produzione cercando di controllarne gli effetti collaterali correlati, attraver- so quella che possiamo definire come “Acquacoltura di Precisione”. Questo concetto è relativamente nuovo, ed è mutuato dalla zootecnia “terrestre” dove è conosciuto come “Allevamento di Precisione”, da cui eredita i princi- pi di base riadattandoli all’ambiente acquatico (Føre et al. 2018 Biosystems Eng. 173:176-193). In breve si tratta di applicare delle tecniche di controllo avanzate che permettano all’alleva- tore di migliorare le proprie capacità di monitoraggio, controllo e raccolta dati dei processi biologici che avven- gono in un impianto di acquacoltura. L’ambizioso obbiettivo che si propone è di far evolvere l’acquacoltura da una produzione basata sostanzialmente sull’esperienza personale dell’allevato- re verso una basata sulla conoscenza, in cui un sistema elabora una serie di dati ed informazioni di varia natura e cerca di risolvere problemi complessi attraverso l’intelligenza artificiale. Per aiutarci a comprendere come l’acqua- coltura di precisione potrebbe aiutare la produzione, possiamo immaginare l’attività come un ciclo continuo di pro-
cessi suddiviso in quattro fasi che ha inizio e fine con una risposta biologica del pesce (Fig. 1):
1. viene osservato un fenomeno biologico
2. l’evento viene interpretato 3. sulla base dei punti precedenti
viene presa una decisione 4. viene eseguita una azione manua-
le o meccanica.
Quest’ultimo punto ha infine una conseguenza diretta sul pesce al- levato. Allo stato attuale dell’arte i punti 1 e 4 del sistema sono eseguiti fisicamente dall’allevatore, mentre i punti 2 e 3 sono influenzati dalla sua esperienza personale. L’ambizioso obbiettivo dell’acquacoltura di preci- sione è quello di sostituire o integrare questi quattro punti con dei supporti tecnologici, che vanno dai sensori in- telligenti al monitoraggio da remoto (tecnologie spesso già esistenti) per la fase 1, passando quindi nella fase 2 all’interpretazione dei dati raccolti dalla strumentazione attraverso l’u- tilizzo di modelli matematici che pre- vedano l’andamento del fenomeno biologico (modelli in via di sviluppo), e permettere quindi all’allevatore di fare una scelta corretta attraverso dei sistemi di supporto (Decision Support System - DSS) che utilizzano i dati mo- nitorati, la modellistica matematica e l’esperienza storica per fornire una risposta che si traduce nel suggerire
Sistemi automatici ed integrati 1. Osservare 2. Interpretare 3. Decidere 4. Agire Sistemi di supporto e intelligenza artificiale Modelli predittivi e simulazione Sensori intelligenti e monitoraggio remoto Figura 1
Rappresentazione schematica del ciclo di processi in acquacoltura e supporto che potrebbe derivare dall’Acquacoltura di precisione
una appropriata decisione (fase 3). La quarta fase, ovvero quella dell’azione, può essere rappresentata oggigiorno da tutti gli automatismi già presenti in un impianto (alimentatori, ossige- natori) o da attrezzature meccaniche che facilitino le operazioni dell’opera- tore, ma che in un futuro potrebbero diventare completamente autonome o controllate da remoto e poter così sostituire l’uomo nei lavori più gravosi o pericolosi. Il potenziale dell’acqua- coltura di precisione è quello di ap- portare dei benefici sulla conduzione giornaliera di un impianto, con effetti positivi sulla salute ed il benessere del pesce, la riduzione della mortalità, mi- gliorare l’efficacia della produzione, la qualità del prodotto allevato e ridurre l’impatto ambientale.
Come abbiamo già detto la tecnologia per il monitoraggio degli impianti è già in gran parte disponibile o mutua- bile da altre applicazioni, come anche parecchie automazioni indispensabili per la fase di “azione”, mentre i model- li matematici per l’interpretazione dei dati raccolti sono in via di sviluppo, i quali una volta testati con successo ed adattati alle situazioni estremamente variegate di produzione, permetteran- no di implementare dei sistemi di sup- porto alla decisione (DSS).
L’Unità Acquacoltura e idrobiologia partecipa al progetto europeo GAIN
(Green Aquaculture Intensification -
SFS-32-2017), che ha come scopo prin- cipale di sviluppare delle soluzioni in- novative per aumentare la produzione europea d’acquacoltura mitigandone allo stesso tempo l’impatto ambienta- le. Uno degli obbiettivi fondamentali del progetto consiste proprio nello sviluppare un grosso database di dati qualitativi sull’acqua e di benessere e salute sul pesce allevato, provenienti da una rete complessa di dati raccolti in tempo reale da fonti molto etero- genee (sensori, dati satellitari, droni, ecc.) ed in ambienti di allevamento molto diversi (acqua dolce/acqua sa- lata, impianti a terra/impianti a mare) per progettare dei modelli predittivi eco-fisiologici ed ambientali. Questo Big Data sarà quindi implementato con dei modelli matematici che simu-
leranno qualità dell’acqua, parametri ambientali e performance di crescita del pesce. Questi modelli saranno ap- plicati e testati in condizioni reali di al- levamento per arrivare quindi ad una piattaforma di controllo remoto (Inter- net of Things: IoT) e all’ottimizzazione della condizione giornaliera di un im- pianto di acquacoltura tramite sistemi di supporto alle decisioni (DSS). Il DSS, triangolando I dati provenienti dai sen- sori ambientali sulla qualità dell’acqua (Foto 1) e quelli fisiologici sull’accresci- mento del pesce, e basandosi su un database storico, aiuterà l’allevatore ad ottimizzare l’alimentazione del pesce, massimizzando l’efficacia del mangime in termini zootecnici e al contempo evitando procedure di ali- mentazione errate che hanno un co- sto economico (spreco di mangime) sia un costo ambientale (impatto sui corpi idrici collettori). In parole pove- re supporterà l’allevatore verso una ECO-INTENSIFICAZIONE della sua pro- duzione.
La fase di raccolta dei dati negli im- pianti di acquacoltura è iniziata quest’anno e durerà circa 12 mesi, a cui faranno seguito 15 mesi di valida- zione del sistema gestionale, che ter- mineranno nel 2021.
Per approfondimenti sul progetto GAIN: https://www.unive.it/pag/33897
Foto 1
Sonda multi-parametrica per