Gestione delle malerbe nel riso: studio delle emergenze

The effective management of weeds is a crucial practice in rice cultivation, with significant impacts on overall crop yield. Stale seedbed emerges as a promising option, designed to reduce the frequent reliance on chemical treatments and enhance the effectiveness of individual interventions. However, the success of these operations is intrinsically tied to the precise timing of weed termination in the field. In the face of this challenge, the use of predictive models emerges as an advanced strategy to understand the emergence dynamics of major weed species. This approach allows for a more refined scheduling of treatments, with the potential to optimize both chemical and mechanical approaches, thereby reducing herbicide use. The main objective of this thesis is focused on creating a targeted predictive model applicable to the complex agricultural realities of rice fields. Through an in-depth investigation, germination thresholds were analyzed, focusing on the base temperature and emergence dynamics of three prominent species in rice fields: Echinochloa crus-galli (commonly known as barnyard grass), E. hispidula, and Oryza sativa var. sylvatica (weedy rice). The methodological approach involved diverse populations for each species, thus contributing to forming a dataset as representative as possible of genetic and environmental diversity. Base temperatures and collected population emergence data were used to develop predictive models based on the concept of thermal time. The model creation phase yielded good results for both E. crus-galli (EF = 0.97) and E. hispidula (EF = 0.99), and O. sativa var. sylvatica (EF = 0.97). During validation with an independent dataset from the creation one, the model showed good performance for E. crus-galli and O. sativa var. sylvatica (EF from 0.90 to 0.98) but not for E. hispidula (EF = 0.43). The results of this thesis are encouraging for the continued experimentation on these predictive models, particularly for E. crus-galli and O. sativa var. sylvatica. Additional years of study, in different weather conditions and field settings, are necessary to create a robust model. This effort addresses the need felt by rice farmers to have decision support systems capable of providing precise and easily adaptable guidance under various agricultural conditions, for the sustainable management of rice weeds.

La gestione efficace delle infestanti rappresenta una pratica cruciale nella coltivazione del riso, con impatti significativi sulla resa complessiva delle colture. La falsa semina emerge come un'opzione promettente, pensata per ridurre il ricorso frequente a trattamenti chimici e migliorare l'efficacia di singoli interventi. Tuttavia, il successo di queste operazioni è intrinsecamente legato alla precisione temporale della terminazione delle infestanti in campo. Nel contesto di tale sfida, l'impiego di modelli predittivi emerge come una strategia avanzata per conoscere la dinamica di emergenza delle principali specie infestanti. Questo approccio consente una programmazione più raffinata dei trattamenti, con il potenziale di ottimizzare sia gli approcci chimici che quelli meccanici, riducendo così l'uso degli erbicidi. L’obiettivo principale di questa tesi è focalizzato sulla creazione di un modello predittivo mirato e applicabile alle complesse realtà agricole delle risaie. Attraverso un'indagine approfondita, sono state analizzate le soglie di germinazione, concentrandosi sulla temperatura di base e sulle dinamiche di emergenza di tre specie preminenti nei campi di riso: Echinochloa crus-galli (comunemente noto come giavone), E. hispidula e Oryza sativa var. sylvatica (riso crodo). L'approccio metodologico ha coinvolto diverse popolazioni per ciascuna specie, contribuendo così a formare un dataset per quanto possibile rappresentativo della diversità genetica e ambientale. Le temperature di base e i dati raccolti sull'emergenza delle popolazioni sono stati utilizzati per sviluppare modelli predittivi basati sul concetto di tempo termico. La fase di creazione del modello ha dato buoni risultati sia per E. crus-galli (EF = 0,97) che per E. hispidula (EF = 0,99), e O. sativa var. sylvatica (EF = 0,97). In fase di validazione con dataset indipendente da quello di creazione il modello ha mostrato buone performance per E. crus-galli e O. sativa var. sylvatica (EF da 0,90 a 0,98), ma non per E. hispidula (EF = 0,43). I risultati di questa tesi sono incoraggianti per la continuazione della sperimentazione su questi modelli predittivi, in particolare su E. crus-galli e O. sativa var. sylvatica. Ulteriori anni di studio, in condizioni meteorologiche diverse e in condizioni di campo, sono necessari per arrivare alla creazione di un modello robusto. Questo sforzo risponde ad una esigenza sentita da parte dei risicoltori di avere sistemi di supporto decisionale in grando di dare indicazioni precise e facilmente adattabili a varie condizioni agricole, per una gestione sostenibile delle infestanti del riso.