Il progetto si è concluso con la realizzazione della piattaforma modulare. È stato sviluppato un prototipo della piattaforma che permette l’esecuzione di tutte le funzionalità di base, caratterizzato da architettura multitenancy in modo da fornire account ai diversi clienti che possono gestire i propri accessi. La dashboard è una pagina custom componibile in righe e componenti per poter fornire servizi diversi a clienti diversi.

Successivamente sono state integrate funzionalità avanzate che permettono l’integrazione degli algoritmi di data analytics sviluppati nel corso del progetto, i cui risultati vengono restituiti sotto forma di interfaccia utente navigabile ed interrogabile.

Per lo sviluppo dei moduli sono state svolte attività di ricerca specifiche. In merito ai sistemi di acquisizione, che rivestono un ruolo fondamentale per ottenere i dati che vengono elaborati dal sistema REACT, è stata svolta un’analisi bibliografica relativa all’acquisizione da remoto, al monitoraggio con aeromobili a pilotaggio remoto e all’impiego di sensoristica distribuita low-cost per applicazioni di Edge Computing. Quest’ultima metodologia ha portato alla definizione di un Proof of Concept (PoC) per il monitoraggio delle colture in serra per l’identificazione di anomalie nella crescita delle piante o dei parametri interni.

Per quanto riguarda la sicurezza e la tracciabilità dei dati, la ricerca condotta ha portato allo sviluppo di un PoC delle tecnologie di distributed ledger (blockchain): gli smart contracts sono scritti in linguaggio Solidity e testati sulla test network Rinkeby prima di essere pubblicati attraverso la piattaforma Ethereum. Relativamente agli algoritmi di data analytics che vengono impiegati in REACT è stata svolta un’ampia ricerca bibliografica e sono state approfondite le conoscenze su algoritmi di intelligenza artificiale che possono essere sfruttati in modo efficace nel sistema REACT. L’utilizzo di reti neurali artificiali ricorrenti quali le LSTM consente di modellare le serie temporali e si rivela efficace sia nella previsione di variabili di interesse agricolo come ad esempio il livello dei canali irrigui, sia come base per la costruzione di modelli più complessi di Deep Learning come gli Encoder-Decoder, che sono stati utilizzati con buon successo nel PoC realizzato per il monitoraggio delle colture in serra. Algoritmi di clustering si sono rivelati efficaci per classificare il territorio in base al rischio derivante da eventi meteorologici estremi, un’informazione di particolare rilievo per la stipula di contratti assicurativi in ambito agricolo.

Le attività svolte nell’ambito del progetto REACT hanno portato alla realizzazione di cinque articoli scientifici, di cui due sono già stati pubblicati, due sono prossimi alla sottomissione e uno è in fase di scrittura.

Inizio: 02/08/2019
Fine: 19/07/2021