Coupling water footprint modelling, satellite earth observation and meteorological data for irrigation volume savings in Mediterranean orchards

The research activity focuses on the analysis, modelling, andmonitoring of water footprint (i.e., the assessment of actualevapotranspiration, transpiration, evaporation, soil water content and,irrigation supplies) in irrigated agricultural systems, with particularemphasis on Mediterranean perennial crops such as citrus and oliveorchards. The activity is contextualized within the climate changetopic and, particularly, on the increasing water scarcity andsustainable agricultural practices. Given that, agriculture representsthe largest consumer of freshwater resources worldwide (~70% offreshwater is used for agriculture purposes), improving irrigationvolume savings and optimizing water use have become pivotal. In thisperspective, the research aims to contribute to the development ofadvanced data-driven tools capable of supporting decision-makingprocesses in modern precision agriculture systems.The main goal of the research is based on the integration ofmultiple data sources and modelling approaches to better understandand quantify the processes ruling water exchanges within the Soil–Plant–Atmosphere (SPA) continuum. SPA continuum represents adynamic system in which water moves from the soil, through plantroots and leaves, and finally to the atmosphere via evapotranspiration(joint effect of transpiration and evaporation). Accurately describingthese processes is essential for estimating crop water requirementsand improving irrigation scheduling. To address this complexity, thestudy combines in situ measurements with advanced modelling andsatellite remote sensing techniques, allowing the setup of acomprehensive, multi-disciplinary and multi-scale analyticalapproach.The experimental activity was conducted in two representativeagricultural systems located in Sicily: an olive and a citrus orchard.These cultivars were selected due to their relevance in regionalagriculture and their different resilience to water stress conditions.Both sites are equipped with instruments collecting key variables dataof the SPA continuum, including soil water content probes, standardmeteorological stations, sap flow probes and, eddy covariance fluxtowers. In situ measurements served a dual role: as input data formodel calibration and, as a reference for validating model outputs;thus, ensuring robust and reliable results.In parallel with in situ observations, the research explored the useof alternative meteorological databases, particularly, reanalysis andforecasting datasets. Products such as ERA5-Land (reanalysisdatabase) were analyzed to assess their reliability as surrogate of insitu measurements, especially in areas where in field data are scarceor unavailable.A key component of the research is the integration within waterfootprint models of satellite remote sensing data, which enables themonitoring of crop health and soil conditions over large areas in anon-invasive and spatially distributed way. Satellite platforms such asMODIS, Sentinel-2, Landsat-8 and -9 and PlanetScope were used toretrieve vegetation indices and biophysical variables, including theNormalized Difference Vegetation Index (NDVI), the NormalizedDifference Water Index (NDWI) and the Fractional Vegetation Cover(FVC). Furthermore, the use of satellite data significantly improvedthe estimation accuracies, allowing the transition from point-scaleanalyses to spatially distributed assessments at field and irrigationdistrict scales.Exclusively for the citrus orchard several approaches wereassessed including: a Soil Water Balance (SWB) model, namedSAtellite Monitoring of Irrigation (SAMIR); a Surface EnergyBalance (SEB) model named Soil Plant Atmosphere and RemoteSensing Evapotranspiration (SPARSE); a carbon-based partitioningmethod.SAMIR was used to simulate the daily evolution of soil watercontent and to estimate actual transpiration and evaporation. SWBmodels are relatively simple with a direct impact on irrigationmanagement (operational applications). SPARSE was also set up toestimate actual evapotranspiration as a residual term of the energybalance at surface. SEB models benefit from the integration of remotesensing data and land surface temperature particularly, even if theysuffer uncertainties of atmospheric input variables. A partitioningmodel based on the relationship between carbon assimilation andwater vapor exchange allowed to split in situ actualevapotranspiration, monitored by the flux tower, into transpirationand evaporation for further comparisons. Outcomes from SAMIR,SPARSE and partitioning method were also cross compared.On both citrus and olive orchards, a Machine Learning (ML)technique allowed determining actual evapotranspiration. The setupof this ML model is one of the major innovations of this research. TheML model allows capturing complex, nonlinear relationships amongmeteorological variables, soil water content, and vegetation indices.This model was trained using both in situ (or reanalysis) and remotelysensed data, allowing to leverage the strengths of multiple datasources.Building on these findings, the step forward was the developmentof an innovative model for irrigation management, namedIRRILEARNING. It was initially developed and calibrated within theolive orchard experimental site and, subsequently applied to otherolive orchard fields located within the same irrigation district. Themodel was specifically designed to support irrigation decisionmakingunder different production objectives, allowing analyses forboth oil production and table olive production. This model integratesthe ML model with a SWB model providing crop water needassessments. IRRILEARNING was set up to operate for threedifferent aims: i) support and check; ii) forecasting; iii) scenariomanagement.Main general results are here following summarized:• Reanalysis data represents reliable alternatives tometeorological variables, making them particularly suitable for largescaleapplications and long-term analyses. Nevertheless, somediscrepancies were observed at the local scale, mainly due todifferences in spatial resolution limiting their ability to capture sitespecificconditions. Despite these limitations, reanalysis datarepresents a valuable resource for supporting both water footprintmodelling and irrigation management, especially in data-scarceenvironments;• SAMIR was found to be effective for irrigation managementdue to its simplicity and direct connection to soil water contentdynamics, even if it requires accurate parameterization. It is simple tobe applied, and it provides continuous daily outcome time-series;however, by solving the daily soil water balance, it relies onvegetation stress needing irrigation data or the setup of rules onirrigation strategy;• SPARSE offers better spatial representation but is moresensitive to measurement errors. Although model applications arelimited to cloud-free satellite acquisitions, it provides high accuracyestimation of all the instantaneous components of the surface energybalance;• Carbon-driven model results are quietly good; it requires nogapand long input data timeseries to be implemented; thus, it islimited by sensors operativeness;• ML model provides a powerful data-driven alternative,although its performance heavily depends on the quality and quantityof input data;• IRRILEARNING is capable to simulate irrigation schedulingunder different management strategies and climatic conditions. At thefield scale, IRRILEARNING can reproduce the temporal evolution ofkey variables such as actual evapotranspiration, soil water contentand, water stress coefficient. Overall, results demonstrate thatIRRILEARNING is a flexible and robust tool for irrigationmanagement, capable of adapting to different production objectivesand climatic scenarios while promoting significant water savingsallowing improvements in water resource use efficiency.In conclusion, this research demonstrates that the integration ofadvanced technologies, such as remote sensing, ML, and multi-sourcedata assimilation, represents an effective and innovative strategy forimproving irrigation volumes savings in agriculture. Theseapproaches contribute to reducing water consumption, increasingwater use efficiency, and strengthening the resilience of agriculturalsystems to climate variability and change, in line with the principlesof Agriculture 4.0. Furthermore, they are consistent with the strategicpriorities of Horizon Europe, particularly the missions on ClimateChange Adaptation and Soil Health and Food, as well as with theSustainable Development Goals (SDGs), including Goal 2 (ZeroHunger), Goal 13 (Climate Action), and Goal 15 (Life on Land),thereby supporting the transition towards more sustainable andclimate-resilient farming systems.

L’attività di ricerca si concentra sull’analisi, la modellazione e ilmonitoraggio del water footprint (i.e., la valutazionedell’evapotraspirazione effettiva, della traspirazione,dell’evaporazione, del contenuto idrico del suolo e degli apportiirrigui) nei sistemi agricoli irrigui, con particolare attenzione allecolture perenni mediterranee come agrumeti e oliveti. L’attività èinquadrata nel contesto del cambiamento climatico e, in particolare,nella crescente scarsità d’acqua e nella necessità di pratiche agricolesostenibili. Considerando che l’agricoltura rappresenta il principaleconsumatore di risorse idriche a livello globale (~70% dell’acquadolce è utilizzata per scopi agricoli), il miglioramento del risparmiodei volumi irrigui e l’ottimizzazione dell’uso dell’acqua sonodiventati aspetti fondamentali. In questa prospettiva, la ricerca mira acontribuire allo sviluppo di strumenti avanzati basati sui dati, capacidi supportare i processi decisionali nei sistemi moderni di agricolturadi precisione.L’obiettivo principale della ricerca si basa sull’integrazione dimolteplici fonti di dati e approcci modellistici per comprendere equantificare meglio i processi che regolano gli scambi idrici nelcontinuum Suolo–Pianta–Atmosfera (SPA). Il continuum SPArappresenta un sistema dinamico in cui l’acqua si muove dal suolo,attraverso le radici e le foglie della pianta, fino all’atmosfera tramitel’evapotraspirazione (effetto combinato di traspirazione edevaporazione). Descrivere accuratamente questi processi è essenzialeper stimare il fabbisogno idrico delle colture e migliorare la gestionedell’irrigazione. Per affrontare questa complessità, lo studio combinamisure in situ con modellistica avanzata e tecniche di remote sensingsatellitare, consentendo l’impostazione di un approccio analiticocompleto, multidisciplinare e multiscala.L’attività sperimentale è stata condotta in due sistemi agricolirappresentativi situati in Sicilia: un oliveto e un mandarineto. Questecolture sono state selezionate per la loro rilevanza nell’agricolturaregionale e per la loro diversa resilienza alle condizioni di stressidrico. Entrambi i siti sono dotati di strumenti per la raccolta divariabili chiave del continuum SPA, tra cui sonde per il contenutoidrico del suolo, stazioni meteorologiche standard, sensori di flussolinfatico e torri di eddy covariance. Le misure in situ hanno svolto unduplice ruolo: fornire dati di input per la calibrazione dei modelli efungere da riferimento per la validazione dei risultati, garantendo cosìrobustezza e affidabilità.Parallelamente alle osservazioni in situ, la ricerca ha esploratol’uso di database meteorologici alternativi, in particolare dataset dirianalisi e previsione. Prodotti come ERA5-Land sono stati analizzatiper valutarne l’affidabilità come sostituti delle misure in situ,soprattutto nelle aree dove i dati di campo sono scarsi o assenti.Un elemento chiave della ricerca è l’integrazione, nei modelli di waterfootprint, dei dati di remote sensing satellitare, che consentono ilmonitoraggio dello stato delle colture e delle condizioni del suolo suampie superfici in modo non invasivo e distribuito spazialmente.Piattaforme satellitari come MODIS, Sentinel-2, Landsat-8 e -9 ePlanetScope sono state utilizzate per ricavare indici di vegetazione evariabili biofisiche, tra cui Normalized Difference Vegetation Index(NDVI), Normalized Difference Water Index (NDWI) e FractionalVegetation Cover (FVC). Inoltre, l’uso dei dati satellitari hamigliorato significativamente l’accuratezza delle stime, permettendoil passaggio da analisi puntuali a valutazioni distribuite a scala dicampo e di distretto irriguo.Esclusivamente per il mandarineto sono stati valutati diversiapprocci, tra cui: un modello di bilancio idrico del suolo denominatoSAtellite Monitoring of Irrigation (SAMIR); un modello di bilancioenergetico superficiale denominato Soil Plant Atmosphere andRemote Sensing Evapotranspiration (SPARSE); e un metodo dipartizionamento basato sulla misura della concentrazione di CO2.SAMIR è stato utilizzato per simulare l’evoluzione giornaliera delcontenuto idrico del suolo e per stimare la traspirazione el’evaporazione. I modelli di bilancio idrico del suolo sonorelativamente semplici e hanno un impatto diretto sulla gestioneirrigua (applicazioni operative). SPARSE è stato impiegato perstimare l’evapotraspirazione effettiva come termine residuo delbilancio energetico superficiale. I modelli di bilancio energeticosuperficiale beneficiano dell’integrazione dei dati di remote sensing edella temperatura della superficie, ma soffrono di incertezze legatealle variabili atmosferiche. Il modello basato sulla concentrazione diCO2 ha permesso di suddividere l’evapotraspirazione effettivamisurata dalla torre di eddy covariance in traspirazione edevaporazione per confronti successivi. I risultati di SAMIR, SPARSEe del metodo di partizionamento sono stati confrontati tra loro.Sia per il mandarineto che per l’oliveto, una tecnica di MachineLearning (ML) è stata utilizzata per determinare l’evapotraspirazioneeffettiva. Lo sviluppo di questo modello ML rappresenta una delleprincipali innovazioni della ricerca, in quanto consente di catturarerelazioni complesse e non lineari tra variabili meteorologiche,contenuto idrico del suolo e indici di vegetazione. Il modello è statoaddestrato utilizzando dati in situ (o di rianalisi) e dati satellitari,sfruttando i punti di forza di diverse fonti di dati.Sulla base di questi risultati, è stato sviluppato un modelloinnovativo per la gestione irrigua, denominato IRRILEARNING.Inizialmente sviluppato e calibrato nell’oliveto sperimentale, è statosuccessivamente applicato ad altri oliveti dello stesso distretto irriguo.Il modello è progettato per supportare le decisioni irrigue in funzionedi diversi obiettivi produttivi, sia per la produzione di olio che di oliveda tavola. IRRILEARNING integra il modello ML con un modellobilancio idrico del suolo per la stima dei fabbisogni idrici. È statoconfigurato per tre finalità: i) supporto e verifica; ii) previsione; iii)gestione di scenari.I principali risultati possono essere così riassunti:• I dati di rianalisi rappresentano una valida alternativa allevariabili meteorologiche, soprattutto per applicazioni su larga scala eanalisi di lungo periodo, sebbene presentino alcune discrepanze ascala locale;• SAMIR è efficace per la gestione irrigua grazie alla suasemplicità e alla connessione diretta con la dinamica dell’acqua nelsuolo, pur richiedendo una corretta parametrizzazione;• SPARSE offre una migliore rappresentazione spaziale ma è piùsensibile agli errori di misura;• Il modello basato sulla concentrazione di CO2 fornisce risultatisoddisfacenti, ma richiede serie temporali complete e senzainterruzioni;• Il modello ML rappresenta un potente approccio data-driven, lacui efficacia dipende dalla qualità e quantità dei dati;• IRRILEARNING è in grado di simulare la gestione irrigua indiversi scenari, migliorando significativamente l’efficienza d’usodell’acqua.In conclusione, la ricerca dimostra che l’integrazione di tecnologieavanzate, come il remote sensing, ML e assimilazione di dati multisorgente,rappresenta una strategia efficace e innovativa permigliorare il risparmio idrico in agricoltura. Questi approccicontribuiscono a ridurre i consumi idrici, aumentare l’efficienza erafforzare la resilienza dei sistemi agricoli ai cambiamenti climatici,in linea con i principi dell’Agricoltura 4.0, le priorità di HorizonEurope e gli Obiettivi di Sviluppo Sostenibile (SDGs).