LA PROGETTAZIONE DI UN SOFTWARE PER LA GESTIONE …aquater.entecra.it/atti_aquater/pdf/Atti AQUATER_...
Transcript of LA PROGETTAZIONE DI UN SOFTWARE PER LA GESTIONE …aquater.entecra.it/atti_aquater/pdf/Atti AQUATER_...
Atti Progetto AQUATER, Bari, 31 ottobre 2007, 163-173
LA PROGETTAZIONE DI UN SOFTWARE PER LA GESTIONE DEI SISTEMI IRRIGUI
Marco Acutis1, Patrizia Trevisiol
1, Alessia Perego
1, Michele Rinaldi
2
1 Dipartimento di Produzione Vegetale. Università degli Studi di Milano
2 CRA - Unità di Ricerca per i Sistemi Colturali degli Ambienti caldo-aridi. Bari
Introduzione
La necessità della corretta gestione dell’acqua irrigua è ormai una esigenza assolutamente
impellente, visto il progressivo ridursi della disponibilità della risorsa stessa, in particolare
in ambienti mediterranei e in quelli già caratterizzati da scarsa disponibilità idrica
(Tuberosa et al., 2007). In particolare concorrono al problema l’ormai apprezzabile
riduzione delle precipitazioni naturali (Piccarreta et al., 2006), e l’incremento dell’uso
dell’acqua per necessità industriali e civili in aree in via di rapido sviluppo. Si aggiunga
ancora che il problema è probabilmente destinato ad aggravarsi in futuro, stante la
previsione di ulteriore riduzione delle precipitazioni stimato dai principali studi
sull’evoluzione del clima (Alcamo et al., 2007).
La necessità di produzione di alimenti, la ricerca di alta qualità delle produzioni
agricole e della loro sostenibilità economica impone in ambiente mediterraneo, sempre più
frequentemente il ricorso alla pratica irrigua. Infatti solo la coltivazione del frumento duro
o altri cereali autunno-vernini può essere effettuata senza il ricorso all’irrigazione, (e si fa
notare che in diversi ambienti nord-africani il frumento è frequentemente irrigato - Oweis
et al., 1998) mentre per praticamente tutte le altre colture, arboree ed erbacee, l’irrigazione
è indispensabile per conseguire rese economiche sufficienti.
Un ulteriore problema per l’agricoltura deriva dall’incremento del costo dell’acqua
stessa, in crescita per via della competizione con altri settori. Questa serie di esigenze
impone che la gestione irrigua sia la più razionale possibile, evitando ogni forma di spreco
della risorsa idrica. Una delle componenti più rilevanti del risparmio idrico è
l’identificazione dei tempi e delle altezze di intervento, in modo da evitare deficit
produttivi delle colture dovuti a carenza idrica, e, nel contempo, evitare sprechi di acqua
per percolazione profonda. Ulteriori problemi connessi ad uno scorretto uso dell’acqua
irrigua derivano nei suoli argillosi dalla formazione di zone a elevato contenuto idrico e
quindi in condizioni anaerobiche, che, sebbene temporanee, possono esporre a
denitrificazione con emissione di N2O e NOx (Grundmann and Rolston 1987, Bateman e
Baggs, 2005). Mentre a scala di singolo appezzamento è possibile ottenere una
ottimizzazione dell’uso della risorsa idrica attraverso la stesura di bilanci idrici, anche
informatizzati (Raes et al., 2006), o anche attraverso la misura diretta dell’umidità del
suolo o del potenziale idrico, a scala comprensoriale la tecnologia appare difficilmente
applicabile per la mancanza delle informazioni necessarie, prima fra tutte quelle relative
all’uso del suolo, e alla gestione delle colture. Si rivela quindi indispensabile ricorrere a
strumenti informativi esterni che possano integrare la base di cartografia pedologica e i dati
meteorologici real time ormai frequentemente disponibili, per sopperire alle carenze
precedentemente evidenziate. Tali strumenti sono identificabili nel telerilevamento, che
può offrire svariati tipi di informazione, tra le quali stime di biomassa (Launay e Guerif,
2005) e area fogliare delle stesse (Hoffmann e Blomberg, 2004) e quali colture sono
presenti in un certo momento (Blaes et al., 2005). Inoltre, dai dati telerilevati sono
stimabili, seppur con maggior incertezza, date di semina e/o di ripresa vegetativa e
contenuto idrico dello strato superficiale del terreno.
164
L’obbiettivo di questo lavoro è quindi di porre le basi, anche in termini di prototipo,
per sviluppare un software per l’ottimizzazione delle tattiche e strategie per la gestione
dell’irrigazione a scala comprensoriale, in grado di avvalersi dell’informazione proveniente
dal telerilevamento a integrazione dell’informazione disponibile al suolo.
Materiali e metodi
Tecniche per l’implementazione del software
Nello sviluppo di un software che prevede l’applicazione della più attuale conoscenza
scientifica al mondo reale è particolarmente importante, oltre alla correttezza e alla
consistenza concettuale di quali scelte si adottano per la rappresentazione del sistema in
esame, rispettare anche una serie di requisiti informatici necessari per garantire
l’affidabilità, la qualità, la facilità di aggiornamento, manutenzione ed estensione del
software sviluppato. In generale, appare sempre più difficile identificare fin dall’inizio
esattamente tutti i requisiti funzionali che un software dovrebbe avere, come indicato dalle
metodologie standard dell’architettura del software quali il Rational Unified Process (RUP)
(Kruchten, 2001). Appaiono in generale meglio applicabili le tecnologie che fanno
riferimento allo sviluppo cosiddetto “Agile” (Cohen et al., 2004) poiché la realizzazione
del software stesso rappresenta una possibilità di applicazione, verifica e messa a punto
delle conoscenze scientifiche, diventando a sua volta molto di più di un semplice
applicativo con finalità pratiche. L’adozione del paradigma “Agile” consente il frequente
rilascio di versioni, e quindi la loro verifica su dati reali che si vanno acquisendo,
consentendo contemporaneamente sia lo sviluppo delle necessarie componenti scientifiche,
sia quello dell’interazione tra software e utenti.
In particolare, si è cercato di ricorrere il più possibile ad architetture già esistenti, e al
riutilizzo di quanto disponibile, sia internamente al gruppo di ricerca, sia esternamente. Il
software è quindi derivante dall’integrazione di componenti, intercambiabili ed estensibili,
che, opportunamente collegati tra loro, vanno a costituire l’ossatura del programma stesso
(Rizzoli, 2005). Il programma è stato sviluppato per l’ambiente Net, utilizzando VBNet e
C#, e per diverse funzionalità standard, appoggiandosi ad altri tools di libera disponibilità.
Per l’implementazione del software secondo le metodologie sopra esposte si rende
necessario l’uso di un linguaggio orientato agli oggetti e l’utilizzo di UML (Unified
modelling language) per la descrizione del software stesso (Ferrara e Rana, 2006).
Analisi dei requisiti
Il software in sviluppo dovrà ottemperare a una serie di requisiti, che al momento attuale
sono definiti solo come livello iniziale. Con il succedersi delle release, nuovi requisiti
potranno essere aggiunti, mentre altri potrebbero non rilevarsi più necessari. Dovendo il
software operare a scala territoriale, un primo requisito è che sia in grado di rappresentare
unità idrologiche distinte, ognuna con le proprie caratteristiche differenti dalle altre per
suolo, coltura, dati meteorologici (Flügel , 2006); tali unità sono note in letteratura come
HRU (Hydrologic Response Units). Alcune di queste unità potranno essere anche
“ripetute” nel senso che possono esistere più appezzamenti con le stesse caratteristiche, ma
non adiacenti. Oltre al requisito base, i requisiti fino ad ora identificati, e suddivisi per
categorie funzionali, sono riassunti in tabella 1.
165
Tabella 1. Requisiti del software.
Accesso ai dati Modellistica Presentazione output Analisi what-if
Ogni HRU deve
accedere a specifici
parametri di suolo e ai
propri dati
meteorologici
Simulazione dei
consumi idrici attraverso
la stima FAO56 o
stimando direttamente la
resistenza colturale
Report comprensoriali
sui consumi idrici
Possibilità di analizzare,
su dati storici, altri
ordinamenti colturali e
metodologie irrigue
Deve essere possibile
l’aggiornamento in real
time della meteorologia
Dinamica dell’acqua nel
suolo attraverso
Cascading, ISBA o
risoluzione
dell’equazione di
Richards
Rappresentazione in
formato compatibile GIS
delle principali variabili
di interesse, cella per
cella
Generazione di alert
specifici per la necessità
di irrigazione
Accesso ai dati da
telerilevamento, forcing
e assimilation
Simulazione della
crescita delle colture
erbacee proprie degli
areali meridionali
Processi simulati
La modellizzazione dello sviluppo e della crescita delle colture fanno riferimento al
modello Stamina, (Acutis et al., 2007, Richter et al., 2006) che è un modello della
cosiddetta “School of de Wit” (van Ittersum et al., 2003). Il modello è basato sulla
simulazione dell’assimilazione lorda di CO2 e della respirazione di mantenimento e
crescita, adottando gli stessi principi di base di SUCROS (van Keulen et al., 1982) e
WOFOST (van Keulen and Wolf, 1986; Boogaard et al., 1998). Rispetto a questi ultimi il
modello Stamina è migliorato poiché implementa uno specifico modulo per la simulazione
della germinazione e dell’emergenza (Bechini et al., 2004), e per il maggior dettaglio nel
descrivere il processo di intercettazione della radiazione entro la canopy. L’effetto dello
stress idrico è modellizzato secondo Sinclair (1986) e Richter et al., (2001), in accordo con
la seguente formula:
}{1
)(exp1
2
rel
−−+
=θd
stressf
f
dove fstress è il coefficiente di riduzione dell’assimilazione totale in funzione dello stress
idrico, θrel è l’umidità del suolo percentuale rispetto alla saturazione, e fd è un fattore
specifico variabile da 4 a 14, dipendente dalla coltura e dallo stadio fenologico, in accordo
con la sensibilità allo stress idrico. L’assorbimento radicale è modellizzato secondo
approcci che possono anche compensare disomogeneità della distribuzione dell’umidità tra
i vari strati di suolo.
La simulazione della redistribuzione dell’acqua nel suolo è fatta secondo tre opzioni,
ognuna delle quali idonea a specifiche condizioni operative. L’opzione di default è la
risoluzione dell’equazione di Richards, secondo quanto proposto da van Dam e Feddes
(2000) e come implementato nel modello SWAP. Tale simulazione garantisce le migliori
simulazioni del contenuto idrico del suolo, data la sua rigorosa base fisica, supportata da
numerosissime ricerche e applicazioni, e perciò preferibile rispetto alle altre scelte
implementate per qualsiasi scenario. Tuttavia per la sua applicazione sono richiesti lunghi
tempi di calcolo; questo fatto può renderne onerosa l’applicazione in situazioni dove il
166
numero di HRU da simulare sia particolarmente alto, e il periodo considerato
particolarmente lungo. Infatti, applicando l’equazione di Richards, il tempo di simulazione
di una HRU per una stagione colturale è di circa 30 secondi utilizzando un calcolatore
Pentium dual core a 2 GHz. Nell’ipotesi di tempi di simulazione inaccettabili, sono
disponibili l’approccio del cascading (modello a serbatoi) e l’approccio ISBA (Noilhan and
Planton, 1989). Quest’ultimo è basato su meccanismi di forcing-restore dei contenuti idrici
e divide il suolo in 2 strati, di cui quello più superficiale, di pochi centimetri di spessore, è
soggetto all’evaporazione; è basato sugli stessi principi fisici dell’equazione di Richards, di
cui rappresenta una semplificazione, tuttavia non consente di simulare in dettaglio l’effetto
dell’approfondimento degli apparati radicali, e neanche l’eventuale presenza di una falda
(che d’altra parte non è frequente in ambienti meridionali). L’approccio a serbatoi, sebbene
privo di una consistente base fisica, può essere un’alternativa utilizzabile quando non vi è
presenza di falda e non vi sono spiccate differenze tessiturali tra i diversi orizzonti del
suolo, pur non offrendo la possibilità di simulare contenti idrici superiori alla capacità di
campo; appare quindi poco utilizzabile in terreni pesanti a scarso drenaggio.
“Forcing” e assimilazione del dato telerilevato
L’uso del dato proveniente dal telerilevamento può essere utilizzato con diverse finalità. Se
è noto quale coltura è presente in un dato momento, e se è possibile conoscere, almeno
approssimativamente, la data di impianto della coltura, allora il dato telerilevato può essere
utilizzato per il forcing del modello. La procedura di forcing adottata è basata sui dati di
LAI provenienti dal telerilevamento. Il modello, oltre ad assumere come LAI effettiva
quella misurata, ricalcola, sulla base del valore simulato della Specific Leaf Area (SLA) in
quel momento, il peso delle foglie, e da questo, in base ai valori di ripartizione della
biomassa tra i diversi organi della pianta, la biomassa di ognuno di essi e la biomassa totale
della coltura. Dal punto di vista tecnico, il software può effettuare il forcing ogni volta che
è disponibile un dato di LAI.
La determinazione della possibile data di semina in funzione del primo valore
acquisito di LAI è ancora in fase di studio; se dal punto di vista teorico il problema non
appare difficoltoso, essendo sufficiente simulare con il modello una possibile gamma di
date di semina, e in quest’intervallo scegliere quella che consente di ottenere il valore di
LAI (o di biomassa) acquisito esternamente, occorre anche valutare il peso dell’errore della
misura esterna e l’effetto delle approssimazioni del modello per verificare se
effettivamente la predizione della data di semina ha valore pratico rilevante per il problema
in esame.
La definizione della coltura presente in ogni HRU è invece un input che deve essere
fornito dall’esterno. Poiché tale input è talvolta soggetto a errori, è previsto che il sistema
possa comunque “riprogrammarsi” sulla reale coltura presente.
Risultati
Calibrazione e validazione del modello
Il modello di crescita colturale è già stato utilizzato in altre applicazioni in ambiente
meridionale e per colture irrigue, valutando anche la capacità di rispondere a condizioni di
stress idrico. Le tabelle seguenti, estrapolate da Richter et al. (2006), riportano valori del
167
tutto favorevoli degli indici di valutazione della qualità delle simulazioni fatte con il
modello utilizzato nel Progetto.
La tabella 2 indica, per una coltura di non facile modellazione come la barbabietola
in semina autunnale, efficienze di modellazione particolarmente alte per la biomassa totale
e utile, superiori a 0.95 e, comunque, del tutto adeguate anche per la simulazione dello
sviluppo delle superfici fogliari.
La tabella 3, relativa a barbabietola irrigata secondo diverse opzioni di risparmio
idrico e, quindi, in presenza anche di stress idrici, conferma la capacità del modello di
simulare questa coltura anche in condizioni di stress idrico, per quanto l’efficienza di
simulazione cali nettamente per la simulazione delle superfici fogliari. Proprio in questa
situazione potrebbe essere di particolare importanza poter operare il forcing del LAI con
dati esterni.
Tabella 3. Indici di valutazione del modello di simulazione per la barbabietola a Foggia, in condizioni di
diversa disponibilità irrigua, per il triennio 2000-2003.
Err
ore
quad
ratico
med
io
Gen
eral
Sta
ndar
d
Dev
iation
Eff
icie
nza
di
model
lazi
one
Index
of
agre
emen
t
Coef
fici
ente
di
det
erm
inaz
ione
Mea
n B
ias
erro
r
Coef
fici
ente
di
mas
sa r
esid
ua
(RMSE) (GSD) (EF) (d) (CD) (MBE) (CRM)
Biomassa totale (g m-2) 2067 0.21 0.94 0.98 0.75 -1045 0.107
Produzione (g m-2) 1202 0.24 0.93 0.98 1.00 -234 0.057
LAI (m2 m
-2) 1.11 0.55 0.45 0.90 1.77 0.78 -0.397
Dati non riportati (da Richter et al., 2007) confermano inoltre buone qualità di
simulazione del modelo su dati pluriennali relativi a girasole e frumento duro, ad indicare
la validità dell’approccio adottato, che non è specifico per una singola coltura, ma prevede
solo una serie di parametri (lunghezza delle fenofasi, efficienza fotosintetica, ripartizione
degli assimilati nel corso del ciclo di sviluppo) da definire per ogni nuova coltura che si
voglia implementare.
Tabella 2. Indici di valutazione del modello di simulazione per la barbabietola a Foggia, per il biennio
2000-2002.
Err
ore
quad
ratico
med
io
Gen
eral
Sta
ndar
d
Dev
iation
Eff
icie
nza
di
model
lazi
one
Index
of
agre
emen
t
Coef
fici
ente
di
det
erm
inaz
ione
Mea
n B
ias
erro
r
Coef
fici
ente
di
mas
sa r
esid
ua
(RMSE) (GSD) (EF) (d) (CD) (MBE) (CRM)
Biomassa totale (g m-2) 1746 0.16 0.96 0.99 0.81 -1109 0.107
Produzione (g m-2) 1146 0.18 0.95 0.98 0.87 -672 0.106
LAI (m2 m
-2) 0.66 0.22 0.88 0.96 0.92 0.25 -0.093
168
Forcing del LAI
Le immagini disponibili al momento non sono ancora accompagnate dal set completo di
dati agrometeorologici e la funzione che correla i parametri ottici al LAI richiede ancora un
perfezionamento, cosicché, per una prima valutazione dei possibili miglioramenti ottenibili
con il forcing del LAI, si è fatto riferimento ai dati sperimentali utilizzati per la
calibrazione del modello su bietola in semina autunnale. In particolare, sono stati utilizzati
i dati misurati in esperimenti condotti a Foggia nelle stagioni colturali 2000-2001 e 2001-
2002, sui quali è stato applicato il modello calibrato precedentemente, con e senza il
forcing del LAI. Nell’anno 2001 il forcing del LAI è stato applicato in un solo momento, a
fine aprile, quando si suppone di avere a disposizione il primo set di spettri dal
telerilevamento attraverso i quali stimare l’NDVI e quindi, da esso, il LAI. Nell’anno 2002
il forcing è stato applicato in 2 momenti, il 9 aprile e il 6 giugno, sempre in corrispondenza
di possibili date di disponibilità del dato telerilevato. Nel 2001, alla data del forcing il LAI
risultava sottostimato di circa 1.5, mentre nel 2002, relativamente alla prima data, il
modello tendeva a sovrastimare i valori di LAI rispetto ai dati misurati, mentre nel secondo
momento i valori simulati di LAI risultavano molto sottostimati. I risultati sono sintetizzati
nelle figure seguenti:
Figura 1. Effetto del forcing del LAI sull’andamento successivo del LAI stesso e sulla biomassa. Foggia,
anno 2000-01.
Figura 2. Effetto del forcing del LAI sull’andamento successivo del LAI stesso e sulla biomassa. Foggia,
anno 2001-02.
Foggia 2001-02 - Biomassa radicale (fittoni)
0
5000
10000
15000
20000
28/07/01 05/11/01 13/02/02 24/05/02 01/09/02
Data
kg ha-1
Dati simulati
Dati misurati
Forcing LAI
Foggia 2001-02 - Leaf Area Index
0
2
4
6
8
28/07/01 05/11/01 13/02/02 24/05/02 01/09/02
Data
m2 m
-2
Dati simulati
Dati misurati
Forcing LAI
Foggia 2000-01 - Biomassa radicale (fittoni)
0
5000
10000
15000
20000
01/10/2000 09/01/2001 19/04/2001 28/07/2001 05/11/2001
Data
kg ha-1
Dati simulati
Dati misurati
Forcing LAI
Foggia 2000-01 - Leaf Area Index
0
2
4
6
8
01/10/2
000
20/11/2
000
09/01/2
001
28/02/2
001
19/04/2
001
08/06/2
001
28/07/2
001
16/09/2
001
Data
m2 m
-2
Dati simulati
Dati Misurati
Forcing LAI
Foggia 2000-01 - Biomassa radicale (fittoni)
0
5000
10000
15000
20000
01/10/2000 09/01/2001 19/04/2001 28/07/2001 05/11/2001
Data
kg ha-1
Dati simulati
Dati misurati
Forcing LAI
Foggia 2000-01 - Leaf Area Index
0
2
4
6
8
01/10/2
000
20/11/2
000
09/01/2
001
28/02/2
001
19/04/2
001
08/06/2
001
28/07/2
001
16/09/2
001
Data
m2 m
-2
Dati simulati
Dati Misurati
Forcing LAI
169
Il forcing del LAI ha notevolmente migliorato la performance del modello nel
simulare il LAI stesso, determinando effetti positivi anche sulla qualità della simulazione
dell’andamento nel tempo della biomassa, sia totale sia utile. I risultati qui mostrati
dimostrano evidentemente l’utilità della procedura, ma anche la necessità di avere accurate
stime di LAI sulle quali effettuare il forcing. In ogni caso, il dato telerilevato rimane
indispensabile per la stima della data di inizio del ciclo delle colture; infatti, assumendo
date standard di inizio coltura, la predizione modellistica risulta notevolmente peggiorata
in caso di semine più anticipate o tardive. L’uso di dati da telerilevamento è quindi un
requisito indispensabile poter stimare, anche approssimativamente, la data di semina di una
coltura.
Implementazione del software
In termini di architettura del software, il modello di simulazione colturale è stato
implementato con un software GIS. Il modello è stato integrato con le parti necessarie al
collegamento con le rappresentazioni cartografiche e i relativi database. Ora infatti può
acquisire i dati presenti nei files SHP (formato definito da ESRI e utilizzato dalla totalità
dei software GIS) e aggiornarli con i dati relativi a diversi indicatori. Inoltre, internamente
al software, è stato implementato un tool per la rappresentazione cartografica.
I risultati fanno riferimento alla versione prototipale del software disponibile a
dicembre 2007. Alcuni esempi di rappresentazioni ottenibili sono mostrati nelle figure
seguenti. La cartografia prodotta si riferisce a dati fittizi; è riportata infatti a titolo di
esempio e si riferisce ad un’area del comune di Lucera (Foggia). Gli esempi riportati si
riferiscono alle colture presenti in data 10/4 e 20/6, allo stadio fenologico raggiunto dalla
coltura di bietola il 10/4 ed allo stress idrico di una coltura di pomodoro in data 20/6
(Figg. 3-6).
Figura 3. Esempi di rappresentazioni grafiche ottenibili con il software sviluppato: colture al
10/4 per l’area di Lucera.
170
Figura 4. Esempi di rappresentazioni grafiche ottenibili con il software sviluppato: Colture al 20/6
per l’area di Lucera.
Figura 5. Esempi di rappresentazioni grafiche ottenibili con il software sviluppato: stadi fenologici
della bietola al 10/4.
171
Figura 6. Esempi di rappresentazioni grafiche ottenibili con il software sviluppato: stress idrico del
pomodoro al 20/6, in una parte del territorio di Lucera (funzione Zoom).
Il modello è ora quindi in grado di accedere a database geografici (formato shape
file) con le caratteristiche dei suoli di ogni unità di simulazione, e di far riferimento,
sempre per ogni unità omogenea, ai dati di una specifica stazione agrometeorologica.
Il modello è stato predisposto per l’utilizzo, in fase di forcing, dei dati derivanti
dall’analisi dell’immagine.
E’ in fase di analisi e prime prove l’assimilazione dei dati delle immagini, al fine di
predire la data di semina. La predizione della data di semina delle colture, in base ad
immagini successive alla semina stessa è di particolare importanza, essendo i consumi
idrici e l’effetto dello stress idrico dipendenti dalle fenofasi, ed essendo queste ultime
dipendenti dalla data di semina e dall’andamento meteorologico. La predizione della data
di semina avviene attraverso un processo di approssimazioni successive, facendo ripartire
la simulazione in corrispondenza di diverse date, al fine di trovare quella che porta a indici
di area fogliare il più prossimi possibili a quelli ottenuti dall’analisi delle immagini
telerilevate.
Conclusioni
E’ stato sviluppato un primo prototipo di un sistema di supporto alle decisioni (DSS) per la
pianificazioni irrigua in ambienti meridionali. Il DSS integra l’informazione proveniente
da database pedologici e meteorologici con la simulazione modellistica di alcune colture
diffuse in ambiente meridionale al fine di fornire elementi per la programmazione irrigua a
scala comprensoriale.
172
Una serie di input necessari al modello, quali colture presenti, date di semina,
possono essere ottenuti da dati telerilevati. Il dato telerilevato relativo a LAI e biomassa
può essere utilizzato per il forcing dei modelli colturali, con miglioramento delle capacità
predittive dei modelli stessi.
Il DSS è allo stadio di primi prototipi ma è già dotato di uno strumento di
visualizzazione GIS. Con il prosieguo della ricerca, il modello verrà ulteriormente
calibrato e validato sui dati colturali e di consumo idrico disponibili e perfezionato per
quanto riguarda la facilità d’uso e l’interfaccia utente.
Bibliografia
Acutis, M., Rana, G., Trevisiol, P., Bechini, L., Laudato, M., Ferrara, R., Richter, G.M.,
2007. Integrating a spatial micrometeorological model into the risk assessment for
arable crops in hilly terrain. Modelling water and nutrient dynamics in soil-crop
systems. Springer. Edited by: K.C. Kersebaum, J.-M. Hecker, W. Mirschel &
M. Wegehenkel.
Alcamo, J., Flörke, M. & Märker, M. 2007. Future long-term changes in global water
resources driven by socio-economic and climatic changes. Hydrol. Sci. J. 49(4),
549-562.
Bateman, E.J., Baggs, E.M., 2005. Contributions of nitrification and denitrification to N2O
emissions from soils at different water-filled pore space. Biology and Fertility of Soils
41, 379-388.
Bechini, L., Laudato, M., Trevisiol, P., Richter, G.M., Rinaldi, M., Acutis, M., 2004.
Dynamic simulation model for seed germination, seedling elogation and emergence.
Proceedings of VIII Congress of the European Society for Agronomy, Copenhagen,
Denmark, 11-15 July 2004, 217-218.
Blaes, X., Vanhalleb, L., Defournya, P., 2005. Efficiency of crop identification based on
optical and SAR image time series. Remote Sensing of Environment, 96, 3-4, 352-365.
Boogaard, H.L., van Diepen, C.A., Rötter, R.P., Cabrera, J.C.M.A., van Laar, H.H., 1998.
WOFOST 7.1 User guide for the WOFOST 7.1 crop growth simulation model and
WOFOST Control Center 5.1. Techn. Doc. 52, Alterra, WUR, Wageningen, The
Netherlands, pp. 144.
Cohen, D., Lindvall, M., Costa, P. 2004. An introduction to agile methods. Advances in
Computers, 1-66.
Ferrara, R.M., Rana, G., 2006. Application of the unified modelling language to a spatially
distributed micrometeorological model at catchment scale. Italian Journal of
Agrometeorology, 1, 32-40.
Flügel, W.A., 2006. Delineating hydrological response units by geographical information
system analyses for regional hydrological modelling using PRMS/MMS in the drainage
basin of the River Bröl, Germany. Hydrological Processes, 9, 3-4, 423-436.
Grundmann, G, Rolston, D.E., 1987. A water function approximation to degree of
anaerobiosis associated with denitrification. Soil Sci. 144, 437-441.
Hoffmann, C.M., Blomberg, M., 2004. Estimation of leaf area index of Beta vulgaris L.
based on optical remote sensing data. J. of Agronomy and Crop Science, 190, 3,
197-204.
Kruchten, P., 2001. “What Is the Rational Unified Process?” The Rational Edge,
http://www.ibm.com/developerworks/rational/library/content/RationalEdge/jan01/What
IstheRationalUnifiedProcessJan01.pdf.
173
Launay, M., Guerif, M., 2005. Assimilating remote sensing data into a crop model to
improve predictive performance for spatial applications. Agriculture Ecosystems &
Enviroment, 111, 1-4, 321-339.
Noilhan, J. and Planton, S., 1989. A simple parameterization of land surface processes for
meteorological models, Mon. Wea. Rev., 117, 536-549.
Oweis, T., Pala, M., Ryan, J., 1998. Stabilizing rainfed wheat yields with supplemental
irrigation and nitrogen in a Mediterranean climate. Agronomy Journal, 90, 5, 672-681.
Piccarreta, M., Capolongo, D. and Boenzi, F. 2006. Trend analysis of precipitation and
drought in Basilicata from 1923 to 2000 within a southern Italy context. Int. J. Climatol.
24, 907-922.
Raes, D., Geerts, S., Kipkorir, E., 2006. Simulation of yield decline as a result of water
stress with a robust soil water balance model. Agricultural Water Management, 81, 3,
335-357.
Richter, G.M., Jaggard, K.W. and Mitchell, R.A.C., 2001. Modelling radiation interception
and radiation use efficiency for sugar beet under variable climatic stress. Agric. Forest
Meteorol. 109, 13-25.
Richter, G.M., Rana, G., Ferrara, R.M., Ventrella, D., Acutis, M., Trevisiol, P., Laudato,
M., Gusberti, D., Mayer, T., Baggeley, N.; Morris, J., Holmes, A., Trawick, P., Dailey
A.G., Robbins, P., Simota, C., Whitmore, A.P., Powlson1, D.S., 2006. Stability and
Mitigation of Arable Systems in Hilly Landscapes (EU-QLK-5-CT-2002-01313).
Report to the European Commission, Brussels, 280 pp.
Rizzoli, A.E., Athanasiadis, I.N., Donatelli, M., Huber, D., Muetzelfeldt, R., 2005. Overall
architectural design of SeamFrame. SEAMLESS report no.7.
Sinclair, T.R., 1986. Water and nitrogen limitations in soybean grain production. Part I.
Model development. Field Crops Res. 15, 125-141.
Tuberosa, R., Giuliani, S., Parry, M.A.J., Araus, J.L., 2007. Improving water use efficiency
in Mediterranean agriculture: what limits the adoption of new technologies? Annals of
Applied Biology, 150, 2,. 157-162.
Van Dam, J.C. and Feddes, R.A., 2000. Numerical simulation of infiltration, evaporation
and shallow groundwater levels with the Richards equation. J. Hydrol., 233, 72-85.
Van Ittersum, M.K., Leffelaar, P.A., Van Keulen, H., Kropff, M.J., Bastiaans, L.,
Goudriaan, J., 2003. On approaches and applications of the Wageningen crop models.
European Journal of Agronomy, 18, 201-234.
Van Keulen, H., Penning de Vries, F.W.T., Drees, E.M., 1982. A summary model for crop
growth. In: Penning de Vries, F.W.T., Van Laar, H.H. (Eds.), Simulation of Plant
Growth and Crop Production. Simulation Monographs. Pudoc, Wageningen, The
Netherlands, pp. 87-98.
Van Keulen, H., Wolf, J., 1986. Modelling of agricultural production: weather soils and
crops. Simulation Monographs. Pudoc, Wageningen, The Netherlands, pp. 479.