2   Difesa delle piante: strategie, moderne tecniche e tecnologie

L’esigenza di adottare strategie di difesa ecosostenibili delle colture, oltre a essere una evoluzione delle dottrine fitoiatriche e dei mezzi di lotta, è attualmente un fatto di ordine legislativo sancito dalla Direttiva Europea 2009/128/CE, in avanzato corso di recepimento dai vari Stati membri, tra cui l’Italia, sotto forma di Piani di azione nazionali. 
La Direttiva all’art. 1 recita infatti testualmente: “La presente direttiva istituisce un quadro per realizzare un uso sostenibile dei prodotti fitosanitari riducendone i rischi e gli impatti sulle salute umana e sull’ambiente e promuovendo l’uso della difesa integrata [obbligatoria dal 1° gennaio 2014] e di approcci e tecniche alternativi, quali le alternative non chimiche ai pesticidi”. 
Nelle pagine e nei capitoli precedenti sono stati esposti i concetti generali della fitopatologia e della fitoiatria, è stato esaminato sinteticamente tutto ciò che causa malattia nelle piante o arreca loro danno e sono stati focalizzati i mezzi, i criteri e alcuni principi di controllo delle avversità, compresi quelli alternativi/integrativi all’uso di pesticidi; vediamo ora come essi possono essere concretamente applicati in campo nei principali settori produttivi.

     I modelli previsionali: l’esempio delle colture cerealicole
Dal punto di vista fitoiatrico, oltre che agronomico, si può dire che l’aspetto più rilevante delle colture cerealicole (frumento, orzo, ecc.) è l’estensività, cioè la caratteristica di essere coltivate all’aperto in pieno campo: il fatto che esse occupino grandi superfici pone immediatamente in rilievo la necessità, qualora si persegua un uso sostenibile dei prodotti fitosanitari (che comporta peraltro minori spese), di massimizzarne l’efficacia nell’impiego. 
L’obiettivo di ridurre l’immissione nell’ambiente di prodotti fitosanitari è attualmente realizzabile per alcune tra le più importanti avversità (in realtà non solo delle colture erbacee, ma anche di quelle arboree), anche grazie allo sviluppo dei cosiddetti modelli previsionali
Essi sono modelli di simulazione (▶ A 33) in grado di trasformare in equazioni matematiche le relazioni intercorrenti tra coltura, avversità e ambiente circostante, le quali equazioni, rese facilmente interfacciabili grazie a un apposito sofware informatico, consentono di prevedere con buona attendibilità il rischio (e la probabile intensità) di attacchi di malattie o fitofagi, e pertanto si inseriscono, come elemento complementare di decisione, nella difesa integrata delle colture. 
È evidente infatti che sapendo con sufficiente anticipo, ad esempio, quando sta per partire una epidemia sostenuta da un patogeno fungino, si potrà prevenirne l’infezione e contrastarne la diffusione posizionando il trattamento con fungicidi nel momento migliore e con ciò limitando all’essenziale e ottimizzando l’impiego di mezzi chimici. 
Tali modelli hanno come punto di partenza l’analisi del ciclo biologico del patogeno/fitofago preso in esame, ciclo regolato dalle condizioni climatiche (temperatura, umidità relativa, pioggia, durata della bagnatura della vegetazione, ecc.). Il loro sviluppo avviene in quattro fasi successive: elaborazione, verifica e validazione in campo, utilizzo pratico, mantenimento e aggiornamento. 
Circa l’elaborazione forniremo una idea poco più avanti di come è stato costruito il modello FHB-wheat per la fusariosi del frumento. La verifica e la validazione consistono nel confronto, per mezzo di prove di campo, tra le previsioni fornite dal sistema e quanto effettivamente accaduto nella realtà di determinate aree agricole: è una fase molto importante poiché ogni modello, prima di essere adottato, deve dimostrare di poter funzionare nelle zone e nelle condizioni ambientali nelle quali verrà impiegato (in Italia, in linea di massima, su base regionale). 
L’utilizzo pratico può essere gestito sia da un tecnico presso le aziende agricole sia da Sevizi Territoriali di Avvertimento (Regioni, Consorzi Fitosanitari). Mantenimento e aggiornamento sono attività complementari atte a migliorare le prestazioni del modello, mediante l’inserimento di ulteriori elementi in base a nuove esigenze o recenti conoscenze scientifiche. In Italia attualmente sono in uso diversi modelli previsionali, sia per malattie crittogamiche sia per fitofagi, su colture erbacee (frumento, barbabietola, patata, cipolla) e arboree (vite, fruttiferi). 
Vediamo dunque come esempio il modello previsionale per una malattia crittogamica del frumento, la fusariosi della spiga (per la descrizione di questa avversità e dei rischi derivati per contaminazione degli alimenti da micotossine vedere approfondimento Fusariosi del frumento a pagina 380): il modello si chiama FHB-wheat (Fusarium Head Blight on wheat = disseccamento della spiga nel frumento da Fusarium). 
Si tratta di un modello di tipo analitico, che scompone il sistema patogeno/ospite/ambiente in singoli elementi studiati separatamente, quindi successivamente concatenati. FHB-wheat, oltre ad analizzare le diverse fasi del ciclo infettivo (sporulazione-dispersione-infezione-invasione e quindi il rischio di infezione), considera anche il rischio di produzione di micotossine. 
Il modello richiede come input dati orari di temperatura, umidità relativa, pioggia e bagnatura fogliare, informazioni sugli stadi fenologici del frumento. 
L’output è costituito da due indici elaborati quotidianamente e poi cumulati per tutta la stagione fino al raccolto: indice di rischio di infezione da fusariosi (calcolato per le principali specie del genere Fusarium), indice di rischio per accumulo di micotossine nelle cariossidi (per F. graminearum e F. culmorum), da cui è possibile desumere il probabile contenuto, in particolare della tossina DON. 
Costruito sulla base della Teoria dei Sistemi, il modello compie una serie di calcoli per arrivare agli indici di rischio, elaborando giorno per giorno i dati in entrata. Il diagramma relazionale di figura [ 19a ] evidenzia il complesso delle operazioni svolte; qui di seguito tuttavia, al solo scopo di fornire una nozione minima di come funziona FHB-wheat, ci limiteremo alla descrizione di alcuni aspetti e dei primi passaggi. 
Gli stati variabili (rappresentati nel diagramma di figura [ 19b ] in forma di rettangoli di colore verde) sono definiti come lo stato del patogeno a un dato momento, e il passaggio da uno stato variabile a un altro è determinato da un flusso (freccia verde) dipendente da tassi variabili (frecce blu); questi ultimi sono tassi di cambiamento degli stati variabili nel tempo in funzione di alcune variabili forzanti (frecce nere) influenzanti i tassi variabili. I tassi sono identificati per mezzo di equazioni matematiche che tengono conto dei fattori meteorologici e/o dei parametri biologici. 
Si parte dalla sorgente di inoculo MIS (sorgente miceliale iniziale), costituita dal micelio presente nei residui di coltivazione, sorgente che il modello assume come sempre presente per le quattro specie fungine prese in esame. 
Il passaggio allo stato SIS (sorgente di inoculo), che è la sorgente effettiva di infezione, è costituito dall’emissione di spore, la quale è in funzione del tasso di sporulazione SPO
Il principale fattore che determina la produzione di spore è la temperatura atmosferica T, mentre l’umidità favorisce la differenziazione dei propaguli. SPO è calcolata per mezzo di quattro equazioni (una per ogni specie fungina FS considerata dal Modello) che si avvalgono di dati di temperatura e incubazione raccolti in ambiente scientificamente controllato e validati in condizioni di campagna. La soluzione delle equazioni consente di determinare lo stato SIS
Nel passaggio successivo si considera la dispersione delle spore con contaminazione delle spighe. 
Il principale fattore favorente la diffusione dei propaguli infettanti è la pioggia: il numero di macroconidi trasportati viene calcolato attraverso due equazioni (dette di regressione) in rapporto ai giorni di pioggia e non-pioggia, che tengono inoltre conto delle condizioni meteo relative a temperatura media, intensità della pioggia, numero di ore di umidità relativa oltre l’80%; nelle equazioni viene inoltre empiricamente considerata la circostanza che, in caso di più giorni sequenziali di pioggia, il numero medio di spore disperse è maggiore nel primo giorno che non nei successivi. 
Queste equazioni permettono di arrivare al tasso di dispersione DIS per tutte e quattro le specie fungine (non ci sono infatti differenze significative in questa fase epidemiologica tra di esse). 
Con il tipo di procedimento accennato il modello perviene quindi a stimare il grado di contaminazione delle spighe e successivamente la percentuale di tessuto infetto, la comparsa dei sintomi, la percentuale di tessuto invaso dal patogeno e infine l’accumulo delle micotossine (in particolare nella spiga).

I dati meteorologici di cui il modello ha bisogno vengono raccolti attraverso centraline meteo [ 20 ] disposte sul territorio (in Italia esiste un servizio agrometeorologico curato dalle Regioni). Il modello FHB-Wheat è entrato a far parte di un Sistema di Supporto alle Decisioni (Fusarium Head Blight Decision Support System), nella cornice di un progetto finanziato dalla Regione Emilia-Romagna.

APPROFONDIMENTO 33

Sistemi (interazioni) e modelli (simulazioni)

Per i nostri scopi, avendo a riferimento sistemi biologici che sono complessi e dinamici (ma lo sono anche altri sistemi diversi da quelli naturali, come il traffico automobilistico su una certa strada), possiamo semplicemente definire “sistema” una data porzione di realtà, collocata sullo sfondo del tempo, che è possibile descrivere per mezzo di relazioni le quali permettono di stabilire lo stato in cui esso si troverà in ogni istante; dunque un sistema è un definito insieme di componenti collegati tra loro dove, col trascorrere del tempo, si osservano delle modificazioni, cioè una evoluzione del sistema stesso (dinamica). Poiché per definizione il sistema è una parte di un mondo reale più ampio, esso avrà un confine (frontiera) verso l’ambiente circostante attraverso il quale entreranno e usciranno flussi di materia ed energia. 



I cambiamenti del sistema che avvengono col trascorrere del tempo dipendono per un verso dall’interazione di esso con l’ambiente esterno, per altro verso dalle interazioni interne a esso, cioè tra i suoi elementi. In realtà ciascun componente di un sistema può essere a sua volta un sistema: così è nei sistemi naturali (ad es. una cellula è un sistema, ma sono sotto-sistemi anche le sue strutture come membrana, nucleo, mitocondri, ecc.), i quali sono troppo complessi per essere descritti in modo esaustivo; perciò si ricorre a rappresentazioni, dette modelli di simulazione, semplificate e finalizzate, che tengono conto solo degli elementi più significativi del sistema e in particolare mettono in risalto quei componenti che servono allo scopo pratico per il quale viene costruito il modello stesso. 

In sostanza la simulazione altro non è che la riproduzione del comportamento del sistema e in rapporto a ciò che si intende studiare i modelli possono essere non fisici oppure fisici: ad esempio, se si vogliono verificare certe prestazioni nautiche di una nave si ricorrerà a un modello fisico, ossia una costruzione in scala ridotta di tale imbarcazione e la si sottoporrà a prove in vasca [ 21 ]. 

I modelli di simulazione da utilizzare in ambito agrario sono impostati su relazioni in grado di descrivere per mezzo di una funzione matematica l’interazione tra un fenomeno biologico e una caratteristica dell’ambiente chimico- fisico in cui esso è immerso. Già a partire dal sec. XVIII Reaùmur ideò un metodo per prevedere il periodo di maturazione dell’uva basato su una somma termica delle temperature giornaliere registrate a Parigi, modello che a metà del secolo successivo fu perfezionato e codificato nella formula 


S = Tt − T0 

t = 1 


dove S rappresenta il fabbisogno termico della coltura necessario per passare da un dato stadio di sviluppo iniziale a uno finale; T0 è la temperatura sotto la quale la specie vegetale considerata non si sviluppa; Tt è la temperatura media dal giorno di ingresso t = 1 (stadio di inizio) a quello di uscita J (stadio finale). 

Così, se si volesse considerare il ciclo di sviluppo della vite fino a maturazione dell’uva col metodo della sommatoria termica, sapendo che sotto i 10 °C la vite arresta il suo sviluppo vegetativo, bisogna sottrarre 10 alle temperature rilevate giornalmente dall’inizio dello sviluppo vegetativo fino alla maturazione/raccolta; sommando quindi le temperature con segno + (eventuali valori negativi registrati in giornate fredde vanno posti uguale a zero) rilevate nel corso del ciclo si perviene a definire il fabbisogno termico: il tipo di sommatoria appena descritto è noto come indice di Winkler (ad esempio per un Pinot nero il valore stimato è 1.200-1.400, per un Barbera 1.800-2.000). Parallelamente si pervenne a definire il tasso di sviluppo R, che è dato dal reciproco dell’intervallo di tempo Dt necessario per completare una fase di sviluppo 


R = 1/Dt 


Poiché si sa per esperienza che esso dipende dalla temperatura, questo tasso è una funzione della temperatura ed è esprimibile in forma matematica R = R [T]. L’impiego di funzioni tasso ha permesso di elaborare un metodo di simulazione dei tempi di sviluppo vegetativo diverso dalla surriportata somma termica, metodo chiamato somma dei tassi. I concetti appena esposti sono validi anche nei confronti di funghi patogeni o insetti fitofagi; dunque vediamo ora come viene costruito un modello applicabile nella difesa delle colture agrarie. 

Si inizia con una rappresentazione grafica, in cui il sistema è disegnato in forma di rettangolo dove il perimetro è la frontiera che lo separa dall’ambiente esterno, mentre i flussi in entrata e in uscita sono indicati con frecce. Considerando per esempio la dinamica di una popolazione di insetti [ 22 ], al rettangolo può essere associato il numero delle forme larvali, il flusso in uscita rappresenta lo sfarfallamento per giorno delle forme adulte mentre quello in ingresso le uova deposte giornalmente. 

Il passaggio dal modello grafico a quello matematico si ottiene trasformando le parole “uova per giorno” ecc. in simboli. Per rappresentare simbolicamente il flusso si usa una lettera dell’alfabeto greco, la f (si legge “fi”), l’ingresso viene indicato con la lettera i, l’uscita con u, il tempo con t e il numero degli individui immaturi con N. In questo modo le parole sono state sostituite da funzioni esprimibili matematicamente: i flussi sono funzioni di flusso, il sistema funzione di stato che indica giorno per giorno lo stato della popolazione come numero di individui immaturi. La funzione di stato costituisce generalmente l’incognita dei modelli, ossia ciò che si deve stimare. Il passo successivo è inserire funzioni forzanti, ossia variabili che fanno variare le funzioni di flusso e in conseguenza quella di stato, ad esempio la temperatura T che fa variare il numero di adulti che maturano per giorno. In questo modo le relazioni assumono la forma di equazioni e il modello diventa una equazione o un sistema di equazioni che ha per incognita N(t). L’implementazione matematica del modello prevede l’introduzione di costanti (parametri del modello) che caratterizzano la specie biologica considerata e che vengono determinate con misurazioni sperimentali condotte in laboratorio e in campo. A questo punto il modello di simulazione viene tradotto in un linguaggio di programmazione per permetterne l’impiego in computer. Infine non rimane che verificare l’affidabilità del modello confrontando le sue prestazioni con quello che accade realmente in natura: tale procedimento è chiamato validazione e richiede alcuni anni di prove; poiché le condizioni ambientali medie, e forse anche la genetica delle popolazioni dell’organismo considerato, differiscono a seconda dell’area geografica, un modello previsionale validato per una data regione non può essere trasposto in un’altra area geografica senza previa verifica nella nuova regione ed eventuale aggiustamento.

NUOVE Biotecnologie Agrarie e Biologia Applicata
NUOVE Biotecnologie Agrarie e Biologia Applicata