Lo studio mostra un approccio basato sulla spettroscopia per monitorare lo stato di salute delle piante. L’obiettivo è riconoscere l’insorgenza di carenze idriche per poi permettere successive azioni correttive (ad esempio irrigazione mirata).

L’attività riguarda l'analisi della firma spettrale delle piante, con l’obiettivo di ridurre il numero di variabili (lunghezze d'onda) utilizzate ma mantenendo o migliorando al contempo le performance del modello predittivo. In particolare, lo studio si è concentrato sulle piante di lattuga, la cui firma spettrale varia in relazione al livello di stress idrico a cui sono sottoposte. Le immagini sono state acquisite utilizzando una telecamera multispettrale (Mapir Survey3W RGN), capace di catturare lunghezze d'onda comprese tra 450 e 950 nm. Sebbene questo ampio intervallo di lunghezze d'onda consenta una caratterizzazione dettagliata, aumenta anche la complessità dell'analisi e la possibilità di includere variabili ridondanti o irrilevanti.
È stato utilizzato l'algoritmo Competitive Adaptive Reweighted Sampling (CARS), combinato con la Partial Least Square Discriminant Analysis (PLS-DA), al fine di selezionare le lunghezze d'onda più rappresentative. Tuttavia, poiché PLS-DA è noto per la sua tendenza a sovradattarsi (overfitting), sono state condotte analisi specifiche per monitorare e prevenire questo fenomeno, tra cui il permutation test e l'analisi delle curve di apprendimento (learning curves).
I risultati hanno evidenziato che la selezione di 30 lunghezze d'onda consente di ottenere un modello semplificato ma altamente performante, con accuratezza pari a 0,95, richiamo di 0,92 e precisione di 0,97.