Allevamento di cozze e ostriche più sostenibile attraverso l'utilizzo di strumenti di precisione
![](https://alimenti-salute.it/sites/default/files/styles/300x300/public/acquacoltura_2.jpg?itok=ICMaR826)
L’acquacoltura rappresenta il settore di produzione di alimenti animali in più rapida espansione al mondo.
Tra le aree di innovazione figura l’acquacoltura di precisione. Questa tecnologia si avvale di una miriade di sensori interconnessi per il monitoraggio delle condizioni dell’allevamento ittico, sostenendo gli allevatori nel prendere decisioni volte all’ottimizzazione della salute ittica e del ritorno economico e, al tempo stesso, riducendo al minimo gli impatti ambientali. In altri termini, l’acquacoltura di precisione possiede il potenziale di trasformare il settore dell’acquacoltura. Un articolo recente pubblicato sul sito web «Global Seafood Alliance» si concentra sulla produzione sostenibile di bivalvi, quali cozze e ostriche, allevati impiegando questa tecnologia. L’articolo è il quinto di una serie dedicata all’agricoltura di precisione pubblicata con il sostegno del progetto GAIN, finanziato dall’UE.
«La produzione di bivalvi allevati fa affidamento sull’eccellente qualità dell’acqua, che spesso esula dal controllo degli allevatori. Alcuni eventi specifici che condizionano la qualità dell’acqua, tra cui la fioritura di alghe, la risalita delle acque profonde (upwelling) ricche di sostanze nutritive o il deflusso urbano, possono sfociare in chiusure normative dei siti di allevamento dei bivalvi per prevenire l’immissione sul mercato dei bivalvi contaminati, arrecando pertanto danni economici gravi agli allevatori. La portata e l’intensità di tali eventi peggiorativi della qualità dell’acqua sono difficili da prevedere poiché sono innescati da combinazioni complesse di diversi fattori interagenti», spiegano gli autori.
Al fine di fornire agli allevatori di bivalvi un sistema di allerta precoce e di favorire una previsione e una gestione delle decisioni migliori, il gruppo ha impiegato strumenti basati sull’apprendimento automatico per modellare le condizioni ambientali. I dati adoperati per la modellizzazione comprendevano sensori ambientali in loco, dati provenienti da satelliti e dall’oceano aperto, dati meteorologici e schemi di temperature e correnti, che sono stati tutti confrontati con i dati relativi alle chiusure passate dei siti. L’integrazione delle fonti di dati è avvenuta su una piattaforma basata su cloud che permette il monitoraggio in tempo reale dei siti di acquacoltura dei bivalvi.