Development of a multi-source machine learning model for irrigation water volume estimation: upscaling from field scale to the Dugali-Naviglio-Adda Serio reclamation Consortium

Agricultural water management is facing increasing pressure due to climate change, water scarcity, and the need for more sustainable resource allocation. Accurate estimation of irrigation water volumes is therefore crucial for improving water use efficiency and supporting decision-making at both farm and district scales. Conventional approaches for irrigation assessment are typically based on physically based models or hybrid models, which rely on crop evapotranspiration calculations, soil water balance equations, and empirical crop coefficients. Although robust, these models often require extensive parameterization, detailed local calibration, and assumptions that may limit their scalability and adaptability across heterogeneous environments. This thesis is focused on the development of a multi-source machine learning model for daily irrigation event detection and irrigation water volume estimation, with a progressive upscaling from field scale to the Dugali - Naviglio - Adda Serio reclamation Consortium. The research is structured in two main phases. The first phase focuses on the development of a local-scale model; a data-driven framework is implemented by integrating heterogeneous data sources, including in-situ soil sensors, meteorological station data, and satellite-derived variables. Supervised machine learning algorithms are then trained to classify the daily occurrence of irrigation events and estimate the corresponding irrigation water volumes. The proposed approach aims to provide an alternative to conventional physical and hybrid models, reducing dependency on strict process-based assumptions while leveraging the predictive power of data-driven techniques. This phase addresses both the methodological innovation and the pressing issue of monitoring agricultural water use under increasing environmental constraints. The second phase extends the developed model to a broader spatial scale, incorporating spatial variability in addition to temporal dynamics. Satellite data are used to derive and adapt the key input variables of the local model to the spatial and temporal resolutions required for district-level application. The model is then applied across the DUNAS reclamation Consortium to assess its performance under heterogeneous soil, crop, and management conditions. The upscaling process highlights critical challenges related to spatial generalization, data resolution mismatches, and model transferability, while identifying potential improvements for large-scale operational implementation. Overall, this work contributes to the development of scalable, data-driven tools for irrigation monitoring, supporting more transparent, efficient, and sustainable water management practices in agriculture.

La gestione delle risorse idriche in agricoltura è sottoposta a una pressione crescente a causa dei cambiamenti climatici, della scarsità d’acqua e della necessità di un’allocazione più sostenibile delle risorse. Una stima accurata dei volumi irrigui è quindi fondamentale per migliorare l’efficienza nell’uso dell’acqua e supportare i processi decisionali sia a scala aziendale sia a scala consortile. Gli approcci convenzionali per la valutazione dell’irrigazione si basano tipicamente su modelli fisicamente basati o modelli ibridi, che fanno affidamento sul calcolo dell’evapotraspirazione colturale, sulle equazioni del bilancio idrico del suolo e su coefficienti colturali empirici. Sebbene robusti, questi modelli richiedono spesso un’estesa parametrizzazione, una calibrazione locale dettagliata e l’assunzione di ipotesi che possono limitarne la scalabilità e l’adattabilità in ambienti eterogenei. La presente tesi si concentra sullo sviluppo di un modello di machine learning multi-sorgente per il rilevamento giornaliero degli eventi e la stima dei volumi irrigui, con un progressivo processo di upscaling dalla scala locale alla più ampia scala delle pertinenze del Consorzio di bonifica Dugali - Naviglio - Adda Serio. La ricerca è strutturata in due fasi principali. La prima fase è dedicata allo sviluppo di un modello a scala locale; viene implementato un framework data-driven integrando diverse fonti di dati, tra cui sensori di suolo in situ, dati provenienti da stazioni meteorologiche e variabili derivate da satellite. Vengono poi addestrati degli algoritmi di machine learning per classificare l’occorrenza giornaliera degli eventi irrigui e stimare i corrispondenti volumi d’acqua distribuiti. L’approccio proposto mira a fornire un’alternativa ai modelli fisici e ibridi convenzionali, riducendo la dipendenza da rigide assunzioni basate sui processi e valorizzando al contempo il potere predittivo delle tecniche data-driven. Questa fase affronta sia l’innovazione metodologica sia la crescente esigenza di monitorare l’uso dell’acqua in agricoltura in un contesto di vincoli ambientali sempre più stringenti. La seconda fase estende il modello sviluppato a una scala spaziale più ampia, incorporando la variabilità spaziale oltre alle dinamiche temporali. I dati satellitari vengono utilizzati per derivare e adattare le principali variabili di input del modello locale alle risoluzioni spaziali e temporali richieste per l’applicazione a livello consortile. Il modello viene quindi applicato all’intero Consorzio di bonifica DUNAS per valutarne le prestazioni in condizioni eterogenee di suolo, coltura e gestione. Il processo di upscaling mette in evidenza criticità legate alla generalizzazione spaziale, alle discrepanze di risoluzione dei dati e alla trasferibilità del modello, individuando al contempo possibili miglioramenti per un’implementazione operativa su larga scala. Nel complesso, questo lavoro contribuisce allo sviluppo di modelli estendibili a larga scala e basati sui dati per il monitoraggio dell’irrigazione, supportando pratiche di gestione dell’acqua più trasparenti, efficienti e sostenibili.