· sabina bucciarelli gesmina ciccarone andrea civitarese donatocivitella andrea d’aurizio...

Caratterizzazione e CertifiCazione di origine delle produzioni oliviCole e del territorio di produzione tramite gis e nmr

oliando - pe (oli - amBiente d’origine, pesCara)

www.oliandope.it

PROGRAMMA DI SVILUPPO RURALE ABRUZZO 2007/2013MISURA 1.2.4

Cooperazione per lo sviluppo di nuovi prodotti, processi e tecnologie nei settori agricolo e alimentare e in quello forestale

PROGETTO COFINANZIATO DALL’UNIONE EUROPEA

progetto oliando - pe

Fondo europeo agricolo per lo svilupporurale: l’Europa investe nelle zone rurali

Reg. CE 1698/2005

Con la Collaborazione di

Studio nMr: enea - laboratorio NMR, UTTri-Gener, rotondella Mt, italy

Supporto Tecnico amministrativo: Studio Cassandro s.r.l. barletta

divulgazione e Comunicazione: UNAPROL – Consorzio Olivicolo Italiano – roma

Sommario

Presentazione Cooperativa Plenilia ............................................................................................. 3

Presentazione COTIR ................................................................................................................. 4

Caratterizzazione e certificazione di origine delle produzioni olivicole e del territorio di produzione tramite GIS e NMR ....................................................................... 5

Obiettivi ....................................................................................................................................... 6

Attività ......................................................................................................................................... 7

Attività 1 - Selezione dei siti sperimentali tramite GIS ............................................................... 8

Attività 2 - Individuazione oliveti sperimentali ........................................................................... 21

Attività 3 - Campionamenti e analisi classiche di laboratorio ..................................................... 22

Attività 4 - Oleificazioni .............................................................................................................. 28

Attività 5 - Analisi NMR.............................................................................................................. 30

Attività 6 – GEOSTATISTICA e Relazioni tra variabili ambientali elaborate dal GIS e profili NMR.................................................................................................................. 33

Conclusioni NMR ........................................................................................................................ 45

Attività trasversali – Divulgazione del progetto .......................................................................... 45

Attività trasversali – Coordinamento e gestione del progetto ...................................................... 48

Indicatori di progresso e ricadute del progetto ............................................................................ 49

Bibliografia .................................................................................................................................. 52

2 - Progetto oliando • Pescara

Autori

Paola TANO Giovanna IMpARATO Raffaele LAMANNA Giovanni GhIANNI

Gruppo di Lavoro Cooperativa Plenilia Gianfranco D’ADDARIO Bice DEL BIONDO

Gruppo di Lavoro COTIR Angela BRACA Sabina BuCCIARELLI Gesmina CICCARONE Andrea CIvITARESE Donato CIvITELLA Andrea D’AuRIzIO Flavia D’ERCOLE Mario D’ERCOLE Laura DE FRANCESCO Cristian DI GIAMBERARDINO Elvio DI PAOlO Tonino DI PAOlO Marilena DI TullIO Giovanni FECONDO Giovanni GhIANNI Mariano GRASSI Giovanna IMpARATO Armando MAMMARELLA Sandra MARIANI Giovanni RIzzO Roberta RuGGERO Daniela SCARDApANE Rosanna SpADACCINO Donatella TADDEO Paola TANO Celestino vALENTE Simona vELLETRI Francesco vENTuRA Maria vINCIGuERRA

Progetto oliando • Pescara - 3

Presentazione Cooperativa Plenilia

plenilia è una cooperativa di olivicoltori che fa parte della filiera olivicola organizzata da Col-diretti ed è inserita nella rete di Campagna Amica. La coopertaiva raccoglie, trasforma e commer-cializza olio extra vergine di oliva prodotto da olive della varietà Dritta, la principale e più diffusa cultivar della zona di pianella. Questo piccolo paese, situato a pochi chilometri da pescara, è al centro della più importante zona di produzione dell’olio D.o.p. Aprutino-pescarese insieme ai comuni di Loreto Aprutino e Moscufo. La sede dell’azienda è un edificio che ospita gli uffici amministrativi, un punto vendita e i locali adibiti a stoccaggio, produzione, imbottigliamento e deposito. La cooperativa è nata nel 1961 ed oggi conta 250 aziende per un totale di circa 100mila piante di ulivo che sono in grado di fornire ateria prima per la produzione di circa 5mila quintali di olio extra vergine di oliva. Il frantoio consta di due linee continue per la spremitura a freddo. L’olio extra vergine prodotto viene immagazzinato in isterne nel sottosuolo, allo scopo di mantenere costante la temperatura del prodotto e garantirne un’idonea conservazione al riparo da luce e fonti di calore. una volta imbottigliato, l’olio viene distribuito attraverso i diversi canali commerciali dell’azienda.

IL pRESIDENTEGianfranco D’ADDARIO


Presentazione COTIR

Il COTIR è un Centro di Ricerca della Regione Abruzzo costituito nel 1988; iscritto all’anagrafe delle ricerche MIuR al n. 51894 DZh. Svolge attività di ricerca applicata e sperimentazione in campo ambientale, territoriale, agronomico ed agroalimentare essendo dotato di conoscenze, attrezzature, aree sperimentali, serre e laboratori specifici. La società è rappresentata a maggioranza dalla Regio-ne Abruzzo ed è compartecipata dalla provincia di Chieti, dal Comune di Scerni e dal Consorzio di Bonifica Centro.

Il Centro opera in convenzione con la Regione Abruzzo sotto il controllo del DpD - Dipartimen-to Sviluppo Economico e politiche Agricole. È inserito nelle linee regionali di programmazione, tra gli Enti pubblici di ricerca, nella strategia per la specializzazione intelligente della Regione Abruzzo 2014-2020. In tale contesto, per finalità di pubblico interesse, il Centro fornisce supporto tecnico-scientifico alle strutture regionali e agli Enti pubblici che operano nel quadro delle politiche europee, nazionali e regionali.

Il Centro è inserito all’interno di tre poli di Innovazione (AGIRE nel dominio agro-alimentare, CApITANK nel dominio chimico-farmaceutico e SMART nel dominio energia), del Distretto Tecno-logico innovazione, sicurezza e qualità degli alimenti - ITQSA, del GAL Maiella verde, dei Distretti Agroalimentari di Qualità - DAQ Latte, Ortofrutta, vino, Olio e Carne.

Le attività del Centro possono essere ricondotte all’interno di linee di ricerca relative a: con-servazione e valorizzazione delle risorse naturali e del paesaggio rurale, implementazione di modelli idrologici, compatibilità e sostenibilità della produzione agricola attraverso la razionalizzazione delle tecniche agronomiche anche mediante l’utilizzo di risorse alternative, studio dell’origine geografica delle produzioni, tracciabilità e rintracciabilità dei prodotti, caratterizzazione dell’origine geografica di alcune produzioni agro alimentari tipiche del territorio regionale (latte, vino, formaggi ecc.), studi sulla sostenibilità ambientale in relazione a modelli di certificazione/registrazione riconosciuti a livel-lo internazionale (ISO 14001:2004) e Europeo (EMAS) e le filiere bioenergetiche.

Gli studi a carattere territoriale e ambientale hanno la finalità di conoscere, rappresentare, stu-diare e modellizzare processi naturali legati all’attività dell’uomo. Allo scopo ci si avvale dei Sistemi Informativi Territoriali (SIT), che sono un insieme di strumenti in grado di raccogliere, archiviare e visualizzare dati spaziali e non, di trasformarli in informazioni, di integrare differenti tipi di dati, di analizzare e di modellare i fenomeni che si verificano sulla superficie terrestre, di fornire supporto alle decisioni. Gli studi territoriali si integrano con le altre competenze presenti nel COTIR (agronomiche, chimiche, idrogeologiche, informatiche ed economiche) per valutare ad esempio gli impatti antropici, a scala aziendale o di bacino idrografico, sulla qualità dei suoli e delle acque superficiali e di falda, per valutare le relazioni tra ambiente di coltivazione, produttività e qualità delle produzioni.

Le attività di ricerca e sperimentazione di carattere agronomico riguardano: le esigenze idriche e i metodi irrigui delle principali colture orticole e industriali; le esigenze nutrizionali delle colture, in particolare quelle in azoto; le tecniche di difesa delle colture, le tecniche di gestione del suolo. Il tutto nell’ottica di ricercare il miglior compromesso tra produttività, qualità delle produzioni e impatto ambientale.

Nell’ambito del progetto Oliando-pe da parte del CO.T.IR. sono state poste in essere queste competenze implementando il sistema informativo GIS e la tecnica NMR in modo tale che dall’in-tegrazione di queste due tecniche fosse possibile la caratterizzazione del territorio e dell’olio della Cultivar Dritta.

IL pRESIDENTE DEL COLLEGIOAvv. Angelo FInGO


Caratterizzazione e certificazione di origine delle produzioni olivicole e del territorio di produzione tramite GIS e nMR

OLIAnDO-PE (OLI - Ambiente D’Origine, PEscara)

L’olio di oliva è molto apprezzato nel mondo per le sue proprietà nutritive, salutistiche e sen-soriali. L’unione Europea (uE) è il maggior produttore con l’80% della produzione mondiale e ne consuma il 70% di quello prodotto nel mondo. Il suo obiettivo è quello di mantenere e rafforzare la propria posizione nei mercati mondiali, con produzioni di alta qualità a beneficio dei diversi soggetti operanti nella filiera e del consumatore finale, anche in considerazione dell’aumento costante della domanda. Ai fini produttivi e commerciali le caratteristiche degli oli d’oliva sono definiti dall’allegato 1 del Regolamento CEE n. 256/91. La classificazione dell’olio di oliva è fornita dall’allegato XvI del regolamento (CE) n. 1234/2007 del Consiglio Europeo.

Il consumatore di olio d’oliva si trova a scegliere in un mercato caratterizzato da un’offerta mol-to diversificata e in presenza di tantissimi marchi ed etichette, e deve difendersi dai prodotti ottenuti, anche con miscele di dubbia origine e provenienza, da frodi, sofisticazioni, imitazioni e contraffazio-ni. L’unione Europea, per tutelare il consumatore e le produzioni tradizionali e tipiche, ha istituito i marchi DOp e IGp. per trasferire i vantaggi di questi marchi ai singoli produttori si sono sviluppati nel territorio europeo modelli organizzativi consortili.

È evidente, quindi, sia dal punto di vista scientifico che commerciale, l’attenzione ad individua-re le caratteristiche dell’ambiente che determinano la qualità, l’origine e la tipicità dell’olio d’oliva. Le conoscenze sull’influenza di alcuni aspetti sulle produzioni olivicole derivano da studi specifici. Alcuni di questi hanno evidenziato come i fattori ambientali sono influenti sulla composizione acidica dell’olio (Modi et al., 1990), ed in particolare che la latitudine ed il clima possono influenzare il con-tenuto in acido oleico (Montedoro et al., 2003) e l’altitudine esercita una buona influenza sulla com-posizione acidica (Mousa e Gerasopoulos, 1996; Kiritsakis e Markakis, 1987). per quanto riguarda la composizione fenolica del frutto tra i fattori agronomici, i più studiati includono la cultivar, lo stadio di maturazione, le condizioni pedo-climatiche ed alcune tecniche agronomiche come l’irrigazione (Servili et al., 2004; Tovar et al., 2001; Gómez-Rico et al., 2007; Motilva et al., 2000). Le sensazioni gustative di amaro e piccante e, in minor misura, di fruttato risultano correlate negativamente con i volumi idrici somministrati e fortemente attenuate in oli ottenuti da tesi irrigate abbondantemente (Berenguer et al., 2004; patumi et al., 1999; Tovar et al., 2002).

In questo progetto il legame tra il prodotto e il territorio è stato definito utilizzando due tecniche particolarmente note nel mondo scientifico: quella dei GIS (Sistemi Informativi Geografici) e dell’ NMR (Risonanza Magnetica Nucleare). In particolare i GIS consentono di descrivere, organizzare, elaborare, rappresentare e modellizzare, anche con percorsi di simulazioni temporali, i dati territoriali relativi all’ambiente pedoclimatico e colturale. Nei rispettivi ambienti omogenei tramite l’NMR è possibile procedere alla caratterizzazione geografica individuando le componenti chimiche dell’olio che, risultanti della interazione della coltura, tecnica colturale e ambiente di coltivazione, contraddi-stinguono quell’olio rispetto ai tanti altri oli di qualità prodotti. La sintesi di tale ricerca è un risultato che consente di ottenere una caratterizzazione geografica dell’olio di oliva e un percorso di tracciabi-lità per risalire, dall’olio all’ambiente di produzione.

Il territorio in esame ha riguardato la provincia di pescara e il partenariato ha visto la collabora-zione tra la Cooperativa plenilia e il centro di ricerca CO.T.IR. che si sono costituite in ATI.

La realizzazione del progetto di ricerca, dal punto di vista tecnico-scientifico, è stata curata dal CO.T.IR. (Consorzio per la divulgazione e la sperimentazione delle Tecniche Irrigue).


ObIETTIvI

Grazie alle idonee condizioni pedoclimatiche, determinate in gran parte dall’orografia, l’olivo ha una buona diffusione nella maggior parte del territorio regionale. Il patrimonio olivicolo abruzzese è stimato in 9 milioni di piante insistenti su circa 46.000 ha che rappresentano il 50% della sola SAu arborea. Le aziende che coltivano olivo sono oltre 60.000, ma di queste soltanto un quarto sono ad indirizzo prevalente ed il 75% ha superficie inferiore a due ettari. Anche nel settore della trasforma-zione si riscontra una struttura frammentata e diffusa sul territorio, costituita da più di 500 frantoi che contribuiscono a favorire una tempestiva molitura delle olive raccolte. L’olio extravergine prodotto viene venduto, in buona parte, direttamente dal produttore o dal trasformatore (frantoio).

Il miglioramento della qualità delle produzioni agro-alimentari, in generale, e dell’olio di oliva nel caso specifico è divenuto un obiettivo primario, ed ha assunto un’importanza persino maggiore rispetto all’incremento della resa. per l’olio extra-vergine di oliva le caratteristiche di qualità maggior-mente rilevanti riguardano l’aspetto nutrizionale e quello organolettico. Diversi fattori concorrono a determinare la composizione, e, di conseguenza la qualità, degli oli. Alcuni sono legati alla materia prima: cultivar, condizioni ambientali e gestione agronomica; altri alla tecnologia di trasformazione: modalità di raccolta e stoccaggio delle olive, molitura, conservazione dell’olio.

La conoscenza del legame esistente tra l’olio prodotto ed il territorio di provenienza, con le sue caratteristiche pedo-climatiche, permette di individuare le sue potenzialità produttive, intese non solo sotto l’aspetto quantitativo, ma anche sotto quello qualitativo.

pertanto l’obiettivo generale del presente progetto è stato la caratterizzazione e la certificazione di origine delle produzioni olivicole e del territorio di produzione. Da questo obiettivo generale sono scaturiti 4 obiettivi specifici:

• definizione delle relazioni tra le caratteristiche qualitative dell’olio extravergine d’oliva e l’ambiente pedoclimatico e colturale;

• descrizione e classificazione dei territori di produzione, con l’ausilio di tecniche GIS, da utilizzare nella caratterizzazione geografica degli oli, attraverso tecniche di profiling NMR associato con metodi matematici di “pattern recognition”;

• confronto tra i profili metabolici NMR degli oli ottenuti da oliveti siti in zone omogenee della provincia di Teramo;

• individuazione di possibili markers che distinguono oli provenienti da aree geografiche non omogenee.

Il valore del presente progetto è anche confermato dal peso del prodotto rappresentato a livello regionale dalla filiera. Nel settore olivicolo il peso della produzione è di oltre il 10 % della produzione agricola regionale. Il partenariato si propone di perseguire obiettivi di valore poiché in grado di ri-spondere con efficacia ai requisiti di qualità richiesti dal Bando. In particolare, la proposta progettuale è stata in grado di garantire:

• qualità e/o sicurezza alimentare: legare un prodotto al territorio d’origine e a un protocollo di produzione significa proteggerlo da eventuali frodi ed adulterazioni e quindi garantirne la qualità e la sicurezza alimentare. L’unione Europea e l’Organizzazione Mondiale della Sanità (OMS), definiscono la sicurezza alimentare come “una responsabilità condivisa dal campo alla tavola”, in quanto qualità e sicurezza dipendono dagli sforzi di tutte le persone coinvolte nella filiera: produzione agricola, lavorazione, trasporto, preparazione e consumo;

• prodotti funzionali: il prodotto di cui ci si occupa, l’olio extravergine di oliva, è un alimento funzionale di cui si è provato l’effetto nutritivo per tutto l’organismo. Svolge una funzione utile per la salute e protegge dalle malattie. Inoltre, questo tipo di olio contiene componenti antiossidanti particolari che hanno un effetto importante anti-invecchiamento, anti-tumorale e anti-arteriosclerotico;

• nuovi sbocchi di mercato: a livello nazionale è necessario, per soddisfare le esigenze, ri-correre ad importazione di olio di oliva principalmente da Spagna, Grecia e Tunisia; mentre


i mercati di esportazione riguardano Stati uniti, Australia, Giappone e Canada. potendo offrire un olio locale con caratteristiche qualitative riconosciute si potrebbero aprire nuovi sbocchi di mercato, soprattutto verso consumatori attenti alla qualità e salubrità dei prodotti agro-alimentari;

• processi produttivi che migliorano le condizioni ambientali: i siti sperimentali del pro-getto prevedono l’attuazione di una gestione agronomica controllata tramite un protocollo attento alla sostenibilità ambientale;

• collegamento e continuità con ricerche concluse o in fase di realizzazione analoghe: il progetto in esame è in continuità con numerose ricerche pubblicate riguardanti la caratteriz-zazione geografica dell’olio extra-vergine di oliva tramite NMR, realizzate sia in Italia che all’estero e con studi sulla zonazione olivicola che utilizzano i GIS e analisi qualitative clas-siche. L’innovazione del progetto è proprio nell’associazione di queste due potenti tecniche GIS e NMR per la caratterizzazione dell’olio.

un altro punto di forza del progetto risiede nell’aver proposto una replica dello studio nelle altre due province olivicole abruzzesi: Chieti e Teramo. Infatti sono stati presentati, per questo stesso bando della M. 124, altri due progetti similari: uno con la Cooperativa Aprol della provincia di Teramo ed uno con il Consorzio Confrantoiani della provincia di Chieti. In ognuno dei progetti è stato previsto lo studio del territorio provinciale con le specifiche peculiarità che lo contraddistinguono come le condi-zioni pedo-climatiche e le cultivar maggiormente rappresentative. pertanto i progetti hanno differito, principalmente, per la cultivar utilizzata (Gentile a Chieti, Dritta a pescara e Tortiglione a Teramo).

ATTIvITà

Il progetto OLIANDO-pE mira alla caratterizzazione e certificazione di origine delle produ-zioni olivicole ottenute nel territorio della provincia di pescara tramite l’utilizzo delle tecniche GIS (Sistemi Informativi Geografici) e NMR (Risonanza Magnetica Nucleare) che consentono di legare le caratteristiche qualitative del prodotto al territorio di provenienza.

Il progetto ha previsto 6 attività che hanno concorso al raggiungimento degli obiettivi specifici sopra descritti.

Avendo la necessità di comprendere quali caratteristiche di un territorio determinano la qualità e la peculiarità delle produzioni olivicole, si è resa necessaria la conoscenza approfondita del territorio provinciale. Pertanto la prima attività ha previsto la realizzazione di un Sistema Informativo Terri-toriale per tutta la provincia di pescara, tramite diversi strati informativi potenzialmente caratteristici della coltura dell’olivo (pedologia, morfologia del terreno, clima ecc…), per individuare aree omoge-nee per aspetti pedo-climatici.

Con la seconda attività, sono stati individuati i siti sperimentali con oliveti di tipo monovarieta-le, dove le aziende agricole, in collaborazione con il Centro di Ricerca hanno individuato un appezza-mento da utilizzare per la raccolta dei campioni di olive. L’individuazione dei siti ha tenuto conto della minimizzazione della variabilità della gestione agronomica e della rappresentatività delle tipologie di aree da studiare. Gli oliveti così determinati sono stati inseriti nel Sistema Informativo Territoriale.

Sugli uliveti individuati, nell’ambito della terza attività, è stata effettuata una raccolta di dati pedo-climatici per caratterizzare nello specifico ogni sito dal punto di vista pedologico, idraulico, meteorologico e vegetazionale. Cercando di mantenere costante l’epoca di maturazione dell’olivo si è proceduto alla raccolta delle olive, da cui è stato ricavato un campione di circa 5 kg destinato alla oleificazione tramite micro-frantoio che è stata effettuata in laboratorio. Il resto delle olive raccolte sono state destinate alla molitura tramite frantoio tradizionale. Dopo la raccolta, sulle olive, sono state eseguite alcune determinazioni in laboratorio quali le dimensioni della drupa, l’indice di maturazione, l’incidenza della mosca ecc...


la quarta attività ha consentito la trasformazione delle drupe raccolte in olio sia mediante micro-oleificazioni in condizioni standard e controllate, sia con oleificazioni tramite classici frantoi per avere un campione di olio anche in condizione reale. In questo modo per ogni oliveto sperimenta-le, per ognuno dei due anni di durata del progetto, sono stati ottenuti due campioni di olio.

Nella quinta attività i campioni di olio, provenienti da uliveti siti in zone con differenti ambien-ti pedo-climatici, sono stati caratterizzati tramite analisi NMR, che permette di discriminare contem-poraneamente un gran numero di componenti a basso peso molecolare anche in miscele complesse come l’olio. La caratterizzazione NMR, per ognuno dei due anni di durata del progetto, è stata com-piuta sui campioni di olio provenienti dal micro-frantoio e su quelli provenienti dai classici frantoi. La sperimentazione NMR è stata svolta in collaborazione con l’ENEA Trisaia.

Infine con la sesta attività, le caratteristiche ambientali studiate con l’ausilio dei Sistemi Infor-mativi (GIS) sono state messe in relazione con i profili NMR dell’olio per verificare le correlazioni esistenti in modo da permetterne la caratterizzazione geografica. È stato pertanto possibile elaborare un modello matematico in grado di risalire alla classe di appartenenza di ciascun campione. Il modello è stato sviluppato separatamente per i campioni micro-oleificati e gli altri.

Il progetto è stato inoltre corredato da attività trasversali per la disseminazione e divulgazione dei risultati e per il coordinamento e gestione del progetto.

ATTIvITà 1SELEzIOnE DEI SITI SPERIMEnTALI TRAMITE GIS

È stato realizzato un Sistema Informativo Geografico per tutta la provincia di pescara, ed in particolare per gli areali di produzione delle olive, mediante la raccolta e l’organizzazione di diversi strati informativi, che riguardano i vari aspetti ambientali che influenzano le potenzialità produttive del comparto olivicolo sia sotto l’aspetto quantitativo che qualitativo. I dati inseriti nel Sistemi Infor-mativo hanno riguardato:

• le caratteristiche pedo-paesaggistiche;• le caratteristiche topografiche e geografiche;• le caratteristiche climatiche.Trattandosi di un Sistema Informativo Territoriale e quindi geografico, è stato progettato per

operare con dati spaziali, cioè riconducibili a precise coordinate geografiche. In questo modo è stata possibile la sovrapposizione dei diversi strati informativi, è quindi il riconoscimento di aree omoge-nee per caratteristiche pedo-climatiche.

CARATTERISTIChE PEDO-PAESAGGISTIChE

La suddivisione del territorio regionale nei diversi suoli è stata effettuata usando le informazioni della carta dei suoli italiana, per la quale la Regione Abruzzo presenta tre tipologie di suolo:

• suolo A: Colline dell’Italia centrale e meridionale su sedimenti pliocenici e pleistocenici. Cambisol - Regosol con vertisuoli dell’Italia centrale e meridionale (Toscana, colline lito-ranee del mare Adriatico e colline lucane). Depositi marini e fluviali del Terziario da limosi ad argillosi.

• suolo B: Rilievi appenninici e antiappenninici dell’Italia centrale e meridionale su rocce sedimentarie. Cambisol - Regosol con Luvisols dell’Italia orientale (Appennino orientale e sud-orientale). Rocce sedimentarie del Terziario: flysch marnoso, argilloso e sabbioso.

• suolo C: Appennino centrale su rocce carbonatiche e conche in tramontane. Cambisol - Lep-tosol con Luvisols dell’Appennino Centrale. Rocce calcaree del Mesozoico e del Terziario


(calcari, marne e dolomie).• suolo D: Aree collinari e montane con formazioni calcaree e coperture vulcaniche con pia-

nure incluse dell’Italia meridionale. Cambisol - Leptosol con Luvisols dell’Appennino Me-ridionale. Rocce calcaree del Mesozoico e del Terziario (calcari, marne e dolomie).

Dalla figura che segue si può vedere la mappa dei suoli della Regione.

FIGuRA 1 - PEDOLOGIA: ESTRATTO DALLA CARTA DEI SuOLI D’ITALIA

per un maggiore dettaglio è stata utilizzata la carta geolitologica italiana presente sul geoportale nazionale.


FIGuRA 2 – GEOLITOLOGIA: ESTRATTO DALLA CARTA GEOLITOLOGICA ITALIAnA

per ogni litologia è stata stimata, dalle caratteristiche tessiturali, la conducibilità idraulica a saturazione (Ksat) in mm/h.

Litologia Permeabilità Ksat (mm/h)

Arenarie Alta 36

Argille Molto bassa 0.0036

Calcari Moderata 3.6

Depositi sedimentari Alta 36

Dolomie Moderata 3.6

Gessi Moderata 3.6

Marne Moderata 3.6

Sabbie e conglomerati Molto alta 360

Laghi Nulla 0

TAbELLA 1 - STIMA DELLA PERMEAbILITà DALLE CARATTERISTIChE GEOLITOLOGIChE

CARATTERISTIChE TOPOGRAFIChE E GEOGRAFIChE

un modello digitale di elevazione (anche noto come DEM, dall’inglese Digital Elevation Mo-del) è la rappresentazione della distribuzione delle quote di un territorio in formato digitale. Il modello digitale di elevazione viene prodotto in formato raster associando a ciascun pixel l’attributo relativo


alla quota assoluta. I DEM possono essere impiegati in un sistema informativo geografico (GIS) per produrre nuovi dati, ad esempio: carte di acclività o di orientazione del versante. Tutti questi prodotti, se impiegati in un ambiente GIS, hanno numerose applicazioni dello studio del territorio.

In questo progetto di ricerca i dati morfologici sono stati ricavati dal DEM della Regione Abruz-zo con maglia 20 x 20 m. Da questo è stato possibile ricavare i dati relativi alla quota, alla pendenza e all’esposizione. Di seguito alcune mappe permettono di illustrare la situazione regionale.

FIGuRA 3 – ALTIMETRIA DA DEM (20x20)

FIGuRA 4 – PEnDEnzA DEI vERSAnTI DA DTM (20x20)


FIGuRA 5 – ESPOSIzIOnE DEI vERSAnTI DA DTM (20x20)

Dalla posizione della linea di costa è stato realizzato uno strato informativo indicante la distanza dal mare.

FIGuRA 6 – DISTAnzA DAL MARE (In METRI)


Le caratteristiche di quota, pendenza, esposizione e distanza dal mare sono state utilizzate nelle elaborazioni per l’individuazione delle aree omogenee.

CARATTERISTIChE CLIMATIChE

Lo studio delle caratteristiche climatiche è stato effettuato utilizzando i dati dell’Istituto Idro-grafico e Mareografico di pescara e quelli del ex Centro Agrometeorologico Regionale di Scerni.

I dati sono relativi alle temperature (massima e minima) e alle precipitazioni delle stazioni di-sponibili per il 2012 e il 2013 (anni di campionamento delle olive). Le stazioni utilizzate sono visibili nella mappa che segue.

FIGuRA 7 – LOCALIzzAzIOnE STAzIOnI METEO uSATE

I dati meteorologici sono stati elaborati al fine di ricavare due indici rappresentativi di seguito descritti.

Indice eliotermicoL’indice bioclimatico di pierre huglin (1978) nacque con lo scopo di migliorare la validità

nell’impiego delle somme termiche in viticoltura. In base al principio che le temperature notturne non hanno alcun effetto sull’attività fotosintetica, quest’indice prende in considerazione solamente le sommatorie delle temperature attive durante il periodo giornaliero, quando cioè la fotosintesi cloro-filliana ha effettivamente luogo, per questo l’indice di huglin è anche chiamato indice “eliotermico”.

L’indice di huglin, anche se ideato per la coltura della vite, può essere utilizzato per l’olivo impiegando nella valutazione delle potenzialità termiche, le temperature medie e massime mensili del periodo 1° Aprile - 31 Ottobre. L’indice considera anche la lunghezza del periodo diurno, attraverso un coefficiente della lunghezza del giorno (K) che, tra 40° e 50° di latitudine, varia tra 1,02 e 1,05 (1,03 in Abruzzo).


Il calcolo dell’indice si ottiene dalla formula:

L’indice di Huglin, anche se ideato per la coltura della vite, può essere utilizzato per l’olivo impiegando nella valutazione delle potenzialità termiche, le temperature medie e massime mensili del periodo 1° Aprile - 31 Ottobre. L’indice considera anche la lunghezza del periodo diurno, attraverso un coefficiente della lunghezza del giorno (K) che, tra 40° e 50° di latitudine, varia tra 1,02 e 1,05 (1,03 in Abruzzo).

Il calcolo dell’indice si ottiene dalla formula:

𝐼𝐼𝐼𝐼𝐼𝐼𝐼𝐼 = �(𝑇𝑇𝑇𝑇𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚 − 10) + (𝑇𝑇𝑇𝑇𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚 − 10)

2

31/10

01/04

𝐾𝐾𝐾𝐾

dove:

Tmed: temperatura media giornaliera (°C); Tmax: temperatura massima giornaliera (°C); K: coefficiente della lunghezza del giorno (1,03).

La spazializzazione dell’indice eliotermico è stata effettuata tramite la tecnica geostatistica del co-kriging usando come variabile secondaria la quota altimetrica della stazione meteo. Dalla spazializzazione deriva la mappa che segue.

FIGURA 8 – INDICE ELIOTERMICO PER L’ANNO 2012.

18

dove:ü Tmed: temperatura media giornaliera (°C);ü Tmax: temperatura massima giornaliera (°C);ü K: coefficiente della lunghezza del giorno (1,03).

La spazializzazione dell’indice eliotermico è stata effettuata tramite la tecnica geostatistica del co-kriging usando come variabile secondaria la quota altimetrica della stazione meteo. Dalla spazia-lizzazione deriva la mappa che segue.

FIGuRA 8 – InDICE ELIOTERMICO PER L’AnnO 2012


FIGuRA 9 – InDICE ELIOTERMICO PER L’AnnO 2013

Le mappe sono state visualizzate utilizzando 4 classi di eguale intervallo. Le zone con indice eliotermico più elevato, per entrambe le annate considerate, sono quelle di pescara e Teramo, mentre Chieti presenta dei valori leggermente più bassi. utilizzando delle classi omogenee tra i due anni si nota che l’indice eliotermico è generalmente più basso nell’anno 2013.

Indice di aridità FAO-UNEPL’aridità è una caratteristica del territorio che tende a definire il clima di una determinata regione

in funzione della durata e frequenza di periodi siccitosi. L’indice bioclimatico FAO-uNEp (1977) è dato dal rapporto p/ET0, dove p è la precipitazione media annuale climatica e ET0 è l’evapotraspi-razione media annuale climatica. per il calcolo dell’indice di aridità, i dati utilizzati sono le precipi-tazioni mensili relative al periodo aprile-ottobre, e l’evapotraspirazione di riferimento calcolata con il metodo hargreaves e Samani (1982, 1985). Thomas e Middleton (1994) hanno definito quattro classi con livelli crescenti di aridità: aree sub-umide secche (0.50<p/ET0<0.75), semi-aride (0.20<p/ET0<0.50), aride (0.03<p/ET0<0.20) e iper-aride (p/ET0<0.03).

In funzione di tale classificazione, le terre mostrano una maggiore sensibilità a processi natu-rali di degrado e desertificazione. un’area subisce un processo naturale di desertificazione quando il rapporto p/ET0 raggiunge valori al di sotto di una certa soglia, a prescindere dal valore degli altri pa-rametri. D’altro canto, quando il rapporto supera una soglia superiore, la desertificazione non avanza. La seguente relazione, semplice ma indicativa, è proposta dall’uNCCD (1994) per valutare il rischio di desertificazione indotto da fattori climatici:

• p/ET0 < 0.03 " DESERTIFICAZIONE• p/ET0 > 0.75 " NO DESERTIFICAZIONE

Anche la spazializzazione dell’indice di aridità è stata effettuata tramite la tecnica geostatistica del co-kriging usando come variabile secondaria la quota altimetrica della stazione meteo. Dalla spa-zializzazione deriva la mappa che segue.


FIGuRA 10 – InDICE DI ARIDITà PER L’AnnO 2012

FIGuRA 11 – InDICE DI ARIDITà PER L’AnnO 2013

Nel 2012 quasi tutta la zona interessata dagli oliveti sperimentali è classificata come area sub-umida secca, invece nel 2013 la provincia di Teramo è per la parte a nord e all’interno sub-umida secca e la zona litoranea semi-arida, la provincia di pescara è completamente classificata come area semi-arida e così anche quasi tutta la provincia di Chieti ad esclusione delle zone più interne che ri-sultano sub-umide secche.


Aree omogeneeL’individuazione delle aree omogenee è stata eseguita tramite un approccio quantitativo ana-

litico (hargrove e hoffman, 2005; Williams et al., 2007; herrera Nuñez et al, 2011). Il fine ultimo è stato quello di identificare differenti combinazioni di fattori ambientali in modo da ottenere delle aree omogenee. I fattori ambientali considerati hanno riguardato tre categorie:

• fattori edafici: permeabilità;• fattori topografici: quota, pendenza, esposizione e distanza dal mare;• fattori climatici: indice eliotermico e indice di aridità.Le aree omogenee sono aree simili per condizioni climatiche, topografiche ed edafiche combi-

nate tra loro. per delineare queste aree omogenee sono state utilizzate alcune tecniche statistiche mul-tivariate quali l’analisi dei gruppi, l’analisi delle componenti principali (pCA – principal Components Analysis), le tecniche di massima verosimiglianza (MLC – Maximum Likelihood Classification), in combinazione con tecniche di visualizzazione di mappe con colori RGB (red-green-blue).

In particolare, l’area di studio, costituita dall’areale di possibile coltivazione degli ulivi nelle province di Teramo, pescara e Chieti con quota inferiore ai 500 m, è stata suddivisa in celle 100x100 (m) e ad ogni cella è stato assegnato un valore per ognuno dei fattori ambientali considerati. I valori dei parametri sono stati normalizzati in modo da ottenere valori con range da 0 a 1 (il valore massimo di pendenza considerato è stato il 30%, per l’esposizione i valori in gradi sono stati trasformati con la funzione –cos, in modo da attribuire punteggio più alto per l’esposizione a sud e più basso per quella a nord, i valori flat sono stati assimilati ad esposizioni a sud). Con il software ArcMap si è proceduto ad un’analisi delle componenti principali dove con 7 fattori ambientali si è ottenuto un data space 7-dimensionale, da esso è stata ricavata una immagine RGB utilizzando i primi tre fattori.

L’analisi delle componenti principali (pCA) permette di trasformare gli attributi dei dati mul-tivariati in un raster multibanda in cui gli assi sono ruotati rispetto allo spazio originale. Gli assi nel nuovo spazio non sono tra loro correlati e pertanto l’analisi consente di eliminare la ridondanza e rendere i dati più interpretabili. Il risultato di una pCA è, quindi, un raster multibanda con lo stesso numero di bande del raster originale (una banda per asse nel nuovo spazio multivariato). La prima componente principale spiegherà la massima varianza, la seconda mostrerà la seconda varianza non descritta dalla prima, e così via. Molte volte, i primi tre strati del raster risultante dalla funzione di componente principale possono descrivere più del 95% della varianza.

FIGuRA 12 – AnALISI DELLE COMPOnEnTI PRInCIPALI PER L’AnnO 2012


FIGuRA 13 – AnALISI DELLE COMPOnEnTI PRInCIPALI PER L’AnnO 2013

COMMEnTIAl raster multibanda così ottenuto è stato applicato un Isocluster individuando 2 gruppi ed infine

una classificazione di massima verosimiglianza in modo che ogni cella fosse assegnata ad uno dei gruppi individuati.

Lo strumento Isocluster utilizza una procedura di ottimizzazione di clustering (raggruppamen-to) iterativa modificata, anche conosciuta come tecnica di migrazione delle medie. L’algoritmo separa tutte le celle in gruppi unimodali distinti, il cui numero è specificato dall’utente. Questo tipo di rag-gruppamento utilizza un processo in cui, nel corso di ogni iterazione, tutti i campioni sono assegnati ai centri di cluster esistenti e le nuove medie vengono ricalcolate per ogni classe. Il processo tende a trovare la minima distanza euclidea per ogni cella da un gruppo, fino a formare il numero di gruppi specificati.

L’algoritmo utilizzato dallo strumento di classificazione della massima verosimiglianza presup-pone che le celle di ciascun gruppo nello spazio multidimensionale siano distribuite normalmente. In questo caso, ogni classe può essere caratterizzata dal vettore media e dalla matrice di covarianza. Date queste due caratteristiche per ogni valore della cella, viene calcolata la probabilità statistica per determinarne l’adesione alla classe. Ogni cella è imputata alla classe per la quale si ha la più alta pro-babilità di esserne un membro.


FIGuRA 14 – CLASSIFICAzIOnE DI MASSIMA vEROSIMIGLIAnzA PER L’AnnO 2012

FIGuRA 15 – CLASSIFICAzIOnE DI MASSIMA vEROSIMIGLIAnzA PER L’AnnO 2013

COMMEnTILe classificazioni di max verosimiglianza tra il 2012 e il 2013 risultano molto simili fra loro.Quando viene eseguita una classificazione di massima verosimiglianza, può anche essere pro-

dotto un raster di affidabilità. Questo raster mostra 14 livelli di affidabilità della classificazione. Il pri-


mo livello si compone di celle con la distanza più breve per ogni vettore medio memorizzato, pertanto, la classificazione di queste celle ha certezza massima. Le celle che costituiscono il secondo livello di affidabilità sarebbero classificate solo se la frazione di scarto è 0.99 o meno. Il più basso livello di affidabilità, il 14°, mostra le celle che potrebbero essere classificate erroneamente (con frazione di scarto 0.005 o superiore).

FIGuRA 16 – LIvELLI DI AFFIDAbILITà DELLA MLC PER L’AnnO 2012

FIGuRA 17 – LIvELLI DI AFFIDAbILITà DELLA MLC PER L’AnnO 2013


COMMEnTILe zone in cui sono situati gli oliveti non cadono in zone arancioni o rosse e sono quindi clas-

sificate con una buona affidabilità.

ATTIvITà 2InDIvIDuAzIOnE OLIvETI SPERIMEnTALI

L’individuazione degli oliveti sperimentali, da cui sono stati prelevati i campioni per l’olei- fi-cazione, è stata compiuta dalla Cooperativa con criteri volti a minimizzare la variabilità legata alla gestione agronomica (lavorazioni del terreno, fertilizzazioni, interventi fitosanitari, irrigazioni, po-tatura, ecc.) degli oliveti, all’età delle piante, alla forma di allevamento e alla densità d’impianto. In questo contesto, l’obiettivo principe è stato quello di esaltare la variabilità legata alle condizioni pedo-climatiche degli oliveti sperimentali localizzati nelle varie aree omogenee, individuate tramite il GIS, e di ottenere un campione rappresentativo per ognuna delle tipologie di aree individuate.

Nella mappa che segue si riporta la localizzazione degli oliveti sperimentali individuati.

FIGuRA 18 – InDIvIDuAzIOnE DEGLI OLIvETI nELLA PROvInCIA DI PESCARA

Le aziende agricole, coinvolte nel progetto hanno individuato l’appezzamento da dedicare alla sperimentazione. Non è stato possibile minimizzare la variabilità della gestione agronomica tramite l’applicazione di un protocollo definito dai tecnici agronomi, in quanto l’inizio del progetto è tem-poralmente coinciso con la fase di raccolta delle olive e quindi le operazioni agronomiche erano già state effettuate. per questo si è deciso di raccogliere tramite un questionario le informazioni relative allo stato del terreno, alle lavorazioni effettuate, ai sistemi di fertilizzazione e difesa adottati e di tener conto dei dati raccolti nella successiva fase di elaborazione.


ATTIvITà 3CAMPIOnAMEnTI E AnALISI CLASSIChE DI LAbORATORIO

CAmPIONAmENtO sItI sPErImENtAlISui siti sperimentali individuati è stata effettuata una raccolta di dati per caratterizzare nello

specifico ogni sito. In particolare, ogni sito è stato caratterizzato in termini di coordinate geografiche, quota ed esposizione attraverso l’uso di un GpS. In ogni sito è stato raccolto un campione di terreno, ottenuto da tre trivellate a circa 60 cm di profondità, in seguito analizzato in laboratorio per la deter-minazione dei seguenti parametri: ph, EC, granulometria, carbonio organico, fosforo assimilabile, azoto totale e potassio assimilabile. Inoltre, è stata compilata una scheda, mostrata nella figura che segue, relativa alle caratteristiche dell’oliveto.

Comune Fraz/localitàPendenza Esposizione Petrosità Ass. o quasi Intermedia Elevata

Nessuna Varietà 2 (%) Varietà 3 (%)

Monocono Vaso

6 m x 6 m 8 m x 8 m Altro (specificare)

< 2 m 2,1 -5 m 5,1 -10 m > 10 m

Biologico SI NO

Anno (ultimo) Mese Tipo

Tipo Periodo

Quantità

(q/ha) Periodo(q/ha) Periodo

Periodo(q/ha) Periodo

Inerbito Parz. Inerbito Non inerbito

In sacchi In bins AltroModo Tempo

meno 12 ore da 12 a 24 ore da 24 a 48 ore oltre 48 ore

Altro (specificare)

Sesto d'impianto (distanza relativa delle piante)

Distanze non costanti

Varietà 1 (%)

Altezza media delle pianteEtà dell'impianto

(2012) (2013)Varietà coltivate nell'oliveto (cultivar)

oltre quella oggetto di studio

Fitofagi da contrastare Infestanti da contrastare

Biologico/Certificazioni Altre certificazioni

Note

N.B. Le coordinate geografiche e la quota dell'oliveto vengono rilevate con il GPS (fare anche una foto associata).

Tipo di coltivazioneColtura specializzata (solo olivo)

Trasporto delle olive In cassette di plastica

Quanto tempo passa dalla raccolta alla molituraFase di stoccaggio ante-molitura

Raccolta meccanizzata con scuotitore e reti

Tecnica di raccolta delle olivePettinatura a mano con rastrelli

e reti Bacchiatura a mano con reti Bacchiatura/pettinatura

meccanica con reti

Stato e lavorazione del terrenoStato del terreno

Periodo di lavorazione Tipo di lavorazione Profondità della lavor. (cm)

Prodotti sintetici

Lotta biologica (specificare il metodo)Altro (specificare)

Prodotti sintetici

Sistemi di difesa dai fitofagi/infestanti

Forma di fertilizzazione (concime, ammendanti e correttivi)Tipo sotto che forma (es per azoto: urea/nitrati/etc.) Periodo

Coltura promiscua (specificare colture associate)

Irrigazione SI NOQuantità (l/anno)

PotaturaFrequenza Legenda:

A (pulitura/sfoltimento: 6 Kg/pianta);B (riforma/correzione/produzione: 30 Kg/pianta);

C (spinta: > 60 Kg/pianta)

Ogni annoOgni due anni

Oliveto sperimentaleCODICE AZIENDA Denominazione dell'azienda

Caratterizzazione e certificazione di origine delle produzioni olivicole e del territorio di produzione tramite GIS e NMR

OLIANDO

Fase adulta (12 - 40 anni) Fase senescenza (>41 anno)

Sistema di allevamento

data _____________operatore __________

FIGuRA 19 – SChEDA OLIvETI


Gli oliveti sperimentali, in provincia di pescara, sono situati da una quota minima di 111 m sul livello del mare fino ad arrivare a 323 m. La distribuzione altimetrica viene mostrata nel grafico a torta che segue.

FIGuRA 20 – DISTRIbuzIOnE ALTIMETRICA DEGLI OLIvETI SPERIMEnTALI

Quasi un terzo degli oliveti ha pendenza nulla. Gli oliveti non presentano petrosità nel terreno. Si tratta, quasi nella totalità, di colture specializzate, con sistema di allevamento a vaso. I sesti d’im-pianto sono molto variabili, invece l’altezza e l’età degli impianti è pressoché costante (piante dai 2 a 5 m di altezza con età superiore ai 40 anni). Solo 5 oliveti seguono un protocollo di coltivazione biologico certificato, ma la maggior parte degli lo seguono pur non avendo una certificazione. La potatura viene fatta prevalentemente ogni due anni, oltre la metà degli oliveti viene concimata e circa la metà invece adottano sistemi contro l’attacco della mosca. Gli oliveti sono per metà inerbiti e su questi viene fatta una minima lavorazione di trinciatura, negli altri la lavorazione del terreno prevede l’uso del frangizolla e dell’erpice. La raccolta viene fatta, in genere, con bacchiatori di tipo meccanico e le olive vengono stoccate nei bins e molite entro le 24 ore.

I dati relativi alle analisi di terreno effettuate presso i soci delle Cooperativa plenilia vengono riportati nella tabella che segue.

LuOGO pARCELLA pROFONDITA’ SABBIA LIMO ARGILLAPescara pE01 0-60 39,4 37 23,6Pescara pE02 0-60 16,2 45,7 38,2Pescara pE03 0-60 45,5 25,4 29,1Pescara pE04 0-60 40,2 31,2 28,6Pescara pE05 0-60 33 40,7 26,3Pescara pE06 0-60 38,5 27,5 34Pescara pE07 0-60 33,6 34,5 31,9Pescara pE08 0-60 32,3 26,2 41,5Pescara pE09 0-60 31,2 43,2 25,6Pescara pE10 0-60 35,4 31,8 32,9Pescara pE11 0-60 39,9 36,7 23,4Pescara pE12 0-60 23,7 49,8 26,5Pescara pE13 0-60 25,0 38,5 36,4Pescara pE14 0-60 29,8 41,9 28,2


Pescara pE15 0-60 16,0 50,5 33,4Pescara pE16 0-60 29,0 19,5 51,5Pescara pE17 0-60 37,4 22,8 39,7Pescara pE18 0-60 40,5 31,3 28,1Pescara pE19 0-60 15,2 53 31,8Pescara pE20 0-60 20,1 44,6 35,3Pescara pE21 0-60 38 27,7 34,4Pescara pE22 0-60 17,7 42,6 39,7Pescara pE23 0-60 36,0 57,3 6,7Pescara pE24 0-60 38,7 31,8 29,5Pescara pE25 0-60 31,7 38,9 29,4Pescara pE26 0-60 50 21,4 28,6Pescara pE27 0-60 33,9 35,3 30,8Pescara pE28 0-60 29,8 42,4 27,8Pescara pE29 0-60 42,1 31,9 26Pescara pE30 0-60 24,1 54,1 21,8Pescara pE31 0-60 16,2 55,8 27,9Pescara pE32 0-60 16,2 53,4 30,4Pescara pE33 0-60 18,7 34,8 46,6Pescara pE34 0-60 30,2 35,9 33,9Pescara pE35 0-60 42,5 27,4 30,2Pescara pE36 0-60 28,0 38,7 33,4Pescara pE37 0-60 29,7 36,5 33,9Pescara pE38 0-60 26,1 45,6 28,3Pescara pE39 0-60 18,1 51,6 30,3Pescara pE41 0-60 15,7 48,3 36,0Pescara pE42 0-60 47,0 28,6 24,4Pescara pE43 0-60 32,8 26,4 40,7Pescara pE44 0-60 32,1 32,4 35,5Pescara pE45 0-60 30,7 38,7 30,6Pescara pE46 0-60 36,8 33,5 29,7Pescara pE47 0-60 32,6 33,2 34,2Pescara pE49 0-60 25,3 43,8 31Pescara pE50 0-60 37,3 27,4 35,2Pescara pE51 0-60 24,9 42,9 32,1Pescara pE52 0-60 42,4 37 20,6

TAbELLA 2 - GRAnuLOMETRIA TERREnI

CAmPIONAmENtO OlIvECercando di mantenere costante l’epoca di maturazione dell’olivo, per ognuno dei due anni di

durata del progetto, si è proceduto al campionamento delle drupe. per ogni sito sperimentale è stato raccolto un campione significativo di frutti, di cui circa 5 kg, sono stati destinati alla oleificazione tramite micro-frantoio effettuata presso il COTIR, mentre il resto è stato molito tramite frantoio tradizionale della Cooperativa. Sul campione di olive, pervenuto al COTIR, sono state eseguite le seguenti determinazioni riportate su una scheda di raccolta dati: dimensione del frutto, peso, indice di maturazione, incidenza dell’attacco della mosca, umidità.


drupa 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25

diam. long.

diam. trasv.

drupa 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50

diam. long.

diam. trasv.

drupa 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25

mat.

drupa 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50

mat.

diametro longitudinale e trasversale (mm)

stadio maturazione (0-7)

indice di maturazione

umidità olive

peso tara (g) peso fresco (g) peso secco (g) umidità (%pv)

infestazione Dacus oleae (frutti infestati su 50 drupe)

resa in olio (L)

note

PSR - Oliando - scheda rilievi

codice campione

azienda

data di raccolta data di molitura

peso campione molito (kg) peso 50 drupe (g)

FIGuRA 21 – SChEDA RACCOLTA DATI SuLLE OLIvE CAMPIOnATE


Si riporta di seguito una tabella riepilogativa dei dati raccolti sulle olive che tiene conto anche dei dati raccolti nella provincia di Teramo ai fini di una migliore analisi e confronto tra i due progetti.

infestazione Dacus oleae

(%)

peso medio drupa

(g)

diametro medio long.

(cm)

diametro medio trasv.

(cm)

stadio di maturazione

(0-7)

umidità delle olive

(%pv)

2012 2013 2012 2013 2012 2013 2012 2013 2012 2013 2012 2013

Tera

mo

media 24 45 1,8 1,8 1,7 1,7 1,3 1,3 3,7 3,7 55,5 55,4

dev.st. 15,1 24,3 0,3 0,2 0,1 0,1 0,1 0,0 0,8 0,8 8,1 2,0

min 0 8 1,2 1,3 1,3 1,5 1,1 1,2 2,2 2,3 26,8 52,0

max 50 100 2,3 2,1 1,8 1,8 1,5 1,3 5,2 5,7 63,0 59,8

Pesc

ara

media 4 28 2,1 2,0 1,7 1,8 1,3 1,3 2,4 2,8 59,2 56,0

dev.st. 10,9 18,9 0,3 0,2 0,2 0,1 0,1 0,1 0,9 1,1 3,8 3,8

min 0 8 1,4 1,4 1,4 1,6 1,0 1,2 0,6 0,0 43,9 49,2

max 48 84 2,5 2,6 2,0 2,0 1,5 1,6 4,7 5,2 65,7 63,6

TAbELLA 3 - ELAbORAzIOnE DEI DATI RACCOLTI nELLA FASE DI CAMPIOnAMEnTO DELLE OLIvE

per la provincia di Teramo la raccolta delle olive è stata effettuata nel periodo compreso dal 21 ottobre al 26 novembre per l’anno 2012 e dal 29 ottobre al 30 novembre per il 2013. per la provincia di pescara la raccolta delle olive è stata effettuata nel periodo compreso dal 28 ottobre al 15 novembre per l’anno 2012 e dal 3 novembre al 17 novembre per il 2013.

L’infestazione di Dacus oleae (% di frutti infestati) è stata determinata su un numero di 50 oli-ve prelevate in maniera casuale dal campione. Eseguendo un’analisi della varianza, la varietà dritta risulta mediamente meno infestata dalla Dacus oleae rispetto alla varietà tortiglione e l’anno 2013 in generale risulta peggiore del 2012.


FIGuRA 22 – AnALISI DELLA vARIAnzA PER I DATI RELATIvI ALL’InFESTAzIOnE DA DACUs OlEAE

La misura del diametro longitudinale e trasversale è stata effettuata impiegando un calibro mil-lesimale su un numero di 50 olive prelevate in maniera casuale dal campione. La determinazione del peso è stata effettuata mediante misura gravimetrica su bilancia, su un campione di 50 olive prelevate in maniera casuale. Nel grafico che segue vengono mostrati i dati medi relativi al peso e alle dimen-sioni delle drupe.

FIGuRA 23 – PESO E DIMEnSIOnI MEDIE DELLE DRuPE


Lo stadio di maturazione è stato valutato mediante determinazione dell’Indice di Jaen (uceda e hermoso, 1998), che fa riferimento alla pigmentazione della drupa. vengono definiti sette diversi sta-di di maturazione, contraddistinti da altrettanti valori numerici crescenti, in relazione alla colorazione dell’epicarpo e del mesocarpo:

ü0 = olive con pelle verde intenso o verde scuroü1 = olive con pelle gialla o verde-giallognolaü2 = olive con pelle giallognola con macchie o zone rossastreü3 = olive con pelle rossastra o violetto chiaraü4 = olive con pelle nera e polpa totalmente chiaraü5 = olive con pelle nera e polpa violetta fino a metaü6 = olive con pelle nera e polpa violetta fino quasi al noccioloü7 = olive con pelle nera e polpa totalmente scura.Il calcolo dell’Indice di Maturazione (IM) è stato effettuato su 50 olive separate da un cam-

pione omogeneo, contando le olive appartenenti a ciascuna classe di pigmentazione e applicando la seguente formula:

FIGURA 23 – PESO E DIMENSIONI MEDIE DELLE DRUPE.

Lo stadio di maturazione è stato valutato mediante determinazione dell’Indice di Jaen (Uceda e Hermoso, 1998), che fa riferimento alla pigmentazione della drupa. Vengono definiti sette diversi stadi di maturazione, contraddistinti da altrettanti valori numerici crescenti, in relazione alla colorazione dell’epicarpo e del mesocarpo:

0 = olive con pelle verde intenso o verde scuro 1 = olive con pelle gialla o verde-giallognola 2 = olive con pelle giallognola con macchie o zone rossastre 3 = olive con pelle rossastra o violetto chiara 4 = olive con pelle nera e polpa totalmente chiara 5 = olive con pelle nera e polpa violetta fino a meta 6 = olive con pelle nera e polpa violetta fino quasi al nocciolo 7 = olive con pelle nera e polpa totalmente scura.

Il calcolo dell’Indice di Maturazione (IM) è stato effettuato su 50 olive separate da un campione omogeneo, contando le olive appartenenti a ciascuna classe di pigmentazione e applicando la seguente formula:

𝐼𝐼𝐼𝐼𝐼𝐼𝐼𝐼 =(0 × 𝑛𝑛𝑛𝑛0) + (1 × 𝑛𝑛𝑛𝑛1) + ⋯+ (7 × 𝑛𝑛𝑛𝑛7)

50

dove nx e il numero di olive appartenenti alla classe di pigmentazione x.

Lo stadio di maturazione medio indica una certa costanza nell’epoca di maturazione delle drupe nel momento in cui sono state molite, per entrambi gli anni di raccolta e per entrambe le varietà considerate.

0,0

0,5

1,0

1,5

2,0

2,5

pesomedio

drupa (g)

diametromediolong.(cm)

diametromediotrasv.(cm)

pesomedio

drupa (g)

diametromediolong.(cm)

diametromediotrasv.(cm)

Teramo Pescara

2012

2013

37

dove nx e il numero di olive appartenenti alla classe di pigmentazione x.Lo stadio di maturazione medio indica una certa costanza nell’epoca di maturazione delle dru-

pe nel momento in cui sono state molite, per entrambi gli anni di raccolta e per entrambe le varietà considerate.

La determinazione dell’umidità delle olive è stata effettuata per via ponderale. una quantità pe-sata di olive è posta in stufa termostatica a 105 °C per un tempo di circa 24 ore. Si lascia raffreddare e si pesa, determinando per differenza il contenuto di umidità che viene espresso in % sul peso. In media si riscontrano valori tra 55 e 60 % di umidità.

ATTIvITà 4OLEIFICAzIOnI

Le olive raccolte sono state molite dalla Cooperativa nel proprio frantoio. Dell’olio prodotto, è stata cura del frantoio ottenerne un campione etichettato, consegnarlo al COTIR per le successive analisi con la NMR.

un campione di olive raccolte sono state trasformate in olio, in laboratorio, utilizzando un micro frantoio in condizioni standard e su un ridotto quantitativo di olive (circa 5 kg).

In questo modo per ogni oliveto sperimentale, per ognuno dei due anni di durata del progetto, si sono ottenuti due campioni di olio, uno ottenuto con micro-oleificazioni in condizioni standard e controllate e uno ottenuto da una oleificazione classica che riproduce la reale molitura delle olive.

Il micro frantoio utilizzato è uno SpREMOLIvA NEW della TOSCANA ENOLOGICA MORI, il cui principio di funzionamento è molto semplice. Con una manovella si provvede alla alimentazione delle olive dalla tramoggia al gruppo frangitore, costituito da un sistema a coltelli che agiscono su gri-glia forata. Le olive frantumate cadono nella gramola, la quale è provvista di un agitatore motorizzato e di un sensore di pieno gramola. La pompa di alimentazione pasta di olive, motorizzata a velocità regolabile con apposito volantino, provvede a prelevare la pasta dalla gramola e a spingerla all’inter-no della centrifuga decater. Quest’ultima, comandata da un motore elettrico collegato al frangitore,


provvede alla separazione dell’olio dall’acqua e dalla sansa (2 fasi). per la sansa è previsto uno scarico motorizzato a coclea sotto la macchina, per l’olio un condotto a caduta libera.

per ogni campione di circa 5 kg, le olive sono state defogliate, lavate con acqua tiepida e inserite nella SpREMOLIvA NEW. Si è eseguita una gramolazione di durata di circa 20 minuti (a seconda della pasta di oliva prodotta) e poi si è proceduto alla raccolta dell’olio. Dopo circa 200 ml di olio prodotto è stato prelevato un campione e consegnato al laboratorio NMR. Di seguito qualche foto del micro frantoio.

FIGuRA 24 – MICRO FRAnTOIO SPREMOLIvA nEW

Al termine del ciclo di un campione è stato registrato il quantitativo di olio ottenuto.


ATTIvITà 5 AnALISI nMR

INtrODUzIONEL’ identificazione geografica di un alimento a partire dal suo contenuto chimico è di solito effet-

tuata utilizzando metodi di classificazione dei profili chimici basati su aree geografiche predetermina-te attraverso metavariabili diverse dal contenuto chimico.

In questo lavoro si vuole utilizzare il profilo chimico di campioni di olio georefernziati per in-dividuare, su una mappa, aree di omogeneità metabolica.

Il problema di rapresentare geograficamente l’informazione contenuta nello spettro NMR di campioni georeferenziati sta principalmente nell’individuare la grandezza (“feature”) da riportare in mappa.

La scelta a prima vista più naturale è quella di riportare la variabilità massima contenuta nel-lo spettro. Ciò è facilmente ottenibile mediante l’utilizzo delle componenti principali. Nell’analisi pCA, infatti, la variabilità degli spettri NMR è gerarchizzata nelle varie componenti principali. Resta comunque il problema di scegliere quale componente sia la più significativa per rappresentare la va-riabilità geografica degli spettri.

L’utilizzo della pCA potrebbe nascondere qualche insidia in quanto l’alta gerarchia della va-rianza non garantisce che la variabilità chimica rappresentata nello spettro sia di fatto correlata alla posizione geografica. Anche la ridondanza dell’informazione contenuta nello spettro NMR potrebbe influenzare la rappresentazione.

È pertanto utile utilizzare dei metodi espliciti per evidenziare l’eventuale correlazione fra il contenuto dello spettro NMR e posizione geografica del campione analizzato.

La correlazione spaziale essenzialmente dà una misura del fatto che ci si aspetta che campioni spazialmente prossimi abbiano un conteuto chimico simile perchè soggetti a condizioni pedoclima-tiche o colturali similari. Anche l’uso di una determinata cultivar è spesso spazialmente correlato per via di fattori legati alla tradizione locale e alla vocazione della cultivar per un determinato territorio. Inoltre, la risposta climatica o in generale la risposta agli stress ambientali di una determinata cultivar può amplificare o inibire la correlazione fra contenuto metabolico e posizione geografica.

Anche i metodi di estrazione dell’olio possono avere un contributo nella creazione di una cor-relazione fra la chimica del prodotto e la posizione geografica di provenienza.

L’uso della risonanza magnetica nucleare (NMR) per la determinazione del profilo chimico as-sieme ad appropiate tecniche di analisi geostatistica permette di valutare la variabilità geografica del contenuto chimico degli oli e di rappresentarla su una mappa.

ANAlIsI DAtI NmrIn figura 25 è riportato lo spettro NMR di un olio con alcune assegnazioni delle principali ri-

sonanze. Gli spettri sono stati acquisiti con uno spettrometro Bruker Avance 600 alla temperatura di 300K. Ciascun segnale NMR è aquisito utilizzando 64K punti digitali e trasformato nel dominio delle frequenze dopo zero filling fino a 128K e apodizzazione mediante una funzione esponenziale con larghezza equivalente di 1 hz.

I campioni sono stati preparati dissolvendo 12 µl di olio in 700 µl di cloroformio duterato con 12 µl di dimetilsulfossido deuterato per evitare la formazione di aggregati.


FIGuRA 25: SPETTRO nMR PROTOnICO DI unO DEGLI OLI DI OLIvA AnALIzzATI InSIEME COn ALCunE ASSEGnAzIOnI

Ogni segnale nello spettro NMR rappresenta un gruppo chimico appartenente ad uno dei com-posti presenti e la sua area è proporzionale alla concentrazione del composto.

Esistono vari metodi per la stima delle aree relative a ciascuna risonanza. Il metodo del bucke-ting è il più popolare nel profiling NMR per la sua semplicità di calcolo ma ha lo svantaggio di pro-durre molti segnali fra loro correlati con un contenuto di informazione ridondante. Tale svantaggio è maggiormente presente quando nello spettro NMR sono presenti righe larghe come nel caso degli oli.

L’integrazione diretta di ciascun segnale per via numerica ha lo svantaggio di non permettere di separare le aree di segnali fortemente sovrapposti.

La soluzione più appropiata è la deconvoluzione dello spettro mediante opportune forme di riga (lorentziane, doppietti, tripletti ecc.). Tale soluzione tuttavia richiede un grande sforzo di calcolo assieme alla necessità di utilizzare informazioni a priori provenienti da altri eperimenti NMR o dall’ esperienza pregressa sulla struttura dello spettro della sostanza in esame.

per l’analisi geostatistica degli spettri NMR degli oli del progetto Oliando si è scelata la quan-tificazione mediante deconvoluzione completa dello spettro con l’aiuto di un esperimento bidimen-sionale J correlato (jres). Ciò consente di utilizzare un numero ridotto di varibili rispetto alla tecnica del bucketing, con forte riduzione della ridondanza e una migliore identificazione del metabolita corrispondente al segnale NMR.

La deconvoluzione è stata effettuata mediante il software tNMR dividendo lo spettro in oppor-tune regioni per ridurre il carico di calcolo. per ciascuna risonanza NMR è stata stimata posizione, larghezza di riga, ampiezza, integrale e dove opportuno le costanti di accoppiamento. Con le posizioni delle righe e i relativi integrali si è costruita una matrice utilizzata successivamente per l’analisi ge-ostatistica.

Dalla deconvoluzione dello spettro degli oli prodotti nel 2013 al Cotir sono stati ricavati 114 segnali mentre per gli oli del 2012 si sono ottenuti rispettivamente 127 e 131 segnali per i campioni moliti al frantoio o estratti al Cotir.

un esempio del risultato della deconvoluzione nella regione dei metili è riportata in figura 26.


FIGuRA 26 - DECOnvOLuzIOnE DELLO SPETTRO nELLA REGIOnE DEI METILI

una semplice analisi statistica evidenzia una bassissima variabilità fra gli spettri, come mostrato in figura 27 dove è rappresentato parte dello spettro medio di tutti i campioni analizzati insieme con l’area di variabilità corrispondente a 3σ. Questa scarsa variabilità indica una grande uniformità nel contenuto e nella distribuzione degli acidi grassi indipendentemente dal luogo di provenienza.

FIGuRA 27 - SPETTRO MEDIO DI TuTTI I CAMPIOnI. L’AREA In ROSSO RAPPRESEnTA la variabilità relativa a 3 volte la deviazione standard σ degli spettri


ATTIvITà 6GEOSTATISTICA E RELAzIOnI TRA vARIAbILI AMbIEnTALI ELAbO-

RATE DAL GIS E PROFILI nMR

ANAlIsI gEOstAtIstICA1

un metodo efficace per misurare la correlazione fra una variabile e la sua posizione geografica è il test di Moran.

Il test di Moran è in effetti un test paramentrico che fornisce un indice dell’ autocorrelazione spaziale di una variabile e la probabilità p per il livello di autocorrelazione. In particolare, p rappre-senta la probabilità che l’ipotesi nulla, cioè che la variabile sia completamente scorrelata dalla posi-zione geografica, sia verificata.

L’ indice di Moran e definito da:

ATTIVITÀ 6 – GEOSTATISTICA E RELAZIONI TRA VARIABILI AMBIENTALI ELABORATE DAL GIS E PROFILI NMR

ANALISI GEOSTATISTICA1

Un metodo efficace per misurare la correlazione fra una variabile e la sua posizione geografica è il test di Moran.

Il test di Moran è in effetti un test paramentrico che fornisce un indice dell’ autocorrelazione spaziale di una variabile e la probabilità p per il livello di autocorrelazione. In particolare, p rappresenta la probabilità che l’ipotesi nulla, cioè che la variabile sia completamente scorrelata dalla posizione geografica, sia verificata.


𝐼𝐼𝐼𝐼 =𝑁𝑁𝑁𝑁

∑ ∑ 𝑊𝑊𝑊𝑊𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖

∑ ∑ 𝑊𝑊𝑊𝑊𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖 (𝑧𝑧𝑧𝑧𝑖𝑖𝑖𝑖 − 𝑧𝑧𝑧𝑧𝑧)�𝑧𝑧𝑧𝑧𝑖𝑖𝑖𝑖 − 𝑧𝑧𝑧𝑧𝑧�∑ (𝑧𝑧𝑧𝑧𝑖𝑖𝑖𝑖 − 𝑧𝑧𝑧𝑧𝑧)2𝑖𝑖𝑖𝑖

dove N è il numero di unità geografiche, z è la variabile in esame, Wij è la matrice dei pesi spesso inversamente proporzionale alla distanza fra i punti i e j. Se il valore calcolato dell’ indice 𝐼𝐼𝐼𝐼 èdiverso dal valore aspettato 𝐸𝐸𝐸𝐸(𝐼𝐼𝐼𝐼) = −1

𝑁𝑁𝑁𝑁−1 allora la variabile presenta una correlazione spaziale.

Il Moran test è quindi particolarmente adatto per individuare e selezionare le risonanze dello spettro che presentano una certa correlazione spaziale. Per valutare il tipo e il grado di correlazione spaziale di una determinata variabile si può utilizzare il semivariogramma e il Moran plot. Il semivariogramma consiste nel grafico della semivarianza γ della variabile z in funzione della distanza fra i punti campionati.

𝛾𝛾𝛾𝛾(ℎ) = �(𝑧𝑧𝑧𝑧(𝑥𝑥𝑥𝑥 + ℎ) − 𝑧𝑧𝑧𝑧(𝑥𝑥𝑥𝑥))2

𝑛𝑛𝑛𝑛(ℎ)

Alla base di questa rappresentazione sta l’ipotesi che misure spazialmente correlate siano simili per campioni vicini mentre tendano ad essere diverse per campioni spazialmente distanti. Il Moran plot permette di visualizzare le associazioni spaziali fra campioni vicini, mentre il semivariagramma fornisce informazioni sulla correlazione sull’ intero range di distanze. I punti che nel Moran plot cadono nel primo e terzo quadrante sono positivamente correlati mentre quelli che cadono nel secondo e quarto quadrante sono negativamente correlati. Prima dell’ analisi geostatistica la matrice degli integrali degli spettri e stata normalizzata utilizzando i coefficienti di nomalizzazione ottenuti mediante Probabilistic Quotient Normalization (PQN) degli spettri.

44

dove N è il numero di unità geografiche, z è la variabile in esame, Wij è la matrice dei pesi spesso inversamente proporzionale alla distanza fra i punti i e j. Se il valore calcolato dell’ indice è diverso dal valore aspettato allora la variabile presenta una correlazione spaziale.

Il Moran test è quindi particolarmente adatto per individuare e selezionare le risonanze dello spettro che presentano una certa correlazione spaziale.

per valutare il tipo e il grado di correlazione spaziale di una determinata variabile si può utiliz-zare il semivariogramma e il Moran plot.

Il semivariogramma consiste nel grafico della semivarianza γ della variabile z in funzione della distanza fra i punti campionati.

ATTIVITÀ 6 – GEOSTATISTICA E RELAZIONI TRA VARIABILI AMBIENTALI ELABORATE DAL GIS E PROFILI NMR

ANALISI GEOSTATISTICA1

Un metodo efficace per misurare la correlazione fra una variabile e la sua posizione geografica è il test di Moran.

Il test di Moran è in effetti un test paramentrico che fornisce un indice dell’ autocorrelazione spaziale di una variabile e la probabilità p per il livello di autocorrelazione. In particolare, p rappresenta la probabilità che l’ipotesi nulla, cioè che la variabile sia completamente scorrelata dalla posizione geografica, sia verificata.


𝐼𝐼𝐼𝐼 =𝑁𝑁𝑁𝑁

∑ ∑ 𝑊𝑊𝑊𝑊𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖

∑ ∑ 𝑊𝑊𝑊𝑊𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖 (𝑧𝑧𝑧𝑧𝑖𝑖𝑖𝑖 − 𝑧𝑧𝑧𝑧𝑧)�𝑧𝑧𝑧𝑧𝑖𝑖𝑖𝑖 − 𝑧𝑧𝑧𝑧𝑧�∑ (𝑧𝑧𝑧𝑧𝑖𝑖𝑖𝑖 − 𝑧𝑧𝑧𝑧𝑧)2𝑖𝑖𝑖𝑖

dove N è il numero di unità geografiche, z è la variabile in esame, Wij è la matrice dei pesi spesso inversamente proporzionale alla distanza fra i punti i e j. Se il valore calcolato dell’ indice 𝐼𝐼𝐼𝐼 èdiverso dal valore aspettato 𝐸𝐸𝐸𝐸(𝐼𝐼𝐼𝐼) = −1

𝑁𝑁𝑁𝑁−1 allora la variabile presenta una correlazione spaziale.

Il Moran test è quindi particolarmente adatto per individuare e selezionare le risonanze dello spettro che presentano una certa correlazione spaziale. Per valutare il tipo e il grado di correlazione spaziale di una determinata variabile si può utilizzare il semivariogramma e il Moran plot. Il semivariogramma consiste nel grafico della semivarianza γ della variabile z in funzione della distanza fra i punti campionati.

𝛾𝛾𝛾𝛾(ℎ) = �(𝑧𝑧𝑧𝑧(𝑥𝑥𝑥𝑥 + ℎ) − 𝑧𝑧𝑧𝑧(𝑥𝑥𝑥𝑥))2

𝑛𝑛𝑛𝑛(ℎ)

Alla base di questa rappresentazione sta l’ipotesi che misure spazialmente correlate siano simili per campioni vicini mentre tendano ad essere diverse per campioni spazialmente distanti. Il Moran plot permette di visualizzare le associazioni spaziali fra campioni vicini, mentre il semivariagramma fornisce informazioni sulla correlazione sull’ intero range di distanze. I punti che nel Moran plot cadono nel primo e terzo quadrante sono positivamente correlati mentre quelli che cadono nel secondo e quarto quadrante sono negativamente correlati. Prima dell’ analisi geostatistica la matrice degli integrali degli spettri e stata normalizzata utilizzando i coefficienti di nomalizzazione ottenuti mediante Probabilistic Quotient Normalization (PQN) degli spettri.

44

Alla base di questa rappresentazione sta l’ipotesi che misure spazialmente correlate siano simili per campioni vicini mentre tendano ad essere diverse per campioni spazialmente distanti. Il Moran plot permette di visualizzare le associazioni spaziali fra campioni vicini, mentre il semivariagramma fornisce informazioni sulla correlazione sull’ intero range di distanze. I punti che nel Moran plot ca-dono nel primo e terzo quadrante sono positivamente correlati mentre quelli che cadono nel secondo e quarto quadrante sono negativamente correlati. prima dell’ analisi geostatistica la matrice degli in-tegrali degli spettri e stata normalizzata utilizzando i coefficienti di nomalizzazione ottenuti mediante probabilistic Quotient Normalization (pQN) degli spettri.

stAgIONE 2012 mOlItUrA FrANtOIOper poter individuare quali parti dello spettro NMR siano più adatte a rappresentare la variabilità

spaziale degli oli prodotti al frantoio tutte le 127 risonanze determinate dalla deconvoluzione degli spettri sono state sottoposte al Moran test i cui risultati sono riportati in figura 28.

In particolare il grafico a sinistra rappresenta il valore assoluto del rapporto fra I e il valore at-teso E. pertanto, valori alti di questo indice individuano variabili spazialmente correlate. A valori alti dell’indice I/E di fatto corrispondono valori prossimi allo zero per p (grafico a destra).


FIGuRA 28: MORAn InDEx PER CIASCunA DELLE RISOnAnzE nMR DELL’OLIO AnALIzzATO (GRAFICO A SInISTRA). A DESTRA è RIPORTATA LA PRObAbILITà ChE LA vARIAbILE In ASCISSE SIA SPAzIALMEnTE SCORRELATA

È immediatamente chiaro come solo alcune delle variabili dello spettro NMR siano spazial-mente correlate.

I grafici in figura 28 ci permettono di selezionare nello spettro NMR quelle varabili che hanno una correlazione spaziale. Scegliendo una soglia a 40 per il Moran Index in figura 28 si individuano 14 variabili con il grado di correlazione spaziale più alto.

una parziale assegnazione delle variabili selezionate è data in tabella 4.

Variabile selezionata Chemical shift Assegnazione

19 0.9131 u

24 0.9760 Cere

40 1.5456 u

45 1.6240 Squalene

90 4.6057 Terpene 1

91 4.6585 Terpene 2

95 5.0277 u

96 5.0366 u

97 5.0448 u

98 5.0518 u

99 5.0605 u

100 5.0707 u

102 5.0864 u

103 5.0934 u

TAbELLA 4: PARzIALE ASSEGnAzIOnE DELLE vARIAbILI SELEzIOnATE

una rappresentazione diretta della correlazione fra le variabili selezionate e la posizione del campione è data dal semivariogramma che rappresenta la semivarianza media in funzione della di-stanza.

Nella seguente figura sono rappresentati il semivariogramma e il Moran plot di una delle varia-bili selezionate.


(a) variabile 90. Fit with Gaussian: τ =0.0004, σ=0.0002, φ=0.25, k=1

(b) Moran’s plot

FIGuRA 29 - vARIOGRAMMA DI unA DELLE vARIAbILI SELEzIOnATE COn IL RELATIvO FIT COn unA FunzIOnE GAuSSIAnA ASSIEME AL RELATIvO MORAn PLOT

È evidente una stretta correlazione della variabile per distanze inferiori a 0.25 mentre si ha una rapida perdita di correlazione a distanze superiori. Il modello più adeguato a rappresentare i vario-grammi in figura è quello Gaussiano la cui regressione è mostrata in figura come linea continua.

Il Moran plot mostra una correlazione positiva per la maggior parte dei campioni con solo alcuni che presentano una correlazione negativa.

In figura 30 sono riportati in mappa i valori della variabile 90 che rappresenta un terpene. I cer-chietti individuano la posizione di provenienza dell’olio mentre il loro colore codifica il valore della variabile con cinque livelli di intensità dal verde al rosso.

L’analisi geostatistica che segue riporta i risultati sia del progetto Oliando–Pe che Olian-do–te al fine di integrare il lavoro e avere anche dei confronti che aiutano ad interpretare i risultati.

La rappresentazione in falsi colori sulla mappa rappresenta interpolazione di dati al di fuori del sito di campionamento ottenuta mediante l’ Inverse Distance Weighting algorithm (IDW).

FIGuRA 30 - MAPPA GIS DELLA vARIAbILE 90 DEGLI SPETTRI nMR DEGLI OLI DEL 2012 MOLITI AL FRAnTOIO. I CERChIETTI InDICAnO IL vALORE DELLA vARIAbILE nEL SITO DI MISuRA.

IL LAyER In FALSI COLORI RAPPRESEnTA L’InTERPOLAzIOnE MEDIAnTE IDW DELLA vARIAbILE STESSA


È evidente che la variabile rappresenta due regioni uniformi che incidentalmente coincidono con le province di Teramo e pescara.

per poter rappresentare l’intero set di variabili selezionate in base all’ indice di Moran in un’ unica mappa è utile trasformale mediante una pCA.

La prima componente principale rappresenta il 99 % della varianza e la sua correlazione spazia-le è rappresentata in figura 31.

(a) variagramma. (b) Moran’s plot

FIGuRA 31 - MORAn TEST DELLA PC1 DELLE 14 vARIAbILI SELEzIOnATE SECOnDO IL MORAn InDEx nEGLI OLI DEL 2012

Il semivariogramma mostra una riduzione del range della pC1 di circa la metà rispetto all’ anda-mento del semivariogramma della singola variabile in figura 31. Il Moran’s plot (figura 31-b) mostra un addensamento dei campioni nel terzo quadrante mentre nel primo si ha una maggiore dispersione.

La mappa spaziale della pC1 interpolata mediante IDW è riportata in figura 32. Anche in questo caso si evidenzino due regioni uniformi che coincidono con le province di Teramo e pescara.

FIGuRA 32 - MAPPA GIS DELLA PRIMA COMPOnEnTE PRInCIPALE DEGLI SPETTRI nMR DEGLI OLI DEL 2012 MOLITI AL FRAnTOIO. I CERChIETTI InDICAnO IL vALORE DELLA PC1 nEL SITO DI MISuRA RELATIvAMEnTE ALLE 14 vARIAbILI SELEzIOnATE SECOnDO IL MORAn InDEx. IL LAy-

ER In FALSI COLORI RAPPRESEnTA L’InTERPOLAzIOnE MEDIAnTE IDW DELLA PC1


In accordo con il Moran plot la dispersione della pC1 è inferione nella provincia di pescara, la maggior parte dei simboli è dello stesso colore, mentre per la provincia di Teramo si ha una maggiore dispersione dei dati.

FIGuRA 33 - LInEAR DISCRIMInAnT AnALySIS DELLE RISOnAnzE nMR CORRELATE SPAzIALMEnTE DETERMInATE SECOnDO IL vALORE DEL MORAn InDEx. LE DuE CLASSI

RAPPRESEnTAnO LE DuE REGIOnI InDIvIDuATE ATTRAvERSO LE MAPPE GIS

Sulla base dei risultati geostatistici, una volta individuate le due aree omogenee, possiamo classificare i campioni di olio in base alla provenienza geografica considerando come areali uniformi le due province. In figura 33 è riportato il modello dei dati costruito mediante Linear Discriminant Analysis (LDA).

I campioni provenienti dalle due aree sono correttamente classificati utilizzando le 14 variabili selezionate con il Moran test. La k-fold cross validation, con k=10, mostra una attendibilità di classi-ficazione di circa il 97 % come mostra la tabella 5.

Pe Te

Pe 100 ± 0 0 ± 0

Te 3 ± 8 97 ± 8

TAbELLA 5 - RISuLTATI DELLA K-FOLD CROSS vALIDATIOn COn K=10 RELATIvA ALLA LDA. I DATI RAPPRESEnTAnO I vALORI PERCEnTuALI DI CORRETTA ASSEGnAzIOnE

nEL PROCESSO DI CROSS vALIDAzIOnE


mOlItUrA COtIr

In figura 34 sono riportati il Moran Index e la relativa probabilità per la matrice degli integrali delle 131 risonanze degli spettri NMR degli oli moliti al Cotir.

FIGuRA 34: MORAn InDEx PER CIASCunA DELLE RISOnAnzE nMR DELL’OLIO AnALIzzATO (GRAFICO A SInISTRA). A DESTRA è RIPORTATA LA PRObAbILITà ChE LA vARIAbILE

In ASCISSE SIA SPAzIALMEnTE SCORRELATA

Scegliendo una soglia a 30 per il Moran Index in figura 34 si individuano 9 variabili con il grado di correlazione spaziale più alto.

una parziale assegnazione delle variabili selezionate è data in tabella 6.

Variabile selezionata Chemical shift Assegnazione

3 0.7438 u

4 0.7552 Sitosterolo

19 0.9131 u

23 0.9704 Cera

24 0.9770 Cera

90 4.6057 Terpene 1

91 4.6585 Terpene 2

124 9.1614 u

127 9.3965 u


Le variabili NMR che presentano un correlazione spaziale negli oli preparati al Cotir sono par-zialmente diverse da quelle spazialmente correlate negli oli moliti al frantoio.

La pCA delle 9 variabili selezionate ha la prima componente principale che rappresenta il 75.5% della varianza mentre la seconda componente ne rappresenta il 21.5%.

variogramma e Moran plot della pC1 sono riportati in figura 35.



FIGuRA 35 - MORAn TEST DELLA PC1 DELLE 9 vARIAbILI SELEzIOnATE SECOnDO IL MORAn InDEx nEGLI OLI DEL 2012 PREPARATI AL COTIR

Il semivariogramma e il Moran plot indicano chiaramente una più scarsa correlazione spaziale della pC1 delle variabili selezionate rispetto agli oli prodotti al frantoio. un andamento simile è visi-bile anche sulla seconda componente principale la cui correlazione spaziale è descritta in figura 36.


FIGuRA 36 - MORAn TEST DELLA PC2 DELLE 9 vARIAbILI SELEzIOnATE SECOnDO IL MORAn

InDEx nEGLI OLI DEL 2012 PREPARATI AL COTIR

La mappa spaziale della pC1 interpolata mediante IDW è riportata in figura 37.Anche in questo caso si evidenzino due regioni uniformi che coincidono con le province di

Teramo e pescara.


FIGuRA 37 - MAPPA GIS DELLA PRIMA COMPOnEnTE PRInCIPALE DEGLI SPETTRI nMR DEGLI OLI DEL 2012 MOLITI AL COTIR. I CERChIETTI InDICAnO IL vALORE DELLA PC1 nEL SITO DI MISuRA RELATIvAMEnTE ALLE 9 vARIAbILI SELEzIOnATE SECOnDO IL MORAn InDEx. IL

LAyER In FALSI COLORI RAPPRESEnTA L’InTERPOLAzIOnE MEDIAnTE IDW DELLA PC1

EFFEttO tECNICA mOlItUrAIn figura 38 è riportato il confronto fra le mappe della prima componente principale delle varia-

bili selezionate in accordo con il Moran test per gli oli prodotti al frantoio e al Cotir.Entrambi le mappe individuano due areali coincidenti con le province di Teramo e pescara,

sebbene la correlazione spaziale delle variabili considerate, che tra l’altro sono anche parzialmente diverse per i due tipi di oli, sia inferiore nel caso deli oli preparati al Cotir.

FIGuRA 38 - COnFROnTO FRA LE MAPPE GIS DELLA PRIMA COMPOnEnTE PRInCIPALE DEGLI SPETTRI nMR DEGLI OLI DEL 2012 MOLITI AL FRAnTOIO (MAPPA A SInISTRA) E MOLITI AL

COTIR (MAPPA A DESTRA). I CERChIETTI InDICAnO IL vALORE DELLA PC1 nEL SITO DI MISuRA RELATIvAMEnTE ALLE vARIAbILI SELEzIOnATE SECOnDO IL MORAn InDEx. IL LAyER In FALSI

COLORI RAPPRESEnTA L’InTERPOLAzIOnE MEDIAnTE IDW DELLA PC1


stAgIONE 2013In figura 39 sono riportati il Moran Index e la relativa probabilità per la matrice degli integrali

delle 114 risonanze degli spettri NMR degli oli moliti al Cotir.

FIGuRA 39 - MORAn InDEx PER CIASCunA DELLE RISOnAnzE nMR DELL’OLIO AnALIzzATO (GRAFICO A SInISTRA). A DESTRA è RIPORTATA LA PRObAbILITà ChE LA vARIAbILE

In ASCISSE SIA SPAzIALMEnTE SCORRELATA

È immediatamente chiaro come solo alcune delle variabili dello spettro NMR siano spazialmen-te correlate. I grafici in figura 39 ci permettono di selezionare nello spettro NMR quelle varabili che hanno una correlazione spaziale.

In particolare, utilizzando una soglia di 36 per il Moran Index si selezionano 13 variabili. una parziale assegnazione delle variabili selezionate è data in tabella 7.

Variabile selezionata Chemical shift Assegnazione3 0.7547 sterolo11 0.9275 13C statellite Ch3 FA14 0.9759 cere27 1.5418 u32 1.6233 squalene50 2.9722 u51 2.9821 u52 3.2011 u53 3.2082 u54 3.2196 u55 3.2271 u85 4.6057 terpene 186 4.6585 terpene 2



Nella seguente figura sono rappresentati i variogrammi di due delle variabili selezionate.

(a) variabile 14. Fit with Gaussian: τ =3.06E-4, σ=0.0015, φ=0.25, k=1

(b) variabile 85.Fit with Gaussian: τ =5.06E-4, σ=0.0004, φ=0.25, k=1

FIGuRA 40- vARIOGRAMMI DI DuE vARIAbILI SELEzIOnATE COn IL RELATIvO FIT COn unA FunzIOnE GAuSSIAnA

È evidente una stretta correlazione delle variabili per distanze inferiori a 0.2 mentre si ha una rapida perdita di correlazione a distanze superiori. Il modello più adeguato a rappresentare i vario-grammi in figura è quello Gaussiano la cui regressione è mostrata in figura come linea continua.

In figura 41 e 42 sono riportati in mappa i valori delle variabili 14 e 85. Il raster è stato creato utilizzando l’ Inverse Distance Weighting algorithm (IDW) per l’interpolazione dei dati.

FIGuRA 41 : MAPPA GIS DELLA vARIAbILE 14 DEGLI SPETTRI nMR DEGLI OLI DEL 2013. I CERChIETTI InDICAnO IL vALORE DELLA vARIAbILE nEL SITO DI MISuRA. IL LAyER In FALSI

COLORI RAPPRESEnTA L’InTERPOLAzIOnE MEDIAnTE IDW DELLA vARIAbILE STESSA


FIGuRA 42 - MAPPA GIS DELLA vARIAbILE 85 DEGLI SPETTRI nMR DEGLI OLI DEL 2013. I CERChIETTI InDICAnO IL vALORE DELLA vARIAbILE nEL SITO DI MISuRA. IL LAyER In FALSI

COLORI RAPPRESEnTA L’InTERPOLAzIOnE MEDIAnTE IDW DELLA vARIAbILE STESSA

È evidente che entrambe le variabili rappresentano due regioni uniformi che casualmente È evidente che entrambe le variabili rappresentano le due regioni uniformi che casualmente

coincidono con le province di Teramo e pescara. per poter rappresentare l’intero set di variabili se-lezionate in base all’ indice di Moran in un’unica mappa è utile trasformale mediante una pCA. La prima componente principale rappresenta il 97% della varianza e la sua correlazione spaziale è rap-presentata in figura 43.


FIGuRA 43 - MORAn TEST DELLA PC1 DELLE 13 vARIAbILI SELEzIOnATESECOnDO IL MORAn InDEx nEGLI OLI DEL 2013.


Il semivariogramma mostra un andamento molto simile a quello delle due variabili riportate in figura 40. Il Moran’s plot in figura 43-b mostra la correlazione spaziale di ciascun campione sulla base della pC1. La correlazione è positiva per la maggior parte dei campioni eccetto per pochi che posizionandosi nel secondo e quarto quadrante del plot mostrano una correlazione negativa.

La mappa spaziale della pC1 interpolata mediante IDW è riportata in figura 44.Anche in questo caso si evidenzino due regioni uniformi che coincidono con le province di

Teramo e pescara.

FIGuRA 44 - MAPPA GIS DELLA PRIMA COMPOnEnTE PRInCIPALE DEGLI SPETTRI nMR DEGLI OLI DEL 2013. I CERChIETTI InDICAnO IL vALORE DELLA PC1 nEL SITO DI MISuRA

RELATIvAMEnTE ALLE 13 vARIAbILI SELEzIOnATE SECOnDO IL MORAn InDEx. IL LAyER In FALSI COLORI RAPPRESEnTA L’InTERPOLAzIOnE MEDIAnTE IDW DELLA PC1

Sulla base dei risultati geostatistici, una volta individuate le due aree omogenee, possiamo clas-sificare i campioni di olio in base alla provenienza geografica considerando come areali uniformi le due province.

In figura 45 è riportato il modello dei dati costruito mediante Linear Discriminant Analysis.I campioni provenienti dalle due aree sono correttamente classificati utilizzando le 13 variabili

selezionate con il Moran test.La k-fold cross validation, con k=10, mostra una attendibilità di classificazione di circa il 97 %

come mostra la tabella 8

Pe Te

Pe 97 ± 8 3 ± 8

Te 3 ± 8 97 ± 8

TAbELLA 8- TAbLE 5: RISuLTATI DELLA K-FOLD CROSS vALIDATIOn COn K=10 RELATIvA ALLA LDA. I DATI RAPPRESEnTAnO I vALORI PERCEnTuALI DI CORRETTA ASSEGnAzIOnE nE

PROCESSO DI CROSS vALIDAzIOnE


FIGuRA 45 - LInEAR DISCRIMInAnT AnALySIS DELLE RISOnAnzE nMR CORRELATE SPAzIALMEnTE DETERMInATE SECOnDO IL vALORE DEL MORAn InDEx. LE DuE CLASSI

RAPPRESEnTAnO LE DuE REGIOnI InDIvIDuATE ATTRAvERSO LE MAPPE GIS.

COnCLuSIOnI nMR

Lo studio NMR ha permesso di individuare le aree omogenee di produzione, riportandole in mappa, attraverso il profilo chimico dei campioni. La correlazione spaziale ottenuta dall’analisi geo-statistica dei profili NMR ha consentito una classificazione dei campioni analizzati con una attendi-bilità di circa il 97 %.

ATTIvITà TRASvERSALI – DIvuLGAzIOnE DEL PROGETTO

Il seminario di presentazione del progetto OLIANDO-pE è stato indetto in data 12/09/2013 presso la Cooperativa plenilia a pianella. Al seminario erano presenti gli agricoltori coinvolti nel pro-getto, i tecnici della Cooperativa e il suo presidente e i ricercatori del COTIR. I ricercatori del COTIR hanno esposto agli agricoltori gli obiettivi e le attività del progetto per la valorizzazione della Dritta ed è seguito un dibattito.

Di seguito è mostrata la brochure e la locandina di presentazione del progetto.


FIGURA 46 – BROCHURE DI PRESENTAZIONE DEL PROGETTO (PESCARA).

60

FIGuRA 46 – bROChuRE DI PRESEnTAzIOnE DEL PROGETTO (PESCARA).


FIGURA 47 – LOCANDINA DI PRESENTAZIONE DEL PROGETTO (PESCARA). 61

FIGuRA 47 – LOCAnDInA DI PRESEnTAzIOnE DEL PROGETTO (PESCARA).


Il Convegno intermedio è stato tenuto a Bazzano presso i “Tipici dei parchi” il 29 maggio 2015. Di seguito la locandina diffusa.

Il Convegno intermedio è stato tenuto a Bazzano presso i “Tipici dei Parchi” il 29 maggio 2015. Di seguito la locandina diffusa.

FIGURA 48 – INVITO CONVEGNO INTERMEDIO

Il convegno finale si è tenuto il 10 luglio 2015 presso la Camera di Commercio di Chieti. Segue la locandina pubblicata.

FIGURA 49 – INVITO CONVEGNO FINALE

62

FIGuRA 48 – InvITO COnvEGnO InTERMEDIO


Il Convegno intermedio è stato tenuto a Bazzano presso i “Tipici dei Parchi” il 29 maggio 2015. Di seguito la locandina diffusa.

FIGURA 48 – INVITO CONVEGNO INTERMEDIO


FIGURA 49 – INVITO CONVEGNO FINALE

62

FIGuRA 49 – InvITO COnvEGnO FInALE

ATTIvITà TRASvERSALICOORDInAMEnTO E GESTIOnE DEL PROGETTO

per la gestione del progetto è stata prevista la realizzazione di una scheda di pianificazione e una scheda di monitoraggio dalle quali è stato possibile tenere sotto controllo l’avanzamento del progetto e verificare che le attività fossero svolte nei tempi e nei modi corretti.


InDICATORI DI PROGRESSO E RICADuTE DEL PROGETTO

Il progetto ha determinato ricadute positive sia rispetto alla fase agricola che commerciale. Ri-spetto alla fase agricola, il coinvolgimento delle aziende associate alla Cooperativa, ha determinato una maggiore consapevolezza degli agricoltori sulla possibilità di distinguere e promuovere il loro Olio sia a livello locale che sui mercati internazionali. Dagli incontri tenuti con i soci, sia in fase preliminare che nei sopralluoghi effettuati in campo in occasione dei campionamenti eseguiti presso tutte le aziende aderenti, è emersa la volontà e l’opportunità di utilizzare le peculiarità del territorio e dell’olio ai fini della caratterizzazione del territorio e dell’olio della cultivar Dritta. Infatti lo studio ha anche permesso di migliorare le conoscenze del contesto agro-pedoclimatico in cui sono localizzate le aziende agricole. L’attività di sperimentazione, condivisa e svolta in collaborazione con le aziende associate, è stata svolta dal COTIR attraverso il proprio personale e i tecnici della cooperativa, dialo-gando e spiegando il tutto agli agricoltori, attraverso una serie di eventi e incontri informativi e divul-gativi. per questo, il progetto ha avuto una ricaduta distribuita e diffusa sul territorio della provincia di pescara. L’ampia diffusione è stata assicurata anche dal fatto che la scelta delle aziende, pur se basata su oliveti di età, tecniche colturali e sistemi di allevamento il più possibile simili, doveva basarsi su contesti rappresentativi del territorio e quindi su quote altimetriche e distanze dal mare differenti.

La ricaduta del progetto a livello nazionale potrebbe essere importante in quanto, dai dati pub-blicati da unaprol, circa l’olivicoltura italiana emergono le seguenti cifre:

§l’Italia detiene una quota pari al 20% dell’intera produzione comunitaria.§43 designazioni di origine nell’olio di cui 42 dop e una igp§900.000 aziende agricole§1 milione di ettari coltivati ad olivicoltura§1,4 miliardi di € circa il valore alla pianta delle olive§3 miliardi di € il valore del fatturato generato dalla fase industriale della filiera pari al 3%

del fatturato totale dell’industria agroalimentare§2° produttore mondiale di olio di oliva in generale§673 confezionatori §2624 confezionatori con frantoio§3760 frantoi§350 tipi di cultivar diverse§Italia è la banca mondiale della genetica olivicola§50 milioni le giornate di assunzione di manodopera agricola§170 mila ettari coltivati a biologico, al 12% della SAu olivicola nazionale§3° produttore europeo di olive da tavola (88mila ton. pari al 3% della produzione nazionale

di olive)§Il più rappresentativo consorzio di olivicoltori Italiano a livello europeo e mondiale§190 mila imprese associate in Italia rappresentate in organizzazioni economiche territoriali§Il 44 % della rappresentanza tra le OOpp del settore con 262 mila ettari in produzione di

qualità§700 filiere e 7000 aziende in tracciabilità§La più grande rete di tracciabilità e monitoraggio olivicolo a livello europeoA livello commerciale, per il Capofila del progetto, la ricaduta è importante poiché la stessa

Cooperativa plenilia è dotata di impianti di trasformazione e di imbottigliamento adeguati alle attuali necessità di mercato. La provincia di pescara, in cui la Cooperativa opera, rappresenta quasi il 25% di tutta la superficie olivicola abruzzese e in questo territorio si produce la DOp Aprutino pescarese. La cooperativa plenilia, nata nel 1961, ad oggi conta 250 aziende per un totale di circa 100mila piante di olivo che sono in grado di fornire materia prima per la produzione di circa 5mila quintali di olio extra vergine di oliva. Il frantoio consta di due linee continue per la spremitura a freddo. L’olio extra vergine prodotto viene immagazzinato in cisterne nel sottosuolo, allo scopo di mantenere costante


la temperatura del prodotto e garantirne un’idonea conservazione al riparo da luce e fonti di calore. una volta imbottigliato, l’olio viene distribuito attraverso i diversi canali commerciali dell’a-

zienda.Nella Cooperativa plenilia L’extravergine di oliva prodotto viene commercializzato con il brand

Olio Re: Olio Re 100% italiano, extravergine di oliva classico; Olio Re D.o.p. Aprutino-pescarese, extravergine di oliva con certificazione di denominazione di origine protetta; Olio Re Biologico, extravergine di oliva realizzato con olive provenienti da colture biologiche; Olio Re Tracciato, extra-vergine di oliva realizzato con olive 100% locali. La novità è rappresentata dall’Olio extravergine di oliva pLENILIA BIO. un olio biologico dal gusto gentile e delicato ottenuto da un’accurata selezione di olive provenienti da aziende biologiche. Quest’olio possiede caratteristiche naturali eccezionali (polifenoli e vitamina E), che lo rendono particolarmente indicato per l’alimentazione dei bambini, delle donne in gravidanza, in periodo di allattamento, e degli anziani. plenilia produce inoltre patè di olive (nere e verdi) e una serie di oli aromatizzati (al limone, peperoncino, rosmarino, aglio rosso e tartufo), realizzati esclusivamente con olio extra vergine di oliva dell’azienda, materie prime locali ed estratti naturali.

Le masserie di plenilia: una nuova linea che comprende oltre ai sott’oli di alta qualità invasati a mano (funghi, melanzane alla brace e a listelli, carciofi spaccati alla brace, pomodori secchi, peperon-cini piccanti), anche pasta di peperoncino, pomodori pelati e passata di pomodoro. Le materie prime sono tutte 100% italiane. Grazie al lavoro scrupoloso, plenilia è in grado di offrire sul mercato i propri prodotti con certificazioni: Iso 9001; Iso 22005; IFS; BRC; DOp; BIO ed anche CODIFA (banca dati per i prodotti parafarmaceutici). Negli ultimi anni la Cooperativa plenilia è riuscita a raggiungere, grazie a queste produzioni, mercati interessanti. Il lavoro del progetto oliando permette di aggiungere ulteriore identità all’olio della pLENILIA poiché consente di distinguere la cutivar Dritta sia sotto il profilo territoriale che sotto i profili chimico e quindi della qualità. Le numerose aziende aderenti al progetto (48) ora dispongono di una caratterizzazione pedoclimatica del territorio e del profilo chi-mico dell’olio e ne possono usufruire per promuovere il loro prodotto sotto il profilo commerciale.

Facendo rifermento ai contenuti scientifici e tecnici, questo lavoro può avere una importante ricaduta anche a livello italiano dove gli istituti di ricerca, unitamente ai partner privati e alle asso-ciazioni, stanno lavorando sulla protezione del “made in Italy”. una attività importante nel contesto, dell’olio extravergine di oliva di origine italiana, in cui la sola rintracciabilità documentale non è suf-ficiente ad assicurarne la qualità oggettiva e garantirne l’assenza di frodi. È bene, pertanto, disporre di altri strumenti e tecniche innovative come in questo caso i GIS e l’NMR capaci di fornire informazioni in termini di origine geografica dell’olio.

Con riferimento agli obiettivi previsti nella scheda progettuale presentata il progetto ha generato le seguenti ricadute:

• qualità e/o sicurezza alimentare: legare un prodotto al territorio d’origine e a un protocollo di produzione significa proteggerlo da eventuali frodi ed adulterazioni e quindi garantirne la qualità e la sicurezza alimentare. L’unione Europea e l’Organizzazione Mondiale della Sanità (OMS), definiscono la sicurezza alimentare come “una responsabilità condivisa dal campo alla tavola”, in quanto qualità e sicurezza dipendono dagli sforzi di tutte le persone coinvolte nella filiera: produzione agricola, lavorazione, trasporto, preparazione e consumo; Il lavoro svolto si occupa proprio di legare il prodotto al territorio di provenienza.

• prodotti funzionali: il prodotto di cui ci si occupa, l’olio extravergine di oliva, è un alimento funzionale di cui si è provato l’effetto nutritivo per tutto l’organismo. Svolge una funzione utile per la salute e protegge dalle malattie. Inoltre, questo tipo di olio contiene componenti antiossidanti particolari che hanno un effetto importante anti-invecchiamento, anti-tumorale e anti-arteriosclerotico;

• nuovi sbocchi di mercato: a livello nazionale è necessario, per soddisfare le esigenze ri-correre ad importazione di olio di oliva principalmente da Spagna, Grecia e Tunisia; mentre i mercati di esportazione riguardano Stati uniti, Australia, Giappone e Canada. potendo


offrire un olio locale con caratteristiche qualitative riconosciute si potrebbero aprire nuovi sbocchi di mercato, soprattutto verso consumatori attenti alla qualità e salubrità dei prodotti agro-alimentari;

• processi produttivi che migliorano le condizioni ambientali: i siti sperimentali del pro-getto prevedono l’attuazione di una gestione agronomica controllata tramite un protocollo attento alla sostenibilità ambientale;

• collegamento e continuità con ricerche concluse o in fase di realizzazione analoghe: la proposta progettuale si pone in continuità con l’attività di ricerca condotta anche dal COTIR. In particolare, si innesta sulle pubblicazioni scientifiche e le competenze maturate con riguar-do alla caratterizzazione geografica dell’olio extra-vergine di oliva tramite NMR, realizzate sia in Italia che all’estero e con studi sulla zonazione olivicola che utilizzano i GIS e analisi qualitative classiche. L’innovazione del progetto è proprio nell’associazione di queste due potenti tecniche GIS e NMR per la caratterizzazione dell’olio. I risultati del lavoro sono stati presentati anche presso l’EuROMAR – tenutosi dal 5 al 10 luglio a praga. In ambito regio-nale i risultati sono stati illustrati nel convegno tenutosi il 10 luglio 2015 presso la Camera di Commercio di Chieti a Chieti Scalo.


bIbLIOGRAFIA

• Berenguer M.J., Grattan S.R., Connell J.h., polito v.S., vossen p.M., 2004. Irrigation management to optimize olive oil production and quality. Acta hort., 664: 79-85.

• Gómez-Rico A., Salvador M.D., Moriana A., pérez D., Olmedilla N., Ribas F., Fregapane G., 2007. Influence of diffe-rent irrigation strategies in a traditional Cornicabra cv. olive orchard on virgin olive oil composition and quality. Food Chem., 100: 568-578.

• hargreaves G. h. e Samani Z. A., 1982. Estimating potential evapotranspiration. Tech. Note, J. Irrig. and Drain. Engrg., ASCE, 108(3): 225-230.

• hargreaves G. h., Samani Z. A., 1985. Reference crop evapotranspiration from temperature. Applied Engrg. in Agric., 1(2): 96-99.

• hargrove W.W., hoffman F. M., 2005. potential of multivariate quantitative methods for delineation and visualization of ecoregions. Environ. Manage 34(1): S39-S60.

• herrera Nuñez J. C., Ramazzotti S., Stagnari F. , pisante M., 2011. A Multivariate Clustering Approach for Characte-rization of the Montepulciano d’Abruzzo Colline Teramane Area. Am. J. Enol. vitic. 62(2): 240-244.

• huglin p, 1978. Nouveau mode d’évaluation des possibilities héliothermiques d’un milieu viticole. C.R. Acad. Agric. Fr., 64: 1117-1126.

• Kiritsakis A., Markakis p., 1987. Olive oil, a review. Adv. Food Res., 31: 453-482.

• Modi G., Nizzi Grifi F., Fiorino p., 1990. Maturazione delle drupe e caratteristiche dell’olio in “Frantoio” e “Leccino” in Chianti. Atti del Convegno problematiche qualitative dell’olio di oliva, Sassari, pp. 213-229.

• Montedoro G.F., Servili M., pannelli G., 2003. Le caratteristiche del prodotto e le relazioni con le variabili agronomi-che. In Olea - Trattato di Olivicoltura. Edagricole. Bologna, pp. 263-289.

• Motilva M.J., Tovar M.J., Romero M.p., Alegre S., Girona J., 2000. Influence of regulated deficit irrigation strategies applied to olive trees (Arbequina cultivar) on oil yield and oil composition during the fruit ripening period. J. Sci. Food Agric., 80: 2037-2043.

• Mousa Y.M., Gerasopoulos D., 1996. Effect of altitude on fruit and oil quality characteristics of ‘Mastoides’ olives. J. Sci. Food Agric., 71: 345-350.

• patumi M., D’Andria R., Fontanazza G., Morelli G., Giorio p., Sorrentino G., 1999. Yield and oil quality of intensively trained trees of three cultivars of olive (Olea europaea L.) under different irrigation regimes. J. hort. Sci. Biotechnol., 74: 729-737.

• Servili M., Selvaggini R., Esposto S., Taticchi A., Montedoro G., Morozzi G., 2004. Health and sensory properties of virgin olive oil hydrophilic phenols: agronomic and technological aspects of production that affect their occurrence in the oil. J. Chrom. A, 1054: 113-127.

• Thomas D.S.G., Middleton, N.J. 1994. Desertification: exploding the myth. Jhon Wiley & Sons. Chichester.

• Tovar M.J., Motilva M.J., Romero M.p., 2001. Changes in the phenolic composition of virgin olive oil from young trees (Olea europaea L. cv Arbequina) grown under linear irrigation strategies. J. Agric. Food Chem., 49: 5502-5508.

• Tovar M.J., Romero M.p., Alegre S., Girona J., Motilva M.J., 2002. Composition and organoleptic characteristics of oil from Arbequina olive (Olea europaea L.) trees under deficit irrigation. J. Sci. Food Agric., 82: 1755-1763.

• uceda M., hermoso M., 1998. La calidad del aceite de oliva. In El cultivo del olivo; Barranco D., Fernàndez-Escobar R., Rallo L., (Eds.); Junta de Andalucía Ediciones Mundi-prensa, Madrid, Spain; pp 547-572.

• united Nations Convention to Combat Desertification, paris, 1994.

• united Nations Environmental programme, 1977. Draft plan of action to combat desertification. united Nations Con-ference to Combat Desertification. Nairobi. 72 pp.2

• Williams C., W. hargrove, M. Liebman, James D., 2008. Agro-ecoregionalization of Iowa using multivariate geo-graphical clustering. Agric. Ecosys. Environ. 123:161-174.

· sabina bucciarelli gesmina ciccarone andrea civitarese donatocivitella andrea d’aurizio...

Documents