APPROCCIO AGENTICO PER LO SVILUPPO DI UN DIGITAL TWIN PER LA PREVENZIONE DELLO STRESS IDRICO E LA PROGRAMMAZIONE DELLA ROTAZIONE COLTURALE.

This thesis aims to develop a Digital Twin for agriculture integrated with a decision support system based on a containerized microservices architecture. The project's objectives are to address short-term water stress and optimize long-term crop rotation. An innovative approach based on multi-agent architectural patterns using the CrewAI framework was adopted. At the heart of the system is the Agentic Core, which leverages the logic of CrewAI flows to orchestrate decision-making flows and break them down into complex tasks, delegating them to three specialized agents: the first agent collects, validates, and formats environmental parameters and interfaces with meteorological APIs; the analyst queries the Machine Learning models developed specifically for the project, namely an XGBoost model for crop recommendations and a SARIMAX model for soil moisture forecasting; finally, the expert agronomist synthesizes the outputs and consults a vector knowledge base (RAG) based on Apulian agricultural regulations to provide context. The system features two main flows: a Daily Flow for daily monitoring and a Seasonal Flow for post-harvest planning. The goal is to overcome the limitations of the traditional monolithic approach by adopting advanced agentic patterns, transforming isolated Machine Learning predictions into contextualized agronomic strategies.

Il presente lavoro di tesi è finalizzato allo sviluppo di un Digital Twin per l'agricoltura integrato con un sistema di supporto decisionale basato su un'architettura a microservizi containerizzata. Il progetto ha come obiettivi quelli di intervenire in stati di stress idrico nel breve termine e di ottimizzare la rotazione colturale a lungo termine. È stato adottato un approccio innovativo basato su pattern architetturali multi-agente tramite il framework CrewAI. Il cuore del sistema è il Core Agentico, che sfrutta la logica dei CrewAI flows per orchestrare flussi decisionali e scomporli in task complessi, delegandoli a tre agenti specializzati: il primo raccoglie, valida e formatta i parametri ambientali e si interfaccia con API meteorologiche; l'analista, invece, interroga i modelli di Machine Learning sviluppati su misura per il progetto, ovvero un modello XGBoost per la raccomandazione delle colture e uno SARIMAX per la previsione dell'umidità del suolo; infine, l'agronomo esperto sintetizza gli output e consulta una Knowledge Base vettoriale (RAG) basata sui disciplinari agricoli pugliesi così da fornire un contesto. Il sistema prevede due flussi principali: un Daily Flow per il monitoraggio quotidiano e un Seasonal Flow per la pianificazione post-raccolto. L'obiettivo è quello di superare i limiti dell'approccio monolitico classico attraverso l'adozione di pattern agentici avanzati, trasformando predizioni isolate di Machine Learning in strategie agronomiche contestualizzate.