L’agricoltura in ambiente controllato consente di massimizzare le rese delle colture fornendo alle piante le condizioni di crescita ideali per 365 giorni all’anno, in maniera sostenibile e senza l’utilizzo di prodotti fitosanitari. Il massimo sfruttamento del potenziale produttivo della pianta, tuttavia, dipende dalla conoscenza della risposta di quest’ultima a un ampio spettro di stimoli ambientali, che può essere acquisita attraverso un lungo e costoso processo sperimentale. In questo contesto, i modelli biofisici di crescita delle piante, che si fondano sulle conoscenze di fisiologia e minimizzano la necessità di dati di calibrazione, rappresentano un’opportunità per velocizzare il processo di ottimizzazione su nuovi genotipi che vengono continuamente introdotti nel mercato. Questi modelli matematici sono stati sviluppati in condizioni di pieno campo, o in serra, e non sono attualmente disponibili per tutte le specie di interesse in indoor farming. Lo scopo di questo progetto di tesi è l’estensione dei modelli esistenti a nuove specie e/o tecniche di coltivazione utilizzate in ambiente controllato. La calibrazione e validazione dei modelli, eventualmente integrati con algoritmi di Machine Learning, sarà effettuata sperimentalmente in una vertical farm.