Istraživači razvijaju algoritam za predviđanje potencijala žetve iz klimatskih podataka

Gotovo sto dionika proizvodnje ima preuzeo algoritam koji mogu pružiti mogućnost predviđanja ponašanja i produktivnosti maslinika.

Nova tehnologija temelji se na temeljitoj analizi sezonskih vremenskih obrazaca tijekom ciklusa rasta maslina tijekom dugog razdoblja u Italiji.

Uspoređujući odnos između razvoja maslina i žetve s klimatskim utjecajima, istraživači su uspjeli identificirati desetke potencijalnih klimatskih stresora i kako oni utječu na produktivnost maslina.

Istraživači vjeruju da ove informacije mogu pomoći nacionalnim ili regionalnim upravama, uzgajivačima maslina, proizvođačima i drugim zainteresiranim stranama u predviđanju kako bi se nadolazeća sezona mogla odvijati i unošenju bilo kakvih agronomskih ili poslovnih prilagodbi.

Nova tehnologija proizlazi iz a koordinirani projekt koji uključuje znanstvenike iz Talijanskog nacionalnog istraživačkog vijeća (CNR) i Agencije za nove tehnologije, energiju i održivi razvoj (ENEA) kao i američke istraživače sa Sveučilišta Kalifornija – Berkeley.

"Radimo na razumijevanju koji [klimatski] pokretači mogu izazvati nepovoljne uvjete i povezanu vjerojatnost štetnih učinaka na proizvodnju maslina,” rekla je Arianna Di Paola, istraživačica na Talijanskom institutu za bioekonomiju pri CNR-u. Olive Oil Times.

"Primjeri okidača su uvjeti koji pogoduju širenju maslinova voćna muha ili visoke zimske temperature koje mogu promijeniti ciklus masline i utjecati na cvjetanje i oprašivanje,” dodala je.

Istraživanje je analiziralo berbe maslina u 66 talijanskih pokrajina između 2006. i 2020. kako bi se identificirali uzroci stresa koristeći široki raspon podataka. Uspjeli su otkriti kako je došlo do najgorih uroda maslina.

"Razumijevanje tekuće sezone omogućuje nam da predvidimo što možemo očekivati ​​u bliskoj budućnosti,” rekao je Di Paola.

"Ovo nisu sezonske prognoze, koje moraju biti pouzdane i pretočene u korisne informacije kako bi se olakšao proces donošenja odluka, cijeli svijet istraživanja sam po sebi,” dodala je. â € <"To su kratkoročni scenariji koji bi mogli podržati ulaganja, preventivne mjere, tretmane ili agronomske prakse.”

Istraživanje se nije zaustavilo na identificiranju pokretača nepovoljnih uvjeta.

"Iako još ne možemo predvidjeti cijeli fenološki ciklus masline, jer nije moguće predvidjeti početak vegetacije u sezoni na regionalnoj razini, ono što možemo učiniti je, koristeći kalendar, jednostavno podijeliti životni ciklus masline na dva- mjesečne rate,” rekla je Di Paola.

Analizirajući varijable koje utječu na proizvodnju maslina kroz godine i zbrajajući ih svaka dva mjeseca, istraživači su definirali popis varijabli i ispitali kako one međusobno djeluju tijekom vremena.

Analiza pruža kratkoročnu preciznu prognozu, za koju su istraživači rekli da je tri puta bolja od analize jedne varijable.

"Na primjer, jedno je reći da smo imali topliju zimu, drugo je reći da smo nakon te tople zime imali i vrlo vlažno ljeto, čimbenike koji se mogu zbrojiti i dodatno pogoršati scenarij", rekla je Di Paola.

Nakon što je analiza bila spremna, istraživači su pogledali koje su sezonske klimatske varijable češće povezane s ekstremno lošim sezonama ili sezonama s visokim prinosima, odbacujući srednje prinose.

Ovaj odabir imao je za cilj identificirati prinose na koje je, na širokoj prostornoj razini, najviše utjecala klimatska varijabilnost s obzirom na superpoziciju drugih pokretača.

"U srednjim sezonama, prinosi mogu ovisiti o varijablama kao što je primjena specifičnih agronomskih tehnika od strane jednog uzgajivača u usporedbi s drugim, ili o vremenu utrošenom na obrezivanje maslina i mnogim drugim varijablama,” rekla je Di Paola.

Stoga su istraživači bili više zainteresirani za promatranje i obilne i oskudne ekstremne sezone, budući da su povezani uvjeti imali utjecaj neovisno o aktivnostima pojedinog uzgajivača.

"Većina nas je navikla usredotočiti se na pojedinačne čimbenike stresa, kao što su smrzavanje ili toplinski val, ali čak i da bismo uspjeli ispravno sagledati te pojedinačne čimbenike stresa, još uvijek ih ne bismo mogli povezati s određenim fenološkim stadijem bez odgovarajuće terenska promatranja ili simulacije modela”, rekao je Di Paola.

"Pokušali smo izgladiti sve te učinke kako bismo ih razmotrili zajedno u velikom opsegu i kroz čitava godišnja doba", dodala je.

Zanimljivo je da su istraživači pronašli vezu između klimatskih varijabli koje je identificirao algoritam i fenomena maslinove voćne mušice.

"Algoritam vam neće reći zašto će se određeni scenarij dogoditi", rekao je Di Paolo. â € <"Međutim, primjenom toga, primjećujemo da su učinci – lošije godine u smislu produktivnosti i novi klimatski stresori – vjerojatno povezani s najezdom maslinove mušice.”

"Ono što nam algoritam govori je nešto poput: ako imate ovaj niz uvjeta, recimo pet različitih varijabli u određenom vremenu, onda je vrlo vjerojatno da će prinos maslina biti iznimno nizak,” dodala je.

Nakon što ovo upozorenje dođe od algoritma, stručnjak mora pogledati podatke kako bi ih ispravno protumačio. â € <"Je li to maslinova voćna mušica ili postoje drugi čimbenici koje bismo trebali uzeti u obzir?" napomenula je Di Paola.

"Standardizirali smo sve varijable kako bismo ih učinili usporedivima kroz vrijeme i prostor, a to nam je omogućilo da stvari gledamo odozgo”, dodala je. â € <"Da pojasnimo, kada istraživanje kaže da je određeni okidač toplije razdoblje od prosjeka, to je vrijedilo za sve pokrajine u zemlji.”

Istraživanjem širokog raspona teritorija povećava se generalizacija algoritma i mogu se postići bolje prognoze za cijeli sektor u cijeloj zemlji.

"Ovo je koristan pogled na cijeli sektor za sve subjekte koji su zainteresirani za sagledavanje cjelovite slike,” rekao je Di Paola.

Algoritam, koji je javno dostupan i koji se može preuzeti i integrirati u njihove sustave, mogao bi biti od pomoći ne samo za Italiju, već i za sektor maslina.

"Metoda koju smo primijenili može se izvoziti u druge zemlje i sektore”, zaključio je Di Paola. â € <"Nakon što mu se dodaju potrebni podaci, algoritam se lako može prilagoditi za izradu takve sezonske prognoze.”

• ENEA