Forscher entwickeln Algorithmus zur Vorhersage des Erntepotenzials anhand von Klimadaten

Fast einhundert Produktionsbeteiligte haben einen Algorithmus heruntergeladen Dies kann die Möglichkeit bieten, das Verhalten und die Produktivität eines Olivenhains vorherzusagen.

Die neue Technologie basiert auf einer gründlichen Analyse saisonaler Wettermuster während des Olivenwachstumszyklus über einen langen Zeitraum in Italien.

Durch den Vergleich der Beziehung zwischen Olivenentwicklung und -ernte mit den Klimaauswirkungen konnten Forscher Dutzende potenzieller Klimastressoren und deren Auswirkungen auf die Produktivität der Olivenbäume identifizieren.

Forscher glauben, dass diese Informationen nationale oder regionale Verwaltungen, Olivenbauern, Produzenten und andere interessierte Parteien dabei unterstützen könnten, vorherzusagen, wie sich eine kommende Saison entwickeln könnte, und etwaige agronomische oder geschäftliche Anpassungen vorzunehmen.

Die neue Technologie resultiert aus a koordiniertes Projekt an dem Wissenschaftler des italienischen Nationalen Forschungsrates (CNR) und der Agentur für neue Technologien, Energie und nachhaltige Entwicklung (ENEA) sowie amerikanische Forscher der University of California beteiligt sind – Berkeley.

"Wir arbeiten daran zu verstehen, welche [klimatischen] Treiber ungünstige Bedingungen und die damit verbundene Wahrscheinlichkeit nachteiliger Auswirkungen auf die Olivenproduktion auslösen können“, sagte Arianna Di Paola, Forscherin am italienischen Institut für Bioökonomie am CNR Olive Oil Times.

"Beispiele für Auslöser sind Bedingungen, die die Ausbreitung begünstigen Olivenfruchtfliege oder hohe Wintertemperaturen, die den Olivenzyklus verändern und die Blüte und Bestäubung beeinträchtigen können“, fügte sie hinzu.

Die Studie analysierte die Olivenernte in 66 italienischen Provinzen zwischen 2006 und 2020, um anhand einer breiten Palette von Daten die Stressfaktoren zu identifizieren. Sie konnten aufdecken, wie es zu den schlechtesten Olivenernten kam.

"Wenn wir die anhaltende Saisonalität verstehen, können wir vorhersehen, was uns in naher Zukunft erwarten kann“, sagte Di Paola.

"Dabei handelt es sich nicht um saisonale Prognosen, die zuverlässig sein und in umsetzbare Informationen umgesetzt werden müssen, um den Entscheidungsprozess zu erleichtern, eine ganze Welt der Forschung für sich“, fügte sie hinzu. ​"Es handelt sich um kurzfristige Szenarien, die Investitionen, vorbeugende Maßnahmen, Behandlungen oder agronomische Praktiken unterstützen könnten.“

Die Forschung beschränkte sich nicht darauf, die Treiber ungünstiger Bedingungen zu identifizieren.

"Während wir noch nicht den gesamten phänologischen Zyklus der Olive vorhersagen können, da es nicht möglich ist, den vegetativen Beginn der Saison auf regionaler Ebene vorherzusagen, können wir mithilfe eines Kalenders den Lebenszyklus der Olive einfach in zwei Teile unterteilen: Monatsraten“, sagte Di Paola.

Durch die Analyse der Variablen, die sich im Laufe der Jahre auf die Olivenproduktion auswirken, und deren Aggregation alle zwei Monate erstellten die Forscher eine Liste der Variablen und untersuchten, wie sie im Laufe der Zeit interagieren.

Die Analyse liefert eine kurzfristige Präzisionsprognose, die laut Forschern dreimal besser ist als die Analyse einer einzelnen Variablen.

"„Eine Sache ist zum Beispiel zu sagen, dass wir einen wärmeren Winter hatten, eine andere ist zu sagen, dass wir nach diesem warmen Winter auch einen sehr nassen Sommer hatten, Faktoren, die sich summieren und das Szenario weiter verschlimmern können“, sagte Di Paola.

Nachdem die Analyse fertig war, untersuchten die Forscher, welche saisonalen Klimavariablen häufiger mit extrem schlechten oder ertragreichen Jahreszeiten verbunden waren, wobei sie die Erträge im mittleren Bereich außer Acht ließen.

Ziel dieser Auswahl war es, Erträge zu identifizieren, die auf einer breiten räumlichen Skala aufgrund der Überlagerung anderer Einflussfaktoren am stärksten von klimatischen Schwankungen betroffen waren.

"In mittelfristigen Saisons können die Erträge von Variablen abhängen, wie etwa dem Einsatz spezifischer agronomischer Techniken durch einen Erzeuger im Vergleich zu einem anderen, oder von der Zeit, die für das Beschneiden der Oliven aufgewendet wird, und vielen weiteren Variablen“, sagte Di Paola.

Daher waren die Forscher mehr daran interessiert, sowohl üppige als auch knappe extreme Jahreszeiten zu betrachten, da die damit verbundenen Bedingungen einen Einfluss hatten, der unabhängig von den Handlungen des einzelnen Erzeugers war.

"Die meisten von uns sind es gewohnt, sich auf einzelne Stressfaktoren wie einen Frost oder eine Hitzewelle zu konzentrieren, aber selbst wenn wir es schaffen würden, diese einzelnen Stressfaktoren richtig zu betrachten, wären wir immer noch nicht in der Lage, sie einem bestimmten phänologischen Stadium zuzuordnen, wenn wir nicht richtig darauf achten Feldbeobachtungen oder Modellsimulationen“, sagte Di Paola.

"Wir haben versucht, all diese Effekte zu glätten, um sie in großem Maßstab und über ganze Saisons hinweg gemeinsam zu betrachten“, fügte sie hinzu.

Interessanterweise fanden die Forscher einen Zusammenhang zwischen den vom Algorithmus identifizierten Klimavariablen und dem Phänomen der Olivenfruchtfliege.

"Der Algorithmus sagt Ihnen nicht, warum ein bestimmtes Szenario eintreten wird“, sagte Di Paolo. ​"Bei der Anwendung stellen wir jedoch fest, dass die Ergebnisse – schlechtere Jahre in Bezug auf Produktivität und neu auftretende Klimastressoren – plausibel mit dem Befall mit Olivenfruchtfliegen in Zusammenhang standen.“

"Was uns der Algorithmus sagt, ist etwa: Wenn Sie diese Reihe von Bedingungen haben, sagen wir fünf verschiedene Variablen über einen bestimmten Zeitraum, dann ist es sehr wahrscheinlich, dass der Olivenertrag außergewöhnlich niedrig sein wird“, fügte sie hinzu.

Sobald diese Warnung vom Algorithmus kommt, muss ein Experte sich die Daten ansehen, um sie richtig zu interpretieren. ​"Handelt es sich um die Olivenfruchtfliege oder gibt es andere Faktoren, die wir berücksichtigen sollten?“ Di Paola bemerkte.

"Wir standardisierten alle Variablen, um sie zeitlich und räumlich vergleichbar zu machen, und das ermöglichte uns, die Dinge von oben zu betrachten“, fügte sie hinzu. ​"Um es klarzustellen: Wenn die Studie besagt, dass ein bestimmter Auslöser eine überdurchschnittliche wärmere Periode ist, dann gilt das für alle Provinzen des Landes.“

Durch die Erkundung eines weiten Bereichs des Gebiets erhöht sich die Generalisierung des Algorithmus und es können bessere Prognosen für den gesamten Sektor im gesamten Land erzielt werden.

"Dies ist eine nützliche Sicht auf den gesamten Sektor für alle Unternehmen, die daran interessiert sind, das Gesamtbild zu betrachten“, sagte Di Paola.

Der Algorithmus, der öffentlich zugänglich ist und heruntergeladen und in ihre Systeme integriert werden kann, könnte nicht nur für Italien, sondern auch für den Olivensektor hilfreich sein.

"Die von uns angewandte Methode kann in andere Länder und Sektoren exportiert werden“, schloss Di Paola. ​"Sobald der Algorithmus mit den benötigten Daten gefüttert ist, kann er leicht angepasst werden, um eine solche saisonale Vorhersage zu erstellen.“

• ENEA