Forscher entwickeln Algorithmus zur Vorhersage des Erntepotenzials anhand von Klimadaten

Der öffentlich zugängliche Algorithmus wurde auf der Grundlage von Daten aus 15 Jahren aus Italien entwickelt, um zu untersuchen, wie sich Kombinationen von Wetterereignissen auf die nachfolgenden Ernten auswirkten.

Fast hundert Akteure aus der Produktionsbranche haben einen Algorithmus heruntergeladen, der möglicherweise die Möglichkeit bietet, das Verhalten und die Produktivität eines Olivenhains vorherzusagen.

Die neue Technologie basiert auf einer gründlichen Analyse der saisonalen Wetterverläufe während des Olivenwachstumszyklus über einen langen Zeitraum in Italien.

Durch den Vergleich des Zusammenhangs zwischen der Entwicklung der Olivenbäume und den Ernten mit den klimatischen Einflüssen konnten die Forscher Dutzende potenzieller klimatischer Stressfaktoren identifizieren und deren Auswirkungen auf die Produktivität der Olivenbäume ermitteln.

Siehe auch: KI-Tool für Olivenbauern soll Erträge steigern und Kosten senken, sagen Forscher

Die Forscher glauben, dass diese Informationen nationale oder regionale Verwaltungen, Olivenbauern, Produzenten und andere interessierte Parteien dabei unterstützen könnten, den möglichen Verlauf der kommenden Saison vorherzusagen und entsprechende agronomische oder betriebswirtschaftliche Anpassungen vorzunehmen.

Die neue Technologie ist das Ergebnis eines gemeinsamen Projekts, an dem Wissenschaftler des italienischen Nationalen Forschungsrats (CNR) und der Agentur für neue Technologien, Energie und nachhaltige Entwicklung (ENEA) sowie amerikanische Forscher der University of California – Berkeley beteiligt waren.

„Wir arbeiten daran, zu verstehen, welche [klimatischen] Faktoren ungünstige Bedingungen auslösen können und wie hoch die Wahrscheinlichkeit ist, dass sich daraus nachteilige Auswirkungen auf die Olivenproduktion ergeben“, sagte Arianna Di Paola, Forscherin am Italienischen Institut für Bioökonomie des CNR, gegenüber Olive Oil Times.

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

Die Studie analysierte die Olivenernten in 66 italienischen Provinzen zwischen 2006 und 2020, um die Stressfaktoren anhand einer breiten Datenbasis zu identifizieren. So konnten die Forscher aufdecken, wie es zu den schlechtesten Olivenernten kam.

„Das Verständnis der aktuellen saisonalen Muster ermöglicht es uns, vorherzusehen, was wir in naher Zukunft erwarten können“, sagte Di Paola.

„Es handelt sich hierbei nicht um saisonale Prognosen, die zuverlässig sein und in umsetzbare Informationen übersetzt werden müssen, um den Entscheidungsprozess zu erleichtern – das ist ein ganz eigenes Forschungsgebiet“, 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 Ursachen für ungünstige Bedingungen zu identifizieren.

„Zwar können wir noch nicht den gesamten phänologischen Zyklus des Olivenbaums vorhersagen, da es nicht möglich ist, den Beginn der Vegetationsperiode auf regionaler Ebene vorherzusagen, doch können wir mithilfe eines Kalenders einfach den Lebenszyklus des Olivenbaums in Zweimonatsabschnitte unterteilen“, sagte Di Paola.

Durch die Analyse der Variablen, die die Olivenproduktion im Laufe der Jahre beeinflussen, und deren Aggregation alle zwei Monate erstellten die Forscher eine Liste der Variablen und untersuchten, wie diese im Zeitverlauf zusammenwirken.

Die Analyse liefert eine präzise Kurzzeitprognose, die laut den Forschern dreimal besser ist als die Analyse einer einzelnen Variablen.

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

Sobald die Analyse fertig war, untersuchten die Forscher, welche saisonalen Klimavariablen häufiger mit extrem schlechten oder ertragreichen Saisonen in Verbindung standen, wobei sie die mittleren Erträge außer Acht ließen.

Diese Auswahl zielte darauf ab, Erträge zu identifizieren, die auf einer breiten räumlichen Skala angesichts der Überlagerung anderer Einflussfaktoren am stärksten von klimatischer Variabilität betroffen waren.

„In Saisonen mit mittleren Erträgen können die Erträge von Variablen abhängen, wie zum Beispiel dem Einsatz spezifischer agronomischer Techniken durch einen Erzeuger im Vergleich zu einem anderen oder der für den Olivenbaumschnitt aufgewendeten Zeit und vielen weiteren Variablen“, sagte Di Paola.

Daher waren die Forscher mehr daran interessiert, sowohl ertragreiche als auch ertragsarme extreme Saisonen zu untersuchen, da die damit verbundenen Bedingungen einen Einfluss hatten, der unabhängig von den Maßnahmen des einzelnen Erzeugers war.

„Die meisten von uns sind es gewohnt, sich auf einzelne Stressfaktoren wie Frost oder Hitzewellen zu konzentrieren, aber selbst wenn es uns gelänge, diese einzelnen Stressfaktoren richtig zu betrachten, wären wir ohne angemessene Feldbeobachtungen oder Modellsimulationen dennoch nicht in der Lage, sie mit einem bestimmten phänologischen Stadium in Verbindung zu bringen“, sagte Di Paola.

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

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

„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 die Ertrag­s­heit und aufkommende Klima­s­tres­sor­en – plausibel mit Be­fall durch die Oliven­fruchtfliege in Ver­bind­ung zu bringen waren.“

„Was uns der Algorithmus sagt, ist in etwa Folgendes: Sollten diese Bedingungen vorliegen – sagen wir fünf verschiedene Variablen über einen bestimmten Zeitraum –, dann ist es sehr wahrscheinlich, dass der Olivenertrag außergewöhnlich niedrig ausfallen wird“, fügte sie hinzu.

Sobald diese Warnung vom Algorithmus ausgeht, muss ein Experte die Daten prüfen, um sie richtig zu interpretieren. „Ist es die Olivenfliege, oder gibt es andere Faktoren, die wir berücksichtigen sollten?“, merkte Di Paola an.

„Wir haben alle Variablen standardisiert, um sie über Zeit und Raum hinweg vergleichbar zu machen, und das ermöglichte es uns, die Dinge aus der Vogelperspektive zu betrachten“, fügte sie hinzu. „Um es klar zu sagen: Wenn die Forschung angibt, dass ein bestimmter Auslöser eine überdurchschnittlich warme Periode ist, dann galt das für alle Provinzen des Landes.“

Durch die Untersuchung eines weiten Teils des Gebiets erhöht sich die Verallgemeinerungsfähigkeit des Algorithmus, und es lassen sich bessere Vorhersagen für den gesamten Sektor im ganzen Land erzielen.

„Dies ist eine nützliche Übersicht über den gesamten Sektor für alle Akteure, die daran interessiert sind, das Gesamtbild zu betrachten“, sagte Di Paola.

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

„Die von uns angewandte Methode lässt sich auf andere Länder und Sektoren übertragen“, schloss Di Paola. „Sobald die erforderlichen Daten eingegeben sind, lässt sich der Algorithmus leicht anpassen, um solche saisonalen Prognosen zu erstellen.“