Ερευνητές αναπτύσσουν αλγόριθμο για την πρόβλεψη του δυναμικού συγκομιδής με βάση κλιματικά δεδομένα
Ο αλγόριθμος που είναι διαθέσιμος στο κοινό αναπτύχθηκε με βάση δεδομένα 15 ετών από την Ιταλία, με σκοπό να συγκρίνει τον τρόπο με τον οποίο οι συνδυασμοί κλιματικών φαινομένων επηρέασαν τις επόμενες συγκομιδές.
Σχεδόν εκατό φορείς του τομέα της παραγωγής έχουν κατεβάσει έναν αλγόριθμο που μπορεί να προσφέρει τη δυνατότητα πρόβλεψης της συμπεριφοράς και της παραγωγικότητας ενός ελαιώνα.
Η νέα τεχνολογία βασίζεται σε μια διεξοδική ανάλυση των εποχιακών καιρικών συνθηκών κατά τη διάρκεια του κύκλου ανάπτυξης της ελιάς σε μια μακρά χρονική περίοδο στην Ιταλία.
Συγκρίνοντας τη σχέση μεταξύ της ανάπτυξης της ελιάς και των συγκομιδών με τις κλιματικές επιδράσεις, οι ερευνητές κατάφεραν να εντοπίσουν δεκάδες πιθανούς κλιματικούς παράγοντες στρες και τον τρόπο με τον οποίο επηρεάζουν την παραγωγικότητα της ελιάς.
Δείτε επίσης: Εργαλείο τεχνητής νοημοσύνης για τους ελαιοκαλλιεργητές θα βελτιώσει τις αποδόσεις και θα μειώσει το κόστος, σύμφωνα με τους ερευνητέςΟι ερευνητές πιστεύουν ότι αυτές οι πληροφορίες θα μπορούσαν να βοηθήσουν τις εθνικές ή περιφερειακές διοικήσεις, τους ελαιοκαλλιεργητές, τους παραγωγούς και άλλα ενδιαφερόμενα μέρη να προβλέψουν πώς μπορεί να εξελιχθεί η επερχόμενη σεζόν και να προβούν σε τυχόν αγρονομικές ή επιχειρηματικές προσαρμογές.
Η νέα τεχνολογία είναι αποτέλεσμα ενός συντονισμένου έργου στο οποίο συμμετέχουν επιστήμονες από το Εθνικό Συμβούλιο Έρευνας της Ιταλίας (CNR) και την Υπηρεσία Νέων Τεχνολογιών, Ενέργειας και Βιώσιμης Ανάπτυξης (ENEA), καθώς και Αμερικανοί ερευνητές από το Πανεπιστήμιο της Καλιφόρνιας – Μπέρκλεϊ.
««Εργαζόμαστε για να κατανοήσουμε ποιοι [κλιματικοί] παράγοντες μπορούν να προκαλέσουν δυσμενείς συνθήκες και την αντίστοιχη πιθανότητα εμφάνισης επιζήμιων επιπτώσεων στην ελαιοπαραγωγή», δήλωσε η Arianna Di Paola, ερευνήτρια στο Ιταλικό Ινστιτούτο Βιοοικονομίας του CNR, στην Olive Oil Times.
«Παραδείγματα ερεθιστικών παραγόντων είναι συνθήκες που ευνοούν την εξάπλωση της μύγας της ελιάς ή υψηλές θερμοκρασίες το χειμώνα, οι οποίες μπορούν να αλλοιώσουν τον κύκλο της ελιάς και να επηρεάσουν την άνθηση και την επικονίαση», πρόσθεσε.
Η έρευνα ανέλυσε τις ελαιοσυγκομιδές σε 66 ιταλικές επαρχίες μεταξύ 2006 και 2020 για να προσδιορίσει τους παράγοντες στρες χρησιμοποιώντας ένα ευρύ φάσμα δεδομένων. Κατάφεραν να αποκαλύψουν πώς προέκυψαν οι χειρότερες ελαιοσυγκομιδές.
«Η κατανόηση της τρέχουσας εποχικότητας μας επιτρέπει να προβλέψουμε τι μπορούμε να περιμένουμε στο εγγύς μέλλον», είπε η Di Paola.
«Δεν πρόκειται για εποχιακές προβλέψεις, οι οποίες πρέπει να είναι αξιόπιστες και να μετατρέπονται σε πληροφορίες που μπορούν να αξιοποιηθούν για τη διευκόλυνση της διαδικασίας λήψης αποφάσεων, κάτι που αποτελεί ένα ολόκληρο πεδίο έρευνας από μόνο του», πρόσθεσε. «Πρόκειται για βραχυπρόθεσμα σενάρια που ενδέχεται να υποστηρίξουν επενδύσεις, προληπτικά μέτρα, θεραπείες ή αγρονομικές πρακτικές».
Η έρευνα δεν σταμάτησε στον εντοπισμό των παραγόντων που οδηγούν σε δυσμενείς συνθήκες.
«Ενώ δεν μπορούμε ακόμη να προβλέψουμε ολόκληρο τον φαινολογικό κύκλο της ελιάς, καθώς δεν είναι δυνατό να προβλέψουμε την έναρξη της βλάστησης κατά τη σεζόν σε περιφερειακή κλίμακα, αυτό που μπορούμε να κάνουμε είναι, χρησιμοποιώντας ένα ημερολόγιο, να χωρίσουμε απλά τον κύκλο ζωής της ελιάς σε δίμηνα διαστήματα», είπε ο Di Paola.
Αναλύοντας τις μεταβλητές που επηρεάζουν την παραγωγή ελιάς κατά τη διάρκεια των ετών και συγκεντρώνοντάς τις κάθε δύο μήνες, οι ερευνητές καθόρισαν έναν κατάλογο μεταβλητών και εξέτασαν πώς αλληλεπιδρούν με την πάροδο του χρόνου.
Η ανάλυση παρέχει μια βραχυπρόθεσμη πρόβλεψη ακριβείας, η οποία, σύμφωνα με τους ερευνητές, είναι τρεις φορές καλύτερη από την ανάλυση μιας μεμονωμένης μεταβλητής.
«Για παράδειγμα, ένα πράγμα είναι να πούμε ότι είχαμε έναν θερμότερο χειμώνα, άλλο είναι να πούμε ότι μετά από αυτόν τον θερμό χειμώνα, είχαμε επίσης ένα πολύ υγρό καλοκαίρι, παράγοντες που μπορούν να αθροιστούν και να επιδεινώσουν περαιτέρω το σενάριο», είπε ο Di Paola.
Μόλις η ανάλυση ήταν έτοιμη, οι ερευνητές εξέτασαν ποιες εποχιακές κλιματικές μεταβλητές συσχετίζονταν συχνότερα με εξαιρετικά κακές ή υψηλής απόδοσης εποχές, αποκλείοντας τις αποδόσεις μεσαίου εύρους.
Αυτή η επιλογή είχε ως στόχο να προσδιορίσει τις αποδόσεις που, σε ευρεία χωρική κλίμακα, επηρεάζονταν περισσότερο από την κλιματική μεταβλητότητα, δεδομένης της επικάλυψης άλλων παραγόντων.
«Σε εποχές μέτριας απόδοσης, οι αποδόσεις μπορεί να εξαρτώνται από μεταβλητές όπως η εφαρμογή συγκεκριμένων γεωπονικών τεχνικών από τον έναν καλλιεργητή σε σύγκριση με τον άλλο, ή ο χρόνος που αφιερώνεται στο κλάδεμα των ελιών και πολλές άλλες μεταβλητές», είπε ο Di Paola.
Ως εκ τούτου, οι ερευνητές ενδιαφέρονταν περισσότερο να εξετάσουν τόσο τις εποχές με άφθονη όσο και με σπάνια ακραία φαινόμενα, καθώς οι σχετικές συνθήκες είχαν αντίκτυπο ανεξάρτητο από τις ενέργειες του μεμονωμένου καλλιεργητή.
«Οι περισσότεροι από εμάς έχουμε συνηθίσει να εστιάζουμε σε μεμονωμένους παράγοντες στρες, όπως ένας παγετός ή ένας καύσωνας, αλλά ακόμη και αν καταφέρναμε να εξετάσουμε σωστά αυτούς τους μεμονωμένους παράγοντες στρες, δεν θα μπορούσαμε να τους συσχετίσουμε με ένα συγκεκριμένο φαινολογικό στάδιο χωρίς κατάλληλες παρατηρήσεις πεδίου ή προσομοιώσεις μοντέλων», είπε η Di Paola.
«Προσπαθήσαμε να εξομαλύνουμε όλα αυτά τα φαινόμενα για να τα εξετάσουμε συνολικά σε μεγάλη κλίμακα και σε ολόκληρες εποχές», πρόσθεσε.
Είναι ενδιαφέρον ότι οι ερευνητές εντόπισαν μια σύνδεση μεταξύ των κλιματικών μεταβλητών που προσδιορίστηκαν από τον αλγόριθμο και του φαινομένου της μύγας της ελιάς.
«Ο αλγόριθμος δεν θα σας πει γιατί θα συμβεί ένα συγκεκριμένο σενάριο», είπε η Di Paolo. «Ωστόσο, εφαρμόζοντάς τον, παρατηρούμε ότι τα αποτελέσματα – χειρότερες χρονιές όσον αφορά την παραγωγικότητα και αναδυόμενοι κλιματικοί παράγοντες πίεσης – συνδέονταν εύλογα με τις προσβολές από τη μύγα της ελιάς».
«Αυτό που μας λέει ο αλγόριθμος είναι κάτι σαν: αν έχετε αυτό το σύνολο συνθηκών, ας πούμε πέντε διαφορετικές μεταβλητές σε ένα δεδομένο χρονικό διάστημα, τότε είναι πολύ πιθανό η απόδοση της ελιάς να είναι εξαιρετικά χαμηλή», πρόσθεσε.
Μόλις εκδοθεί αυτή η προειδοποίηση από τον αλγόριθμο, ένας ειδικός πρέπει να εξετάσει τα δεδομένα για να τα ερμηνεύσει σωστά. «Είναι η μύγα της ελιάς ή υπάρχουν άλλοι παράγοντες που πρέπει να λάβουμε υπόψη;», σημείωσε η Di Paola.
«Τυποποιήσαμε όλες τις μεταβλητές για να τις καταστήσουμε συγκρίσιμες στο χρόνο και στο χώρο, και αυτό μας επέτρεψε να εξετάσουμε τα πράγματα από ψηλά», πρόσθεσε. «Για να γίνει σαφές, όταν η έρευνα αναφέρει ότι ένας συγκεκριμένος παράγοντας είναι μια θερμότερη περίοδος από το μέσο όρο, αυτό ίσχυε σε όλες τις επαρχίες της χώρας».
Με την εξερεύνηση ενός ευρέος φάσματος της επικράτειας, η γενίκευση του αλγορίθμου αυξάνεται και μπορούν να επιτευχθούν καλύτερες προβλέψεις για ολόκληρο τον τομέα σε ολόκληρη τη χώρα.
«Αυτή είναι μια χρήσιμη εικόνα ολόκληρου του τομέα για όλους τους φορείς που ενδιαφέρονται να δουν την πλήρη εικόνα», είπε ο Di Paola.
Ο αλγόριθμος, ο οποίος είναι δημόσια προσβάσιμος και μπορεί να μεταφορτωθεί και να ενσωματωθεί στα συστήματά τους, μπορεί να είναι χρήσιμος όχι μόνο για την Ιταλία αλλά και για τον ελαιοκομικό τομέα.
«Η μέθοδος που εφαρμόσαμε μπορεί να εξαχθεί σε άλλες χώρες και τομείς», κατέληξε ο Di Paola. «Μόλις τροφοδοτηθεί με τα απαραίτητα δεδομένα, ο αλγόριθμος μπορεί εύκολα να προσαρμοστεί για να κάνει αυτού του είδους τις εποχιακές προβλέψεις».