Unos investigadores desarrollan un algoritmo para predecir el potencial de cosecha a partir de datos climáticos
El algoritmo, de acceso público, se desarrolló a partir de 15 años de datos de Italia para comparar cómo las combinaciones de fenómenos climáticos afectaban a las cosechas posteriores.
Casi un centenar de agentes del sector de la producción han descargado un algoritmo que podría permitir predecir el comportamiento y la productividad de un olivar.
La nueva tecnología se basa en un análisis exhaustivo de los patrones meteorológicos estacionales durante el ciclo de crecimiento del olivo a lo largo de un extenso período en Italia.
Al comparar la relación entre el desarrollo del olivo y las cosechas con los impactos climáticos, los investigadores pudieron identificar docenas de posibles factores de estrés climático y cómo afectan a la productividad del olivo.
Véase también: Una herramienta de IA para los olivicultores mejorará los rendimientos y reducirá los costes, según los investigadoresLos investigadores creen que esta información podría ayudar a las administraciones nacionales o regionales, a los olivicultores, a los productores y a otras partes interesadas a predecir cómo se desarrollará la próxima temporada y a realizar los ajustes agronómicos o empresariales necesarios.
La nueva tecnología es el resultado de un proyecto coordinado en el que participan científicos del Consejo Nacional de Investigación de Italia (CNR) y de la Agencia para las Nuevas Tecnologías, la Energía y el Desarrollo Sostenible (ENEA), así como investigadores estadounidenses de la Universidad de California – Berkeley.
«Estamos trabajando para comprender qué factores [climáticos] pueden desencadenar condiciones desfavorables y la probabilidad asociada de que se produzcan efectos perjudiciales en la producción de aceitunas», explicó Arianna Di Paola, investigadora del Instituto Italiano de Bioeconomía del CNR, a Olive Oil Times.
«Algunos ejemplos de factores desencadenantes son las condiciones que favorecen la propagación de la mosca del olivo o las altas temperaturas invernales, que pueden alterar el ciclo del olivo y afectar a la floración y la polinización», añadió.
La investigación analizó las cosechas de aceitunas en 66 provincias italianas entre 2006 y 2020 para identificar los factores de estrés utilizando una amplia gama de datos. Consiguieron descubrir cómo se produjeron las peores cosechas de aceitunas.
«Comprender la estacionalidad actual nos permite prever lo que podemos esperar en un futuro próximo», afirmó Di Paola.
«No se trata de previsiones estacionales, que deben ser fiables y traducirse en información útil para facilitar el proceso de toma de decisiones, todo un mundo de investigación en sí mismo», añadió. «Son escenarios a corto plazo que podrían respaldar inversiones, medidas preventivas, tratamientos o prácticas agronómicas».
La investigación no se limitó a identificar los factores que provocan las condiciones desfavorables.
«Aunque todavía no podemos predecir todo el ciclo fenológico del olivo, ya que no es posible predecir el inicio vegetativo de la temporada a escala regional, lo que sí podemos hacer es, utilizando un calendario, dividir el ciclo de vida del olivo en tramos de dos meses», explicó Di Paola.
Mediante el análisis de las variables que influyen en la producción de aceitunas a lo largo de los años y su agregación cada dos meses, los investigadores definieron una lista de variables y examinaron cómo interactúan a lo largo del tiempo.
El análisis proporciona una previsión de precisión a corto plazo, que según los investigadores es tres veces mejor que el análisis de una sola variable.
«Por ejemple, una cosa es decir que tuvimos un invierno más cálido, y otra muy distinta es decir que, tras ese invierno cálido, también tuvimos un verano muy lluvioso, factores que pueden sumarse y empeorar aún más el panorama», dijo Di Paola.
Una vez listo el análisis, los investigadores examinaron qué variables climáticas estacionales se asociaban con mayor frecuencia a temporadas extremadamente malas o de alto rendimiento, descartando los rendimientos intermedios.
Esta selección tenía como objetivo identificar los rendimientos que, a gran escala espacial, se veían más afectados por la variabilidad climática, dada la superposición de otros factores.
«En las temporadas de rendimiento medio, los rendimientos pueden depender de variables como el uso de técnicas agronómicas específicas por parte de un agricultor en comparación con otro, o del tiempo dedicado a la poda de los olivos y muchas otras variables», explicó Di Paola.
Por lo tanto, los investigadores se interesaron más en analizar tanto las temporadas extremas de abundancia como las de escasez, ya que las condiciones asociadas tenían un impacto independiente de las acciones de cada agricultor.
«La mayoría de nosotros estamos acostumbrados a centrarnos en factores de estrés individuales, como una helada o una ola de calor, pero, aunque lográramos analizar esos factores de estrés de forma correcta, seguiríamos sin poder asociarlos a una fase fenológica específica sin las observaciones de campo o simulaciones de modelos adecuadas», afirmó Di Paola.
«Intentamos suavizar todos estos efectos para considerarlos en conjunto a gran escala y a lo largo de temporadas completas», añadió.
Curiosamente, los investigadores encontraron una relación entre las variables climáticas identificadas por el algoritmo y el fenómeno de la mosca del olivo.
«El algoritmo no te dirá por qué va a producirse un escenario concreto», dijo Di Paolo. «Sin embargo, al aplicarlo, observamos que los resultados —años peores en términos de productividad y factores de estrés climático emergentes— estaban plausiblemente asociados con las infestaciones de la mosca del olivo».
«Lo que nos dice el algoritmo es algo así como: si se dan esta serie de condiciones, digamos cinco variables diferentes a lo largo de un periodo determinado, entonces es muy probable que el rendimiento de la cosecha de aceitunas sea excepcionalmente bajo», añadió.
Una vez que el algoritmo emite esta advertencia, un experto debe examinar los datos para interpretarlos correctamente. «¿Se trata de la mosca del olivo o hay otros factores que debamos tener en cuenta?», señaló Di Paola.
«Estandarizamos todas las variables para que fueran comparables a lo largo del tiempo y el espacio, y eso nos permitió observar las cosas desde una perspectiva global», añadió. «Para que quede claro, cuando la investigación afirma que un desencadenante específico es un período más cálido de lo habitual, eso era cierto en todas las provincias del país».
Al explorar una amplia zona del territorio, aumenta la generalización del algoritmo y se pueden obtener mejores previsiones para todo el sector en todo el país.
«Esta es una visión útil de todo el sector para todas las entidades interesadas en tener una visión global», dijo Di Paola.
El algoritmo, que es de acceso público y puede descargarse e integrarse en sus sistemas, podría resultar útil no solo para Italia, sino también para el sector olivarero.
«El método que hemos aplicado puede exportarse a otros países y sectores», concluyó Di Paola. «Una vez alimentado con los datos necesarios, el algoritmo puede adaptarse fácilmente para realizar ese tipo de previsiones estacionales».