Des chercheurs mettent au point un algorithme permettant de prédire le potentiel de récolte à partir de données climatiques
Cet algorithme accessible au public a été mis au point à partir de données recueillies en Italie sur une période de 15 ans afin de comparer l'impact de différentes combinaisons d'événements climatiques sur les récoltes suivantes.
Près d’une centaine d’acteurs du secteur ont téléchargé un algorithme susceptible de permettre de prévoir le comportement et la productivité d’une oliveraie.
Cette nouvelle technologie repose sur une analyse approfondie des tendances météorologiques saisonnières observées pendant le cycle de croissance de l’olivier sur une longue période en Italie.
En comparant la relation entre le développement des oliviers et les récoltes aux impats climatiques, les chercheurs ont pu identifier des dizaines de facteurs de stress climatiques potentiels et déterminer comment ils affectent la productivité des oliviers.
Voir aussi : Un outil d'IA destiné aux oléiculteurs permettra d'améliorer les rendements et de réduire les coûts, selon des chercheursLes chercheurs estiment que ces informations pourraient aider les administrations nationales ou régionales, les oléiculteurs, les producteurs et les autres parties prenantes à prévoir le déroulement de la saison à venir et à procéder aux ajustements agronomiques ou commerciaux nécessaires.
Cette nouvelle technologie est le fruit d’un projet coordonné réunissant des scientifiques du Conseil national de la recherche italien (CNR) et de l’Agence pour les nouvelles technologies, l’énergie et le développement durable (ENEA), ainsi que des chercheurs américains de l’Université de Californie à Berkeley.
«Nous nous efforçons de comprendre quels facteurs [climatiques] peuvent déclencher des conditions défavorables et la probabilité associée de subir des effets néfastes sur la production d’olives », a déclaré Arianna Di Paola, chercheuse à l’Institut italien pour la bioéconomie du CNR, à Olive Oil Times.
« Parmi les facteurs déclencheurs, on peut citer les conditions qui favorisent la propagation de la mouche de l'olivier ou les températures hivernales élevées qui peuvent altérer le cycle de l'olivier et avoir un impact sur la floraison et la pollinisation », a-t-elle ajouté.
La recherche a analysé les récoltes d’olives dans 66 provinces italiennes entre 2006 et 2020 afin d’identifier les facteurs de stress à l’aide d’un large éventail de données. Les chercheurs ont ainsi pu mettre en lumière les causes des pires récoltes d’olives.
« Comprendre la saisonnalité actuelle nous permet d’anticiper ce à quoi nous pouvons nous attendre dans un avenir proche », a déclaré Mme Di Paola.
« Il ne s’agit pas de prévisions saisonnières, qui doivent être fiables et traduites en informations exploitables pour faciliter le processus décisionnel, ce qui constitue un vaste domaine de recherche en soi », a-t-elle ajouté. « Il s’agit de scénarios à court terme susceptibles de soutenir des investissements, des mesures préventives, des traitements ou des pratiques agronomiques. »
La recherche ne s’est pas limitée à l’identification des facteurs à l’origine de conditions défavorables.
« Bien que nous ne puissions pas encore prédire l’ensemble du cycle phénologique de l’olivier, car il n’est pas possible de prédire le début de la végétation au cours de la saison à l’échelle régionale, ce que nous pouvons faire, c’est, à l’aide d’un calendrier, diviser simplement le cycle de vie de l’olivier en tranches de deux mois », a déclaré Di Paola.
En analysant les variables qui influenent sur la production d’olives au fil des ans et en les agrégant tous les deux mois, les chercheurs ont défini une liste de ces variables et ont examiné leurs interactions au fil du temps.
Cette analyse fournit des prévisions précises à court terme, qui, selon les chercheurs, sont trois fois plus fiables que l’analyse d’une seule variable.
« Par exemple, c’est une chose de dire que nous avons eu un hiver plus chaud, c’en est une autre de dire qu’après cet hiver chaud, nous avons également eu un été très humide, des facteurs qui peuvent s’accumuler et aggraver encore le scénarie », a déclaré Di Paola.
Une fois l’analyse terminée, les chercheurs ont examiné quelles variables climatiques saisonnières étaient le plus souvent associées à des saisons extrêmement mauvaises ou à haut rendement, en écartant les rendements moyens.
Cette sélection visait à identifier les rendements qui, à une large échelle spatiale, étaient les plus affectés par la variabilité climatique compte tenu de la superposition d’autres facteurs.
« Lors des saisons de rendement moyen, les rendements peuvent dépendre de variables telles que le recours à des techniques agronomiques spécifiques par un agriculteur par rapport à un autre, ou le temps consacré à la taille des oliviers, et bien d’autres variables encore », a déclaré Di Paola.
C’est pourquoi les chercheurs se sont davantage intéressés à l’étude des saisons extrêmes, qu’elles soient abondantes ou pauvres, car les conditions associées avaient un impact indépendant des actions de l’agriculteur individuel.
« La plupart d’entre nous avons l’habitude de nous concentrer sur des facteurs de stress isolés, tels qu’un gel ou une vague de chaleur, mais même si nous parvenions à analyser correctement ces facteurs de stress isolés, nous ne serions toujours pas en mesure de les associer à un stade phénologique spécifique sans observations sur le terrain ou simulations de modèles appropriées », a déclaré Mme Di Paola.
« Nous avons essayé de lisser tous ces effets afin de les considérer ensemble à grande échelle et sur l’ensemble des saisons », a-t-elle ajouté.
Il est intéressant de noter que les chercheurs ont découvert un lien entre les variables climatiques identifiées par l’algorithme et le phénomène de la mouche de l’olivier.
« L’algorithme ne vous dira pas pourquoi un scénario spécifique va se produire », a déclaré Mme Di Paolo. « Cependant, en l’appliquant, nous constatons que les résultats – des années moins productives et l’émergence de facteurs de stress climatiques – étaient vraisemblablement associés aux infestations de mouches de l’olivier. »
« Ce que l’algorithme nous dit, c’est en quelque sorte : si vous avez cet ensemble de conditions, disons cinq variables différentes sur une période donnée, alors il est très probable que le rendement des oliviers sera exceptionnellement faible », a-t-elle ajouté.
Une fois que cet avertissement est émis par l’algorithme, un expert doit examiner les données pour les interpréter correctement. « S’agit-il de la mouche de l’olivier, ou y a-t-il d’autres facteurs à prendre en compte ? », a fait remarquer Mme Di Paola.
« Nous avons normalisé toutes les variables afin de les rendre comparables dans le temps et l’espace, ce qui nous a permis d’avoir une vue d’ensemble », a-t-elle ajouté. « Pour être claire, lorsque la recherche indique qu’un facteur déclencheur spécifique est une période plus chaude que la moyenne, cela s’applique à toutes les provinces du pays. »
En explorant une vaste partie du territoire, la généralisation de l’algorithme s’accroît, ce qui permet d’obtenir de meilleures prévisions pour l’ensemble du secteur à l’échelle nationale.
« C'est une vue d'ensemble utile du secteur pour toutes les entités souhaitant avoir une vision globale », a déclaré M. Di Paola.
L’algorithme, qui est accessible au public et peut être téléchargé et intégré dans leurs systèmes, pourrait s’avérer utile non seulement pour l’Italie, mais aussi pour le secteur oléicole.
« La méthode que nous avons appliquée peut être exportée vers d’autres pays et secteurs », a conclu M. Di Paola. « Une fois alimenté avec les données nécessaires, l’algorithme peut facilement être adapté pour établir ce type de prévisions saisonnières. »