Istraživači razvili algoritam za predviđanje potencijala prinosa na temelju klimatskih podataka
Javno dostupan algoritam razvijen je koristeći 15 godina podataka iz Italije kako bi se usporedilo kako su kombinacije klimatskih događaja utjecale na naknadne prinose.
Gotovo sto proizvođača preuzelo je algoritam koji bi mogao omogućiti predviđanje ponašanja i produktivnosti maslinika.
Nova tehnologija temelji se na temeljitoj analizi sezonskih vremenskih obrazaca tijekom ciklusa rasta masline na duljem razdoblju u Italiji.
Uspoređujući odnos između razvoja masline i berbi s klimatskim utjecajima, istraživači su uspjeli identificirati desetke potencijalnih klimatskih stresora i kako oni utječu na produktivnost masline.
Vidi također: AI alat za maslinare poboljšat će prinose i smanjiti troškove, kažu istraživačiIstraživači vjeruju da bi ove informacije mogle pomoći nacionalnim ili regionalnim upravama, uzgajivačima maslina, proizvođačima i drugim zainteresiranim stranama u predviđanju tijeka nadolazeće sezone i u donošenju bilo kakvih agrotehničkih ili poslovnih prilagodbi.
Nova tehnologija rezultat je koordiniranog projekta u kojem sudjeluju znanstvenici iz Talijanskog nacionalnog istraživačkog vijeća (CNR) i Agencije za nove tehnologije, energiju i održivi razvoj (ENEA), kao i američki istraživači sa Sveučilišta Kalifornija – Berkeley.
"Radimo na razumijevanju kojih [klimatskih] pokretača mogu izazvati nepovoljne uvjete i povezanu vjerojatnost iskustva štetnih učinaka na proizvodnju maslina," Arianna Di Paola, istraživačica na Talijanskom institutu za bioekonomiju pri CNR-u, izjavila je za Olive Oil Times.
"Primjeri okidača su uvjeti koji pogoduju širenju maslinine mušice ili visoke zimske temperature koje mogu promijeniti ciklus masline i utjecati na cvatnju i oprašivanje", dodala je.
Istraživanje je analiziralo berbe maslina u 66 talijanskih provincija između 2006. i 2020. godine kako bi se identificirali čimbenici stresa korištenjem širokog spektra podataka. Uspjeli su otkriti kako su nastale najgore berbe maslina.
"Razumijevanje stalne sezonske ciklnosti omogućuje nam da predvidimo što možemo očekivati u bliskoj budućnosti", rekla je Di Paola.
"Ovo nisu sezonske prognoze, od kojih se zahtijeva da budu pouzdane i prevedene u primjenjive informacije kako bi se olakšao proces donošenja odluka, što je samo po sebi čitav svijet istraživanja", dodala je. "To su kratkoročni scenariji koji bi mogli podržati ulaganja, preventivne mjere, tretmane ili agrotehničke prakse."
Istraživanje nije završilo samo na utvrđivanju pokretača nepovoljnih uvjeta.
"Iako još ne možemo predvidjeti cijeli fenološki ciklus masline, budući da nije moguće predvidjeti početak vegetacije u sezoni na regionalnim razinama, ono što možemo učiniti jest, koristeći kalendar, jednostavno podijeliti životni ciklus masline na dvo mjesečne dijelove," rekao je Di Paola.
Analizom varijabli koje utječu na proizvodnju maslina kroz godine i njihovim agregiranjem svakih dva mjeseca, istraživači su definirali popis varijabli i ispitali kako one međusobno djeluju tijekom vremena.
Analiza pruža preciznu kratkoročnu prognozu, koja je, kako kažu istraživači, tri puta bolja od analize jedne varijable.
"Primjerice, jedno je reći da smo imali topliju zimu, a drugo je reći da smo nakon te tople zime imali i vrlo kišno ljeto, čimbenici koji se mogu zbrojiti i dodatno pogoršati scenarij", rekao je Di Paola.
Kad je analiza bila spremna, istraživači su proučili koje su sezonske klimatske varijable češće bile povezane s iznimno lošim ili visokim prinosima, odbacivši prinosi srednjeg ranga.
Ovaj je odabir imao za cilj identificirati prinose koji su, na širokoj prostornoj razini, bili najviše pogođeni klimatskom varijabilnošću s obzirom na preklapanje s drugim pokretačima.
"U prosječnim godinama prinosi mogu ovisiti o varijablama kao što su primjena specifičnih agrotehničkih tehnika kod jednog uzgajivača u usporedbi s drugim, vrijeme provedeno na rezidbi maslina i mnogim drugim varijablama", rekao je Di Paola.
Stoga su istraživače više zanimalo promatranje i obilnih i oskudnih ekstremnih sezona, budući da su povezani uvjeti imali utjecaj neovisno o radnjama pojedinog uzgajivača.
"Većina nas je naviknuta usredotočiti se na pojedinačne čimbenike stresa, kao što su mraz ili toplinski val, ali čak i da uspijemo ispravno sagledati te pojedinačne čimbenike stresa, i dalje ih ne bismo mogli povezati s određenom fenološkom fazom bez odgovarajućih terenskih opažanja ili simulacija modela", rekla je Di Paola.
"Pokušale smo izravnati sve te učinke kako bismo ih zajedno uzele u obzir na velikoj skali i tijekom cijele sezone", dodala je.
Zanimljivo je da su istraživači pronašli vezu između klimatskih varijabli identificiranih algoritmom i fenomena maslinine mušice.
"Algoritam vam neće reći zašto će se određeni scenarij dogoditi", rekla je Di Paolo. "Međutim, primjenom istog primjećujemo da su izlazni rezultati – lošije godine u pogledu produktivnosti i novih klimatskih stresora – vjerojatno povezani s napadima maslinine mušice."
"Ono što nam algoritam govori jest nešto poput: ako imate ovaj niz uvjeta, recimo pet različitih varijabli tijekom određenog razdoblja, onda je vrlo vjerojatno da će prinos maslina biti iznimno nizak", dodala je.
Kad algoritam da takvo upozorenje, stručnjak mora pogledati podatke kako bi ih ispravno protumačio. "Je li riječ o maslininoj mušici ili postoje li drugi čimbenici koje bismo trebali uzeti u obzir?" primijetila je Di Paola.
"Standardizirali smo sve varijable kako bismo ih usporedili kroz vrijeme i prostor, a to nam je omogućilo da stvari sagledamo iz ptičje perspektive", dodala je. "Da budemo jasni, kada istraživanje kaže da je određeni okidač razdoblje toplije od prosjeka, to je vrijedilo za sve pokrajine u zemlji."
Istraživanjem širokog područja, općenitost algoritma se povećava i mogu se postići bolja predviđanja za cijeli sektor u cijeloj zemlji.
"Ovo je koristan pregled cijelog sektora za sve subjekte zainteresirane za uvid u cjelokupnu sliku", rekao je Di Paola.
Algoritam, koji je javno dostupan i može se preuzeti i integrirati u njihove sustave, mogao bi biti koristan ne samo za Italiju nego i za sektor maslinarstva.
"Metoda koju smo primijenili može se izvesti u druge zemlje i sektore", zaključio je Di Paola. "Nakon što se unese potrebne podatke, algoritam se lako može prilagoditi za izradu takve sezonske prognoze."