I ricercatori sviluppano un algoritmo per prevedere il potenziale di raccolto sulla base dei dati climatici

L'algoritmo, accessibile al pubblico, è stato sviluppato utilizzando 15 anni di dati provenienti dall'Italia per confrontare l'impatto delle combinazioni di eventi climatici sui raccolti successivi.

Quasi un centinaio di operatori del settore hanno scaricato un algoritmo in grado di prevedere il comportamento e la produttività di un oliveto.

La nuova tecnologia si basa su un’analisi approfondita dei modelli meteorologici stagionali durante il ciclo di crescita dell’olivo in Italia su un lungo periodo.

Confrontando la relazione tra lo sviluppo dell’olivo e i raccolti con gli impatti climatici, i ricercatori sono stati in grado di identificare decine di potenziali fattori di stress climatico e il modo in cui questi influenzano la produttività dell’olivo.

Vedi anche: Uno strumento di IA per gli olivicoltori migliorerà le rese e ridurrà i costi, affermano i ricercatori

I ricercatori ritengono che queste informazioni possano aiutare le amministrazioni nazionali o regionali, gli olivicoltori, i produttori e altre parti interessate a prevedere l’andamento della stagione a venire e ad apportare eventuali adeguamenti agronomici o commerciali.

La nuova tecnologia è il risultato di un progetto co­or­di­na­to che ha co­in­vo­le­to sci­en­ti­fi­ci­sti del Consiglio Nazionale delle Ricerche (CNR) e dell’Agenzia per le Nuove Tecnologie, l’Energia e lo Sviluppo Sostenibile (ENEA), oltre a ri­cher­ca­to­ri americani dell’Università della California – Berkeley.

“Stiamo lavorando per capire quali fattori [climatici] possano innescare condizioni sfavorevoli e la probabilità associata di subire effetti negativi sulla produzione olivicola”, ha dichiarato ad Olive Oil Times Arianna Di Paola, ricercatrice presso l’Istituto per la BioEconomia del CNR.

«Esempi di fattori scatenanti sono le condizioni che favoriscono la diffusione della mosca dell’olivo o le alte temperature invernali che possono alterare il ciclo dell’olivo e influire sulla fioritura e sull’impollinazione», ha aggiunto.

La ricerca ha analizzato i raccolti di olive in 66 province italiane tra il 2006 e il 2020 per identificare i fattori di stress utilizzando un’ampia gamma di dati. Sono riusciti a scoprire come si sono verificati i raccolti di olive peggiori.

“Comprendere la stagionalità in atto ci permette di prevedere cosa possiamo aspettarci nel prossimo futuro”, ha detto Di Paola.

«Non si tratta di previsioni stagionali, che devono essere affidabili e tradotte in informazioni utilizzabili per facilitare il processo decisionale, un intero mondo di ricerca a sé stante», ha aggiunto. “Si tratta di scenari a breve termine che potrebbero supportare investimenti, misure preventive, trattamenti o pratiche agronomiche.”

La ricerca non si è limitata a identificare i fattori che determinano condizioni sfavorevoli.

«Sebbene non siamo ancora in grado di prevedere l’intero ciclo fenologico dell’olivo, poiché non è possibile prevedere l’inizio della vegetazione stagionale su scala regionale, ciò che possiamo fare è, utilizzando un calendario, semplice divisione del ciclo di vita dell’olivo in periodi di due mesi”, ha affermato Di Paola.

Analizzando le variabili che influenzano la produzione di olive nel corso degli anni e aggregandole ogni due mesi, i ricercatori hanno definito un elenco di variabili e hanno esaminato come queste interagiscono nel tempo.

L’analisi fornisce una previsione di precisione a breve termine, che secondo i ricercatori è tre volte migliore rispetto all’analisi di una singola variabile.

“Ad esem­pi­o, una cosa è dire che abbiamo avuto un in­verno più caldo, un’altra è dire che dopo quell’in­verno caldo abbiamo avuto anche un’es­te­re­mamente piovosa, fattori che possono sommarsi e peggiorare ul­teri­o­re­mente lo sce­na­rio”, ha detto Di Paola.

Una volta pronta l’analisi, i ricercatori hanno esaminato quali variabili climatiche stagionali fossero più spesso associate a stagioni estremamente negative o ad alto rendimento, scartando i rendimenti medi.

Questa selezione mirava a identificare le rese che, su un’ampia scala spaziale, erano maggiormente influenzate dalla variabilità climatica, data la sovrapposizione di altri fattori.

“Nelle stagioni di rendimento medio, i raccolti potrebbero dipendere da variabili quali l’impiego di specifiche tecniche agronomiche da parte di un coltivatore rispetto a un altro, o dal tempo dedicato alla potatura delle olive e da molte altre variabili”, ha affermato Di Paola.

Pertanto, i ricercatori erano più inter­es­sati ad an­ali­zare sia le sta­gioni est­reme di ab­undanza che quelle di scarsezza, po­iché le con­di­zioni asso­cia­te avevano un impa­tto indi­pen­dente dalle azioni del si­ngolo col­tivatore.

“La maggior parte di noi è abituata a concentrarsi su singoli fattori di stress, come il gelo o l’ondata di caldo, ma anche se riuscissimo a considerare correttamente quei singoli fattori di stress, non saremmo comunque in grado di associarli a una specifica fase fenologica senza adeguate osservazioni sul campo o simulazioni al computer”, ha detto Di Paola.

“Abbiamo cercato di livellare tutti questi effetti per considerarli insieme su larga scala e nell’arco di intere stagioni”, ha aggiunto.

È interessante notare che i ricercatori hanno trovato un legame tra le variabili climatiche identificate dall’algoritmo e il fenomeno della mosca dell’olivo.

“L’algoritmo non vi dirà perché si verificherà uno scenario specifico”, ha detto Di Paolo. “Tuttavia, applicandolo, notiamo che i risultati – anni peggiori in termini di produttività e fattori di stress climatico emergenti – erano plausibilmente associati alle infestazioni da mosca dell’olivo.”

“Ciò che l’algoritmo ci dice è qualcosa del tipo: se si verificano queste condizioni, diciamo cinque variabili diverse in un dato periodo, allora è altamente probabile che la resa delle olive sarà eccezionalmente bassa”, ha aggiunto.

Una volta che l’algoritmo emette questo avviso, un esperto deve esaminare i dati per interpretarli correttamente. “Si tratta della mosca del frutto dell’olivo, o ci sono altri fattori che dovremmo considerare?”, ha osservato Di Paola.

“Abbiamo standardizzato tutte le variabili per renderle comparabili nel tempo e nello spazio, e questo ci ha permesso di osservare la situazione dall’alto”, ha aggiunto. “Per chiarire, quando la ricerca afferma che un fattore scatenante specifico è un periodo più caldo della media, ciò era vero in tutte le province del Paese”.

Esplorando un’ampia porzione del territorio, la generalizzazione dell’algoritmo aumenta ed è possibile ottenere previsioni migliori per l’intero settore in tutto il Paese.

"Si tratta di una visione utile dell'intero settore per tutti i soggetti interessati a considerare il quadro completo", ha affermato Di Paola.

L’algoritmo, che è accessibile al pubblico e può essere scaricato e integrato nei propri sistemi, potrebbe essere utile non solo per l’Italia ma anche per il settore olivicolo.

“Il metodo che abbiamo applicato può essere esportato in altri paesi e settori”, ha concluso Di Paola. “Una volta alimentato con i dati necessari, l’algoritmo può essere facilmente adattato per effettuare quel tipo di previsioni stagionali”.