Pesquisadores desenvolvem algoritmo para prever o potencial de colheita a partir de dados climáticos

O algoritmo disponível ao público foi desenvolvido com base em 15 anos de dados da Itália para comparar como as combinações de eventos climáticos afetaram as colheitas subsequentes.

Quase cem atores do setor de produção baixaram um algoritmo que pode permitir prever o comportamento e a produtividade de um olival.

A nova tecnologia baseia-se em uma análise aprofundada dos padrões climáticos sazonais durante o ciclo de crescimento da oliveira ao longo de um longo período na Itália.

Ao comparar a relação entre o desenvolvimento da oliveira e as colheitas com os impactos climáticos, os pesquisadores conseguiram identificar dezenas de potenciais fatores de estresse climático e como eles afetam a produtividade da oliveira.

Veja também: Ferramenta de IA para olivicultores melhorará rendimentos e reduzirá custos, afirmam pesquisadores

Os pesquisadores acreditam que essas informações possam apoiar administrações nacionais ou regionais, olivicultores, produtores e outras partes interessadas na previsão de como a próxima safra poderá se desenrolar e na realização de quaisquer ajustes agronômicos ou comerciais.

A nova tecnologia é resultado de um projeto coordenado envolvendo cientistas do Conselho Nacional de Pesquisa da Itália (CNR) e da Agência para Novas Tecnologias, Energia e Desenvolvimento Sustentável (ENEA), bem como pesquisadores americanos da Universidade da Califórnia – Berkeley.

“Estamos trabalhando para compreender quais fatores [climáticos] podem desencadear condições desfavoráveis e a probabilidade associada de ocorrerem efeitos prejudiciais na produção de azeitonas”, disse Arianna Di Paola, pesquisadora do Instituto Italiano de Bioeconomia do CNR, ao Olive Oil Times.

“Exemplos de fatores desencadeantes são condições que favorecem a propagação da mosca da azeitona ou altas temperaturas no inverno, que podem alterar o ciclo da oliveira e afetar a floração e a polinização”, acrescentou ela.

A pesquisa analisou as colheitas de azeitona em 66 províncias italianas entre 2006 e 2020 para identificar os fatores de estresse usando uma ampla gama de dados. Eles conseguiram descobrir como as piores colheitas de azeitona vieram a ocorrer.

“Compreender a sazonalidade atual nos permite prever o que podemos esperar no futuro próximo”, disse Di Paola.

“Essas não são previsões sazonais, que precisam ser confiáveis e traduzidas em informações acionáveis para facilitar o processo de tomada de decisão — um mundo inteiro de pesquisa por si só”, acrescentou ela. “São cenários de curto prazo que podem apoiar investimentos, medidas preventivas, tratamentos ou práticas agronômicas.”

A pesquisa não se limitou a identificar os fatores que levam a condições desfavoráveis.

“Embora ainda não possamos prever todo o ciclo fenológico da oliveira, já que não é possível prever o início da vegetação na estação em escala regional, o que podemos fazer é, usando um calendário, simplesmente dividir o ciclo de vida da oliveira em períodos de dois meses”, disse Di Paola.

Ao analisar as variáveis que afetam a produção de azeitona ao longo dos anos e agregá-las a cada dois meses, os pesquisadores definiram uma lista dessas variáveis e examinaram como elas interagem ao longo do tempo.

A análise fornece uma previsão de curto prazo precisa, que, segundo os pesquisadores, é três vezes melhor do que a análise de uma única variável.

“Por exemplo, uma coisa é dizer que tivemos um inverno mais quente, outra é dizer que, após esse inverno quente, também tivemos um verão muito chuvoso, fatores que podem se somar e agravar ainda mais o cenário”, disse Di Paola.

Assim que a análise ficou pronta, os pesquisadores examinaram quais variáveis climáticas sazonais estavam mais frequentemente associadas a safras extremamente ruins ou de alto rendimento, descartando os rendimentos intermediários.

Essa seleção teve como objetivo identificar os rendimentos que, em uma ampla escala espacial, foram mais afetados pela variabilidade climática, dada a sobreposição de outros fatores.

“Em temporadas de rendimento médio, os rendimentos podem depender de variáveis como a aplicação de técnicas agronômicas específicas por um produtor em comparação com outro, ou o tempo gasto na poda das oliveiras e muitas outras variáveis”, disse Di Paola.

Portanto, os pesquisadores estavam mais interessados em analisar tanto as safras extremas de abundância quanto as de escassez, já que as condições associadas tinham um impacto independente das ações de um único produtor.

“A maioria de nós está acostumada a se concentrar em fatores de estresse isolados, como uma geada ou uma onda de calor, mas mesmo que conseguíssemos analisar esses fatores de estresse isoladamente de forma correta, ainda assim não seríamos capazes de associá-los a um estágio fenológico específico sem observações de campo adequadas ou simulações de modelos”, disse Di Paola.

“Tentamos suavizar todos esses efeitos para considerá-los em conjunto em grande escala e ao longo de temporadas inteiras”, acrescentou ela.

Curiosamente, os pesquisadores descobriram uma ligação entre as variáveis climáticas identificadas pelo algoritmo e o fenômeno da mosca-da-azeitona.

“O algoritmo não vai dizer por que um cenário específico vai ocorrer”, disse Di Paolo. “No entanto, ao aplicá-lo, observamos que os resultados — anos piores em termos de produtividade e fatores de estresse climático emergentes — estavam plausivelmente associados a infestações da mosca-da-azeitona.”

“O que o algoritmo nos diz é algo como: se você tiver esse conjunto de condições, digamos, cinco variáveis diferentes ao longo de um determinado período, então é altamente provável que a produção de azeitonas seja excepcionalmente baixa”, acrescentou ela.

Assim que esse alerta é emitido pelo algoritmo, um especialista deve analisar os dados para interpretá-los corretamente. “Será que é a mosca-da-azeitona, ou há outros fatores que devemos considerar?”, observou Di Paola.

“Padronizamos todas as variáveis para torná-las comparáveis ao longo do tempo e do espaço, e isso nos permitiu analisar as coisas de uma perspectiva mais ampla”, acrescentou ela. “Para deixar claro, quando a pesquisa afirma que um gatilho específico é um período mais quente do que a média, isso se aplica a todas as províncias do país.”

Ao explorar uma ampla área do território, a generalização do algoritmo aumenta, e é possível obter melhores previsões para todo o setor em todo o país.

“Essa é uma visão útil de todo o setor para todas as entidades interessadas em ter uma visão completa”, disse Di Paola.

O algoritmo, que é de acesso público e pode ser baixado e integrado aos sistemas, pode ser útil não apenas para a Itália, mas também para o setor olivícola.

“O método que aplicamos pode ser exportado para outros países e setores”, concluiu Di Paola. “Uma vez alimentado com os dados necessários, o algoritmo pode ser facilmente adaptado para fazer esse tipo de previsão sazonal.”