I ricercatori sviluppano un algoritmo per prevedere il potenziale del raccolto dai dati climatici

Quasi un centinaio di stakeholder di produzione lo hanno fatto scaricato un algoritmo che può fornire la capacità 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 per un lungo periodo in Italia.

Confrontando la relazione tra lo sviluppo delle olive e i raccolti con gli impatti climatici, i ricercatori sono stati in grado di identificare dozzine di potenziali fattori di stress climatico e il modo in cui influenzano la produttività degli olivi.

I ricercatori ritengono che queste informazioni potrebbero supportare le amministrazioni nazionali o regionali, gli olivicoltori, i produttori e altre parti interessate nel prevedere come potrebbe svolgersi la prossima stagione e apportare eventuali aggiustamenti agronomici o aziendali.

La nuova tecnologia deriva da a progetto coordinato coinvolgendo scienziati del Consiglio Nazionale delle Ricerche (CNR) e dell’Agenzia per le nuove tecnologie, l’energia e lo sviluppo sostenibile (ENEA) oltre a ricercatori americani dell’Università della California – Berkeley.

"Stiamo lavorando per capire quali fattori [climatici] possono innescare condizioni sfavorevoli e la probabilità associata di sperimentare effetti dannosi sulla produzione di olive ", ha detto Arianna Di Paola, ricercatrice presso l'Istituto italiano di bioeconomia del CNR Olive Oil Times.

"Esempi di fattori scatenanti sono le condizioni che favoriscono la diffusione del virus mosca di frutta d'oliva o 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 stati in grado di scoprire come sono avvenuti i peggiori raccolti di olive.

"Comprendere la stagionalità in atto ci permette di prevedere cosa potremmo aspettarci nel prossimo futuro”, ha affermato Di Paola.

"Queste non sono previsioni stagionali, che devono essere affidabili e tradotte in informazioni utilizzabili per facilitare il processo decisionale, un intero mondo di ricerca in sé", ha aggiunto. "Sono scenari a breve termine che potrebbero sostenere investimenti, misure preventive, trattamenti o pratiche agronomiche”.

La ricerca non si è fermata all’identificazione delle cause delle condizioni sfavorevoli.

"Anche se non possiamo ancora prevedere l'intero ciclo fenologico dell'olivo, così come non è possibile prevedere l'inizio vegetativo della stagione su scala regionale, ciò che possiamo fare è, utilizzando un calendario, dividere semplicemente il ciclo di vita dell'olivo in due: rate mensili”, ha detto Di Paola.

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

L'analisi fornisce una previsione precisa a breve termine, che secondo i ricercatori è tre volte migliore dell'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'estate molto piovosa, fattori che possono sommarsi e peggiorare ulteriormente lo scenario", ha detto Di Paola.

Una volta pronta l’analisi, i ricercatori hanno esaminato quali variabili climatiche stagionali erano più spesso associate a stagioni estremamente negative o ad alto rendimento, scartando le rese di medio livello.

Questa selezione mirava a identificare i rendimenti che, su un'ampia scala spaziale, erano maggiormente influenzati dalla variabilità climatica data la sovrapposizione di altri fattori.

"Nelle stagioni di medio termine, le rese potrebbero dipendere da variabili come l'adozione di tecniche agronomiche specifiche da parte di un coltivatore rispetto a un altro, o dal tempo impiegato per la potatura degli olivi e molte altre variabili ", ha affermato Di Paola.

Pertanto, i ricercatori erano più interessati a considerare sia le stagioni estreme, sia quelle abbondanti che quelle scarse, 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 un'ondata di caldo, ma anche se riuscissimo a guardare correttamente questi singoli fattori di stress, non saremmo comunque in grado di associarli a uno specifico stadio fenologico senza un'adeguata osservazioni sul campo o simulazioni di modelli”, ha affermato Di Paola.

"Abbiamo cercato di attenuare tutti questi effetti per considerarli insieme su larga scala e attraverso intere stagioni", ha aggiunto.

È interessante notare che i ricercatori hanno trovato un collegamento tra le variabili climatiche identificate dall'algoritmo e il fenomeno della mosca delle olive.

"L'algoritmo non ti dirà perché si verificherà uno scenario specifico", ha affermato 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 di mosca dell’olivo”.

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

Una volta che questo avviso arriva dall’algoritmo, un esperto deve esaminare i dati per interpretarli correttamente. "È la mosca dell’olivo o ci sono altri fattori da considerare?” - ha osservato Di Paola.

"Abbiamo standardizzato tutte le variabili per renderle comparabili nel tempo e nello spazio, e questo ci ha permesso di guardare le cose dall’alto”, ha aggiunto. "Per essere chiari, quando la ricerca afferma che un fattore specifico è un periodo più caldo rispetto alla media, ciò era vero per tutte le province del Paese."

Esplorando un'ampia gamma di territorio, la generalizzazione dell'algoritmo aumenta e si possono ottenere previsioni migliori per l'intero settore nell'intero paese.

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

L'algoritmo, che è accessibile al pubblico e può essere scaricato e integrato nei loro 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 realizzare questo tipo di previsioni stagionali”.

• ENEA