Investigadores desarrollan un algoritmo para predecir el potencial de cosecha a partir de datos climáticos

Casi un centenar de agentes productivos han descargó un algoritmo que pueden proporcionar la capacidad de pronosticar el comportamiento y la productividad de un olivar.

La nueva tecnología se basa en un análisis exhaustivo de los patrones climáticos estacionales durante el ciclo de crecimiento del olivo durante un largo período en Italia.

Al comparar la relación entre el desarrollo del olivo y las cosechas con los impactos climáticos, los investigadores pudieron identificar docenas de posibles factores de estrés climático y cómo afectan la productividad del olivo.

Los investigadores creen que esta información podría ayudar a las administraciones nacionales o regionales, a los olivareros, a los productores y a otras partes interesadas a predecir cómo se desarrollará la próxima temporada y realizar ajustes agronómicos o comerciales.

La nueva tecnología resulta de una proyecto coordinado En él participaron científicos del Consejo Nacional de Investigación de Italia (CNR) y de la Agencia de Nuevas Tecnologías, Energía y Desarrollo Sostenible (ENEA), así como investigadores estadounidenses de la Universidad de California-Berkeley.

"Estamos trabajando para comprender qué factores [climáticos] pueden desencadenar condiciones desfavorables y la probabilidad asociada de experimentar efectos perjudiciales en la producción de aceitunas”, dijo Arianna Di Paola, investigadora del Instituto Italiano de BioEconomía del CNR. Olive Oil Times.

"Ejemplos de desencadenantes son las condiciones que favorecen la propagación del mosca de la fruta de olivo o altas temperaturas invernales que pueden alterar el ciclo del olivo e impactar en la floración y polinización”, añadió.

La investigación analizó las cosechas de aceitunas en 66 provincias italianas entre 2006 y 2020 para identificar los factores estresantes utilizando una amplia gama de datos. Pudieron descubrir cómo se producían las peores cosechas de aceituna.

"Comprender la estacionalidad actual nos permite prever lo que podemos esperar en el futuro cercano”, dijo Di Paola.

"No se trata de pronósticos estacionales, que deben ser confiables y traducirse en información procesable para facilitar el proceso de toma de decisiones, todo un mundo de investigación en sí mismo”, añadió. "Son escenarios de corto plazo que podrían apoyar inversiones, medidas preventivas, tratamientos o prácticas agronómicas”.

La investigación no se limitó a identificar los factores que impulsan las condiciones desfavorables.

"Si bien todavía no podemos predecir todo el ciclo fenológico del olivo, ya que no es posible predecir el inicio vegetativo de la temporada a escalas regionales, lo que podemos hacer es, usando un calendario, simplemente dividir el ciclo de vida del olivo en dos: cuotas mensuales”, dijo Di Paola.

Al analizar las variables que afectan la producción de aceitunas a lo largo de los años y agregarlas cada dos meses, los investigadores definieron una lista de variables y examinaron cómo interactúan a lo largo del tiempo.

El análisis proporciona un pronóstico de precisión a corto plazo, que según los investigadores es tres veces mejor que el análisis de una sola variable.

"Por ejemplo, una cosa es decir que tuvimos un invierno más cálido, otra es decir que después de ese invierno cálido, también tuvimos un verano muy húmedo, factores que se pueden sumar y empeorar aún más el escenario”, dijo Di Paola.

Una vez que el análisis estuvo listo, los investigadores observaron qué variables climáticas estacionales se asociaban con mayor frecuencia con temporadas extremadamente malas o de alto rendimiento, descartando los rendimientos de rango medio.

Esta selección tuvo como objetivo identificar los rendimientos que, en una escala espacial amplia, se vieron más afectados por la variabilidad climática dada la superposición de otros factores.

"En temporadas medias, los rendimientos pueden depender de variables como el uso de técnicas agronómicas específicas por parte de un productor en comparación con otro, o del tiempo dedicado a la poda de las aceitunas y muchas más variables”, dijo Di Paola.

Por lo tanto, los investigadores estaban más interesados ​​en observar las estaciones extremas tanto de abundancia como de escasez, ya que las condiciones asociadas tenían un impacto independiente de las acciones de un solo productor.

"La mayoría de nosotros estamos acostumbrados a centrarnos en factores de estrés únicos, como una helada o una ola de calor, pero incluso si lográramos observar esos factores de estrés únicos correctamente, todavía no podríamos asociarlos a una etapa fenológica específica sin la información adecuada. observaciones de campo o simulaciones de modelos”, dijo Di Paola.

"Intentamos suavizar todos estos efectos para considerarlos juntos a gran escala y en temporadas completas”, añadió.

Curiosamente, los investigadores encontraron un vínculo entre las variables climáticas identificadas por el algoritmo y el fenómeno de la mosca del olivo.

"El algoritmo no le dirá por qué va a ocurrir un escenario específico”, dijo Di Paolo. "Sin embargo, al aplicarlo, observamos que los resultados (peores años en términos de productividad y factores de estrés climático emergentes) se asociaron de manera plausible con las infestaciones de mosca del olivo”.

"Lo que el algoritmo nos dice es algo así como: si tienes esta serie de condiciones, digamos cinco variables diferentes durante un tiempo determinado, entonces es muy probable que el rendimiento de la aceituna sea excepcionalmente bajo”, añadió.

Una vez que esta advertencia proviene del algoritmo, un experto debe observar los datos para interpretarlos correctamente. "¿Es la mosca del olivo o hay otros factores que deberíamos considerar? Señaló Di Paola.

"Estandarizamos todas las variables para hacerlas comparables en el tiempo y el espacio, y eso nos permitió mirar las cosas desde arriba”, añadió. "Para que quede claro, cuando la investigación dice que un desencadenante específico es un período más cálido que el promedio, eso fue cierto en todas las provincias del país”.

Al explorar una amplia gama del territorio, la generalización del algoritmo aumenta y se pueden lograr mejores pronósticos para todo el sector en todo el país.

"Esta es una visión útil de todo el sector para todas las entidades interesadas en ver el panorama completo”, dijo Di Paola.

El algoritmo, que es de acceso público y puede descargarse e integrarse en sus sistemas, podría resultar útil no sólo para Italia sino también para el sector olivarero.

"El método que aplicamos se puede exportar a otros países y sectores”, concluyó Di Paola. "Una vez alimentado con los datos necesarios, el algoritmo se puede adaptar fácilmente para realizar ese tipo de pronóstico estacional”.

• ENEA