Onderzoekers ontwikkelen algoritme om oogstpotentieel te voorspellen op basis van klimaatgegevens

Het openbaar beschikbare algoritme is ontwikkeld met behulp van vijftien jaar aan gegevens uit Italië om te vergelijken hoe combinaties van klimatologische gebeurtenissen de daaropvolgende oogsten beïnvloedden.

Archanes, Kreta, Griekenland
Door Paolo DeAndreis
3 januari 2024 18:01 UTC
543
Archanes, Kreta, Griekenland

Bijna honderd belanghebbenden in de productie hebben dat gedaan een algoritme gedownload die de mogelijkheid kunnen bieden om het gedrag en de productiviteit van een olijfgaard te voorspellen.

De nieuwe technologie is gebaseerd op een grondige analyse van seizoensweerpatronen tijdens de olijvengroeicyclus over een lange periode in Italië.

Door de relatie tussen de ontwikkeling van olijven en de oogst te vergelijken met de gevolgen voor het klimaat, konden onderzoekers tientallen potentiële klimaatstressoren identificeren en hoe deze de productiviteit van olijfbomen beïnvloeden.

Zie ook:AI-tool voor olijfboeren zal de opbrengsten verbeteren en de kosten verlagen, zeggen onderzoekers

Onderzoekers zijn van mening dat deze informatie nationale of regionale overheden, olijventelers, producenten en andere geïnteresseerde partijen kan ondersteunen bij het voorspellen hoe het komende seizoen zich zal ontwikkelen en bij het doorvoeren van eventuele agronomische of zakelijke aanpassingen.

De nieuwe technologie is het resultaat van a gecoördineerd project waarbij wetenschappers van de Italiaanse Nationale Onderzoeksraad (CNR) en het Agentschap voor Nieuwe Technologieën, Energie en Duurzame Ontwikkeling (ENEA) betrokken waren, evenals Amerikaanse onderzoekers van de Universiteit van Californië – Berkeley.

"We werken eraan om te begrijpen welke [klimaat] factoren ongunstige omstandigheden kunnen veroorzaken en de daarmee gepaard gaande waarschijnlijkheid van schadelijke effecten op de olijvenproductie”, vertelde Arianna Di Paola, een onderzoeker bij het Italiaanse Instituut voor Bio-Economy van de CNR. Olive Oil Times.

"Voorbeelden van triggers zijn omstandigheden die de verspreiding van de ziekte bevorderen olijf fruitvlieg of hoge wintertemperaturen die de olijfcyclus kunnen veranderen en de bloei en bestuiving kunnen beïnvloeden,” voegde ze eraan toe.

Het onderzoek analyseerde de olijfoogsten in 66 Italiaanse provincies tussen 2006 en 2020 om de stressoren te identificeren met behulp van een breed scala aan gegevens. Ze konden ontdekken hoe de ergste olijvenoogsten tot stand kwamen.

"Door de aanhoudende seizoensinvloeden te begrijpen, kunnen we voorspellen wat we in de nabije toekomst kunnen verwachten”, aldus Di Paola.

"Dit zijn geen seizoensvoorspellingen, die betrouwbaar moeten zijn en vertaald moeten worden in bruikbare informatie om het besluitvormingsproces te vergemakkelijken, een hele wereld van onderzoek op zich”, voegde ze eraan toe. "Het zijn kortetermijnscenario’s die investeringen, preventieve maatregelen, behandelingen of agronomische praktijken kunnen ondersteunen.”

Het onderzoek stopte niet bij het identificeren van de oorzaken van ongunstige omstandigheden.

"Hoewel we nog niet de hele fenologische cyclus van de olijf kunnen voorspellen, net zoals het niet mogelijk is om het vegetatieve begin van het seizoen op regionale schaal te voorspellen, kunnen we met behulp van een kalender eenvoudigweg de levenscyclus van de olijf in twee delen verdelen: maandelijkse termijnen”, zei Di Paola.

Door de variabelen die door de jaren heen van invloed zijn geweest op de olijvenproductie te analyseren en deze elke twee maanden samen te voegen, hebben onderzoekers een lijst met variabelen opgesteld en onderzocht hoe deze in de loop van de tijd op elkaar inwerken.

De analyse levert een nauwkeurige voorspelling voor de korte termijn op, die volgens onderzoekers drie keer beter is dan de analyse van een enkele variabele.

"Eén ding is bijvoorbeeld om te zeggen dat we een warmere winter hebben gehad, een ander is om te zeggen dat we na die warme winter ook een zeer natte zomer hebben gehad, factoren die kunnen optellen en het scenario verder kunnen verslechteren”, aldus Di Paola.

Toen de analyse klaar was, keken de onderzoekers naar welke seizoensgebonden klimaatvariabelen vaker in verband werden gebracht met extreem slechte of hoge opbrengstseizoenen, waarbij de gemiddelde opbrengsten buiten beschouwing werden gelaten.

advertentie
advertentie

Deze selectie had tot doel de opbrengsten te identificeren die, op een brede ruimtelijke schaal, het meest werden beïnvloed door klimaatvariabiliteit, gezien de superpositie van andere factoren.

"In de middellange seizoenen kunnen de opbrengsten afhankelijk zijn van variabelen zoals de inzet van specifieke agronomische technieken door de ene teler in vergelijking met de andere, of van de tijd die besteed wordt aan het snoeien van de olijven en nog veel meer variabelen”, aldus Di Paola.

Daarom waren onderzoekers meer geïnteresseerd in het kijken naar zowel overvloedige als schaarse extreme seizoenen, omdat de bijbehorende omstandigheden een impact hadden die onafhankelijk was van de acties van de individuele teler.

"De meesten van ons zijn gewend om ons te concentreren op afzonderlijke stressfactoren, zoals een bevriezing of hittegolf, maar zelfs als we erin zouden slagen om die afzonderlijke stressfactoren correct te bekijken, zouden we ze nog steeds niet kunnen associëren met een specifiek fenologisch stadium zonder de juiste veldobservaties of modelsimulaties”, zei Di Paola.

"We hebben geprobeerd al deze effecten glad te strijken en ze samen op grote schaal en over hele seizoenen te bekijken”, voegde ze eraan toe.

Interessant genoeg vonden de onderzoekers een verband tussen de klimaatvariabelen die door het algoritme werden geïdentificeerd en het fenomeen olijffruitvlieg.

"Het algoritme zal je niet vertellen waarom een ​​specifiek scenario zich gaat voordoen”, aldus Di Paolo. "Door het toe te passen merken we echter op dat de resultaten – slechtere jaren in termen van productiviteit en opkomende klimaatstressoren – plausibel in verband werden gebracht met plagen van olijffruitvliegen.”

"Wat het algoritme ons vertelt is zoiets als: als je aan deze reeks omstandigheden voldoet, laten we zeggen vijf verschillende variabelen gedurende een bepaalde tijd, dan is het zeer waarschijnlijk dat de olijvenoogst uitzonderlijk laag zal zijn”, voegde ze eraan toe.

Zodra deze waarschuwing uit het algoritme komt, moet een expert naar de gegevens kijken om deze correct te interpreteren. "Is het de olijffruitvlieg, of zijn er andere factoren waar we rekening mee moeten houden?” merkte Di Paola op.

"We hebben alle variabelen gestandaardiseerd om ze in tijd en ruimte vergelijkbaar te maken, waardoor we de zaken van bovenaf konden bekijken”, voegde ze eraan toe. "Om het duidelijk te maken: als uit het onderzoek blijkt dat een specifieke trigger een warmere periode dan gemiddeld is, gold dat voor alle provincies van het land.”

Door een breed gebied van het gebied te verkennen, neemt de generalisatie van het algoritme toe en kunnen betere voorspellingen voor de hele sector in het hele land worden bereikt.

"Dit is een nuttig beeld van de hele sector voor alle entiteiten die geïnteresseerd zijn in het volledige plaatje”, aldus Di Paola.

Het algoritme, dat openbaar toegankelijk is en kan worden gedownload en in hun systemen kan worden geïntegreerd, kan niet alleen nuttig zijn voor Italië, maar ook voor de olijvensector.

"De methode die we hebben toegepast kan worden geëxporteerd naar andere landen en sectoren”, besluit Di Paola. "Eenmaal gevoed met de benodigde data, kan het algoritme eenvoudig worden aangepast om dat soort seizoensvoorspellingen te maken.”



deel dit artikel

advertentie
advertentie

Gerelateerde artikelen