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

Quase cem partes interessadas na produção baixou um algoritmo que pode fornecer a capacidade de prever o comportamento e a produtividade de um olival.

A nova tecnologia é baseada em uma análise minuciosa dos padrões climáticos sazonais durante o ciclo de crescimento da oliveira durante um longo período na Itália.

Ao comparar a relação entre o desenvolvimento e as colheitas da azeitona e os impactos climáticos, os investigadores conseguiram identificar dezenas de potenciais factores de stress climático e como afectam a produtividade da oliveira.

Os investigadores acreditam que esta informação pode ajudar as administrações nacionais ou regionais, os olivicultores, os produtores e outras partes interessadas na previsão de como a próxima época se poderá desenrolar e na realização de quaisquer ajustes agronómicos ou comerciais.

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

"Estamos trabalhando para entender quais fatores [climáticos] podem desencadear condições desfavoráveis ​​e a probabilidade associada de sofrer efeitos prejudiciais na produção de azeitona ”, disse Arianna Di Paola, pesquisadora do Instituto Italiano de BioEconomia do CNR. Olive Oil Times.

"Exemplos de gatilhos são condições que favorecem a propagação do mosca de fruta verde-oliva ou altas temperaturas no inverno que podem alterar o ciclo da oliveira e impactar a floração e a polinização”, acrescentou.

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

"Compreender a sazonalidade em curso permite-nos prever o que podemos esperar no futuro próximo”, disse Di Paola.

"Estas não são previsões sazonais, que devem ser confiáveis ​​e traduzidas em informações acionáveis ​​para facilitar o processo de tomada de decisão, um mundo inteiro de pesquisa em si”, acrescentou ela. "São cenários de curto prazo que podem apoiar investimentos, medidas preventivas, tratamentos ou práticas agronómicas.”

A pesquisa não se limitou a identificar os impulsionadores das condições desfavoráveis.

"Embora ainda não possamos prever todo o ciclo fenológico da azeitona, tal como não é possível prever o início vegetativo da estação à escala regional, o que podemos fazer é, utilizando um calendário, simplesmente dividir o ciclo de vida da azeitona em dois- parcelas mensais”, disse Di Paola.

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

A análise fornece uma previsão precisa de curto prazo, que os pesquisadores dizem ser 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 depois daquele inverno quente, também tivemos um verão muito chuvoso, fatores que podem se somar e piorar ainda mais o cenário”, disse Di Paola.

Assim que a análise ficou pronta, os investigadores analisaram quais as variáveis ​​climáticas sazonais que estavam mais frequentemente associadas a épocas extremamente más ou de alto rendimento, descartando os rendimentos médios.

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

"Em safras intermediárias, os rendimentos podem depender de variáveis ​​como a implantação de técnicas agronômicas específicas por um produtor em comparação com outro, ou do tempo gasto na poda das azeitonas e muitas outras variáveis ​​”, disse Di Paola.

Portanto, os investigadores estavam mais interessados ​​em analisar tanto as estações extremas abundantes como as escassas, uma vez que as condições associadas tinham um impacto independente das ações do único produtor.

"A maioria de nós está acostumada a focar em fatores de estresse únicos, como congelamento ou onda de calor, mas mesmo que conseguíssemos analisar esses fatores de estresse únicos corretamente, ainda não seríamos capazes de associá-los a um estágio fenológico específico sem o devido observações de campo ou simulações de modelos”, disse Di Paola.

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

Curiosamente, os pesquisadores encontraram uma ligação entre as variáveis ​​climáticas identificadas pelo algoritmo e o fenômeno da mosca da oliveira.

"O algoritmo não dirá por que um cenário específico ocorrerá”, disse Di Paolo. "No entanto, ao aplicá-lo, notamos que os resultados – anos piores em termos de produtividade e factores de stress climático emergentes – foram plausivelmente associados a infestações por mosca da oliveira.

"O que o algoritmo nos diz é algo como: se você tiver esse conjunto de condições, digamos cinco variáveis ​​diferentes em um determinado tempo, então é altamente provável que o rendimento da azeitona seja excepcionalmente baixo”, acrescentou ela.

Uma vez que esse aviso vem do algoritmo, um especialista deve examinar os dados para interpretá-los corretamente. "É a mosca da azeitona ou há outros factores que devemos considerar?” Di Paola observou.

"Padronizamos todas as variáveis ​​para torná-las comparáveis ​​no tempo e no espaço, e isso nos permitiu olhar as coisas de cima”, acrescentou. "Para deixar claro, quando a pesquisa diz que um gatilho específico é um período mais quente que a média, isso é verdade em todas as províncias do país.”

Ao explorar uma ampla extensão do território, a generalização do algoritmo aumenta e melhores previsões para todo o setor em todo o país podem ser alcançadas.

"Esta 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 acessível ao público e pode ser descarregado e integrado nos seus sistemas, pode ser útil não só para a Itália, mas também para o setor oleícola.

"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.”

• ENEA