Исследователи разрабатывают алгоритм для прогнозирования потенциала урожая на основе климатических данных

Общедоступный алгоритм был разработан с использованием данных из Италии за 15 лет для сравнения того, как комбинации климатических явлений повлияли на последующие урожаи.

Арханес, Крит, Греция
Паоло ДеАндреис
3 января 2024 г., 18:01 UTC
482
Арханес, Крит, Греция

Почти сто заинтересованных сторон производства скачал алгоритм это может дать возможность прогнозировать поведение и продуктивность оливковой рощи.

Новая технология основана на тщательном анализе сезонных погодных условий во время цикла роста оливок в течение длительного периода в Италии.

Сравнивая взаимосвязь между развитием оливок и урожаем с воздействием климата, исследователи смогли выявить десятки потенциальных климатических стрессоров и то, как они влияют на продуктивность оливковых деревьев.

См. также:Исследователи говорят, что инструмент ИИ для фермеров, выращивающих оливки, повысит урожайность и снизит затраты

Исследователи полагают, что эта информация может помочь национальным или региональным администрациям, производителям оливок, производителям и другим заинтересованным сторонам предсказать, как может развиваться предстоящий сезон, и внести какие-либо агрономические или бизнес-корректировки.

Новая технология является результатом согласованный проект с участием ученых из Национального исследовательского совета Италии (CNR) и Агентства новых технологий, энергетики и устойчивого развития (ENEA), а также американских исследователей из Калифорнийского университета в Беркли.

Мы работаем над пониманием того, какие [климатические] факторы могут вызвать неблагоприятные условия и связанную с этим вероятность пагубного воздействия на производство оливок», — рассказала Арианна Ди Паола, исследователь из Итальянского института биоэкономики при CNR. Olive Oil Times.

Примерами триггеров являются условия, благоприятствующие распространению инфекции. оливковая плодовая муха или высокие зимние температуры, которые могут изменить цикл оливок и повлиять на цветение и опыление», — добавила она.

В ходе исследования был проанализирован урожай оливок в 66 итальянских провинциях в период с 2006 по 2020 год, чтобы выявить факторы стресса, используя широкий спектр данных. Им удалось выяснить, почему были получены худшие урожаи оливок.

Понимание продолжающейся сезонности позволяет нам предвидеть, чего мы можем ожидать в ближайшем будущем», — сказал Ди Паола.

Это не сезонные прогнозы, которые должны быть надежными и преобразованы в полезную информацию для облегчения процесса принятия решений, а это целый мир исследований сам по себе», — добавила она. Это краткосрочные сценарии, которые могут поддержать инвестиции, профилактические меры, лечение или агрономические методы».

Исследования не ограничились выявлением факторов неблагоприятных условий.

Хотя мы пока не можем предсказать весь фенологический цикл оливы, поскольку невозможно предсказать начало вегетации в сезоне в региональных масштабах, мы можем, используя календарь, просто разделить жизненный цикл оливы на две части: ежемесячная рассрочка», — сказал Ди Паола.

Анализируя переменные, влияющие на производство оливок на протяжении многих лет, и объединяя их каждые два месяца, исследователи определили список переменных и изучили, как они взаимодействуют с течением времени.

Анализ обеспечивает краткосрочный прогноз точности, который, по словам исследователей, в три раза лучше, чем анализ одной переменной.

Например, одно дело — сказать, что у нас была более теплая зима, другое — сказать, что после этой теплой зимы у нас также было очень влажное лето, и это факторы, которые могут суммироваться и еще больше ухудшить сценарий», — сказал Ди Паола.

После того, как анализ был готов, исследователи посмотрели, какие сезонные климатические переменные чаще связаны с крайне плохими или высокоурожайными сезонами, отбросив средние показатели урожайности.

Реклама
Реклама

Этот выбор был направлен на выявление урожайности, на которую в широком пространственном масштабе больше всего повлияла изменчивость климата с учетом наложения других факторов.

В средние сезоны урожайность может зависеть от таких переменных, как использование определенных агрономических методов одним производителем по сравнению с другим, или от времени, затрачиваемого на обрезку оливок, и многих других переменных», — сказал Ди Паола.

Поэтому исследователи были больше заинтересованы в изучении как обильных, так и дефицитных экстремальных сезонов, поскольку связанные с ними условия оказывали влияние независимо от действий одного производителя.

Большинство из нас привыкли сосредотачиваться на отдельных факторах стресса, таких как заморозки или жара, но даже если нам удастся правильно взглянуть на эти отдельные факторы стресса, мы все равно не сможем связать их с конкретной фенологической стадией без надлежащего полевые наблюдения или модельное моделирование», — сказал Ди Паола.

Мы попытались сгладить все эти эффекты, чтобы рассматривать их вместе в большом масштабе и в течение целых сезонов», — добавила она.

Интересно, что исследователи обнаружили связь между климатическими переменными, определенными алгоритмом, и феноменом плодовой мухи.

Алгоритм не скажет вам, почему произойдет тот или иной сценарий», — сказал Ди Паоло. Однако, применяя его, мы отмечаем, что результаты – худшие годы с точки зрения продуктивности и возникающие климатические стрессоры – были вероятно связаны с заражением оливковой плодовой мухой».

Алгоритм говорит нам что-то вроде: если у вас есть этот набор условий, скажем, пять различных переменных в течение заданного времени, то весьма вероятно, что урожайность оливок будет исключительно низкой», — добавила она.

Как только это предупреждение исходит от алгоритма, эксперт должен просмотреть данные, чтобы правильно их интерпретировать. Это оливковая плодовая мушка или есть другие факторы, которые нам следует учитывать?» – отметил Ди Паола.

Мы стандартизировали все переменные, чтобы сделать их сопоставимыми во времени и пространстве, и это позволило нам взглянуть на вещи сверху», — добавила она. Чтобы прояснить ситуацию: когда в исследовании говорится, что конкретным триггером является более теплый период, чем в среднем, это справедливо для всех провинций страны".

Исследуя широкий диапазон территории, обобщение алгоритма увеличивается, и можно достичь лучших прогнозов для всего сектора по всей стране.

Это полезный взгляд на весь сектор для всех организаций, заинтересованных в получении полной картины», — сказал Ди Паола.

Алгоритм, который является общедоступным, его можно загрузить и интегрировать в их системы, может быть полезен не только для Италии, но и для оливкового сектора.

Примененный нами метод можно экспортировать в другие страны и отрасли», — заключил Ди Паола. После получения необходимых данных алгоритм можно легко адаптировать для составления такого рода сезонного прогноза».



Поделиться этой статьей

Реклама
Реклама

Статьи по теме