Des chercheurs développent un algorithme pour prédire le potentiel de récolte à partir des données climatiques

Près d'une centaine d'acteurs de la production ont téléchargé un algorithme cela peut permettre de prévoir le comportement et la productivité d’une oliveraie.

La nouvelle technologie est basée sur une analyse approfondie des conditions météorologiques saisonnières au cours du cycle de croissance des olives sur une longue période en Italie.

En comparant la relation entre le développement des olives et les récoltes avec les impacts climatiques, les chercheurs ont pu identifier des dizaines de facteurs de stress climatiques potentiels et comment ils affectent la productivité des oliviers.

Les chercheurs pensent que ces informations pourraient aider les administrations nationales ou régionales, les oléiculteurs, les producteurs et d'autres parties intéressées à prédire le déroulement d'une saison à venir et à procéder à des ajustements agronomiques ou commerciaux.

La nouvelle technologie résulte d'une projet coordonné impliquant des scientifiques du Conseil national italien de la recherche (CNR) et de l'Agence pour les nouvelles technologies, l'énergie et le développement durable (ENEA) ainsi que des chercheurs américains de l'Université de Californie – Berkeley.

"Nous travaillons à comprendre quels facteurs [climatiques] peuvent déclencher des conditions défavorables et la probabilité associée de subir des effets néfastes sur la production d'olives », a déclaré Arianna Di Paola, chercheuse à l'Institut italien de bioéconomie du CNR. Olive Oil Times.

"Des exemples de déclencheurs sont les conditions qui favorisent la propagation de la mouche des fruits ou des températures hivernales élevées qui peuvent altérer le cycle de l'olivier et avoir un impact sur la floraison et la pollinisation », a-t-elle ajouté.

La recherche a analysé les récoltes d'olives dans 66 provinces italiennes entre 2006 et 2020 pour identifier les facteurs de stress à l'aide d'un large éventail de données. Ils ont pu découvrir comment les pires récoltes d’olives ont eu lieu.

"Comprendre la saisonnalité actuelle nous permet de prévoir ce à quoi nous pouvons nous attendre dans un avenir proche », a déclaré Di Paola.

"Il ne s’agit pas de prévisions saisonnières, qui doivent être fiables et traduites en informations exploitables pour faciliter le processus de prise de décision, un monde de recherche en soi", a-t-elle ajouté. "Ce sont des scénarios à court terme qui pourraient soutenir des investissements, des mesures préventives, des traitements ou des pratiques agronomiques.

La recherche ne s’est pas limitée à identifier les causes des conditions défavorables.

"Bien que nous ne puissions pas encore prédire l'ensemble du cycle phénologique de l'olive, car il n'est pas possible de prédire le début végétatif au cours de la saison à l'échelle régionale, nous pouvons, à l'aide d'un calendrier, simplement diviser le cycle de vie de l'olive en deux : versements mensuels », a déclaré Di Paola.

En analysant les variables ayant un impact sur la production d'olives au fil des années et en les regroupant tous les deux mois, les chercheurs ont défini une liste de variables et examiné comment elles interagissent au fil du temps.

L'analyse fournit une prévision précise à court terme, qui, selon les chercheurs, est trois fois meilleure que l'analyse d'une seule variable.

"Par exemple, une chose est de dire que nous avons eu un hiver plus chaud, une autre est de dire qu'après cet hiver chaud, nous avons également eu un été très humide, des facteurs qui peuvent s'additionner et aggraver encore le scénario », a déclaré Di Paola.

Une fois l’analyse prête, les chercheurs ont examiné quelles variables climatiques saisonnières étaient le plus souvent associées à des saisons extrêmement mauvaises ou à rendement élevé, en écartant les rendements moyens.

Cette sélection visait à identifier les rendements qui, à grande échelle spatiale, étaient les plus affectés par la variabilité climatique compte tenu de la superposition d'autres facteurs.

"Dans les saisons moyennes, les rendements peuvent dépendre de variables telles que le déploiement de techniques agronomiques spécifiques par un producteur par rapport à un autre, ou du temps passé à tailler les olives et bien d'autres variables », a déclaré Di Paola.

Par conséquent, les chercheurs se sont davantage intéressés aux saisons extrêmes abondantes et rares, car les conditions associées avaient un impact indépendant des actions du producteur individuel.

"La plupart d'entre nous sont habitués à se concentrer sur des facteurs de stress uniques, comme le gel ou la canicule, mais même si nous parvenions à examiner correctement ces facteurs de stress uniques, nous ne serions toujours pas en mesure de les associer à un stade phénologique spécifique sans une analyse appropriée. observations sur le terrain ou simulations de modèles », a déclaré Di Paola.

"Nous avons essayé de lisser tous ces effets pour les considérer ensemble à grande échelle et sur des saisons entières », a-t-elle ajouté.

Fait intéressant, les chercheurs ont découvert un lien entre les variables climatiques identifiées par l'algorithme et le phénomène de la mouche des olives.

"L'algorithme ne vous dira pas pourquoi un scénario spécifique va se produire », a déclaré Di Paolo. "Cependant, en l’appliquant, nous constatons que les résultats – des années pires en termes de productivité et de facteurs de stress climatiques émergents – étaient vraisemblablement associés aux infestations de mouches des olives.

"Ce que l'algorithme nous dit ressemble à ceci : si vous disposez de cet ensemble de conditions, disons cinq variables différentes sur une période donnée, alors il est fort probable que le rendement des olives sera exceptionnellement faible », a-t-elle ajouté.

Une fois cet avertissement émis par l’algorithme, un expert doit examiner les données pour les interpréter correctement. "Est-ce la mouche de l’olivier ou y a-t-il d’autres facteurs à prendre en compte ? » Di Paola a noté.

"Nous avons standardisé toutes les variables pour les rendre comparables dans le temps et dans l’espace, ce qui nous a permis de regarder les choses d’en haut », a-t-elle ajouté. "Pour être clair, lorsque la recherche indique qu'un déclencheur spécifique est une période plus chaude que la moyenne, cela était vrai dans toutes les provinces du pays.

En explorant un large éventail de territoires, la généralisation de l'algorithme augmente et de meilleures prévisions pour l'ensemble du secteur dans l'ensemble du pays peuvent être obtenues.

"Il s'agit d'une vue utile de l'ensemble du secteur pour toutes les entités intéressées à avoir une vue d'ensemble », a déclaré Di Paola.

L'algorithme, qui est accessible au public et peut être téléchargé et intégré dans leurs systèmes, pourrait être utile non seulement pour l'Italie mais aussi pour le secteur oléicole.

"La méthode que nous avons appliquée peut être exportée vers d'autres pays et secteurs », a conclu Di Paola. "Une fois alimenté avec les données nécessaires, l’algorithme peut facilement être adapté pour réaliser ce type de prévision saisonnière.

• ENEA