Fast hundert Akteure haben einen Algorithmus heruntergeladen, mit dem sich das Verhalten und die Produktivität eines Olivenhains vorhersagen lassen.

Die neue Technologie basiert auf einer gründlichen Analyse der saisonalen Wetterereignisse während des Wachstumszyklus der Olivenbäume über einen langen Zeitraum in Italien.

Durch den Vergleich des Verhältnisses zwischen Olivenwachstum und -ernte und den Auswirkungen des Klimas konnten die Forscher Dutzende potenzieller klimatischer Stressfaktoren und deren Auswirkungen auf die Olivenproduktivität ermitteln.

Die Forscher glauben, dass diese Informationen nationalen oder regionalen Verwaltungen, Olivenbauern, Erzeugern und anderen Interessengruppen helfen können, den Verlauf der kommenden Saison vorherzusagen und agronomische oder geschäftliche Anpassungen vorzunehmen.

Die neue Technologie ist das Ergebnis eines koordinierten Projekts, an dem Wissenschaftler des italienischen Nationalen Forschungsrats (CNR) und der Agentur für neue Technologien, Energie und nachhaltige Entwicklung (ENEA) sowie US-Forscher der University of California-Berkeley beteiligt sind.

„Wir arbeiten daran, zu verstehen, welche [Klima-]Faktoren ungünstige Bedingungen verursachen können und wie hoch die relative Wahrscheinlichkeit negativer Auswirkungen auf die Olivenproduktion ist“, sagte Arianna Di Paola, Forscherin am italienischen Institut für Bioökonomie des CNR. Olive Oil Times.

„Beispiele für Auslöser sind Bedingungen, die die Ausbreitung der Olivenfrucht begünstigen, oder hohe Wintertemperaturen, die den Olivenzyklus verändern und Blüte und Bestäubung beeinträchtigen können“, fügte er hinzu.

Die Forscher analysierten die Olivenernte in 66 italienischen Provinzen zwischen 2006 und 2020, um anhand einer Vielzahl von Daten Stressfaktoren zu ermitteln. Sie konnten aufzeigen, wie es zu den schlechtesten Olivenernten kam.

„Durch das Verständnis der laufenden Saisonalität können wir vorhersagen, was wir in naher Zukunft erwarten können“, sagt Di Paola.

„Es handelt sich nicht um saisonale Prognosen, die zuverlässig sein und in umsetzbare Informationen zur Erleichterung des Entscheidungsprozesses umgesetzt werden müssen – eine ganze Welt der Forschung für sich“, fügte er hinzu. „Es handelt sich um kurzfristige Szenarien, die Investitionen, Präventivmaßnahmen, Behandlungen oder agronomische Praktiken unterstützen können“.

Die Forschung beschränkte sich nicht darauf, die Ursachen für ungünstige Bedingungen zu ermitteln.

„Wir können zwar noch nicht den gesamten phänologischen Zyklus der Olive vorhersagen, da es nicht möglich ist, den Beginn der Vegetationsperiode auf regionaler Ebene vorherzusagen, aber wir können den Lebenszyklus der Olive mithilfe eines Kalenders einfach in zwei Monatsabschnitte unterteilen“, so Di Paola.

Durch die Analyse der Variablen, die sich im Laufe der Jahre auf die Olivenproduktion auswirken, und deren Zusammenstellung alle zwei Monate, haben die Forscher eine Liste von Variablen erstellt und untersucht, wie sie im Laufe der Zeit zusammenwirken.

Die Analyse liefert eine genaue kurzfristige Vorhersage, die nach Angaben der Forscher dreimal besser ist als die Analyse einer einzelnen Variable.

„Es ist zum Beispiel eine Sache zu sagen, dass wir einen wärmeren Winter hatten, aber eine andere, dass wir nach diesem warmen Winter auch einen sehr nassen Sommer hatten, Faktoren, die sich addieren und das Szenario weiter verschlimmern können“, sagte Di Paola.

Nach Abschluss der Analyse untersuchten die Forscher, welche saisonalen Klimavariablen am häufigsten mit extrem schlechten Jahreszeiten oder ertragreichen Jahreszeiten in Verbindung gebracht wurden, wobei mittlere Renditen ausgeschlossen wurden.

Mit dieser Auswahl sollten die Erträge ermittelt werden, die auf einer breiten räumlichen Skala am stärksten von Klimaschwankungen betroffen waren, da andere Faktoren überwogen.

„In den mittleren Jahreszeiten können die Erträge von Variablen wie der Entwicklung bestimmter agronomischer Techniken durch einen Erzeuger im Vergleich zu einem anderen oder der Zeit, die für das Beschneiden der Oliven aufgewendet wird, und vielen anderen Variablen abhängen“, sagte Di Paola.

Daher waren die Forscher mehr daran interessiert, sowohl die häufigen als auch die seltenen extremen Jahreszeiten zu untersuchen, da die relativen Bedingungen einen Einfluss haben, der unabhängig von den Maßnahmen der einzelnen Erzeuger ist.

„Die meisten von uns sind daran gewöhnt, sich auf einzelne Stressoren wie Frost oder Hitzewellen zu konzentrieren, aber selbst wenn wir diese einzelnen Stressoren richtig einordnen könnten, könnten wir sie ohne geeignete Feldbeobachtungen oder Modellsimulationen nicht mit einem bestimmten phänologischen Stadium in Verbindung bringen“, so DiPaola.

„Wir haben versucht, all diese Effekte zu glätten, um sie auf einer großen Skala und über ganze Jahreszeiten hinweg zusammen zu betrachten“, fügte er hinzu.

Interessanterweise fanden die Forscher eine Verbindung zwischen den vom Algorithmus ermittelten Klimavariablen und dem Effekt der Olivenfliege.

„Der Algorithmus sagt nicht, warum ein bestimmtes Szenario eintreten wird“, sagte Di Paolo. „Wenn wir ihn jedoch anwenden, stellen wir fest, dass die Ergebnisse – schlechtere Jahre in Bezug auf die Produktivität und aufkommende Klimastressoren – vernünftigerweise mit dem Befall durch die Olivenfliege in Verbindung gebracht werden.“

„Was uns der Algorithmus sagt, ist in etwa Folgendes: Wenn man diese Bedingungen hat, sagen wir fünf verschiedene Variablen in einem bestimmten Jahr, dann ist es sehr wahrscheinlich, dass der Olivenertrag extrem niedrig sein wird“, fügte er hinzu.

„Was der Algorithmus uns sagt, ist in etwa so: Wenn man diese Bedingungen hat, sagen wir fünf verschiedene Variablen in einer bestimmten Zeit, dann ist es sehr wahrscheinlich, dass der Ertrag des Olivenbaums extrem niedrig sein wird“, fügte er hinzu.

Sobald der Algorithmus diese Warnung ausgibt, muss ein Experte die Daten prüfen, um sie richtig zu interpretieren. „Liegt es an der Olivenfliege oder gibt es andere Faktoren, die wir berücksichtigen müssen?“ bemerkte DePaola.

„Wir haben alle Variablen standardisiert, um sie zeitlich und räumlich vergleichbar zu machen, und das hat es uns ermöglicht, die Dinge von oben zu betrachten“, fügte er hinzu. „Um es klar zu sagen: Wenn in der Erhebung ein bestimmter Auslöser eine überdurchschnittlich warme Periode ist, gilt das für alle Provinzen des Landes.“

Durch die Untersuchung eines breiten Spektrums von Gebieten erhöht sich die Verallgemeinerbarkeit des Algorithmus und es können bessere Vorhersagen für den gesamten Sektor im ganzen Land getroffen werden.

„Dies ist ein nützlicher Überblick über den gesamten Sektor für alle Einrichtungen, die an einem Gesamtbild interessiert sind“, sagte Di Paola.

Der Algorithmus, der öffentlich zugänglich ist und heruntergeladen und in ihre Systeme integriert werden kann, kann nicht nur für Italien, sondern auch für den Olivenölsektor von Nutzen sein.

„Die von uns angewandte Methode kann auch in andere Länder und Sektoren exportiert werden“, schloss Di Paola. „Sobald der Algorithmus mit den erforderlichen Daten gefüttert wurde, kann er leicht angepasst werden, um diese Art von saisonalen Vorhersagen zu erstellen.

Quelle: Paolo DeAndreis