Sistemi colturali. Sistemi di previsione e monitoraggio delle rese

Transcript

1 Sistemi di previsione e monitoraggio delle rese

2 Definizione e importanza I sistemi di previsione di resa consentono di effettuare stime precoci (al momento della raccolta o prima) delle rese delle principali colture alimentari a scala regionale e nazionale. Le RESE UFFICIALI (es. FAO, USDA,..) sono infatti disponibili circa un anno dopo la raccolta!! La stima precoce delle rese consente di gestire in modo tempestivo situazioni di criticità in caso di annate sfavorevoli: organizzazione di import/export e allocazione anticipata del budget in paesi industrializzati prevenzione di fenomeni speculativi in paesi in via di sviluppo

3 Definizione e importanza : crisi alimentari e rivolte sociali in diversi paesi asiatici e africani AZIONI SPECULATIVE AUMENTO DEI PREZZI GRAVI CRISI ALIMENTARI

4 Tipologie di sistemi esistenti Negli ultimi decenni sono state proposte diverse tipologie di sistemi per la previsione delle rese colturali. I primi metodi sviluppati erano basati su: tecniche empiriche (ottenimento di informazioni da fonti soggettive) tecniche statistiche (regressioni tra rese ufficiali e indici agro-meteorologici) attività si campionamento

5 Tipologie di sistemi esistenti Negli ultimi decenni sono state proposte diverse tipologie di sistemi per la previsione delle rese colturali. I primi metodi sviluppati erano basati su: tecniche empiriche (ottenimento di informazioni da fonti soggettive) tecniche statistiche (regressioni tra rese ufficiali e indici agro-meteorologici) attività si campionamento METODI SEMPLICI, SOGGETTIVI E POCO AFFIDABILI!!

6 Tipologie di sistemi esistenti Questi approcci sono stati sostituiti a partire dagli anni 90 da tecniche più oggettive basate sull utilizzo di: indici telerilevati (es. NDVI, EVI): sono collegati a numerose proprietà della vegetazione (es. percentuale di copertura del suolo, LAI, biomassa verde) e sono quindi considerati indicatori indiretti della produttività primaria modelli di simulazione di crescita e sviluppo delle colture integrazione dei modelli colturali con dati telerilevati: o aggiornamento periodico di una variabile di stato (es. LAI) con valori derivanti da telerilevamento o utilizzo di dati satellitari per ricavare informazioni riguardanti la gestione della coltura sul territorio (es. percentuale di copertura, date di semina)

7 Tipologie di sistemi esistenti Telerilevamento Questi sistemi si basano sulla ricerca della relazione esistente tra una serie storica di rese ufficiali e valori di indicatori telerilevati (es. NDVI) singoli o cumulati in un dato periodo della stagione di crescita. MAIS REGIONE DEL SUDAFRICA NDVI CUMULATO TRA FIORITURA E MATURAZIONE (Mkhabela et al., 2005)

8 Tipologie di sistemi esistenti Telerilevamento Questi sistemi si basano sulla ricerca della relazione esistente tra una serie storica di rese ufficiali e valori di indicatori telerilevati (es. NDVI) singoli o cumulati in un dato periodo della stagione di crescita. I sistemi di previsione basati su dati telerilevati sono attendibili se applicati a particolari contesti climatici!! MAIS REGIONE DEL SUDAFRICA NDVI CUMULATO TRA FIORITURA E MATURAZIONE (Mkhabela et al., 2005)

9 Tipologie di sistemi esistenti Telerilevamento Marocco clima siccitoso cereali autunno vernini PRECIPITAZIONI RESA Balaghi, R., Jlibene, M., Tychon, B., Eerens, H., Agrometeorological Cereal Yield Forecasting in Morocco. INRA, Rabat (Ma), 149 p

10 Tipologie di sistemi esistenti Telerilevamento Marocco clima siccitoso cereali autunno vernini PRECIPITAZIONI NDVI PRECIPITAZIONI RESA Balaghi, R., Jlibene, M., Tychon, B., Eerens, H., Agrometeorological Cereal Yield Forecasting in Morocco. INRA, Rabat (Ma), 149 p

11 Tipologie di sistemi esistenti Telerilevamento Marocco clima siccitoso cereali autunno vernini PRECIPITAZIONI NDVI NDVI RESA PRECIPITAZIONI RESA Balaghi, R., Jlibene, M., Tychon, B., Eerens, H., Agrometeorological Cereal Yield Forecasting in Morocco. INRA, Rabat (Ma), 149 p

12 Tipologie di sistemi esistenti Modelli colturali I sistemi di previsione di resa più avanzati sono basati sull utilizzo di modelli colturali. Tra questi il più importante è stato sviluppato dalla Commissione Europea all inizio degli anni 90 con lo scopo di fornire previsioni stagionali delle principali colture in Europa. Per ottenere il dato di resa a livello nazionale o regionale: i modelli sono applicati a unità territoriali, la cui dimensione dipende generalmente dalla disponibilità di dati meteorologici e gestionali, e successivamente gli output delle simulazioni sono aggregati in base alla percentuale di copertura della coltura in ogni singola unità spaziale

13 Tipologie di sistemi esistenti Modelli colturali NAZIONE/REGIONE UNITA DI SIMULAZIONE (dati meteorologici) SIMULAZIONI SPAZIALMENTE DISTRIBUITE OUTPUT (riferiti ad ogni unità elementare) y (OUTPUT AGGREGATO) N = numero di celle coperte dalla coltura AGGREGAZIONE (maschera di copertura)

14 Sistemi basati su modelli Fattori di incertezza Le simulazioni spazialmente distribuite per il monitoraggio e la previsione delle rese sono affette da più fonti di incertezza: bassa qualità dei dati in input ai modelli (es. meteo, suolo) informazioni riguardanti la gestione colturale (es. date di semina, irrigazione) idoneità delle soluzioni di modellazione: simulazione di fattori che possono impattare in modo rilevante sulla produzione (es. stress biotici e abiotici) calibrazione e valutazione dei modelli per le specifiche condizioni di applicazione distribuzione delle colture e quindi aggregazione dei dati simulati momento della stagione di crescita in cui si vuole ottenere la previsione...

15 Sistemi basati su modelli Post-processamento statistico A causa dei molteplici fattori di incertezza le rese simulate, una volta aggregate, non possono essere utilizzate direttamente per effettuare una previsione della stagione in corso! Di conseguenza gli output del modello sono generalmente post-processati statisticamente insieme a una serie storica di rese ufficiali per ottenere la previsione. Prima di procedere con il processamento statistico tra rese ufficiali e variabili simulate è necessario verificare (e in caso eliminare) la possibile presenza di un TREND TECNOLOGICO nella serie storica di rese ufficiali, dovuto a fattori che non possono essere riprodotti dal modello, quali l introduzione di nuove varietà o più efficaci tecniche di irrigazione e concimazione.

16 Sistemi basati su modelli Post-processamento statistico INDIVIDUARE ED ELIMINARE IL TREND TECNOLOGICO Trend Sovrastima Sottostima POST-PROCESSAMENTO STATISTICO!!

17 Sistemi basati su modelli Post-processamento statistico Da cosa si parte? OUTPUT DEL MODELLO (es. AGB, resa, LAI, DVS) SERIE STORICA DI RESE UFFICIALI (15-20 anni) (es ) riferiti alla serie storica (es ) e all anno di previsione (es. 2015) cumulati alla decade in cui si vuole ottenere la previsione DECADE VARIABILE VALORE 25 biomassa DVS LAI resa biomassa DVS LAI resa biomassa DVS LAI resa biomassa DVS LAI resa 924.8

18 Cosa si vuole ottenere? Sistemi basati su modelli Post-processamento statistico PREVISIONE DEL VALORE DI RESA DELLA STAGIONE IN CORSO Con quale metodo? REGRESSIONE LINEARE MULTIPLA ANALISI DELLE COMPONENTI PRINCIPALI

19 Post-processamento statistico Regressione lineare multipla Lo scopo della regressione classica lineare è individuare l equazione generale della retta che meglio interpola i punti di una popolazione, riducendo al minimo la differenza tra valore di y misurato e valore di y stimato dalla retta attraverso la stima dei coefficienti β 0 e β 1 : ERRORE CASUALE INTERCETTA DELLA RETTA SULL ASSE Y COEFFICIENTE ANGOLARE DELLA RETTA β 0

20 Post-processamento statistico Regressione lineare multipla REGRESSIONE LINEARE SEMPLICE (una sola variabile indipendente) RESA UFFICIALE OUTPUT DEL MODELLO ALLA DECADE DI PREVISIONE (es. AGB) Viene stimato il valore dei coefficienti β 0 e β 1 in modo che sia ridotta al minimo la differenza tra valore ufficiale e stimato di resa sull intera serie storica. A questo punto possiamo utilizzare la retta costruita per stimare la resa della stagione in corso: Coefficienti della retta RESA DA PREVEDERE costruita sulla serie storica OUTPUT DEL MODELLO NELL ANNO TARGET ALLA DECADE DI PREVISIONE

21 Post-processamento statistico Regressione lineare multipla ESEMPIO REGRESSIONE LINEARE SEMPLICE Coltura: RISO Semina: MARZO 2015 Raccolta: SETTEMBRE 2015 Quando voglio ottenere la previsione? I DECADE AGOSTO 2015 Serie storica disponibile: Output modello: BIOMASSA AEREA (AGB) 1) COSTRUZIONE DELLA RETTA DI REGRESSIONE LINEARE SEMPLICE DAL 2000 AL 2014, utilizzando come variabile indipendente la biomassa cumulata alla I decade di Agosto AGB (cumulata ANNO RESA UFFICIALE alla decade 22) β 1 β 0 2) APPLICAZIONE DELLA RETTA DI REGRESSSIONE AL = 2.33 t/ha

22 Post-processamento statistico Regressione lineare multipla REGRESSIONE LINEARE MULTIPLA (più variabili indipendenti) y i x x i 2 2i x n ni e i RESA UFFICIALE OUTPUT DEL MODELLO ALLA DECADE DI PREVISIONE (es. AGB, LAI, DVS, resa) Il principio è lo stesso della regressione lineare singola, ciò che cambia è che dall analisi non risulterà un solo modello regressivo, ma più modelli dati da tutte le possibili combinazioni delle variabili indipendenti (output del modello). In particolare possono essere costruite regressioni con: 1 variabile indipendente 2 variabili indipendenti 3 variabili indipendenti 4 variabili indipendenti yi y y y 0 1xi ei i 0 1x1 i 2x2i ei i 0 1x1 i 2x2i 3x3i ei i 0 1x1 i 2x2i 3x3i 4x4i e i NON PIU DI 4 REGRESSORI PER EVITARE COLLINEARITA

23 Post-processamento statistico Regressione lineare multipla E necessario valutare le performance di ogni modello regressivo in modo da individuare la combinazione di variabili indipendenti in grado di meglio riprodurre la variabilità interannuale delle rese. La bontà della regressione viene stimata attraverso il calcolo del coefficiente di determinazione, che indica la quota di variabilià delle rese spiegata dal modello regressivo: Il miglior modello regressivo viene poi applicato all anno di previsione!!

24 Post-processamento statistico Regressione lineare multipla Oltre alle variabili simulate dal modello colturale, quali resa, biomassa aerea, LAI, stadio di sviluppo (DVS), possono essere utilizzate come variabili indipendenti del modello regressivo anche: variabili ausiliarie (es. il numero di infezioni potenziali) indici derivanti da telerilevamento (es. NDVImax) indicatori agro-climatici (es. cumulata delle piogge o delle temperature in specifici momenti della stagione di crescita della coltura, contenuto idrico del suolo,..)

25 Post-processamento statistico Regressione lineare multipla ESEMPIO REGRESSIONE LINEARE MULTIPLA Serie storica: Anno target: 2015 MODELLI REGRESSIVI Applicazione del miglior modello regressivo per prevedere la resa del 2015 Indicatori: 1 = AGB 2 = LAI 3 = resa 4 = DVS 5 = Cumulata piogge 6 = Cumulata Tmax 7 = NDVImax Le variabili AGB, LAI, resa e DVS sono meglio in grado di riprodurre la variabilità interannuale delle rese ufficiali

26 Post-processamento statistico Regressione lineare multipla Il modello regressivo viene costruito su una serie storica e applicato all anno di previsione: in questo modo la capacità predittiva del modello viene testata su un solo anno. Per questo motivo viene applicata la tecnica statistica della cross-validazione: il valore di resa ufficiale di ogni anno viene temporaneamente rimosso dal set di dati utilizzati per sviluppare il modello regressivo. Il modello regressivo così ottenuto è poi applicato all anno escluso (come se fosse l anno di previsione) e il valore stimato viene confrontato con il valore misurato attraverso il calcolo di indici statistici di accuratezza.

27 Post-processamento statistico Regressione lineare multipla Il modello regressivo viene costruito su una serie storica e applicato all anno di previsione: in questo modo la capacità predittiva del modello viene testata su un solo anno. Per questo motivo viene applicata la tecnica statistica della cross-validazione: il valore di resa ufficiale di ogni anno viene temporaneamente rimosso dal set di dati utilizzati per sviluppare il modello regressivo. Il modello regressivo così ottenuto è poi applicato all anno escluso (come se fosse l anno di previsione) e il valore stimato viene confrontato con il valore misurato attraverso il calcolo di indici statistici di accuratezza.

28 Post-processamento statistico Regressione lineare multipla Il modello regressivo viene costruito su una serie storica e applicato all anno di previsione: in questo modo la capacità predittiva del modello viene testata su un solo anno. Parameter RRMSE MSE EF CRM R2 Per questo motivo viene applicata la tecnica statistica della cross-validazione: Min inf. inf. inf. il valore di resa Max ufficiale di ogni anno +inf. viene +inf. temporaneamente inf. +inf. rimosso dal set di dati utilizzati per Bestsviluppare il modello 0.00 regressivo Il modello 0.00 regressivo 1.00 così ottenuto è poi Calculated applicato value all anno 8.69 escluso 0.06 (come 0.55 se fosse 0.04 l anno 0.81 di previsione) e il valore stimato viene confrontato con il valore misurato attraverso il calcolo di indici statistici di accuratezza.

29 Post-processamento statistico Regressione lineare multipla Il post-processamento statistico basato sulla REGRESSIONE LINEARE MULTIPLA risulta: facile da implementare caratterizzato da crescente accuratezza più la decade di previsione si avvicina allo stadio di maturazione Si basa però su due assunzioni pericolose: la relazione tra rese ufficiali e variabili di output del modello è lineare il valore delle variabili simute fino alla decade di previsione è un buon stimatore della resa finale

30 Post-processamento statistico Regressione lineare multipla Momento di previsione Raccolta

31 Post-processamento statistico Regressione lineare multipla Forecast event Harvest

32 Sistemi basati su modelli Fattori di incertezza Le simulazioni spazialmente distribuite per il monitoraggio e la previsione delle rese sono affette da più fonti di incertezza: bassa qualità dei dati in input ai modelli (es. meteo, suolo) distribuzione delle colture e quindi aggregazione dei dati simulati informazioni riguardanti la gestione colturale (es. date di semina, irrigazione) idoneità delle soluzioni di modellazione: simulazione di fattori che possono impattare in modo rilevante sulla produzione (es. stress biotici e abiotici) calibrazione e valutazione dei modelli per le specifiche condizioni di applicazione momento della stagione di crescita in cui si vuole ottenere la previsione...

33 Sistemi basati su modelli Fattori di incertezza QUALITA INPUT Esempio: MAPPE DEI SUOLI Sud-America e Centro-America BASSA RISOLUZIONE! Stato di San Paolo (Brasile) ALTA RISOLUZIONE!

35 Sistemi basati su modelli Fattori di incertezza - AGGREGAZIONE Esempio: MAPPA DI COPERTURA DELLE COLTURE Europa Percentuale di copertura dei cereali Stato di San Paolo (Brasile) Poligoni di copertura a canna da zucchero

37 Sistemi basati su modelli Fattori di incertezza - GESTIONE Esempio: DATE DI SEMINA (Senegal RISO unità di simulazione: 25 x 25 km)) DATE DI SEMINA VARIABILI (informazioni telerilevate) DATE DI SEMINA FISSE

39 Sistemi basati su modelli Fattori di incertezza STRESS CONTESTO: Senegal COLTURA: riso FATTORI LIMITANTI LA CRESCITA DEL RISO: o Temperature > 40 C (sterilità fiorale) o Brusone: causa del 77% di perdite di resa in Africa Occidentale (WARDA) Inputs Dati meteo - ECMWF Aggregazione MODELLO COLTURALE WARM Simulazioni spazialmente distribuite Post-processamento statistico Livelli di produzione Potenziale Effetti del brusone Effetti della sterilità da caldo Rese ufficiali

40 Sistemi basati su modelli Fattori di incertezza - STRESS Produzione potenziale Produzione limitata (stress abiotici) Produzione limitata (stress biotici) Indicatori simulati: (variabili indipendenti della regressione) - LAI potenziale - DVS - Biomassa potenziale - Resa potenziale R 2 = % R 2 (trend) = % Indicatori simulati : (variabili indipendenti della regressione) - % sterilità da caldo - DVS - Resa influenzata da sterlità fiorale - Resa potenziale Indicatori simulati : (variabili indipendenti della regressione) - LAI influenzato da brusone - LAI influenzato da elmintosporiosi - Numero eventi infezione brusone - Numero eventi infezione elmintosporiosi R 2 = % R 2 = %

41 Sistemi basati su modelli Fattori di incertezza - STRESS CONTESTO: Marocco COLTURA: frumento FATTORI LIMITANTI LA CRESCITA DEL FRUMENTO: o Siccità: il frumento non è irrigato (perdite superiori all 8% in alcune annate) o Stress biotici: ruggine bruna e gialla, hessian fly Inputs Dati meteo ECMWF Dati pedologici Aggregazione Modello colturale WOFOST Simulazioni spazialmente distribuite Post-processamento statistico Livelli di produzione Potenziale Limitato da stress idrico Effetti delle ruggini Rese ufficiali

42 Sistemi basati su modelli Fattori di incertezza - STRESS R 2 = % R 2 (trend) = 0 % Produzione potenziale Produzione limitata (stress idrico) Morocco R 2 = % Produzione limitata (stress idrico e biotico)

44 SCALA di campo - varietà Loto: Sistemi basati su modelli Fattori di incertezza - CALIBRAZIONE VARIABILI QUALITATIVA: Resa alla lavorazione (HRY). Statistiche ENR Prototipo di sistema di previsione delle rese qualitative CONTESTO: Provincia di Pavia, 1 polo risicolo italiano (35% S riso) ed europeo (18% S riso). % cariossidi intere al termine dei processi di lavorazione fondamentale per determinare il prezzo di scambio del riso sul mercato HRY simulato (%) Modello base Calibration Validation R² = R² = HRY misurato (%) HRY simulato (%) Modello calibrato Calibration Validation R² = R² = HRY misurato (%)

45 Sistemi basati su modelli Fattori di incertezza - CALIBRAZIONE SCALA provinciale - varietà Loto: Modello base R 2 =0.052 No trend Modello calibrato No trend

47 Sistemi basati su modelli Fattori di incertezza DECADE PREVISIONE CONTESTO: distretto risicolo lombardo-piemontese COLTURA: riso (varietà Loto) DECADE 25 (maturazione) DECADE 22 R 2 = 0.91 R 2 = 0.67

48 Sistemi basati su modelli Fattori di incertezza - DECADE CONTESTO: Marocco (nazione + regioni) COLTURA: frumento Simulazioni multi-modello Maturazione 3 decadi prima Region WOFOST CropSyst WOFOST CropSyst Morocco Centre Centre Nord Centre Sud Nord Ouest Oriental Sud Tensif R 2

49 Sistemi sviluppati