top of page

Case Study: Η Κλιματική Αλλαγή στην Αγροτική Βιομηχανία: Κίνδυνος ή Ευκαιρία;

Η ΧΡΗΣΗ ΕΞΩΤΕΡΙΚΩΝ ΒΑΣΕΩΝ ΔΕΔΟΜΕΝΩΝ ΓΙΑ ΤΗΝ ΕΚΤΙΜΗΣΗ ΜΕΛΛΟΝΤΙΚΩΝ ΣΥΝΘΗΚΩΝ ΠΑΡΑΓΩΓΗΣ

Παρά το γεγονός ότι οι προβλέψεις των μελλοντικών κλιματικών συνθηκών μέσω μοντέλων είναι συχνά δυσοίωνες στο σύνολό τους, φαίνεται ότι στον αγροτικό τομέα οι μεταβολές μπορεί να έχουν είτε θετικό είτε αρνητικό αντίκτυπο στην παραγωγή ανάλογα με το είδος καλλιέργειας και την περιοχή και τη χρονική περίοδο δραστηριότητας.

Για παράδειγμα, πρόσφατες μελέτες δείχνουν ότι οι κλιματολογικές συνθήκες για τις βαμβακοκαλλιέργειες μπορούν να βελτιωθούν ουσιαστικά τις επόμενες δεκαετίες και κατατάσσουν ήδη το βαμβάκι στους «νικητές» της Kλιματικής Aλλαγής [1]. Το κλίμα στην Ελλάδα έχει μεγάλες πιθανότητες να γίνει πιο ξηρό, λόγω συνδυασμού μεγαλύτερων περιόδων υψηλής θερμοκρασίας και λειψυδρίας. Οι ζεστές τροπικές θερμοκρασίες (άνω των 30 βαθμών Κελσίου) είναι ιδανικές για την ανάπτυξη βαμβακοκαλλιεργειών εφόσον οι βαθιές ρίζες του φυτού το καθιστούν ανθεκτικό στην ξηρασία και τη λειψυδρία [1]. Παρά όμως την ενδεχόμενη αύξηση του κόστους άρδευσης του που μπορεί να συνεπάγονται οι κλιματολογικές αυτές μεταβολές, εκτιμάται ότι η μεγαλύτερη παραγωγή σε βαμβάκι μπορεί να αντισταθμίσει τις οικονομικές αυτές απώλειες και να δημιουργήσει όφελος για τους γεωργούς. Εκτιμάται ότι οι μελλοντικές κλιματικές συνθήκες μπορούν οδηγήσουν σε αύξηση της απόδοσης και ετήσιο οικονομικό κέρδος περίπου 87-103 εκατ. ευρώ, αυξημένο κατά 29% σε σχέση με τις τιμές του 2015, υπό την προϋπόθεση ότι το νερό για άρδευση θα παραμείνει διαθέσιμο στα σημερινά επίπεδα και τιμές, κάτι που φαίνεται πολύ απίθανο [1].

Τέτοιου είδους κλιματικές πληροφορίες (μεταβολές θερμοκρασίας, υετού, κ.α.), καθώς και οι μελλοντικές προβολές τους, υπάγονται στην κατηγορία των εφαρμογών Μεγάλων Δεδομένων (Big Data). Σε συνδυασμό με συσκευές “Διαδικτύου των πραγμάτων – Internet of things” (αισθητήρες, drones, ανιχνευτές) και τεχνικές Τεχνητής Νοημοσύνης (Artificial Intelligence) μπορούν να χρησιμοποιηθούν στους κλάδους της γεωργίας, της κτηνοτροφίας και της αλιείας για πρόβλεψη των μελλοντικών περιβαλλοντικών συνθηκών και εκτίμηση των κινδύνων ή ευκαιριών.


Τα δύο αυτά διαγράμματα μας δείχνουν ότι για την περιοχή Κιλκίς υπάρχει ανοδική τάση στη θερμοκρασία με την πάροδο των χρόνων. Αυτό προφανώς θα έχει επίπτωση είτε θετική είτε αρνητική στις μελλοντικές καλλιέργειες εφόσον αλλάζουν οι κλιματικές συνθήκες. [Πηγή: E-ON INTEGRATION S.A.]


Στον τομέα της γεωργίας, η χρήση των ανωτέρω μπορεί να αλλάξει καθοριστικά τον τρόπο που εργάζονται οι γεωργοί στο χωράφι και να συμβάλλει στη λήψη αποφάσεων για βελτιστοποίηση της παραγωγής και μείωση απωλειών. Οι αποφάσεις τί θα σπείρουν, πότε και πού θα σπείρουν, ποιες διαχειριστικές ενέργειες θα κάνουν (λίπανση, άρδευση, κοκ) και πότε, πότε θα θερίσουν, είναι μεταξύ άλλων πληροφορίες που μπορούν πλέον να λαμβάνονται με την υποβοήθηση έξυπνων εφαρμογών Μεγάλων Δεδομένων που τους ενημερώνουν, προετοιμάζουν και τους ειδοποιούν κατάλληλα. Ταυτόχρονα, η χρήση των κλιματικών μοντέλων, κατάλληλα «μεταφρασμένων» και προσαρμοσμένων για τη δική τους περίπτωση, μπορεί να τους βοηθήσει να επισημάνουν κινδύνους ή ευκαιρίες που αναδύονται λόγω Κλιματικής Αλλαγής.


Στην Ε-ΟΝ Integration έχουμε ήδη εκτελέσει για λογαριασμό μεγάλης εταιρίας του κλάδου της γεωργίας ένα πιλοτικό έργο συλλογής ιστορικών στοιχείων και κατασκευής μοντέλων πρόβλεψης παραγωγής με συνεξέταση κλιματικών δεδομένων παρεχόμενων από εξωτερικές βάσεις δεδομένων. Λάβαμε υπόψη τις συνθήκες υγρασίας, θερμοκρασίας (ατμόσφαιρας και εδάφους), ποσότητες υετού, καθώς και άλλα στοιχεία, σε κλίμακα χωρικής κατανομής 10 χιλιομέτρων.

Σύγκριση τιμών απόδοσης μεταξύ μοντέλου Νευρωνικών Δικτύων

(Τεχνητή Νοημοσύνη) και κλασικών υπολογισμών

Χρήση νευρωνικών δικτύων για διόρθωση των προβλέψεων απόδοσης καλλιέργειας λαμβάνοντας υποψη κλιματολογικά και άλλα χαρακτηριστικά. [Πηγή: E-ON INTEGRATION S.A.]


Με τη χρήση εργαλείων Τεχνητής Νοημοσύνης κατασκευάσαμε μοντέλο πρόβλεψης απόδοσης μιας καλλιέργειας για να παρακολουθούμε τις τάσεις στην παραγωγή ανά είδος, περιοχή και χρονική περίοδο καλλιέργειας ώστε να εντοπίζουμε τις βέλτιστες συνθήκες καλλιέργειας και να μεγιστοποιούμε τις αποδόσεις. Στόχος μας εδώ είναι μέσω της κλιματολογίας και των ειδικών συνθηκών που επικρατούν ανά περιοχή, να μπορούν οι γεωργοί να επιλέγουν τις κατάλληλες περιόδους σποράς και συγκομιδής, τους καταλληλότερους σπόρους για κάθε περιοχή/εποχή σποράς, καθώς και να επιλέγουν μεταξύ ποιότητας ή ποσότητας. Άρα με τη χρήση μοντέλων προσφέρεται μια ευρεία γκάμα επιλογών ως προς τις προσδοκίες της εταιρίας με στόχο τη βελτιστοποίηση της παραγωγής τους και τη μείωση απωλειών λόγω δυσμενών συνθηκών ή πιθανών λανθασμένων επιλογών.


[1] E. Georgopoulou, S. Mirasgedis, Y. Sarafidis, M. Vitaliotou, D.P. Lalas, I. Theloudis, K.-D. Giannoulaki, D. Dimopoulos, V. Zavras, “Climate change impacts and adaptation options for the Greek agriculture in 2021–2050: A monetary assessment”, Climate Risk Management, Volume 16, 2017, Pages 164-182, https://doi.org/10.1016/j.crm.2017.02.002.

Comments


bottom of page