Tre olivi mediterranei: perché Spagna, Italia e Tunisia non rispondono allo stesso cielo

Questa primavera le stime preliminari del raccolto spagnolo 26/27 puntano al rialzo. Piogge ottobre-aprile generose, invasi molto recuperati —Siviglia all’83 %, Huelva all’87 %—, NDVI primaverile su livelli alti. Stima: buon raccolto.

Conviene fermarsi un momento prima di fidarsi. Nella primavera del 2022 l’NDVI andaluso era allo stesso livello di qualsiasi annata buona (0,406, come il 2020, che diede 1.181 kt nelle otto grandi province olivicole). Poi è arrivata l’estate, il termometro è schizzato in alto e il raccolto è sceso a 666 kt: il 55 % in meno. E nel 2024, con invasi quasi allo stesso livello basso del 2022 (39 % contro 37 %), il raccolto ha chiuso sopra le 1.250 kt perché l’estate è stata mite.

Quando la prima versione di questa analisi si fermava alla scala provinciale andalusa con cinque campagne confrontabili, ne usciva una storia: il caldo da maggio a luglio era il predittore più forte. Ma estendendo l’esercizio a venticinque anni di dati e nove paesi olivicoli, quella storia diventa più ricca e, in alcuni punti, diversa. Non esiste un unico modello dell’olivo mediterraneo. Ciò che decide il raccolto in Spagna non è lo stesso che in Italia, in Tunisia o in Marocco. È di questo che parla l’articolo.

Una nota di metodo prima di cominciare. La produzione nazionale annua viene dal Consiglio Oleicolo Internazionale (IOC), serie 2000-2024 per paese. La climatologia viene da dati giornalieri elaborati da Olearia Intelligence, aggregati all’anno o alla finestra fenologica rilevante. Le correlazioni sono di Pearson; gli R² sono semplici e costruiti in modo incrementale per non attribuire due volte lo stesso effetto. Quando una variabile diventa irrilevante dopo aver controllato per una precedente, lo diciamo.

Cosa decide il raccolto in Spagna: l’acqua da gennaio ad aprile

Partiamo dalla Spagna. Produce in media 1,2 Mt l’anno, con oscillazioni brutali —da 618 kt nel 2012/13 a 1.790 kt nel 2018/19—, e venticinque anni di storia disponibili per chiedere ai dati cosa spiega quelle oscillazioni.

Si vede a occhio nudo. Il raccolto catastrofico del 2022 (666 kt) coincide con uno dei peggiori gennaio-aprile del secolo per pioggia. Il record di 1.790 kt del 2018 coincide con un inverno idrologico molto generoso. La correlazione tra pioggia gennaio-aprile e produzione nazionale è +0,64 su venticinque anni.

È robusta. Regge se togliamo i due estremi (il record del 2018 e il minimo del 2022): r=+0,64. Regge nel 2000-2010 (r=+0,63), nel 2011-2020 (r=+0,87) e nel 2015-2024 (r=+0,62). Non è un artefatto di un paio di annate strane: è un segnale strutturale.

In termini più utili: la pioggia invernale spiega il 41 % della varianza interannuale del raccolto spagnolo. Per una sola variabile con n=25 in un sistema biologico rumoroso come l’oliveto, è moltissimo.

E gli invasi? Molto meno di quanto sembri

Da anni il settore parla degli invasi dell’Andalusia come se fossero il termometro principale del prossimo raccolto. Siviglia all’83 %, Huelva all’87 %, Jaén al 65 %. Quando i numeri salgono, ottimismo; quando scendono, allarme. Ma i dati raccontano altro.

Abbiamo provato il livello degli invasi —aggregato di cinque province olivicole andaluse, dati settimanali 2000-2024, anno idrologico— come predittore del raccolto nazionale. La correlazione grezza è da +0,34 a +0,36, debole ma positiva. Se costruiamo un modello lineare che prima cattura l’effetto della pioggia e poi chiede quanto aggiunge l’invaso, l’invaso apporta solo un 2 % in più di varianza spiegata. Al contrario invece succede: la pioggia, tolto l’invaso, continua ad apportare il 31 %.

Perché? Perché pioggia e invasi, contrariamente alle apparenze, non sono la stessa cosa a scala nazionale. La loro correlazione reciproca è solo +0,14: ci sono anni di pioggia abbondante con invasi bassi (svuotati dall’irrigazione di colture precedenti) e anni di pioggia scarsa con invasi alti (residuo dell’inverno precedente). L’oliveto in asciutto, che è il grosso dell’oliveto spagnolo, non si irriga dagli invasi. Beve la pioggia che cade direttamente sull’appezzamento. Solo l’irriguo intensivo dipende dagli invasi, ed è una minoranza del volume nazionale.

La conclusione scomoda: gli invasi sono un indicatore mediatico, non statistico. Visibili, facili da fotografare e da commentare sui giornali. Ma come predittore del raccolto nazionale, la pioggia diretta sulle province olivicole è quattro volte più informativa.

Il caldo conta, ma come interazione

La prima versione di questa analisi, fatta solo a scala provinciale con cinque campagne, diceva che lo stress termico da maggio a luglio era il predittore dominante. Con venticinque anni nazionali quella lettura cambia, ma non nel senso semplice che pensavamo.

La correlazione grezza tra giorni di caldo estremo a maggio-luglio e produzione è −0,19, debole ma negativa. Quella della temperatura massima media è −0,31. Tre indicatori che puntano nella stessa direzione: quando fa più caldo, il raccolto cala. Fin qui, coerente con la fisiologia.

Il problema compare quando costruiamo un modello lineare additivo —prima la pioggia, poi il caldo sopra come somma indipendente—. Dopo la pioggia, la temperatura massima aggiunge uno 0,2 %. Il deficit di pressione di vapore, uno 0,1 %. Quasi zero. Letto male, suggerirebbe che il caldo non conti. E sarebbe un errore.

Quello che succede è che l’effetto del caldo non è additivo, è moltiplicativo. Dipende da quanta acqua aveva l’albero quando è arrivato il caldo. Guardate questa tabella, costruita dividendo i 25 anni di dati in regimi idrologici e termici:

Raccolto medio nazionale in kt per regime, terzili di pioggia gennaio-aprile e di tmax di giugno. Venticinque anni, Spagna. Fonte: IOC e Olearia Intelligence.

Guardate la riga “anno umido”. Con estate fresca dà 1.554 kt —i grandi record—. Con estate calda scende a 1.023 kt —un raccolto mediocre, nonostante la pioggia abbondante—. La differenza tra piovere bene e raccogliere bene la fa l’estate. Il caldo uccide il raccolto, ma solo quando l’albero aveva acqua disponibile e l’ha bruciata. Quando l’acqua non c’era fin dall’inizio, il caldo non conta più perché il raccolto era perso comunque.

È questo che un modello lineare additivo non coglie. Ed è ciò che tecniche non lineari —come un Gradient Boosting ben controllato— riescono a cogliere. Quando addestriamo un modello di questo tipo con tre variabili selezionate (pioggia gennaio-aprile, tmax di giugno, raccolto dell’anno precedente) e lo valutiamo con una validazione incrociata onesta, raggiunge un R²=0,61 — il doppio di quanto dà la regressione lineare sulla sola pioggia. La differenza è esattamente l’interazione che mostra la tabella dei regimi.

C’è un secondo fattore che contribuisce: la persistenza interannuale. Se il raccolto dell’anno scorso è stato scarso, quello successivo tende a essere peggiore. La correlazione della produzione con quella dell’anno precedente è −0,30 da sola, e sale a −0,40 dopo aver controllato per la pioggia. Non è rumore: è un segnale reale, complementare.

Una cautela importante: questo effetto di persistenza non è alternanza di produzione in senso stretto. L’alternanza è il ciclo biennale del singolo albero; un olivo che produce molto un anno esaurisce le riserve e rende poco l’anno dopo. Succede a scala di appezzamento. A scala di paese, con milioni di alberi sfasati tra loro, l’alternanza individuale si annulla nell’aggregato. Ciò che misuriamo quando correliamo la produzione nazionale con sé stessa è l’autocorrelazione interannuale: shock climatici che durano più di un anno, danni agli alberi che richiedono tempo per essere riparati, cicli pluriennali del patrimonio olivicolo. È reale e predittiva, ma chiamarla alternanza sarebbe tecnicamente impreciso.

Tre famiglie di olivo nel Mediterraneo

Ripetere l’esercizio in ciascuno dei grandi paesi del Mediterraneo è dove compare la parte davvero interessante. Ventidue anni, stesso metodo, otto paesi con dati completi:

Fonte: produzione annua IOC e climatologia giornaliera per paese, Olearia Intelligence. R² semplice per ciascuna variabile rispetto alla produzione annua. n=25 tranne la Turchia (n=16, dati climatici disponibili). Il termine persistenza indica l’autocorrelazione interannuale della produzione nazionale —la correlazione della produzione con quella dell’anno precedente—, non l’alternanza del singolo albero.

Ci sono tre famiglie chiare. E la geografia è l’indizio.

Famiglia 1, paesi-acqua: Spagna e Marocco. Oliveti in gran parte in asciutto esposti a inverni mediterranei secchi. L’acqua di gennaio-aprile decide la campagna. I loro raccolti salgono e scendono al ritmo delle precipitazioni, non del caldo. Quando piove bene, l’albero arriva alla fioritura con riserve idriche, allega e sostiene il frutto; quando no, lo perde anche se l’estate è moderata.

Famiglia 2, paesi-persistenza: Italia, Portogallo e Algeria. Qui il predittore più forte è il raccolto dell’anno precedente, con R² del 35-48 %. Tre spiegazioni plausibili che probabilmente agiscono insieme: oliveti più vecchi e in asciutto che impiegano di più a riprendersi da un’annata cattiva, cicli climatici pluriennali che persistono per diversi anni di fila, e cambiamenti strutturali lenti del settore stesso (invecchiamento degli oliveti, abbandono parziale). Il clima dell’anno in corso pesa meno dell’inerzia dell’anno precedente. L’Italia è il caso estremo: r di persistenza +0,59, mentre la pioggia non aggiunge quasi nulla.

Famiglia 3, paesi-caldo: Tunisia e Turchia. Qui succede l’opposto della Spagna. La correlazione tra caldo di maggio-luglio e produzione è positiva (Tunisia +0,49, Turchia +0,56). Più caldo, più raccolto. Suona controintuitivo se si ragiona da olivicoltore andaluso, ma ha senso per un oliveto adattato a un clima arido e caldo: le varietà locali (Chemlali in Tunisia, Memecik nell’Egeo) prosperano con il caldo, e gli anni più caldi tendono a coincidere con un’umidità relativa più bassa, che riduce le malattie fungine che colpiscono l’allegagione. Inoltre, entrambi i paesi hanno una variabilità del raccolto enorme (CV del 49 % e del 47 %, contro il 27 % della Spagna): i loro raccolti oscillano così tanto che qualsiasi correlazione grezza si accentua.

E poi c’è la Grecia, che sfugge alle tre famiglie. Nessun indicatore annuale nazionale spiega più dell’8 % della varianza greca. Probabilmente perché la Grecia è geograficamente molto eterogenea —Creta, Peloponneso, Isole Ionie— e aggregare al livello di paese attenua segnali che invece esistono a scala regionale. Sarebbe la prossima analisi: scendere al livello regionale greco e vedere cosa emerge.

Perché la fioritura conta, anche se è difficile misurarla

A questo punto una domanda ovvia: se l’interazione pioggia × caldo di giugno spiega buona parte delle oscillazioni, cosa succede con la fioritura stessa, che va da fine aprile a metà maggio? Non dovrebbe vedersi nei dati? Dovrebbe, ma la fioritura non si misura bene con il clima medio.

La fioritura dell’olivo in Andalusia dura quindici-venti giorni tra fine aprile e metà maggio. Una settimana cattiva dentro quella finestra —un’ondata di calore di quattro giorni, una gelata tardiva, venti secchi persistenti— può far crollare l’allegagione anche se la media mensile di maggio risulta normale. Quando si fa la media di tutto maggio, i colpi puntuali si diluiscono e il segnale si perde nel rumore.

C’è un indicatore che coglie davvero lo stato dell’albero durante la fioritura, ed è il satellite. Non il clima medio. L’albero arriva a fiorire in uno stato che è il risultato di tutto ciò che è venuto prima —l’acqua dell’inverno, il caldo anomalo di marzo, i danni accumulati, l’inerzia dell’ultimo raccolto—, e quello stato si vede da Sentinel-2 quasi in tempo reale. L’abbiamo provato a scala nazionale su sei campagne (2019-2024) e a scala provinciale su cinque. Le correlazioni sono alte ma il campione è corto. In concreto: l’indice PSRI —senescenza fogliare— nella finestra dal 15 aprile al 25 maggio correla −0,88 con la produzione nazionale spagnola su sei anni, e tra −0,83 e −0,98 nelle quattro province chiave (Málaga, Jaén, Granada, Córdoba). L’NDWI —contenuto d’acqua nella pianta— nella stessa finestra correla +0,79 con il raccolto nazionale.

Sono cifre spettacolari. E cifre che non pubblichiamo ancora come verità definitiva, perché n=6 con un solo anno atipico può spostare la correlazione in modo drammatico. Internamente le usiamo come uno strato in più di un sistema di previsione che combina diversi segnali e viene validato ogni anno. Le pubblicheremo quando avremo n=10 o più e reggeranno. Per ora sono un’ipotesi promettente, non una scoperta.

Cosa cambia per le stime di raccolto del settore

Se i dati dicono ciò che sembrano dire, ci sono due conseguenze pratiche per chiunque stimi raccolti nel Mediterraneo.

Primo, la stima non si fa allo stesso modo in ogni paese. Dire “guarda la pioggia e gli invasi” è un buon consiglio in Spagna e in Marocco. È un cattivo consiglio in Italia e in Portogallo, dove il predittore più forte è l’inerzia della campagna precedente. È un consiglio quasi opposto in Tunisia e in Turchia, dove un anno caldo tende a essere un buon anno. I rapporti che trattano il Mediterraneo come un unico sistema e applicano lo stesso modello a tutti i paesi fanno esattamente ciò che i dati non consentono.

Secondo, in Spagna la conversazione utile è acqua e caldo insieme, non l’uno o l’altro. Il settore parla da tre anni di stress termico come se fosse il fattore dominante, e la risposta intuitiva opposta sarebbe “no, comanda la siccità”. I dati dicono qualcosa di più sfumato: la pioggia di gennaio-aprile decide il pavimento; il caldo di giugno decide il tetto quando c’era acqua da perdere. Un modello non lineare con tre variabili —pioggia, tmax di giugno, raccolto dell’anno precedente— raggiunge un R²=0,61 con validazione onesta, quasi il doppio della regressione lineare sulla sola pioggia. Se si vuole stimare a maggio il raccolto spagnolo, quelle tre variabili sono la stima ragionevole. Il resto è rumore o richiede strati che non sono ancora pubblici.

Cosa ci dirà maggio 2026

Applicando quanto detto al momento attuale: la pioggia di gennaio-aprile 2026 è stata generosa, il raccolto 24/25 è stato buono (1.419 kt) e il 25/26 sta chiudendo intorno a 1,4 Mt. Due delle tre variabili del modello puntano al rialzo. Resta da vedere il caldo di giugno, che non è ancora arrivato.

Se giugno arriva fresco o mite, il raccolto 26/27 ha buone probabilità di collocarsi nel quadrante “umido + fresco” della tabella dei regimi —quello dei grandi record, 1,5 Mt o più—. Se giugno arriva caldo, il modello prevede un calo sostanziale nel quadrante “umido + caldo”, dove il raccolto è sceso in media a 1.023 kt negli ultimi 25 anni nonostante inverni piovosi. È uno scenario che il lettore può verificare da sé il 1° agosto: la temperatura massima media del giugno spagnolo è disponibile nei dati pubblici.

È la differenza tra una stima puramente statistica e una con interazioni: la prima dice “raccolto grande probabile”; la seconda dice “dipende da un mese che non è ancora arrivato”. Entrambe sono utili. Ma solo la seconda avverte di ciò che può andare storto.

Quello che non diciamo

Internamente, in Olearia Intelligence, combiniamo pioggia di gennaio-aprile, persistenza interannuale, indicatori satellitari nella finestra di fioritura e altri strati come uno degli input di un sistema di previsione annuale e per paese. Abbiamo coefficienti ponderati, intervalli di confidenza quantitativi e uno storico che pubblichiamo con prudenza quando la realtà lo conferma.

Ciò che in questo articolo non pubblichiamo è la formula. Per due ragioni: il modello si continua a regolare ogni anno e mostrarlo a metà può confondere; ed è l’investimento tecnico che distingue Olearia da una dashboard che ridipinge Eurostat. Ciò che pubblichiamo sono le correlazioni grezze, riproducibili con i dati pubblici IOC + Open-Meteo + Copernicus da qualsiasi tecnico rigoroso. Ciò che le unisce, lo teniamo per noi.

È un impegno editoriale. Condividiamo abbastanza perché si capisca cosa conta e perché; teniamo per noi abbastanza perché, quando pubblichiamo una previsione quantitativa, il settore sappia che c’è un metodo dietro.

Una nota sugli R² dell’articolo. Le cifre di varianza spiegata (41 % in Spagna, 35-48 % nei paesi-persistenza, 22-31 % nei paesi-caldo) sono R² semplici sull’intera serie, non R² di una validazione incrociata onesta. Questa distinzione conta più di quanto sembri, e le abbiamo dedicato un’analisi a parte, il prossimo articolo di questa serie: l’intero settore della stima del raccolto olivicolo conosce male la differenza, ed è probabilmente il motivo per cui le stime ufficiali sbagliano così tanto. Qui volevamo raccontare il cosa; lì racconteremo quanto possiamo davvero sapere.

Come l’abbiamo calcolato

Tutte le cifre di questo articolo sono state generate con query SQL dirette sul database di Olearia Intelligence il 1° maggio 2026.

• Produzione annua per paese: tabella yearly_olive_production, fonte Consiglio Oleicolo Internazionale (IOC), serie 2000-2024 per Spagna, Italia, Grecia, Portogallo, Tunisia, Marocco, Turchia, Algeria e Libano. Variabile: produzione di olio d’oliva in migliaia di tonnellate per campagna.
• Climatologia giornaliera: tabella regional_climate_daily, aggregata per paese e anno. Stazioni per provincia/regione olivicola (otto in Spagna, distribuzioni simili negli altri paesi). Variabili: temperatura massima/media/minima, precipitazioni, evapotraspirazione, bilancio idrico, GDD base 10, deficit di pressione di vapore, giorni con heat_stress_risk = true, umidità del suolo a tre profondità.
• Satellite Sentinel-2 / Copernicus: tabella weekly_satellite_indices, aggregata per regione NUTS-3 olivicola, finestra 15 aprile - 25 maggio (fioritura). Si usa la colonna pulita (*_mean_clean), filtrata per nuvole e corretta per qualità. Indici: NDVI, SAVI, NDWI, EVI, MSI, LAI, FPAR, PSRI.
• Correlazioni: Pearson diretta per il segnale grezzo; correlazione parziale sui residui per isolare l’effetto di ciascuna variabile controllando per le precedenti. R² semplice per variabile. Quando costruiamo modelli incrementali —prima la pioggia, poi persistenza o caldo sui residui— sommiamo varianza spiegata senza sovrapposizioni.
• Persistenza: definita come correlazione della produzione annua con quella dell’anno precedente (lag-1). Non è l’alternanza del singolo albero —che avviene a scala di appezzamento— ma l’autocorrelazione interannuale a scala di paese. La distinzione conta: con n=25 a scala nazionale non si può misurare l’alternanza individuale; si può misurare quanto il ciclo del raccolto persiste da un anno all’altro.

Se volete replicare l’analisi, scriveteci a [email protected] e vi mandiamo le query.

Volete vedere questi indicatori aggiornati ogni settimana, non congelati a una data? Olearia Intelligence riunisce produzione IOC, climatologia giornaliera, NDVI/SAVI/NDWI/PSRI e combinazioni derivate in un’unica dashboard, per paese e per regione. Richiedi una demo.