Στο Σέτιφ, το Τιαρέτ ή το Σίντι Μπελ-Αμπές, οι αγρότες κοιτάζουν τον ουρανό, εξετάζουν τη γη και σταυρώνουν τα δάχτυλά τους. Σπέρνουν, ελπίζουν... και μερικές φορές απελπίζονται. Διότι σήμερα, στην Αλγερία, η καλλιέργεια σιταριού ή κριθαριού συχνά ισοδυναμεί με πλοήγηση στα τυφλά. Ανάμεσα σε κλιματικές αβεβαιότητες και οικονομικές αβεβαιότητες, η παραγωγή δημητριακών παραμένει αιχμάλωτη κύκλων χρόνιας ανωμαλίας. Αντιμέτωπη με αυτές τις προκλήσεις, η τεχνητή νοημοσύνη (AI) εμφανίζεται ως απάντηση. Μακριά από μια μόδα, επιβάλλεται πλέον ως στρατηγικό εργαλείο για την οικοδόμηση μιας σύγχρονης, ανθεκτικής και κυρίαρχης γεωργίας. Καθώς η 10η έκδοση του VivaTech, η μεγάλη διεθνής συνάντηση καινοτομίας που διοργανώνεται στο Παρίσι από τις 17 έως τις 20 Ιουνίου 2026, θέτει για άλλη μια φορά την τεχνητή νοημοσύνη στο επίκεντρο των συζητήσεων, η αλγερινή γεωργία θα μπορούσε επίσης να βρει σε αυτές τις τεχνολογίες μέρος των απαντήσεών της.
Η 22-med συνεργάζεται με μέσα ενημέρωσης από διάφορες χώρες της Μεσογείου και δημοσιεύει κάθε Πέμπτη μια επιλογή άρθρων για να φωτίσει τα ζητήματα της περιοχής. Από τη νότια ακτή, το αλγερινό μέσο Twala προσφέρει την οπτική του.
Δείκτης AI: Βιβλιοθήκη μεσογειακών γνώσεων
AI και δημητριακά στην Αλγερία, σπέρνοντας δεδομένα, θερίζοντας το μέλλον
22-med – Ιούνιος 2026
• Αντιμέτωπη με ξηρασίες και κλιματικές αβεβαιότητες, η τεχνητή νοημοσύνη θα μπορούσε να μεταμορφώσει τη διαχείριση των καλλιεργειών δημητριακών στην Αλγερία.
• Πέρα από τους αλγόριθμους, η αξιοπιστία των γεωργικών δεδομένων εμφανίζεται ως κεντρικό ζήτημα της διατροφικής κυριαρχίας.
#αλγερία #γεωργία #δημητριακά #τεχνητήνοημοσύνη #διατροφικήασφάλεια #καινοτομία #δεδομένα #κλίμα #νερό #κυριαρχία
Από τον Mohamed Mir
Τη δεκαετία του 1980, ένας στατιστικολόγος στο Σίντι Μπελ-Αμπές ανέφερε ότι τα δεδομένα για τα δημητριακά που αποστέλλονταν στο Αλγέρι ήταν συχνά... προσαρμοσμένα. Όχι από κακοβουλία, όχι. Από διοικητική ανάγκη. Με άλλα λόγια, έπρεπε να ανταποκριθούν σε προσδοκίες, όχι στην πραγματικότητα. Έτσι, αυτή η εμπειρία, που αναφέρεται από έναν πρώην υπάλληλο της γεωργικής στατιστικής, είναι εμβληματική των επίμονων παρεκκλίσεων στη διαχείριση των γεωργικών στατιστικών στην Αλγερία.
Εκείνη την εποχή, αυστηρές έρευνες βασισμένες σε διεθνή μεθοδολογικά πρότυπα, που περιλάμβαναν τη συλλογή και ζύγιση σταχυών μετά το αλώνισμα, μαθηματικές διορθώσεις, και τη χρήση δορυφορικής απεικόνισης και γεωγραφικών συστημάτων πληροφοριών (GIS), αποκάλυπταν μέσες αποδόσεις 8 κενταρίων ανά εκτάριο.
Ωστόσο, αυτά τα επιστημονικά δεδομένα παραμερίζονταν υπέρ αριθμών τρεις έως τέσσερις φορές υψηλότερων, χωρίς καμία μεθοδολογική βάση. Σύμφωνα με μια εσωτερική μελέτη του Υπουργείου Γεωργίας και Αγροτικής Ανάπτυξης για την περίοδο 2017-2022, την οποία συμβουλεύτηκε το Twala, αυτή η κατάσταση «υπονομεύει την αξιοπιστία των επίσημων εκτιμήσεων, κρύβει τις πραγματικές γεωργικές επιδόσεις και διαστρεβλώνει τον οικονομικό σχεδιασμό της χώρας».
Αυτό το « υγρό δάχτυλο » εξακολουθεί να κυριαρχεί μερικές φορές. Οι συνέπειες είναι σαφείς: λανθασμένες προβλέψεις, μαζικές εισαγωγές και ανίσχυροι αγρότες. Για παράδειγμα, η Αλγερία ξοδεύει κάθε χρόνο αρκετά δισεκατομμύρια δολάρια για να εισάγει αυτό που θα μπορούσε να παράγει.
Είναι επομένως απαραίτητο να κατανοήσουμε ότι η εκτίμηση της παραγωγής δημητριακών δεν είναι ούτε διοικητική τελετουργία ούτε άσκηση επικοινωνίας. Είναι μια επιστημονική, στρατηγική και κυρίαρχη πράξη. Βασίζεται σε δοκιμασμένες μεθόδους: έρευνες σε δείγματα, στατιστική επεξεργασία, αγροκλιματική μοντελοποίηση. Συνεπώς, αυτά τα δεδομένα είναι ζωτικής σημασίας για τον προσανατολισμό των γεωργικών πολιτικών, τη διαχείριση των αποθεμάτων, τον προγραμματισμό των εισαγωγών, τον καθορισμό των τιμών και τον καθορισμό της υποστήριξης προς τους αγρότες.
Αλλά οι αποκλίσεις ενός συστήματος που βασίζεται σε αυθαίρετες εκτιμήσεις οδηγούν σε επιδεινωμένη διατροφική εξάρτηση, κακή κατανομή των πόρων, αποθάρρυνση των επαγγελματιών και απώλεια διεθνούς αξιοπιστίας.
Η Τεχνητή Νοημοσύνη: ένας μοχλός για την ακριβή γεωργία και τη διαχείριση δεδομένων
Ας φανταστούμε έναν αλγόριθμο ικανό να προβλέψει, με ακρίβεια μιας εβδομάδας, τη βλάστηση ενός σιταριού σε μια δεδομένη περιοχή. Ή μια δορυφορική εικόνα που σας λέει αν το έδαφός σας είναι πολύ ξηρό. Εν ολίγοις, αυτό προσφέρει η ΤΝ: μια ικανότητα να βλέπει το αόρατο, να προβλέπει, να βελτιστοποιεί. Επιπλέον, η ΤΝ στη γεωργία δεν είναι πλέον επιλογή, είναι ένα αποφασιστικό εργαλείο τεχνικοοικονομικής διαχείρισης, που επαναπροσδιορίζει το επάγγελμα του αγρότη.
Σύμφωνα με ένα δελτίο τύπου του APS που χρονολογείται από τις 23 Σεπτεμβρίου 2024, οι προοπτικές είναι υποσχόμενες για την ανάπτυξη της ακριβούς γεωργίας με τη βοήθεια της ΤΝ. Επιτρέπει την προσομοίωση προηγμένων ρομποτικών συστημάτων για τη βελτίωση της αποτελεσματικότητας και της ακρίβειας των γεωργικών εργασιών. Έτσι, η ΤΝ μεταμορφώνει την παραγωγή δημητριακών βελτιστοποιώντας τις αποδόσεις, μειώνοντας τον περιβαλλοντικό αντίκτυπο και βελτιώνοντας την ποιότητα των προϊόντων.
Βροχόπτωση, θερμοκρασία, φύση του εδάφους, ιστορικό αποδόσεων… Αυτά τα δεδομένα, μόλις διασταυρωθούν από προγνωστικά μοντέλα όπως τα νευρωνικά δίκτυα και τα τυχαία δάση, επιτρέπουν την εκτίμηση των συγκομιδών, την προσαρμογή των σπορών, την εξοικονόμηση νερού.
Τα νευρωνικά δίκτυα είναι ιδιαίτερα κατάλληλα για την αναγνώριση σύνθετων και μη γραμμικών μοτίβων σε αυτά τα μεγάλα σύνολα δεδομένων, επιτρέποντας έτσι την εξαγωγή λεπτών συσχετίσεων μεταξύ των περιβαλλοντικών παραγόντων και της απόδοσης των καλλιεργειών. Ομοίως, τα τυχαία δάση διαπρέπουν στη διαχείριση πολλαπλών μεταβλητών και στη μείωση της υπερπροσαρμογής, προσφέροντας ισχυρές προβλέψεις ακόμη και με ετερογενή δεδομένα.
Πιο συγκεκριμένα, οι αλγόριθμοι AI και μηχανικής μάθησης επιτρέπουν τη λήψη αποφάσεων βάσει δεδομένων, την πρόβλεψη της απόδοσης των καλλιεργειών, την έγκαιρη ανίχνευση ασθενειών και τη βέλτιστη διαχείριση των πόρων. Σε αυτό το πλαίσιο, πλατφόρμες όπως το Farmonaut προσφέρουν ακριβείς προβλέψεις απόδοσης βασισμένες στην ανάλυση δορυφορικών δεδομένων και προηγμένους αλγόριθμους AI. Επιπλέον, η AI μπορεί επίσης να βοηθήσει στην αυτόνομη ρύθμιση των συνθηκών αποθήκευσης των σιτηρών στους σιλό.
Δυνατότητες, προκλήσεις και υποσχόμενες πρωτοβουλίες
Η Αλγερία δεν ξεκινά από το μηδέν. Διαθέτει σύγχρονα data centers στο Sidi Abdellah, Oran, Saïda. Εκπαιδεύει εκατοντάδες μηχανικούς κάθε χρόνο σε πανεπιστήμια όπως αυτό του Sidi Bel-Abbès. Επιπλέον, μελέτες δείχνουν ότι η γεωργία βασισμένη στην τεχνητή νοημοσύνη θα μπορούσε να εξοικονομήσει σχεδόν 30% της κατανάλωσης νερού στη χώρα. Η Αλγερία εργάζεται για την ενίσχυση της επισιτιστικής ασφάλειας και την αύξηση της γεωργικής παραγωγής χάρη στην ύπαρξη αυτών των υποδομών και δεξιοτήτων.
Ωστόσο, ένα σημαντικό εμπόδιο παραμένει: αυτοί οι πόροι είναι διάσπαρτοι. Η απουσία μιας συνεκτικής εθνικής στρατηγικής εμποδίζει τον αντίκτυπο αυτών των δεξιοτήτων. Τα κέντρα δεν επικοινωνούν μεταξύ τους, τα δεδομένα παραμένουν κλειδωμένα. Ως εκ τούτου, παρά την παραγωγή δημητριακών που έφτασε σε ρεκόρ 6,1 εκατομμυρίων τόνων το 2017/2018, μειώθηκε σε 1,3 εκατομμύρια τόνους κατά την καμπάνια 2021/2022. Έτσι, αυτή η διακύμανση αναδεικνύει την επείγουσα ανάγκη για καλύτερο συντονισμό και ενιαία στρατηγική για την εκμετάλλευση των δεδομένων και των τεχνολογιών.
Όπως υπενθυμίζει ο καθηγητής Abderrahmane Yousfat: « Ένα καλό προβλεπτικό μοντέλο δεν βγαίνει από ένα καπέλο. Βασίζεται σε μια αυστηρή αρχιτεκτονική - πολλαπλή παλινδρόμηση, δέντρα αποφάσεων, βαθιά μάθηση. » Με άλλα λόγια, αυτές οι μέθοδοι είναι απαραίτητες για την ανάλυση των στατιστικών ιστορικών και την ανίχνευση τάσεων, κύκλων και ανωμαλιών στην αγροτική παραγωγή.
Πιο συγκεκριμένα, η βαθιά μάθηση, και ειδικότερα τα συνελικτικά νευρωνικά δίκτυα (CNN), έχουν γίνει το πρότυπο για την εξαγωγή σχετικών πληροφοριών από δορυφορικές εικόνες (π.χ. υγεία καλλιεργειών, πυκνότητα βλάστησης, υγρασία εδάφους) εντοπίζοντας οπτικά χαρακτηριστικά σε διαφορετικές κλίμακες.
Αυτές οι πληροφορίες χρησιμοποιούνται στη συνέχεια ως εισροές για τα μοντέλα πρόβλεψης απόδοσης. Αλλά κυρίως, τονίζει ένα σημείο: «Καμία ισχυρή πρόβλεψη χωρίς καθαρά και καλά δομημένα δεδομένα. Μια αποτελεσματική γεωργική AI είναι πρώτα απ' όλα μια AI που τρέφεται με αξιόπιστες χρονοσειρές.» Αυτό συνεπάγεται ότι η επιτυχία οποιουδήποτε συστήματος πρόβλεψης βασίζεται στην ποιότητα και την αξιοπιστία των δεδομένων, που προέρχονται από έρευνες συλλογής σταχυών, την παρακολούθηση των καλλιεργημένων εκτάσεων μέσω δορυφορικών εικόνων και την παρακολούθηση των παραγόντων παραγωγής.
Παρουσιάστηκε κατά τη διάρκεια της Έκθεσης ΑγροΝουμέρικ 2024 στο Αλγέρι, το έργο Sakai χρησιμοποιεί ηλιακά ρομπότ για να ποτίζει μόνο εκεί που το φυτό το χρειάζεται. Αποτέλεσμα: έως και 40% εξοικονόμηση νερού. Επιπλέον, αυτή η startup αναλύει τις εικόνες που λαμβάνονται από drones για να εντοπίσει τις φυτικές ασθένειες από τα πρώτα σημάδια. Κέρδος χρόνου, απόδοσης και καλύτερης υγείας για τις καλλιέργειες. Σε άλλο πλαίσιο, «η ΤΝ και οι ψηφιακές εφαρμογές, όπως υπογραμμίζει η El Moudjahid στις 22 Μαΐου 2024, μπορούν να χρησιμοποιηθούν για τη διάγνωση και την πρόληψη ασθενειών στον τομέα της γεωργίας».
Ένα άλλο συγκεκριμένο παράδειγμα είναι αυτό της ομάδας Souakri, γνωστής για τα ντοματίνια της, που δοκιμάζει αυτοματοποιημένα συστήματα τα οποία σκοπεύει να επεκτείνει στα δημητριακά. Αυτό δείχνει ότι ακόμη και ο ιδιωτικός τομέας αρχίζει να πιστεύει στις υποσχέσεις της ΤΝ.
Μια ρεαλιστική προσέγγιση των ορίων
Αν και το δυναμικό της τεχνητής νοημοσύνης για τη γεωργία στην Αλγερία είναι τεράστιο, η πλήρης υλοποίησή της αναπόφευκτα θα αντιμετωπίσει σημαντικές προκλήσεις που πρέπει να προσεγγιστούν με ρεαλισμό. Μια ισορροπημένη άποψη για το μέλλον της ΤΝ σε αυτόν τον τομέα πρέπει να ενσωματώνει αυτά τα εμπόδια για να τα προβλέψει και να τα ξεπεράσει καλύτερα.
Πρώτον, το κόστος υλοποίησης αντιπροσωπεύει μια αρχική επένδυση που δεν είναι αμελητέα. Η απόκτηση εξελιγμένων αισθητήρων, γεωργικών drones, η εγκατάσταση υποδομών αποθήκευσης και επεξεργασίας μεγάλων δεδομένων, καθώς και η ανάπτυξη ή αγορά εξειδικευμένου λογισμικού, απαιτούν σημαντικά κεφάλαια. Αν και η Αλγερία διαθέτει σύγχρονα κέντρα δεδομένων, η συνεχής αναβάθμιση και η συντήρησή τους αντιπροσωπεύουν επαναλαμβανόμενα οικονομικά βάρη. Η δημόσια χρηματοδότηση της γεωργίας στην Αλγερία είναι ήδη θέμα συζήτησης, και η ενσωμάτωση της ΤΝ θα απαιτήσει καινοτόμους μηχανισμούς χρηματοδότησης, όπως δημόσιες-ιδιωτικές συνεργασίες, στοχευμένες επιχορηγήσεις ή φορολογικά κίνητρα για την ενθάρρυνση της ιδιωτικής επένδυσης.
Δεύτερον, η υποδομή και η συνδεσιμότητα στις αγροτικές περιοχές αποτελούν πιθανό σημείο συμφόρησης. Οι λύσεις ακριβείας γεωργίας που βασίζονται στην ΤΝ εξαρτώνται σε μεγάλο βαθμό από αξιόπιστη και υψηλής ταχύτητας σύνδεση στο διαδίκτυο για τη μετάδοση σε πραγματικό χρόνο μεγάλων ποσοτήτων δεδομένων (δορυφορικές εικόνες, δεδομένα αισθητήρων κ.λπ.). Ωστόσο, πολλές αγροτικές περιοχές της Αλγερίας εξακολουθούν να υποφέρουν από περιορισμένη ή ανύπαρκτη πρόσβαση σε τέτοια υποδομή. Μαζικές επενδύσεις στην ανάπτυξη ισχυρών τηλεπικοινωνιακών δικτύων σε αγροτικές περιοχές είναι απαραίτητες για να εξασφαλιστεί η αποτελεσματικότητα αυτών των συστημάτων.
Τρίτον, η εκπαίδευση, η υιοθέτηση και η αντίσταση στην αλλαγή είναι κρίσιμοι ανθρώπινοι παράγοντες. Η ΤΝ δεν μπορεί να αξιοποιηθεί πλήρως χωρίς κατάλληλες δεξιότητες. Η εκπαίδευση δεν πρέπει να περιορίζεται στους μηχανικούς και τους ερευνητές, αλλά πρέπει να επεκταθεί και στους ίδιους τους αγρότες. Είναι απαραίτητο να γεφυρωθεί το ψηφιακό χάσμα και να ξεπεραστεί η πιθανή αντίσταση στην αλλαγή από έναν αγροτικό πληθυσμό που συχνά είναι προσκολλημένος σε παραδοσιακές μεθόδους. Προγράμματα ευαισθητοποίησης, συγκεκριμένες επιδείξεις των οφελών της ΤΝ και πρακτική εκπαίδευση προσαρμοσμένη στις ανάγκες και το επίπεδο ψηφιακής εγγραμματοσύνης των αγροτών είναι απαραίτητα για την προώθηση μιας ευρείας υιοθέτησης.
Τέταρτον, η ποιότητα και η τυποποίηση των δεδομένων παραμένουν θεμελιώδης προϋπόθεση. Όπως τονίζεται σε αυτό το άρθρο, χωρίς αξιόπιστα, καθαρά και δομημένα δεδομένα, τα μοντέλα AI δεν μπορούν να παράγουν ισχυρές προβλέψεις. Απαιτούνται σημαντικές προσπάθειες για την τυποποίηση των μεθόδων συλλογής γεωργικών δεδομένων, την εφαρμογή αυστηρών πρωτοκόλλων και τη διαλειτουργικότητα των συστημάτων. Αυτή είναι η απαραίτητη προϋπόθεση για να μπορέσει η AI να μεταμορφώσει πραγματικά τη λήψη αποφάσεων στη γεωργία.
Τέλος, τα ηθικά ζητήματα και η εμπιστευτικότητα των δεδομένων, καθώς και ο κίνδυνος τεχνολογικής εξάρτησης, πρέπει να προβλεφθούν. Η χρήση μεγάλων συνόλων γεωργικών δεδομένων εγείρει νόμιμες ερωτήσεις σχετικά με την ιδιοκτησία των δεδομένων, την προστασία τους από καταχρήσεις και την ασφάλειά τους. Ένα σαφές ρυθμιστικό πλαίσιο και η ευαισθητοποίηση των εμπλεκόμενων είναι απαραίτητα για την εγκαθίδρυση εμπιστοσύνης.
Επιπλέον, αν η Αλγερία δεν αναπτύξει επαρκώς τις δικές της ικανότητες έρευνας, ανάπτυξης και καινοτομίας στην αγροτική AI, μπορεί να βρεθεί υπερβολικά εξαρτημένη από ξένες τεχνολογίες και προμηθευτές, κάτι που θα υπονόμευε την τεχνολογική της κυριαρχία και, κατ' επέκταση, τη διατροφική της κυριαρχία μακροπρόθεσμα. Η υποστήριξη των τοπικών νεοφυών επιχειρήσεων και της πανεπιστημιακής έρευνας είναι επομένως ζωτικής σημασίας για την οικοδόμηση μιας βιώσιμης τεχνολογικής αυτονομίας.
Αυτές οι προκλήσεις, αν και σημαντικές, δεν είναι ανυπέρβλητες. Αναγνωρίζοντάς τες και αναπτύσσοντας προληπτικές στρατηγικές για την αντιμετώπισή τους, η Αλγερία μπορεί να εδραιώσει τα θεμέλια μιας έξυπνης και ανθεκτικής γεωργίας, μετατρέποντας έτσι τα εμπόδια σε ευκαιρίες ανάπτυξης και καινοτομίας.
Διεθνείς εμπειρίες
Ο FAO χρησιμοποιεί το Yield Forecasting Tool (YFT) για να προβλέψει τις σοδειές στην Αφρική. Αυτό το σύστημα συνδυάζει καιρικά δεδομένα, δορυφορικές εικόνες και ιστορικά δεδομένα εδάφους. Επομένως, τίθεται το ερώτημα: γιατί όχι και στην Αλγερία; Το στατιστικό σύστημα πρόβλεψης που αναπτύχθηκε από τον FAO βασίζεται σε μια ισχυρή, επεκτάσιμη και ολοκληρωμένη αρχιτεκτονική, που εφαρμόζεται στο πλαίσιο του SISAAR (Σύστημα Πληροφοριών για την Επισιτιστική Ασφάλεια και την Άμεση Προειδοποίηση). Περιλαμβάνει την αγροοικολογική ζωνοποίηση, τη σχολαστική συλλογή δεδομένων πεδίου, τη μοντελοποίηση και την πρόβλεψη, καθώς και τη συνεχή βελτίωση και διαφάνεια.
Με το ίδιο πνεύμα, με το Climate FieldView, οι Καναδοί αγρότες μπορούν να δουν σε πραγματικό χρόνο την αναμενόμενη απόδοση ανά πεδίο. Μια πολυτέλεια που θα μπορούσε να γίνει κανόνας στην Αλγερία. Τεχνολογίες που χρησιμοποιούν AI δοκιμάζονται στον Καναδά για την αξιολόγηση των δημητριακών στο πεδίο. Με βάση αυτά τα διεθνή παραδείγματα, είναι σαφές ότι τα κέντρα δεδομένων είναι εκεί. Οι ερευνητές επίσης.
Σε αυτό το πλαίσιο, αυτό που λέει ο καθηγητής Yousfat είναι κρίσιμο: «Χρειάζεται μια σταθερή πολιτική βούληση, μια διακυβέρνηση βασισμένη στην επιστήμη, όχι στον αυτοσχεδιασμό.» Παρά τις δυνατότητες αυτές, στην Αλγερία, η επικύρωση των αριθμών από το πεδίο παραμένει ανεπαρκής, και συχνά δεν δημοσιεύονται ούτε συγκρίνονται με άλλες πηγές, κάτι που ενισχύει την αδιαφάνεια και την αναποτελεσματικότητα του συστήματος λήψης αποφάσεων.
Καλλιέργεια της νοημοσύνης για την κυριαρχία
Για να πετύχουμε, είναι απαραίτητος ένας σαφής οδικός χάρτης, αρθρωμένος γύρω από έξι βασικούς μοχλούς:
- Δημιουργία μιας εθνικής βάσης δεδομένων γεωργίας, ανοιχτής και διαλειτουργικής.
- Χρηματοδότηση εφαρμοσμένης έρευνας και διδακτορικών φοιτητών σε αυτόν τον τομέα.
- Υποστήριξη των νεοφυών επιχειρήσεων agritech μέσω εξειδικευμένων θερμοκοιτίδων.
- Εκπαίδευση των αγροτών στα εργαλεία ακριβείας γεωργίας.
- Έναρξη πιλοτικών έργων στις βασικές περιοχές καλλιέργειας σιτηρών.
- Ενσωμάτωση της τεχνητής νοημοσύνης στην εθνική στρατηγική γεωργίας.
Η τεχνητή νοημοσύνη δεν θα αντικαταστήσει ποτέ την αγροτική σοφία. Αλλά μπορεί να την φωτίσει. Μπορεί να είναι, για τη γεωργία της Αλγερίας, ό,τι ήταν το τρακτέρ για τους παππούδες μας: μια σιωπηλή επανάσταση. Μια επανάσταση δεδομένων, πρόβλεψης, κυριαρχίας. Πλέον, δεν πρόκειται να περιμένουμε να αποφασίσει ο ουρανός, αλλά να γνωρίζουμε — με βεβαιότητα — πότε να σπείρουμε, πού να αρδεύσουμε και πώς να θερίσουμε.
Στα εδάφη της Τεσσάλα, κάποτε γόνιμη αποθήκη, αυτή η επανάσταση δεν είναι πλέον πολυτέλεια. Είναι ζήτημα επιβίωσης. Η ξηρασία έχει χαράξει βαθιές ουλές, χρόνο με το χρόνο. Οι φωνές των παραγωγών, ωμές και χωρίς περιστροφές, ηχούν σαν προειδοποίηση.
« Για τρία συνεχόμενα χρόνια, οι βροχές είναι σπάνιες, ακανόνιστες, μερικές φορές εντελώς απούσες. Χωρίς αξιόπιστες μετεωρολογικές προβλέψεις, εργαζόμαστε στα τυφλά. Κάθε σπορά είναι ένα στοίχημα χαμένο εκ των προτέρων », λέει με σοβαρό τόνο ο Tabet Derraz Mohamed, γεωπόνος. Στη συνέχεια χαμηλώνει τη φωνή: « Η ιδέα ότι η γενιά μας μπορεί να παρακολουθήσει την πλήρη κατάρρευση αυτού του τομέα δεν είναι πλέον φόβος. Έχει γίνει μια πραγματικότητα που βλέπουμε να διαμορφώνεται μπροστά στα μάτια μας. »
Δίπλα του, ο Yahiaoui Hamid, γεωργικός τεχνικός, συνεχίζει, με σκληρό βλέμμα: «Η δουλειά μας βασίζεται στον ρυθμό της φύσης. Αλλά σήμερα, αυτός ο ρυθμός έχει σπάσει. Ασταθής. Απρόβλεπτος. Χωρίς εργαλεία παρακολούθησης ή κλιματικές ειδοποιήσεις, είμαστε αφοπλισμένοι. Τρεις καμπάνιες κατεστραμμένες συνεχόμενα... Αρχίζουμε να αναρωτιόμαστε αν έχουμε ακόμα μέλλον εδώ.»
Αυτές οι μαρτυρίες δεν είναι μεμονωμένα παράπονα. Αποκαλύπτουν δομικές ρωγμές. Ένα τεχνολογικό κενό που η τεχνητή νοημοσύνη θα μπορούσε να καλύψει. Αλλά πρέπει να δράσουμε γρήγορα. Η στατιστική αλήθεια είναι ένα ζήτημα διατροφικής κυριαρχίας. Χωρίς αυστηρότητα, δεν υπάρχει πρόοδος. Και η διαφάνεια είναι εγγύηση εμπιστοσύνης.
Το μέλλον παίζεται τώρα. Γραμμή προς γραμμή. Δεδομένο προς δεδομένο. Με βάση τα γεγονότα, όχι τις λογιστικές ψευδαισθήσεις. Αν η ξηρασία επιμείνει και τα εργαλεία πρόβλεψης παραμείνουν απόντα, η Τεσσάλα θα μπορούσε να είναι μόνο το πρώτο κεφάλαιο μιας γεωργικής κατάρρευσης σε εθνική κλίμακα.
Το Twala είναι ένα ανεξάρτητο αλγερινό διαδικτυακό μέσο, που δημοσιεύεται στα γαλλικά και στα αραβικά. Εμπνευσμένο από μια προσέγγιση «αργής δημοσιογραφίας», δίνει προτεραιότητα στον χρόνο της έρευνας, της επαλήθευσης και της τοποθέτησης στο πλαίσιο. Το μέσο προσφέρει τόσο μια καθημερινή επιλογή σύντομων ειδήσεων όσο και πιο εις βάθος μορφές όπως ρεπορτάζ, έρευνες, βίντεο και podcasts. Υποστηριζόμενο από έμπειρους δημοσιογράφους, το Twala δίνει μεγάλη σημασία στην επιτόπια εργασία και στις τεκμηριωμένες αφηγήσεις. Τα περιεχόμενά του ενδιαφέρονται ιδιαίτερα για την Αλγερία καθώς και για τις μεσογειακές και σαχελιανές δυναμικές.
Φωτογραφία εξωφύλλου: © Twala