Ελιά: Οι πιο πρόσφατες επιστημονικές εξελίξεις γύρω από τη συγκομιδή

Η επιστήμη εξελίσσεται – και μαζί της εξελίσσεται και η συγκομιδή της ελιάς. Αυτό που κάποτε γινόταν με το ραβδιστήρι, τη σκάλα και τη χειρωνακτική εργασία, σήμερα αποτελεί αντικείμενο έρευνας σε πανεπιστήμια και εργαστήρια: από τη μηχανολογία και τη φυσική των ταλαντώσεων μέχρι τη ρομποτική, τη γεωργία ακριβείας και την τεχνητή νοημοσύνη.

Οι πρόσφατες επιστημονικές μελέτες μάς δείχνουν ότι η συγκομιδή δεν είναι απλώς «πρακτική δουλειά», αλλά μια πολύπλοκη διαδικασία που μπορεί να αναλυθεί, να βελτιστοποιηθεί και να αυτοματοποιηθεί. Και, κυρίως, αποκαλύπτουν ότι η επιλογή της μεθόδου δεν είναι ίδια για όλους: εξαρτάται από το χωράφι, το σχήμα του δένδρου, την ποικιλία και την αγορά-στόχο. Ένας παραδοσιακός ελαιώνας με αιωνόβια δένδρα στην Πελοπόννησο δεν έχει καμία σχέση με έναν υπερπυκνό ελαιώνα στην Ισπανία – και αυτό καθορίζει την τεχνολογία η οποία μπορεί να εφαρμοστεί.

Τι μας λένε οι μελέτες για τις μεθόδους συγκομιδής

Η έρευνα των Miglietta και συνεργατών (2019) συνέκρινε έξι διαφορετικές μεθόδους συγκομιδής, χρησιμοποιώντας πολυκριτηριακή ανάλυση (ELECTRE III) και γεωγραφικά δεδομένα (GIS).

1. Χειρωνακτική συγκομιδή

• Οι εργάτες μαζεύουν τον καρπό με τα χέρια ή με κοντάρια.
• Κατάλληλη για κάθε σχήμα δένδρου, με ελάχιστες ζημιές.
• Όμως: πανάκριβη. Μπορεί να φτάσει έως και 69% του κόστους παραγωγής.

2. Εργαλεία χειρός

• Χτένια ή μικροί κλαδοδονητές με κινητήρες βενζίνης/ηλεκτρικούς.
• Μειώνουν το εργατικό κατά 30-40%.
• Προκαλούν περισσότερους τραυματισμούς στα κλαδιά.

3. Δονητές κορμού με ομπρέλα

• Αγκαλιάζουν τον κορμό, μεταδίδουν δονήσεις και συλλέγουν σε ανεστραμμένη «ομπρέλα».
• Απόδοση 80-85%.
• Λειτουργούν καλύτερα σε δένδρα <4 μ.

4. Δονητές με πλαϊνούς συλλέκτες

• Δύο μηχανήματα κινούνται παράλληλα και συλλέγουν καρπούς.
• Απόδοση 80-85%.
• Απαιτούν χαμηλά δένδρα με σωστό σχήμα κόμης.

5.-6. Συνεχείς δονητές τύπου σταφυλοσυλλεκτικών

• Μπορεί να είναι ρυμουλκούμενοι ή αυτοκινούμενοι.
• Αποδοτικότητα έως 95%, ακόμη και σε μικρόκαρπες ποικιλίες.
• Ιδανικοί για υπερπυκνές φυτεύσεις (π.χ. 1500–2500 δένδρα/ha).

→ Το βασικό συμπέρασμα είναι ότι η επιλογή μεθόδου εξαρτάται από την τυπολογία του ελαιώνα. Ένας παραδοσιακός ορεινός ελαιώνας της Ελλάδας δύσκολα θα δεχτεί αυτοκινούμενο δονητή, ενώ ένας νέος υπερπυκνός ελαιώνας της Ιβηρικής μπορεί να απογειώσει την παραγωγικότητά του (>90%) με τέτοια μηχανήματα.

Οι δονητές κορμού στο μικροσκόπιο της έρευνας

Η ανασκόπηση του Messina και συνεργατών (2025) εστιάζει αποκλειστικά στους δονητές κορμού (trunk shakers), οι οποίοι εδώ και δεκαετίες είναι η πιο αξιόπιστη μηχανική λύση.

Τι μάθαμε από την έρευνα:

Η ανασκόπηση των Messina και συνεργατών (2025) εστιάζει αποκλειστικά στους δονητές κορμού (trunk shakers).

• Η μηχανοποίηση μειώνει τον χρόνο συγκομιδής στο μισό σε σχέση με τα εργαλεία χειρός.
• Δεν αλλοιώνει την ποιότητα του ελαιολάδου, ενώ επιτρέπει συγκομιδή στο ιδανικό στάδιο ωρίμανσης.
• Οι σύγχρονοι δονητές διαθέτουν αντικραδασμικά συστήματα που μειώνουν τραυματισμούς.

→ Στην Ούμπρια της Ιταλίας, η χρήση πολυκατευθυντικών δονητών αύξησε την αποτελεσματικότητα από 75% σε 90%, ενώ μείωσε κατά 50% τις φθορές στον κορμό χάρη σε νέες ελαστικές λαβές.

Τι μας αποκαλύπτει η φυσική: ο συντονισμός

Η μελέτη των Dang και συνεργατών (2025) ανέλυσε σε βάθος το πώς αντιδρά η ελιά στις δονήσεις, χρησιμοποιώντας ένα προηγμένο μοντέλο προσομοίωσης (finite element + rigid-flexible coupling), ώστε να αναπαραστήσουν πώς αντιδρά το δένδρο στις δονήσεις. Δούλεψαν με ελιές σχήματος «τριών ανοιχτών βραχιόνων», που είναι συνηθισμένες σε εντατικούς ελαιώνες.

Το βασικό εύρημα ήταν το εξής: όταν η συχνότητα και η δύναμη των δονήσεων προσαρμόστηκαν στη φυσική συχνότητα του δένδρου, η απόδοση συγκομιδής έφτασε το 91,22%. Αντίθετα, όταν η ρύθμιση δεν ταίριαζε, η αποτελεσματικότητα έπεφτε έως και 20%. Επιπλέον, βρέθηκε ότι ο κρίσιμος «φραγμός» για να αποκολληθεί ο καρπός ήταν επιτάχυνση περίπου 1113 m/s².

Το φαινόμενο αυτό είναι ο συντονισμός: κάθε δένδρο έχει τον δικό του ρυθμό ταλάντωσης και ανταποκρίνεται καλύτερα όταν η μηχανή λειτουργεί σε αυτή τη συχνότητα. Έτσι, μια ποικιλία όπως η Κορωνέικη, με πυκνή κόμη, μπορεί να απαιτεί διαφορετικές ρυθμίσεις από μια Αρμπεκίνα σε υπερπυκνό ελαιώνα. Συνεπώς, η μηχανική συγκομιδή δεν μπορεί να βασίζεται σε μία ενιαία ρύθμιση, αλλά χρειάζεται προσαρμογή ανάλογα με το σχήμα, το μέγεθος και την ποικιλία του δένδρου..

Νέες τεχνολογίες: από το χωράφι στο εργαστήριο δεδομένων

Η ανασκόπηση των Marques και συνεργατών (2024) κατέγραψε πώς τεχνολογίες τηλεπισκόπησης –δηλαδή η παρατήρηση της καλλιέργειας από απόσταση μέσω δορυφόρων, drones και αισθητήρων– συμβάλλουν στη διαχείριση της συγκομιδής. Πρόκειται για βασικό εργαλείο της λεγόμενης γεωργίας ακριβείας, όπου οι παρεμβάσεις γίνονται στοχευμένα και τεκμηριωμένα.

Συγκεκριμένα, η χρήση πολυφασματικών καμερών σε drones επιτρέπει τον υπολογισμό του δείκτη NDVI (Normalized Difference Vegetation Index), ο οποίος μετρά το «πράσινο» και την ευρωστία του φυλλώματος. Παρότι ο NDVI δεν δείχνει άμεσα τον βαθμό ωρίμανσης του καρπού, αποτελεί χρήσιμο εργαλείο για τον προγραμματισμό της συγκομιδής. Για παράδειγμα, στην Πορτογαλία, UAVs κατέγραψαν την παραλλακτικότητα της βλάστησης μέσα στον ίδιο ελαιώνα και οι ερευνητές συσχέτισαν τα δεδομένα αυτά με την αναμενόμενη παραγωγή καρπού. Έτσι, εντοπίστηκαν ζώνες με υψηλότερη απόδοση, ώστε να ξεκινήσει εκεί η συγκομιδή, εξοικονομώντας εργατικά και καύσιμα.

Βελτιστοποίηση συγκομιδής και παραγωγής

Η μελέτη των Bilgen & Taşkıner (2025) παρουσίασε ένα μαθηματικό μοντέλο βελτιστοποίησης (Mixed Integer Linear Programming, MILP), το οποίο συνδυάζει το χρονοδιάγραμμα της συγκομιδής με τη δυναμικότητα επεξεργασίας των ελαιοτριβείων.

Η εφαρμογή του μοντέλου στην περιοχή του Αϊβαλί (Τουρκία) έδειξε ότι όταν ο ρυθμός συγκομιδής συγχρονίστηκε με τη χωρητικότητα του ελαιοτριβείου, οι απώλειες ποιοτικού καρπού μειώθηκαν κατά 18%. Παράλληλα, η ενσωμάτωση δεδομένων για τον βαθμό ωρίμανσης στον προγραμματισμό αύξησε το ποσοστό παραγωγής έξτρα παρθένου ελαιολάδου. Το μήνυμα είναι σαφές: ο σωστός χρονισμός δεν αφορά μόνο το δένδρο αλλά και τη συνεργασία με το ελαιοτριβείο.

Τεχνητή νοημοσύνη και εκτίμηση ωρίμανσης

Η μελέτη των Zhu και συνεργατών (2025) εισάγει την τεχνητή νοημοσύνη στη συγκομιδή με την ανάπτυξη ενός ελαφρού αλγορίθμου αναγνώρισης εικόνας (YOLOv11n). Ο αλγόριθμος αυτός μπορεί να εκτιμά τον βαθμό ωρίμανσης των ελιών απευθείας από φωτογραφίες, ταξινομώντας τους καρπούς σε ώριμους ή άγουρους.

Στους ελαιώνες της Σιτσουάν (Κίνα), το σύστημα πέτυχε ακρίβεια 91,8% στην αυτόματη ταξινόμηση. Με τον τρόπο αυτό, ένα ρομποτικό χέρι κατευθυνόταν μόνο στα ώριμα δένδρα, αποτρέποντας την υπερωρίμανση και μειώνοντας τη σπατάλη χρόνου και ενέργειας. Η πρακτική σημασία είναι μεγάλη: μελλοντικά, η συγκομιδή μπορεί να γίνεται όχι απλώς «κατά ημερομηνία», αλλά με βάση τον πραγματικό βαθμό ωρίμανσης κάθε δένδρου.

Τι σημαίνουν όλα αυτά για τον παραγωγό;

Οι έρευνες μας δίνουν πρακτικά μηνύματα:

• Η επιτυχία ξεκινά από το δένδρο: κλάδεμα, ύψος και σχήμα είναι το «εισιτήριο» για τη μηχανοποίηση.
• Η τεχνολογία πρέπει να ταιριάζει στο χωράφι: οι παραδοσιακοί ελαιώνες απαιτούν διαφορετικές τεχνικές διαχείρισης από τους υπέρπυκνους.
• Η έγκαιρη συγκομιδή βελτιώνει την ποιότητα: τα μηχανήματα μειώνουν τον χρόνο και αποτρέπουν την υπερωρίμανση.
• Το μέλλον είναι η εξατομίκευση: κάθε ελαιώνας θα έχει το δικό του «προφίλ» συγκομιδής, βασισμένο σε δεδομένα.

Συμπέρασμα

Οι πιο πρόσφατες επιστημονικές έρευνες μας λένε ξεκάθαρα: η συγκομιδή της ελιάς μπαίνει σε νέα εποχή. Από τα ραβδιστήρια και τις σκάλες, περνάμε σε δονητές, που δουλεύουν σε συντονισμό με το δένδρο, σε GIS, που χαρτογραφούν τον ελαιώνα και σε ρομπότ, που προσαρμόζουν τις δονήσεις σε πραγματικό χρόνο.

Η ελιά μένει σοφή κι ανθεκτική, αιώνιο σύμβολο της Μεσογείου· κι εμείς μαθαίνουμε να της φερόμαστε με περισσότερη γνώση και σεβασμό, παίρνοντας τους καρπούς της με τρόπους που την τιμούν.

Βιβλιογραφία

• Bilgen, B. & Taşkıner, T., 2025. Optimization of an integrated harvest, and process planning model in the agri-food industry. Journal of Engineering Research, 13, pp.331–350.
• Dang, K.H., Niu, Z.J., Mu, H.T., Lan, W.K., Zhang, X., Xin, D., Zhang, J. & Cui, Y., 2025. Vibration harvesting process of olive trees based on response surface methodology and rigid-flexible coupling simulation. International Journal of Agricultural and Biological Engineering, 18(3), pp.25–36.
• Marques, P., Pádua, L., Sousa, J.J. & Fernandes-Silva, A., 2024. Advancements in Remote Sensing Imagery Applications for Precision Management in Olive Growing: A Systematic Review. Remote Sensing, 16(1324).
• Messina, G., Sbaglia, M. & Bernardi, B., 2025. Mechanical Harvesting of Olive Orchards: An Overview on Trunk Shakers. AgriEngineering, 7(3), p.52.
• Miglietta, P.P., Micale, R., Sciortino, R., Caruso, T., Giallanza, A. & La Scalia, G., 2019. The sustainability of olive orchard planting management for different harvesting techniques: An integrated methodology. Journal of Cleaner Production, 238, p.117989.
• Zhu, F., Wang, S., Liu, M., Wang, W. & Feng, W., 2025. A Lightweight Algorithm for Detection and Grading of Olive Ripeness Based on Improved YOLOv11n. Agronomy, 15, 1030.

Δημοσιεύτηκε στο τεύχος 112 του “Ελιά & Ελαιόλαδο”