Ko v Indoneziji pozneje pride sezonsko deževje, kmetje to pogosto razumejo kot znak, da se ne splača vlagati v gnojila za njihove pridelke.Včasih se odločijo, da letnih posevkov sploh ne bodo sadili.Običajno se odločijo pravilno, saj je pozen začetek deževne dobe običajno povezan s stanjem južnega nihanja El Niño (ENSO) in nezadostno količino padavin v prihodnjih mesecih.
Nova raziskava, objavljena v "Science Reports", kaže, da je ENSO cikel vremenskih deformacij segrevanja in ohlajanja vzdolž Tihega oceana vzdolž ekvatorja in močna napoved za do dve leti pred obiranjem kakavovega drevesa.
To je lahko dobra novica za male kmete, znanstvenike in svetovno industrijo čokolade.Sposobnost vnaprejšnjega napovedovanja velikosti pridelka lahko vpliva na odločitve o naložbah v kmetije, izboljša programe raziskovanja tropskih pridelkov ter zmanjša tveganja in negotovosti v industriji čokolade.
Raziskovalci pravijo, da se lahko ista metoda, ki združuje napredno strojno učenje s strogim kratkoročnim zbiranjem podatkov o kmečkih navadah in pridelku, uporabi tudi za druge pridelke, odvisne od dežja, vključno s kavo in oljkami.
Thomas Oberthür, soavtor in poslovni razvijalec Afriškega inštituta za prehrano rastlin (APNI) v Maroku, je dejal: "Ključna novost te raziskave je, da lahko vremenske podatke učinkovito zamenjate s podatki ENSO."»S to metodo lahko raziskujete vse, kar je povezano z ENSO.Pridelki s proizvodnimi odnosi.«
Približno 80 % svetovnih obdelovalnih površin je odvisnih od neposrednih padavin (v nasprotju z namakanjem), kar predstavlja približno 60 % celotne proizvodnje.Vendar so na mnogih od teh območij podatki o padavinah redki in zelo spremenljivi, zaradi česar se znanstveniki, oblikovalci politik in skupine kmetov težko prilagajajo spremembam vremena.
V tej študiji so raziskovalci uporabili vrsto strojnega učenja, ki ne zahteva vremenskih zapisov z indonezijskih pridelovalcev kakava, ki sodelujejo v študiji.
Namesto tega so se zanašali na podatke o uporabi gnojil, donosu in vrsti kmetije.Te podatke so vključili v Bayesovo nevronsko mrežo (BNN) in ugotovili, da stopnja ENSO napoveduje 75 % spremembe donosa.
Z drugimi besedami, v večini primerov v študiji lahko temperatura morske površine Tihega oceana natančno napove žetev kakavovih zrn.V nekaterih primerih je mogoče narediti natančne napovedi 25 mesecev pred žetvijo.
Za začetek je običajno mogoče proslaviti model, ki lahko natančno napove 50-odstotno spremembo proizvodnje.Tovrstna natančnost dolgoročne napovedi donosa je redka.
Soavtor zavezništva in častni raziskovalec James Cock je dejal: »To nam omogoča, da prekrivamo različne prakse upravljanja na kmetiji, kot so sistemi gnojenja, in z veliko zanesljivostjo sklepamo o učinkovitih posegih.»Mednarodna organizacija za biotsko raznovrstnost in CIAT."To je splošen premik k operacijskim raziskavam."
Cock, rastlinski fiziolog, je dejal, da čeprav randomizirani kontrolirani poskusi (RCT) na splošno veljajo za zlati standard za raziskave, so ti poskusi dragi in zato običajno nemogoči v tropskih kmetijskih regijah v razvoju.Tukaj uporabljena metoda je veliko cenejša, ne zahteva dragega zbiranja vremenskih zapisov in nudi uporabne napotke o tem, kako bolje upravljati pridelke v spremenljivem vremenu.
Podatkovni analitik in glavni avtor študije Ross Chapman (Ross Chapman) je razložil nekatere ključne prednosti metod strojnega učenja pred tradicionalnimi metodami analize podatkov.
Chapman je dejal: »Model BNN se razlikuje od standardnega regresijskega modela, ker algoritem vzame vhodne spremenljivke (kot je temperatura morske površine in vrsta kmetije) in se nato samodejno 'nauči' prepoznati odziv drugih spremenljivk (kot je pridelek), «je rekel Chapman.»Osnovni proces, ki se uporablja v procesu učenja, je enak procesu, s katerim se človeški možgani naučijo prepoznavati predmete in vzorce iz resničnega življenja.Ravno nasprotno, standardni model zahteva ročni nadzor različnih spremenljivk z umetno ustvarjenimi enačbami.«
Čeprav lahko v odsotnosti vremenskih podatkov strojno učenje vodi do boljših napovedi pridelka, morajo znanstveniki (ali kmetje sami) še vedno natančno zbrati določene informacije o proizvodnji in dati te podatke takoj na voljo, če lahko modeli strojnega učenja delujejo pravilno.
Za indonezijsko farmo kakava v tej študiji so kmetje postali del programa usposabljanja najboljše prakse za veliko čokoladno podjetje.Sledijo vnosom, kot je uporaba gnojil, prosto delijo te podatke za analizo in vodijo urejene evidence na lokalnem organiziranem Mednarodnem inštitutu za prehrano rastlin (IPNI), ki jih lahko uporabljajo raziskovalci.
Poleg tega so znanstveniki svoje kmetije prej razdelili v deset podobnih skupin s podobno topografijo in talnimi razmerami.Raziskovalci so uporabili žetev, uporabo gnojil in podatke o pridelku od leta 2013 do 2018, da bi zgradili model.
Znanje, ki ga pridobijo pridelovalci kakava, jim daje zaupanje, kako in kdaj vlagati v gnojila.Agronomske spretnosti, ki jih pridobi ta prikrajšana skupina, jih lahko zaščitijo pred izgubami naložb, do katerih običajno pride v neugodnih vremenskih razmerah.
Zahvaljujoč njihovemu sodelovanju z raziskovalci lahko zdaj svoje znanje na nek način delijo s pridelovalci drugih poljščin v drugih delih sveta.
Cork je dejal: "Brez skupnih prizadevanj predanega kmeta IPNI in močne organizacije za podporo kmetom Community Solutions International ta raziskava ne bi bila mogoča."Poudaril je pomen multidisciplinarnega sodelovanja in uravnotežil prizadevanja deležnikov.Različne potrebe.
Oberthür iz APNI je dejal, da lahko močni napovedni modeli koristijo kmetom in raziskovalcem ter spodbujajo nadaljnje sodelovanje.
Obertoor je dejal: "Če ste kmet, ki hkrati zbira podatke, morate doseči oprijemljive rezultate.""Ta model lahko kmetom zagotovi uporabne informacije in lahko pomaga pri spodbujanju zbiranja podatkov, saj bodo kmetje videli, da prispevajo, kar prinaša koristi njihovi kmetiji."

suzy@lstchocolatemachine.com

www.lstchocolatemachine.com