Ko v Indonezijo kasneje pride sezonsko deževje, kmetje to pogosto vzamejo kot znak, da ni vredno vlagati v gnojila za njihove pridelke.Včasih se odločijo, da letnih pridelkov sploh ne bodo posadili.Ponavadi se pravilno odločijo, saj je pozen začetek deževne sezone običajno povezan s stanjem južnega nihanja El Niño (ENSO) in nezadostnimi padavinami v prihodnjih mesecih.
Nova raziskava, objavljena v »Science Reports«, kaže, da je ENSO cikel vremenske deformacije segrevanja in hlajenja vzdolž Tihega oceana vzdolž ekvatorja in močna napoved za do dve leti, preden se kakavovo drevo pospravi.
To je lahko dobra novica za male kmete, znanstvenike in svetovno čokoladno industrijo.Zmožnost vnaprejšnjega predvidevanja velikosti pridelka lahko vpliva na odločitve o naložbah v kmetije, izboljša raziskovalne programe tropskih pridelkov ter zmanjša tveganja in negotovosti v čokoladni industriji.
Raziskovalci pravijo, da se lahko ista metoda, ki združuje napredno strojno učenje s strogim kratkoročnim zbiranjem podatkov o običajih in pridelkih kmetov, uporabi tudi za druge pridelke, odvisne od dežja, vključno s kavo in olivami.
Thomas Oberthür, soavtor in poslovni razvijalec Afriškega inštituta za prehrano rastlin (APNI) v Maroku, je dejal: "Ključna inovacija te raziskave je, da lahko vremenske podatke učinkovito zamenjate s podatki ENSO."»S to metodo lahko raziščete 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 pa so na mnogih od teh območij podatki o padavinah redki in zelo spremenljivi, kar znanstvenikom, oblikovalcem politik in skupinam kmetov otežuje prilagajanje na vremenske spremembe.
V tej študiji so raziskovalci uporabili vrsto strojnega učenja, ki ne zahteva vremenskih zapisov indonezijskih kakavovih farm, ki sodelujejo v študiji.
Namesto tega so se zanašali na podatke o uporabi gnojil, pridelku in vrsti kmetije.Te podatke so vključili v Bayesovo nevronsko mrežo (BNN) in ugotovili, da je faza ENSO napovedala 75 % spremembe donosa.
Z drugimi besedami, v večini primerov v študiji lahko temperatura morske površine Tihega oceana natančno napove pridelek kakavovih zrn.V nekaterih primerih je mogoče narediti natančne napovedi 25 mesecev pred žetvijo.
Za začetek je običajno mogoče proslaviti model, ki lahko natančno napoveduje 50-odstotno spremembo proizvodnje.Tovrstna dolgoročna natančnost napovedi pridelka je redka.
Soavtor in častni raziskovalec zavezništva James Cock je dejal: »To nam omogoča, da na kmetiji prekrivamo različne prakse upravljanja, kot so sistemi gnojenja, in sklepamo o učinkovitih posegih z visokim zaupanjem.“Mednarodna organizacija za biotsko raznovrstnost in CIAT."To je splošen premik k operativnim raziskavam."
Cock, rastlinski fiziolog, je dejal, da čeprav se randomizirana kontrolirana preskušanja (RCT) na splošno štejejo za zlati standard za raziskave, so ta preskušanja draga in zato običajno nemogoča v razvijajočih se tropskih kmetijskih regijah.Metoda, ki se tukaj uporablja, je veliko cenejša, ne zahteva dragega zbiranja vremenskih zapisov in nudi uporabne napotke o tem, kako bolje upravljati pridelke v spreminjajočem se vremenu.
Analitik podatkov in glavni avtor študije Ross Chapman (Ross Chapman) je pojasnil 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 sta temperatura morske površine in vrsta farme) in se nato samodejno 'nauči' prepoznati odziv drugih spremenljivk (kot je pridelek pridelka), « je rekel Chapman.»Osnovni proces, ki se uporablja v učnem procesu, je enak procesu, ki se ga človeški možgani naučijo prepoznati predmete in vzorce iz resničnega življenja.Nasprotno, standardni model zahteva ročni nadzor različnih spremenljivk s pomočjo umetno ustvarjenih enačb.
Čeprav lahko strojno učenje ob pomanjkanju vremenskih podatkov vodi do boljših napovedi pridelka, če modeli strojnega učenja lahko delujejo pravilno, morajo znanstveniki (ali kmetje sami) še vedno natančno zbrati določene informacije o proizvodnji in omogočiti, da so ti podatki takoj dostopni.
Za indonezijsko farmo kakava v tej študiji so kmetje postali del programa usposabljanja o najboljši praksi za veliko čokoladno podjetje.Sledijo vnosom, kot je uporaba gnojil, te podatke prosto delijo 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 predhodno razdelili v deset podobnih skupin s podobno topografijo in stanjem tal.Raziskovalci so za izdelavo modela uporabili podatke o žetvi, uporabi gnojil in pridelku od leta 2013 do 2018.
Znanje, ki so ga pridobili pridelovalci kakava, jim daje zaupanje, kako in kdaj vlagati v gnojila.Agronomske veščine, ki jih pridobi ta prikrajšana skupina, jih lahko zaščitijo pred izgubami naložb, ki se običajno pojavijo v neugodnih vremenskih razmerah.
Zahvaljujoč njihovemu sodelovanju z raziskovalci lahko svoje znanje zdaj na nek način delimo s pridelovalci drugih pridelkov 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 možna."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 koristne informacije in lahko pomaga spodbuditi zbiranje podatkov, saj bodo kmetje videli, da delajo, da prispevajo, kar prinaša koristi njihovi kmetiji."

suzy@lstchocolatemachine.com

www.lstchocolatemachine.com