Amikor Indonéziában később megérkeznek a szezonális esőzések, a gazdálkodók gyakran annak jeleként veszik, hogy nem érdemes műtrágyába fektetni a terményeikhez.Néha úgy döntenek, hogy egyáltalán nem vetnek egynyári növényeket.Általában jól döntenek, mert az esős évszak késői kezdete általában az El Niño Southern Oscillation (ENSO) állapotával és a következő hónapok elégtelen csapadékával függ össze.
A „Science Reports”-ban megjelent új kutatás azt mutatja, hogy az ENSO egy időjárási deformációs ciklus a Csendes-óceán mentén, az Egyenlítő mentén, és egy erőteljes előrejelzés akár két évre a kakaófa betakarítása előtt.
Ez jó hír lehet a kistermelők, tudósok és a globális csokoládéipar számára.Az a képesség, hogy előre megjósolható a betakarítás nagysága, befolyásolhatja a mezőgazdasági befektetési döntéseket, javíthatja a trópusi növények kutatási programjait, és csökkentheti a kockázatokat és a bizonytalanságokat a csokoládéiparban.
A kutatók szerint ugyanaz a módszer, amely a fejlett gépi tanulást szigorú, rövid távú adatgyűjtéssel ötvözi a gazdálkodók szokásairól és terméshozamáról, más, esőtől függő növényeknél is alkalmazható, beleértve a kávét és az olajbogyót.
Thomas Oberthür, a marokkói African Plant Nutrition Institute (APNI) társszerzője és üzleti fejlesztője elmondta: "A kutatás legfontosabb innovációja az, hogy az időjárási adatokat hatékonyan helyettesítheti az ENSO adatokkal."„Ezzel a módszerrel bármit felfedezhet, ami az ENSO-val kapcsolatos.Termények termelési kapcsolatokkal.”
A világ szántóterületének körülbelül 80%-a közvetlen csapadékra támaszkodik (ellentétben az öntözéssel), ami a teljes termelés körülbelül 60%-át teszi ki.Azonban sok ilyen területen a csapadékadatok ritkák és nagyon változóak, ami megnehezíti a tudósok, a döntéshozók és a gazdálkodói csoportok számára az időjárás változásaihoz való alkalmazkodást.
Ebben a tanulmányban a kutatók olyan típusú gépi tanulást alkalmaztak, amelyhez nincs szükség időjárási rekordokra a vizsgálatban részt vevő indonéz kakaófarmokról.
Ehelyett a műtrágya kijuttatására, a terméshozamra és a gazdaság típusára vonatkozó adatokra támaszkodtak.Ezeket az adatokat egy Bayes-féle neurális hálózathoz (BNN) csatlakoztatták, és azt találták, hogy az ENSO szakasz a hozamváltozás 75%-át jósolta.
Más szóval, a legtöbb esetben a tanulmányban a Csendes-óceán tengerfelszínének hőmérséklete pontosan megjósolhatja a kakaóbab betakarítását.Egyes esetekben 25 hónappal a betakarítás előtt pontos előrejelzéseket lehet készíteni.
Kezdetnek általában meg lehet ünnepelni egy olyan modellt, amely pontosan megjósolja a termelés 50%-os változását.A terméshozamok ilyen hosszú távú előrejelzési pontossága ritka.
A szövetség társszerzője és tiszteletbeli kutatója, James Cock elmondta: „Ez lehetővé teszi számunkra, hogy a gazdaságban különböző gazdálkodási gyakorlatokat, például műtrágyázási rendszereket alkalmazzunk, és nagy biztonsággal következtessünk a hatékony beavatkozásokra.„Nemzetközi Biodiverzitási Szervezet és a CIAT."Ez egy átfogó elmozdulás az operatív kutatás felé."
Cock növényfiziológus elmondta, hogy bár a randomizált kontrollált kísérleteket (RCT) általában a kutatás aranystandardjának tekintik, ezek a kísérletek költségesek, ezért általában lehetetlenek a fejlődő trópusi mezőgazdasági régiókban.Az itt alkalmazott módszer sokkal olcsóbb, nem igényel drága időjárási rekordokat, és hasznos útmutatást ad arra vonatkozóan, hogyan lehet jobban kezelni a termést változó időben.
Ross Chapman (Ross Chapman) adatelemző és a tanulmány vezető szerzője elmagyarázta a gépi tanulási módszerek néhány fő előnyét a hagyományos adatelemzési módszerekkel szemben.
Chapman elmondta: „A BNN-modell eltér a standard regressziós modelltől, mivel az algoritmus bemeneti változókat vesz (például a tenger felszínének hőmérsékletét és a farm típusát), majd automatikusan „megtanulja” felismerni más változók (például terméshozam) reakcióit. – mondta Chapman.„A tanulási folyamatban használt alapvető folyamat ugyanaz, mint az a folyamat, amelyet az emberi agy megtanul felismerni a való életből származó tárgyakat és mintákat.Éppen ellenkezőleg, a szabványos modell megköveteli a különböző változók manuális felügyeletét mesterségesen generált egyenletekkel.”
Bár időjárási adatok hiányában a gépi tanulás jobb terméshozam-előrejelzéseket eredményezhet, ha a gépi tanulási modellek megfelelően működnek, a tudósoknak (vagy maguknak a gazdáknak) továbbra is pontosan össze kell gyűjteniük bizonyos termelési információkat, és ezeket az adatokat könnyen elérhetővé kell tenniük.
A tanulmányban szereplő indonéz kakaófarm esetében a gazdálkodók részt vettek egy nagy csokoládégyártó cég bevált gyakorlati képzési programjában.Nyomon követik a bemeneteket, például a műtrágya kijuttatását, szabadon megosztják ezeket az adatokat elemzés céljából, és gondos nyilvántartást vezetnek a helyi szervezett Nemzetközi Növénytakarmányozási Intézetben (IPNI) a kutatók számára.
Emellett a tudósok korábban tíz hasonló csoportba osztották a gazdaságaikat, hasonló domborzati és talajviszonyokkal.A kutatók a 2013 és 2018 közötti betakarítási, műtrágyakijuttatási és termésadatokat használták fel a modell felépítéséhez.
A kakaótermesztők által megszerzett tudás önbizalmat ad abban, hogy hogyan és mikor fektessenek be műtrágyákba.A hátrányos helyzetű csoport által elsajátított agronómiai ismeretek megóvhatják őket a beruházási veszteségektől, amelyek általában kedvezőtlen időjárási körülmények között jelentkeznek.
Kutatókkal való együttműködésüknek köszönhetően tudásukat most valamilyen módon megoszthatják más növények termesztőivel a világ más részein.
Cork azt mondta: "Az elkötelezett gazdálkodó IPNI és az erős gazdálkodói támogató szervezet, a Community Solutions International közös erőfeszítései nélkül ez a kutatás nem lenne lehetséges."Hangsúlyozta a multidiszciplináris együttműködés fontosságát, és kiegyensúlyozta az érintettek erőfeszítéseit.Különböző igények.
Az APNI Oberthür munkatársa elmondta, hogy a hatékony prediktív modellek a gazdálkodók és kutatók hasznára válhatnak, és elősegíthetik a további együttműködést.
Obertoor azt mondta: "Ha Ön egy gazdálkodó, aki egyidejűleg adatokat gyűjt, kézzelfogható eredményeket kell elérnie."„Ez a modell hasznos információkkal szolgálhat a gazdálkodóknak, és ösztönözheti az adatgyűjtést, mert a gazdálkodók látni fogják, hogy hozzájárulnak, ami hasznot hoz a gazdaságuk számára.”

suzy@lstchocolatemachine.com

www.lstchocolatemachine.com