Кога сезонските дождови пристигнуваат подоцна во Индонезија, земјоделците често го сфаќаат тоа како знак дека не вреди да се инвестира во ѓубрива за нивните посеви.Понекогаш тие избираат воопшто да не садат едногодишни култури.Вообичаено, тие ја носат вистинската одлука, бидејќи доцниот почеток на сезоната на дождови обично е поврзан со состојбата на јужната осцилација на Ел Нињо (ENSO) и недоволните врнежи во наредните месеци.
Новото истражување објавено во „Science Reports“ покажува дека ENSO е циклус на временска деформација на затоплување и ладење долж Тихиот Океан долж екваторот и моќна прогноза до две години пред да се собере какаото.
Ова може да биде добра вест за малите фармери, научниците и глобалната чоколадна индустрија.Способноста однапред да се предвиди големината на жетвата може да влијае на одлуките за инвестирање на фармата, да ги подобри програмите за истражување на тропските култури и да ги намали ризиците и неизвесностите во чоколадната индустрија.
Истражувачите велат дека истиот метод што комбинира напредно машинско учење со строго краткорочно собирање податоци за обичаите и приносот на земјоделците, може да се примени и за други култури зависни од дожд, вклучувајќи кафе и маслинки.
Томас Обертур, ко-автор и бизнис развивач на Африканскиот институт за исхрана на растенијата (APNI) во Мароко, рече: „Клучната иновација на ова истражување е тоа што можете ефективно да ги замените временските податоци со податоците на ENSO“.„Користејќи го овој метод, можете да истражите сè што е поврзано со ENSO.Посевите со производствени односи“.
Околу 80% од обработливото земјиште во светот се потпира на директни врнежи (за разлика од наводнувањето), кои сочинуваат околу 60% од вкупното производство.Сепак, во многу од овие области, податоците за врнежите се ретки и многу променливи, што им отежнува на научниците, креаторите на политиката и групите земјоделци да се прилагодат на промените во времето.
Во оваа студија, истражувачите користеа тип на машинско учење што не бара временски записи од индонезиските фарми за какао кои учествуваат во студијата.
Наместо тоа, тие се потпираа на податоците за примената на ѓубриво, приносот и видот на фармата.Тие ги приклучија овие податоци во Бајесовата невронска мрежа (BNN) и открија дека фазата ENSO предвидува 75% од промената на приносот.
Со други зборови, во повеќето случаи во студијата, температурата на површината на морето на Тихиот Океан може точно да ја предвиди жетвата на зрната какао.Во некои случаи, можно е да се направат точни предвидувања 25 месеци пред жетвата.
За почеток, обично е можно да се прослави модел кој може точно да предвиди 50% промена во производството.Овој вид на долгорочна прогноза на точноста на приносот на културите е ретка.
Коавторот на алијансата и почесен истражувач Џејмс Кок рече: „Ова ни овозможува да наметнеме различни практики на управување на фармата, како што се системите за оплодување, и да заклучиме ефективни интервенции со голема доверба.„Меѓународна организација за биодиверзитет и CIAT.„Ова е севкупна промена на оперативното истражување“.
Кок, растителен физиолог, рече дека иако рандомизираните контролирани испитувања (RCT) генерално се сметаат за златен стандард за истражување, овие испитувања се скапи и затоа обично невозможни во развојните тропски земјоделски региони.Методот што се користи овде е многу поевтин, не бара скапо собирање на временски записи и дава корисни насоки за тоа како подобро да се управуваат посевите при променливи временски услови.
Аналитичарот на податоци и главен автор на студијата Рос Чепмен (Рос Чепмен) објасни некои од клучните предности на методите за машинско учење во однос на традиционалните методи за анализа на податоци.
Чепмен рече: „БНН моделот е различен од стандардниот регресивен модел бидејќи алгоритмот ги зема влезните променливи (како што се температурата на морската површина и типот на фармата) и потоа автоматски „учи“ да го препознава одговорот на другите променливи (како што е приносот на културите). “, рече Чепмен.„Основниот процес што се користи во процесот на учење е ист како и процесот со кој човечкиот мозок учи да препознава предмети и обрасци од реалниот живот.Напротив, стандардниот модел бара рачен надзор на различни променливи преку вештачки генерирани равенки.
Иако во отсуство на временски податоци, машинското учење може да доведе до подобри предвидувања за приносот на културите, ако моделите за машинско учење можат да работат правилно, научниците (или самите фармери) сепак треба точно да соберат одредени информации за производството и да ги направат овие податоци лесно достапни.
За индонезиската фарма за какао во оваа студија, фармерите станаа дел од програмата за обука за најдобри практики за голема компанија за производство на чоколади.Тие ги следат влезовите како што се примената на ѓубриво, слободно ги споделуваат овие податоци за анализа и водат уредна евиденција во локалниот организиран Меѓународен институт за исхрана на растенијата (IPNI) за истражувачите да ги користат.
Покрај тоа, научниците претходно ги поделија своите фарми во десет слични групи со слична топографија и услови на почвата.Истражувачите ги користеле податоците за жетвата, примената на ѓубриво и приносот од 2013 до 2018 година за да изградат модел.
Сознанието што го стекнуваат одгледувачите на какао им дава доверба во тоа како и кога да инвестираат во ѓубрива.Агрономските вештини стекнати од оваа обесправена група можат да ги заштитат од загуби на инвестиции, кои обично се случуваат при неповолни временски услови.
Благодарение на нивната соработка со истражувачите, нивното знаење сега може на некој начин да се сподели со одгледувачите на други култури во други делови на светот.
Корк рече: „Без заедничките напори на посветениот земјоделец IPNI и силната организација за поддршка на земјоделците Community Solutions International, ова истражување не би било можно“.Тој ја истакна важноста на мултидисциплинарната соработка и ги балансираше напорите на засегнатите страни.Различни потреби.
Обертур од APNI рече дека моќните модели на предвидување можат да им користат на земјоделците и истражувачите и да промовираат понатамошна соработка.
Obertoor рече: „Ако сте земјоделец кој собира податоци во исто време, треба да постигнете опипливи резултати“.„Овој модел може да им обезбеди на земјоделците корисни информации и може да помогне да се поттикне собирањето податоци, бидејќи земјоделците ќе видат дека прават придонес, што носи придобивки за нивната фарма“.

suzy@lstchocolatemachine.com

www.lstchocolatemachine.com