Keď do Indonézie neskôr dorazia sezónne dažde, farmári to často berú ako znamenie, že sa im neoplatí investovať do hnojív pre ich úrodu.Niekedy sa rozhodnú nezasadiť jednoročné plodiny vôbec.Väčšinou sa rozhodnú správne, pretože neskorý začiatok obdobia dažďov zvyčajne súvisí so stavom južnej oscilácie El Niño (ENSO) a nedostatočnými zrážkami v najbližších mesiacoch.
Nový výskum publikovaný v „Science Reports“ ukazuje, že ENSO je cyklus deformácie počasia otepľovania a ochladzovania pozdĺž Tichého oceánu pozdĺž rovníka a silná predpoveď až na dva roky pred zberom kakaovníka.
To môže byť dobrá správa pre malých farmárov, vedcov a svetový čokoládový priemysel.Schopnosť predpovedať veľkosť úrody vopred môže ovplyvniť investičné rozhodnutia na farme, zlepšiť programy výskumu tropických plodín a znížiť riziká a neistoty v čokoládovom priemysle.
Výskumníci tvrdia, že rovnakú metódu, ktorá kombinuje pokročilé strojové učenie s prísnym krátkodobým zberom údajov o farmárskych zvykoch a výnosoch, možno použiť aj na iné plodiny závislé od dažďa, vrátane kávy a olív.
Thomas Oberthür, spoluautor a obchodný vývojár Afrického inštitútu výživy rastlín (APNI) v Maroku, povedal: „Kľúčovou inováciou tohto výskumu je, že môžete efektívne nahradiť údaje o počasí údajmi ENSO.“„Pomocou tejto metódy môžete preskúmať čokoľvek, čo súvisí s ENSO.Plodiny s výrobnými vzťahmi.“
Asi 80 % svetovej ornej pôdy závisí od priamych zrážok (na rozdiel od zavlažovania), čo predstavuje asi 60 % celkovej produkcie.V mnohých z týchto oblastí sú však údaje o zrážkach riedke a veľmi variabilné, čo sťažuje vedcom, politikom a farmárskym skupinám prispôsobiť sa zmenám počasia.
V tejto štúdii výskumníci použili typ strojového učenia, ktorý nevyžaduje záznamy o počasí z indonézskych kakaových fariem, ktoré sa zúčastnili na štúdii.
Namiesto toho sa spoliehali na údaje o aplikácii hnojív, výnosoch a type farmy.Zapojili tieto údaje do Bayesiánskej neurónovej siete (BNN) a zistili, že štádium ENSO predpovedalo 75 % zmeny výnosu.
Inými slovami, vo väčšine prípadov v štúdii môže povrchová teplota mora v Tichom oceáne presne predpovedať úrodu kakaových bôbov.V niektorých prípadoch je možné urobiť presné predpovede 25 mesiacov pred zberom.
Na začiatok je zvyčajne možné osláviť model, ktorý dokáže presne predpovedať 50% zmenu vo výrobe.Tento druh dlhodobej presnosti predpovedí výnosov plodín je zriedkavý.
Spoluautor a čestný výskumník aliancie James Cock povedal: „To nám umožňuje prekrývať rôzne manažérske postupy na farme, ako sú systémy hnojenia, a vyvodzovať účinné zásahy s vysokou istotou.„Medzinárodná organizácia pre biodiverzitu a CIAT."Ide o celkový posun k operačnému výskumu."
Cock, rastlinný fyziológ, povedal, že hoci sú randomizované kontrolované štúdie (RCT) vo všeobecnosti považované za zlatý štandard výskumu, tieto štúdie sú drahé, a preto zvyčajne nemožné v rozvojových tropických poľnohospodárskych oblastiach.Metóda, ktorá sa tu používa, je oveľa lacnejšia, nevyžaduje drahé zhromažďovanie záznamov o počasí a poskytuje užitočný návod, ako lepšie spravovať plodiny v meniacom sa počasí.
Dátový analytik a hlavný autor štúdie Ross Chapman (Ross Chapman) vysvetlil niektoré kľúčové výhody metód strojového učenia oproti tradičným metódam analýzy dát.
Chapman povedal: „Model BNN sa líši od štandardného regresného modelu, pretože algoritmus berie vstupné premenné (ako je teplota povrchu mora a typ farmy) a potom sa automaticky ‚učí‘ rozpoznávať odozvu iných premenných (ako je výnos plodín), “ povedal Chapman.„Základný proces používaný v procese učenia je rovnaký ako proces, ktorým sa ľudský mozog učí rozpoznávať predmety a vzory zo skutočného života.Naopak, štandardný model vyžaduje manuálny dohľad nad rôznymi premennými prostredníctvom umelo generovaných rovníc.“
Aj keď pri absencii údajov o počasí môže strojové učenie viesť k lepším predpovediam výnosov plodín, ak modely strojového učenia môžu správne fungovať, vedci (alebo samotní farmári) stále musia presne zbierať určité informácie o výrobe a sprístupniť tieto údaje.
Pre indonézsku kakaovú farmu v tejto štúdii sa farmári stali súčasťou najlepšieho tréningového programu pre veľkú čokoládovú spoločnosť.Sledujú vstupy, ako je aplikácia hnojív, voľne zdieľajú tieto údaje na analýzu a vedú prehľadné záznamy v miestnom organizovanom Medzinárodnom inštitúte výživy rastlín (IPNI), aby ich mohli výskumníci použiť.
Okrem toho vedci predtým rozdelili svoje farmy do desiatich podobných skupín s podobnou topografiou a pôdnymi podmienkami.Výskumníci použili údaje o zbere, aplikácii hnojív a výnosoch od roku 2013 do roku 2018 na vytvorenie modelu.
Poznatky získané pestovateľmi kakaa im dávajú istotu, ako a kedy investovať do hnojív.Agronomické zručnosti, ktoré táto znevýhodnená skupina nadobudne, ju môžu ochrániť pred investičnými stratami, ku ktorým zvyčajne dochádza za nepriaznivých poveternostných podmienok.
Vďaka spolupráci s výskumníkmi môžu byť ich poznatky teraz nejakým spôsobom zdieľané s pestovateľmi iných plodín v iných častiach sveta.
Cork povedal: "Bez spoločného úsilia oddaného farmára IPNI a silnej organizácie na podporu farmárov Community Solutions International by tento výskum nebol možný."Zdôraznil dôležitosť multidisciplinárnej spolupráce a vyvážil úsilie zainteresovaných strán.Rôzne potreby.
Oberthür z APNI povedal, že výkonné prediktívne modely môžu byť prínosom pre farmárov a výskumníkov a podporovať ďalšiu spoluprácu.
Obertoor povedal: „Ak ste farmár, ktorý súčasne zbiera údaje, musíte dosiahnuť hmatateľné výsledky.“„Tento model môže farmárom poskytnúť užitočné informácie a môže pomôcť stimulovať zber údajov, pretože farmári uvidia, že robia príspevok, ktorý prináša výhody ich farme.“

suzy@lstchocolatemachine.com

www.lstchocolatemachine.com