Kada sezonske kiše stignu kasnije u Indoneziju, farmeri to često shvate kao znak da se ne isplati ulagati u gnojiva za njihove usjeve.Ponekad odluče uopće ne saditi jednogodišnje usjeve.Obično donesu pravu odluku, jer je kasni početak kišne sezone obično povezan sa stanjem El Niño južne oscilacije (ENSO) i nedovoljnom količinom oborina u nadolazećim mjesecima.
Novo istraživanje objavljeno u “Science Reports” pokazuje da je ENSO ciklus vremenskih deformacija zagrijavanja i hlađenja duž Tihog oceana duž ekvatora, te moćna prognoza do dvije godine prije berbe stabla kakaovca.
Ovo bi mogla biti dobra vijest za male poljoprivrednike, znanstvenike i globalnu industriju čokolade.Sposobnost predviđanja veličine žetve unaprijed može utjecati na odluke o ulaganju u poljoprivredu, poboljšati programe istraživanja tropskih usjeva i smanjiti rizike i neizvjesnosti u industriji čokolade.
Istraživači kažu da se ista metoda koja kombinira napredno strojno učenje sa strogim kratkoročnim prikupljanjem podataka o poljoprivrednim običajima i prinosima može primijeniti i na druge usjeve ovisne o kiši, uključujući kavu i masline.
Thomas Oberthür, koautor i razvojni djelatnik Afričkog instituta za ishranu bilja (APNI) u Maroku, rekao je: "Ključna inovacija ovog istraživanja je da vremenske podatke možete učinkovito zamijeniti ENSO podacima."“Ovom metodom možete istražiti sve što je povezano s ENSO-om.Usjevi s proizvodnim odnosima.”
Oko 80% svjetskih obradivih površina oslanja se na izravnu kišu (za razliku od navodnjavanja), što čini oko 60% ukupne proizvodnje.Međutim, u mnogim od tih područja podaci o oborinama su rijetki i vrlo promjenjivi, što znanstvenicima, kreatorima politike i grupama poljoprivrednika otežava prilagodbu promjenama vremena.
U ovoj studiji istraživači su koristili vrstu strojnog učenja koja ne zahtijeva vremenske podatke s indonezijskih farmi kakaovca koje su sudjelovale u studiji.
Umjesto toga, oslanjali su se na podatke o primjeni gnojiva, prinosu i vrsti farme.Uključili su ove podatke u Bayesovu neuronsku mrežu (BNN) i otkrili da ENSO stupanj predviđa 75% promjene u prinosu.
Drugim riječima, u većini slučajeva u studiji temperatura površine mora u Tihom oceanu može točno predvidjeti žetvu zrna kakaovca.U nekim slučajevima moguće je točno predvidjeti 25 mjeseci prije žetve.
Za početak, obično je moguće slaviti model koji može točno predvidjeti promjenu proizvodnje od 50%.Ovakva točnost dugoročne prognoze prinosa usjeva je rijetka.
Koautor saveza i počasni istraživač James Cock rekao je: “Ovo nam omogućuje da na farmi postavimo različite prakse upravljanja, kao što su sustavi gnojidbe, i zaključimo učinkovite intervencije s velikom pouzdanošću.“Međunarodna organizacija za biološku raznolikost i CIAT."Ovo je opći pomak prema operacijskom istraživanju."
Cock, fiziolog biljaka, rekao je da iako se randomizirana kontrolirana ispitivanja (RCT) općenito smatraju zlatnim standardom za istraživanje, ta su ispitivanja skupa i stoga obično nemoguća u tropskim poljoprivrednim regijama u razvoju.Metoda koja se ovdje koristi mnogo je jeftinija, ne zahtijeva skupo prikupljanje vremenskih zapisa i pruža korisne smjernice o tome kako bolje upravljati usjevima u promjenjivim vremenskim uvjetima.
Analitičar podataka i glavni autor studije Ross Chapman (Ross Chapman) objasnio je neke od ključnih prednosti metoda strojnog učenja u odnosu na tradicionalne metode analize podataka.
Chapman je rekao: "BNN model razlikuje se od standardnog regresijskog modela jer algoritam uzima ulazne varijable (kao što su temperatura površine mora i tip farme) i zatim automatski 'uči' prepoznati odgovor drugih varijabli (kao što je prinos usjeva), “, rekao je Chapman.“Osnovni proces koji se koristi u procesu učenja isti je kao proces u kojem ljudski mozak uči prepoznavati predmete i obrasce iz stvarnog života.Naprotiv, standardni model zahtijeva ručni nadzor različitih varijabli putem umjetno generiranih jednadžbi.”
Iako u nedostatku vremenskih podataka, strojno učenje može dovesti do boljih predviđanja prinosa usjeva, ako modeli strojnog učenja mogu ispravno funkcionirati, znanstvenici (ili sami poljoprivrednici) i dalje trebaju točno prikupiti određene podatke o proizvodnji i učiniti te podatke lako dostupnima.
Za indonezijsku farmu kakaovca u ovoj studiji, farmeri su postali dio programa obuke iz najbolje prakse za veliku čokoladnu tvrtku.Oni prate unose kao što je primjena gnojiva, slobodno dijele te podatke za analizu i vode urednu evidenciju u lokalno organiziranom Međunarodnom institutu za ishranu bilja (IPNI) kako bi je mogli koristiti istraživači.
Osim toga, znanstvenici su svoje farme prethodno podijelili u deset sličnih grupa sa sličnom topografijom i uvjetima tla.Istraživači su koristili podatke o žetvi, primjeni gnojiva i prinosu od 2013. do 2018. kako bi izradili model.
Stečeno znanje uzgajivača kakaovca daje im sigurnost u to kako i kada ulagati u gnojiva.Agronomske vještine koje je stekla ova skupina u nepovoljnom položaju mogu ih zaštititi od gubitaka ulaganja, koji se obično događaju u nepovoljnim vremenskim uvjetima.
Zahvaljujući njihovoj suradnji s istraživačima, njihovo znanje sada se na neki način može podijeliti s uzgajivačima drugih usjeva u drugim dijelovima svijeta.
Cork je rekao: "Bez zajedničkih napora IPNI-ja posvećenog poljoprivrednicima i snažne organizacije za podršku poljoprivrednicima Community Solutions International, ovo istraživanje ne bi bilo moguće."Istaknuo je važnost multidisciplinarne suradnje i balansirao napore dionika.Različite potrebe.
Oberthür iz APNI-ja rekao je da moćni prediktivni modeli mogu koristiti poljoprivrednicima i istraživačima te promicati daljnju suradnju.
Obertoor je rekao: "Ako ste poljoprivrednik koji u isto vrijeme prikuplja podatke, morate postići opipljive rezultate.""Ovaj model može poljoprivrednicima pružiti korisne informacije i može pomoći u poticanju prikupljanja podataka, jer će poljoprivrednici vidjeti da daju doprinos koji donosi dobrobit njihovom gospodarstvu."

suzy@lstchocolatemachine.com

www.lstchocolatemachine.com