Kada sezonske kiše stignu kasnije u Indoneziju, farmeri to često uzimaju kao znak da se ne isplati ulagati u gnojiva za svoje usjeve.Ponekad odluče uopće ne saditi jednogodišnje usjeve.Obično donesu ispravnu odluku, jer je kasni početak kišne sezone obično vezan uz stanje južne oscilacije El Niño (ENSO) i nedovoljnu količinu oborina u nadolazećim mjesecima.
Novo istraživanje objavljeno u “Science Reports” pokazuje da je ENSO vremenski deformacijski ciklus zagrijavanja i hlađenja duž Tihog oceana uz ekvator, te snažna prognoza za do dvije godine prije nego što se stablo kakaa bere.
Ovo bi mogla biti dobra vijest za male poljoprivrednike, znanstvenike i globalnu industriju čokolade.Mogućnost unaprijed predviđanja veličine žetve može utjecati na odluke o ulaganjima u farme, 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 običajima i prinosima poljoprivrednika može primijeniti i na druge usjeve ovisne o kiši, uključujući kavu i masline.
Thomas Oberthür, koautor i poslovni razvojnik Afričkog instituta za ishranu bilja (APNI) u Maroku, rekao je: "Ključna inovacija ovog istraživanja je da možete učinkovito zamijeniti vremenske podatke s ENSO podacima."“Upotrebom ove metode možete istražiti sve što je povezano s ENSO-om.Usjevi s proizvodnim odnosima.”
Oko 80% svjetskih obradivih površina oslanja se na izravne padaline (za razliku od navodnjavanja), što čini oko 60% ukupne proizvodnje.Međutim, u mnogim od ovih područja podaci o oborinama su rijetki i vrlo varijabilni, što otežava prilagodbu znanstvenicima, kreatorima politike i skupinama poljoprivrednika na promjene vremena.
U ovoj studiji znanstvenici su koristili vrstu strojnog učenja koja ne zahtijeva vremenske zapise s indonezijskih farmi kakaa koje sudjeluju u studiji.
Umjesto toga, oslanjali su se na podatke o primjeni gnojiva, prinosu i vrsti farme.Priključili su ove podatke u Bayesovu neuronsku mrežu (BNN) i otkrili da je faza ENSO predvidjela 75% promjene prinosa.
Drugim riječima, u većini slučajeva u studiji, temperatura površine mora u Tihom oceanu može točno predvidjeti žetvu kakao zrna.U nekim slučajevima moguće je napraviti točna predviđanja 25 mjeseci prije žetve.
Za početak, obično je moguće proslaviti model koji može točno predvidjeti 50% promjene u proizvodnji.Ovakva točnost dugoročne prognoze prinosa usjeva je rijetka.
Koautor saveza i počasni istraživač James Cock rekao je: “Ovo nam omogućuje da preklopimo različite prakse upravljanja na farmi, kao što su sustavi gnojidbe, i zaključimo učinkovite intervencije s visokim povjerenjem.“Međunarodna organizacija za biološku raznolikost i CIAT."Ovo je opći pomak na istraživanje operacija."
Cock, biljni fiziolog, 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 se razlikuje od standardnog regresijskog modela jer algoritam uzima ulazne varijable (kao što su temperatura površine mora i vrsta farme), a 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 i proces kojim 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 informacije o proizvodnji i učiniti da ti podaci budu lako dostupni.
Za indonezijsko farmu kakaa u ovoj studiji, farmeri su postali dio programa obuke o najboljoj praksi za veliku tvrtku za proizvodnju čokolade.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 ih mogli koristiti istraživači.
Osim toga, znanstvenici su svoje farme prethodno podijelili u deset sličnih skupina sa sličnom topografijom i uvjetima tla.Istraživači su koristili podatke o žetvi, primjeni gnojiva i prinosu od 2013. do 2018. za izradu modela.
Znanje koje stekli uzgajivači kakaa daje im povjerenje 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 javljaju 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 predanog poljoprivrednika IPNI-ja i snažne organizacije za podršku poljoprivrednicima Community Solutions International, ovo istraživanje ne bi bilo moguće."Istaknuo je važnost multidisciplinarne suradnje i uravnotežio napore dionika.Različite potrebe.
Oberthür iz APNI-a rekao je da moćni prediktivni modeli mogu koristiti poljoprivrednicima i istraživačima te promicati daljnju suradnju.
Obertoor je rekao: "Ako ste poljoprivrednik koji istovremeno prikuplja podatke, morate postići opipljive rezultate."“Ovaj model može poljoprivrednicima pružiti korisne informacije i može pomoći u poticanju prikupljanja podataka, jer će farmeri vidjeti da oni rade kako bi dali doprinos, što donosi dobrobit njihovoj farmi.”

suzy@lstchocolatemachine.com

www.lstchocolatemachine.com