Kiedy w Indonezji pojawiają się sezonowe deszcze, rolnicy często odbierają to jako znak, że nie warto inwestować w nawozy do swoich upraw.Czasami w ogóle decydują się nie sadzić roślin jednorocznych.Zwykle podejmują właściwą decyzję, gdyż późne rozpoczęcie pory deszczowej jest zwykle związane ze stanem południowej oscylacji El Niño (ENSO) i niewystarczającą ilością opadów w nadchodzących miesiącach.
Nowe badania opublikowane w „Science Reports” pokazują, że ENSO to cykl deformacji pogody obejmujący ocieplenie i ochłodzenie wzdłuż Pacyfiku wzdłuż równika oraz potężna prognoza na okres do dwóch lat przed zbiorami drzewa kakaowego.
Może to być dobra wiadomość dla drobnych rolników, naukowców i światowego przemysłu czekoladowego.Możliwość przewidzenia wielkości zbiorów z wyprzedzeniem może wpłynąć na decyzje inwestycyjne gospodarstw rolnych, ulepszyć programy badawcze dotyczące upraw tropikalnych oraz zmniejszyć ryzyko i niepewność w branży czekoladowej.
Naukowcy twierdzą, że tę samą metodę, która łączy zaawansowane uczenie maszynowe ze ścisłym, krótkoterminowym gromadzeniem danych na temat zwyczajów rolników i plonów, można również zastosować w przypadku innych upraw zależnych od deszczu, w tym kawy i oliwek.
Thomas Oberthür, współautor i specjalista ds. rozwoju biznesu w Afrykańskim Instytucie Żywienia Roślin (APNI) w Maroku, powiedział: „Kluczową innowacją tego badania jest to, że można skutecznie zastąpić dane pogodowe danymi ENSO”.„Dzięki tej metodzie możesz zbadać wszystko, co jest związane z ENSO.Uprawy ze stosunkami produkcyjnymi.”
Około 80% światowych gruntów ornych opiera się na bezpośrednich opadach deszczu (w przeciwieństwie do nawadniania), co stanowi około 60% całkowitej produkcji.Jednak na wielu z tych obszarów dane dotyczące opadów są skąpe i bardzo zmienne, co utrudnia naukowcom, decydentom i grupom rolników dostosowanie się do zmian pogody.
W tym badaniu naukowcy wykorzystali rodzaj uczenia maszynowego, który nie wymaga rejestrowania pogody z indonezyjskich plantacji kakao biorących udział w badaniu.
Zamiast tego oparli się na danych dotyczących stosowania nawozów, plonów i rodzaju gospodarstwa.Podłączyli te dane do Bayesowskiej Sieci Neuronowej (BNN) i odkryli, że etap ENSO przewidział 75% zmiany wydajności.
Innymi słowy, w większości przypadków objętych badaniem temperatura powierzchni Oceanu Spokojnego pozwala dokładnie przewidzieć zbiory ziaren kakaowych.W niektórych przypadkach możliwe jest dokonanie dokładnych przewidywań na 25 miesięcy przed zbiorami.
Na początek zwykle można pochwalić model, który potrafi dokładnie przewidzieć 50% zmianę produkcji.Tego rodzaju długoterminowa dokładność prognoz plonów jest rzadkością.
Współautor sojuszu i honorowy badacz James Cock powiedział: „Dzięki temu możemy nałożyć na siebie różne praktyki zarządzania w gospodarstwie, takie jak systemy nawożenia, i z dużą pewnością wywnioskować skuteczne interwencje.„Międzynarodowa Organizacja Różnorodności Biologicznej i CIAT.„Jest to ogólne przejście w stronę badań operacyjnych”.
Cock, fizjolog roślin, powiedział, że chociaż randomizowane badania kontrolowane (RCT) są ogólnie uważane za złoty standard w badaniach, są one drogie i dlatego zwykle niemożliwe w rozwijających się tropikalnych regionach rolniczych.Zastosowana metoda jest znacznie tańsza, nie wymaga kosztownego gromadzenia danych pogodowych i dostarcza przydatnych wskazówek, jak lepiej zarządzać uprawami przy zmiennej pogodzie.
Analityk danych i główny autor badania Ross Chapman (Ross Chapman) wyjaśnił niektóre kluczowe zalety metod uczenia maszynowego w porównaniu z tradycyjnymi metodami analizy danych.
Chapman powiedział: „Model BNN różni się od standardowego modelu regresji, ponieważ algorytm pobiera zmienne wejściowe (takie jak temperatura powierzchni morza i rodzaj gospodarstwa), a następnie automatycznie „uczy się” rozpoznawać reakcję innych zmiennych (takich jak plony), – powiedział Chapman.„Podstawowy proces stosowany w procesie uczenia się jest taki sam, jak proces, którego ludzki mózg uczy się rozpoznawać obiekty i wzorce z prawdziwego życia.Wręcz przeciwnie, model standardowy wymaga ręcznego nadzoru różnych zmiennych za pomocą sztucznie generowanych równań.
Chociaż w przypadku braku danych o pogodzie uczenie maszynowe może prowadzić do lepszych przewidywań plonów, jeśli modele uczenia maszynowego mogą działać prawidłowo, naukowcy (lub sami rolnicy) nadal muszą dokładnie gromadzić pewne informacje o produkcji i udostępniać te dane.
W przypadku indonezyjskiej plantacji kakao objętej tym badaniem rolnicy uczestniczyli w programie szkoleniowym dotyczącym najlepszych praktyk dla dużej firmy produkującej czekoladę.Śledzą dane wejściowe, takie jak stosowanie nawozów, swobodnie udostępniają te dane do analizy i prowadzą schludną dokumentację w lokalnym, zorganizowanym Międzynarodowym Instytucie Żywienia Roślin (IPNI), do wykorzystania przez badaczy.
Ponadto naukowcy wcześniej podzielili swoje gospodarstwa na dziesięć podobnych grup o podobnej topografii i warunkach glebowych.Do zbudowania modelu badacze wykorzystali dane dotyczące zbiorów, stosowania nawozów i plonów w latach 2013–2018.
Wiedza zdobyta przez plantatorów kakao daje im pewność, jak i kiedy inwestować w nawozy.Umiejętności agronomiczne nabyte przez tę grupę w niekorzystnej sytuacji mogą uchronić ją przed stratami inwestycyjnymi, które zwykle występują w przypadku niesprzyjających warunków pogodowych.
Dzięki współpracy z badaczami ich wiedzą można teraz w jakiś sposób dzielić się z plantatorami innych upraw w innych częściach świata.
Cork powiedział: „Bez wspólnych wysiłków oddanego rolnika IPNI i silnej organizacji wspierającej rolników Community Solutions International te badania nie byłyby możliwe”.Podkreślił znaczenie współpracy multidyscyplinarnej i zrównoważył wysiłki interesariuszy.Różne potrzeby.
Oberthür z APNI powiedział, że skuteczne modele predykcyjne mogą przynieść korzyści rolnikom i badaczom oraz promować dalszą współpracę.
Obertoor powiedział: „Jeśli jesteś rolnikiem, który jednocześnie gromadzi dane, musisz osiągnąć wymierne rezultaty”.„Ten model może zapewnić rolnikom przydatne informacje i zachęcić do gromadzenia danych, ponieważ rolnicy zobaczą, że wnoszą wkład, który przynosi korzyści ich gospodarstwu”.

suzy@lstchocolatemachine.com

www.lstchocolamatemachine.com