Када касније у Индонезију стигну сезонске кише, фармери то често схватају као знак да не вреди улагати у ђубриво за своје усеве.Понекад одлуче да уопште не саде једногодишње усеве.Обично донесу праву одлуку, јер је касни почетак кишне сезоне обично повезан са стањем јужне осцилације Ел Нињо (ЕНСО) и недовољним падавинама у наредним месецима.
Ново истраживање објављено у "Сциенце Репортс" показује да је ЕНСО временски циклус деформације загревања и хлађења дуж Тихог океана дуж екватора, и снажна прогноза за до две године пре него што се дрво какаоа бере.
Ово може бити добра вест за мале фармере, научнике и глобалну индустрију чоколаде.Способност да се унапред предвиди величина жетве може утицати на одлуке о инвестицијама у фармама, побољшати програме истраживања тропских усева и смањити ризике и неизвесности у индустрији чоколаде.
Истраживачи кажу да се исти метод који комбинује напредно машинско учење са стриктним краткорочним прикупљањем података о обичајима и приносима пољопривредника може применити и на друге усеве зависне од кише, укључујући кафу и маслине.
Тхомас Обертхур, коаутор и пословни програмер Афричког института за исхрану биљака (АПНИ) у Мароку, рекао је: „Кључна иновација овог истраживања је да можете ефикасно заменити податке о времену са ЕНСО подацима.„Користећи ову методу, можете истражити све што је у вези са ЕНСО.Усјеви са производним односима“.
Око 80% обрадивог земљишта у свету се ослања на директне падавине (за разлику од наводњавања), што чини око 60% укупне производње.Међутим, у многим од ових области подаци о падавинама су ретки и веома варијабилни, што отежава научницима, креаторима политике и групама пољопривредника да се прилагоде променама времена.
У овој студији, истраживачи су користили врсту машинског учења која не захтева временске записе са индонежанских фарми какаоа које учествују у студији.
Уместо тога, ослањали су се на податке о примени ђубрива, приносу и типу фарме.Они су ове податке укључили у Бајесову неуронску мрежу (БНН) и открили да је фаза ЕНСО предвидела 75% промене у приносу.
Другим речима, у већини случајева у студији, температура површине мора у Тихом океану може тачно предвидети жетву какао зрна.У неким случајевима могуће је направити тачна предвиђања 25 месеци пре жетве.
За почетак, обично је могуће прославити модел који може тачно предвидети 50% промене у производњи.Оваква дугорочна тачност прогнозе приноса је ретка.
Коаутор алијансе и почасни истраживач Џејмс Кок рекао је: „Ово нам омогућава да на фарми поставимо различите праксе управљања, као што су системи ђубрења, и закључимо ефикасне интервенције са високим поверењем.„Међународна организација за биодиверзитет и ЦИАТ.„Ово је свеукупни помак на истраживање операција.“
Кок, биљни физиолог, рекао је да иако се рандомизована контролисана испитивања (РЦТ) генерално сматрају златним стандардом за истраживање, ова испитивања су скупа и стога обично немогућа у тропским пољопривредним регионима у развоју.Метода која се овде користи је много јефтинија, не захтева скупо прикупљање временских записа и пружа корисне смернице о томе како боље управљати усевима у променљивим временским условима.
Аналитичар података и водећи аутор студије Рос Чепмен (Росс Цхапман) објаснио је неке од кључних предности метода машинског учења у односу на традиционалне методе анализе података.
Цхапман је рекао: „БНН модел се разликује од стандардног регресионог модела јер алгоритам узима улазне варијабле (као што су температура површине мора и тип фарме), а затим аутоматски 'учи' да препозна одговор других варијабли (као што је принос усева), “, рекао је Цхапман.„Основни процес који се користи у процесу учења је исти као и процес којим људски мозак учи да препознаје предмете и обрасце из стварног живота.Напротив, стандардни модел захтева ручни надзор различитих варијабли кроз вештачки генерисане једначине."
Иако у недостатку временских података, машинско учење може довести до бољих предвиђања приноса усева, ако модели машинског учења могу да функционишу како треба, научници (или сами фармери) и даље треба да прецизно прикупе одређене информације о производњи и учине да ти подаци буду лако доступни.
За индонежанску фарму какаоа у овој студији, фармери су постали део програма обуке о најбољој пракси за велику компанију за производњу чоколаде.Они прате уносе као што је примена ђубрива, слободно деле ове податке за анализу и воде уредну евиденцију у локално организованом Међународном институту за исхрану биља (ИПНИ) како би их могли користити истраживачи.
Поред тога, научници су раније поделили своје фарме у десет сличних група са сличном топографијом и условима тла.Истраживачи су користили податке о жетви, примени ђубрива и приносу од 2013. до 2018. да би направили модел.
Знање које су стекли узгајивачи какаоа им даје поверење у то како и када улагати у ђубрива.Агрономске вештине које је стекла ова група у неповољном положају могу их заштитити од губитака улагања, који се обично дешавају у неповољним временским условима.
Захваљујући њиховој сарадњи са истраживачима, њихово знање се сада може на неки начин поделити са узгајивачима других усева у другим деловима света.
Корк је рекао: „Без заједничких напора посвећеног фармера ИПНИ и јаке организације за подршку пољопривредницима Цоммунити Солутионс Интернатионал, ово истраживање не би било могуће.Он је истакао значај мултидисциплинарне сарадње и уравнотежио напоре заинтересованих страна.Различите потребе.
Обертур из АПНИ-а рекао је да моћни предиктивни модели могу користити пољопривредницима и истраживачима и промовисати даљу сарадњу.
Обертоор је рекао: „Ако сте фармер који истовремено прикупља податке, морате постићи опипљиве резултате.„Овај модел може пољопривредницима пружити корисне информације и може помоћи у подстицању прикупљања података, јер ће фармери видети да они дају допринос, што доноси користи њиховој фарми.

suzy@lstchocolatemachine.com

ввв.лстцхоцолатемацхине.цом