Когато сезонните дъждове пристигнат по-късно в Индонезия, фермерите често го приемат като знак, че не си струва да инвестират в торове за своите култури.Понякога те избират изобщо да не засаждат едногодишни култури.Обикновено те вземат правилното решение, тъй като късното начало на дъждовния сезон обикновено е свързано със състоянието на южната осцилация Ел Ниньо (ENSO) и недостатъчните валежи през следващите месеци.
Новото изследване, публикувано в „Science Reports“, показва, че ENSO е цикъл на деформация на времето на затопляне и охлаждане по протежение на Тихия океан по протежение на екватора и мощна прогноза за период до две години преди какаовото дърво да бъде събрано.
Това може да е добра новина за дребните фермери, учените и световната шоколадова индустрия.Способността да се предвиди размерът на реколтата предварително може да повлияе на решенията за инвестиции във фермата, да подобри програмите за изследване на тропическите култури и да намали рисковете и несигурността в шоколадовата индустрия.
Изследователите казват, че същият метод, който съчетава усъвършенствано машинно обучение със стриктно краткосрочно събиране на данни относно обичаите и добивите на фермерите, може да се приложи и към други зависещи от дъжд култури, включително кафе и маслини.
Томас Обертур, съавтор и бизнес разработчик на Африканския институт за хранене на растенията (APNI) в Мароко, каза: „Ключовата иновация на това изследване е, че можете ефективно да замените данните за времето с данни от ENSO.“„Използвайки този метод, можете да изследвате всичко, свързано с ENSO.Култури с производствени отношения.”
Около 80% от обработваемата земя в света разчита на директни валежи (за разлика от напояване), което представлява около 60% от общото производство.В много от тези райони обаче данните за валежите са оскъдни и силно променливи, което затруднява адаптирането на учените, политиците и фермерските групи към промените във времето.
В това проучване изследователите са използвали тип машинно обучение, което не изисква метеорологични записи от индонезийските какаови ферми, участващи в проучването.
Вместо това те разчитаха на данни за прилагане на торове, добив и тип ферма.Те включиха тези данни в Bayesian Neural Network (BNN) и откриха, че етапът на ENSO прогнозира 75% от промяната в добива.
С други думи, в повечето случаи в изследването температурата на морската повърхност на Тихия океан може точно да предвиди реколтата от какаови зърна.В някои случаи е възможно да се направят точни прогнози 25 месеца преди прибиране на реколтата.
Като за начало обикновено е възможно да се отпразнува модел, който може точно да предвиди 50% промяна в производството.Този вид дългосрочна точност на прогнозата за добивите е рядкост.
Съавторът на алианса и почетен изследовател Джеймс Кок каза: „Това ни позволява да наслагваме различни управленски практики във фермата, като системи за торене, и да извеждаме ефективни интервенции с висока степен на увереност.„Международна организация по биоразнообразие и CIAT.„Това е цялостна промяна към оперативни изследвания.“
Кок, физиолог на растенията, каза, че въпреки че рандомизираните контролирани проучвания (RCT) обикновено се считат за златен стандарт за изследване, тези опити са скъпи и следователно обикновено невъзможни в развиващите се тропически селскостопански региони.Използваният тук метод е много по-евтин, не изисква скъпо събиране на метеорологични записи и предоставя полезни насоки за това как по-добре да управлявате културите при променящо се време.
Анализаторът на данни и водещ автор на изследването Рос Чапман (Ross Chapman) обясни някои от ключовите предимства на методите за машинно обучение пред традиционните методи за анализ на данни.
Чапман каза: „Моделът BNN е различен от стандартния регресионен модел, тъй като алгоритъмът приема входни променливи (като температура на морската повърхност и тип ферма) и след това автоматично се „научава“ да разпознава отговора на други променливи (като добив на реколта), “, каза Чапман.„Основният процес, използван в процеса на обучение, е същият като процеса, при който човешкият мозък се научава да разпознава обекти и модели от реалния живот.Напротив, стандартният модел изисква ръчно наблюдение на различни променливи чрез изкуствено генерирани уравнения.
Въпреки че при липса на метеорологични данни, машинното обучение може да доведе до по-добри прогнози за добива на реколтата, ако моделите на машинно обучение могат да работят правилно, учените (или самите фермери) все още трябва да събират точно определена производствена информация и да направят тези данни лесно достъпни.
За индонезийската какаова ферма в това проучване фермерите са станали част от обучителна програма за най-добри практики за голяма шоколадова компания.Те проследяват входящи данни като прилагане на торове, свободно споделят тези данни за анализ и поддържат чисти записи в организирания на местно ниво Международен институт за хранене на растенията (IPNI), за да могат изследователите да ги използват.
Освен това учените преди това разделиха фермите си на десет подобни групи със сходна топография и почвени условия.Изследователите са използвали данните за реколтата, прилагането на торове и добива от 2013 до 2018 г., за да изградят модел.
Знанията, придобити от производителите на какао, им дават увереност как и кога да инвестират в торове.Агрономическите умения, придобити от тази група в неравностойно положение, могат да ги предпазят от инвестиционни загуби, които обикновено се случват при неблагоприятни климатични условия.
Благодарение на сътрудничеството им с изследователи, техните знания вече могат да бъдат споделени по някакъв начин с производители на други култури в други части на света.
Корк каза: „Без съвместните усилия на специализирания фермер IPNI и силната организация за подкрепа на фермерите Community Solutions International, това изследване не би било възможно.“Той подчерта важността на мултидисциплинарното сътрудничество и балансира усилията на заинтересованите страни.Различни нужди.
Обертур от APNI каза, че мощните прогнозни модели могат да бъдат от полза за фермерите и изследователите и да насърчат по-нататъшното сътрудничество.
Обертор каза: „Ако сте фермер, който същевременно събира данни, трябва да постигнете осезаеми резултати.“„Този ​​модел може да предостави на фермерите полезна информация и може да помогне за стимулиране на събирането на данни, защото фермерите ще видят, че правят принос, който носи ползи за фермата им.“

suzy@lstchocolatemachine.com

www.lstchocolatemachine.com