Когато сезонните дъждове пристигат по-късно в Индонезия, фермерите често приемат това като знак, че не си струва да инвестират в торове за техните 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 Южното колебание на 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 екватора и мощна прогноза за до две години преди какаовото дърво да бъде събрано.
Това може да е добра новина за дребните фермери, учени и световната шоколадова индустрия.Възможността за предварително предвиждане на размера на реколтата 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 за обичаите и добивите на земеделските производители, може да се приложи и към други зависещи от дъжда култури, включително кафе и маслини.
Томас Обертюр, съавтор и бизнес разработчик на Африканския институт по 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 напояването), което представлява около 60% от общото производство.Въпреки това, в много от тези области данните за валежите са оскъдни и силно променливи, което затруднява адаптирането на учените, политиците и групите на фермерите 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 установиха, че етапът на ENSO предвижда 75% от промяната в добива.
С други думи, в повечето случаи в изследването температурата на морската повърхност на Тихия океан може точно да предскаже реколтата от какаови зърна.В някои случаи е възможно да се правят точни прогнози 25 месеца преди прибиране на реколтата.
Като за начало обикновено е възможно да се празнува модел, който може точно да предвиди 50% промяна в производството.Този вид точност на дългосрочната прогноза на реколтата се среща рядко.
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 увереност.„Международна организация за биоразнообразие и CIAT."Това е цялостна промяна към оперативните изследвания."
Кок, физиолог на растенията, каза, че въпреки че рандомизираните контролирани проучвания (RCT) обикновено се считат за златен стандарт за изследвания, тези проучвания 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 данни и предоставя полезни насоки как да управлявате по-добре 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 взема входни променливи (като температура на морската повърхност и тип ферма) и след това автоматично се „научава“ да разпознава реакцията на други променливи (като добив на култури), “, каза Чапман.„Основният процес, използван в процеса на обучение, е същият като процеса, 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 данни за времето, машинното обучение може да доведе до по-добри прогнози за реколтата, ако моделите за 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 програма за обучение за най-добри практики за голяма компания за производство на шоколад.Те проследяват входящи данни, като например прилагане на торове, свободно споделят тези данни за анализ и поддържат изрядни записи в местния организиран Международен институт по хранене на растенията (IPNI), за да могат изследователите да използват.
Освен това учените по-рано 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.
Познанията, 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 възникват при неблагоприятни метеорологични условия.
Благодарение на тяхното сътрудничество 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 събира данни едновременно, 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 тяхното стопанство.

suzy@lstchocolatemachine.com

www.lstchocolatemachine.com