Kada sezonske kiše stignu kasnije u Indoneziju, farmeri to često shvataju kao znak da se ne isplati ulagati u gnojiva za njihove usjeve.Ponekad odluče da uopće ne sade jednogodišnje usjeve.Obično donesu ispravnu odluku, jer je kasni početak kišne sezone obično povezan sa stanjem južne oscilacije El Niño (ENSO) i nedovoljnim padavinama u narednim mjesecima.
Novo istraživanje objavljeno u “Science Reports” pokazuje da je ENSO vremenski deformacijski ciklus zagrijavanja i hlađenja duž Tihog okeana duž ekvatora, i snažna prognoza za do dvije godine prije nego što se drvo kakaa bere.
Ovo bi mogla biti dobra vijest za male farmere, naučnike i globalnu industriju čokolade.Sposobnost da se unaprijed predvidi veličina žetve može utjecati na odluke o investicijama u farmama, poboljšati programe istraživanja tropskih usjeva i smanjiti rizike i neizvjesnosti u industriji čokolade.
Istraživači kažu da se isti metod koji kombinuje napredno mašinsko učenje sa striktnim kratkoročnim prikupljanjem podataka o običajima i prinosima poljoprivrednika može primijeniti i na druge usjeve zavisne od kiše, uključujući kafu i masline.
Thomas Oberthür, koautor i poslovni programer Afričkog instituta za ishranu bilja (APNI) u Maroku, rekao je: “Ključna inovacija ovog istraživanja je da možete efikasno zamijeniti vremenske podatke ENSO podacima.”„Koristeći ovu metodu, možete istražiti sve što je povezano sa ENSO.Usjevi sa proizvodnim odnosima.”
Oko 80% obradivog zemljišta u svijetu se oslanja na direktne padavine (za razliku od navodnjavanja), što čini oko 60% ukupne proizvodnje.Međutim, u mnogim od ovih područja podaci o padavinama su rijetki i vrlo varijabilni, što otežava naučnicima, kreatorima politike i grupama poljoprivrednika da se prilagode promjenama vremena.
U ovoj studiji, istraživači su koristili vrstu mašinskog učenja koja ne zahtijeva vremenske zapise s indonezijskih farmi kakaa koje učestvuju u studiji.
Umjesto toga, oslanjali su se na podatke o primjeni gnojiva, prinosu i vrsti farme.Uključili su ove podatke u Bayesovu neuronsku mrežu (BNN) i otkrili da je faza ENSO predviđala 75% promjene prinosa.
Drugim riječima, u većini slučajeva u studiji, temperatura površine mora u Tihom oceanu može precizno predvidjeti žetvu kakao zrna.U nekim slučajevima moguće je napraviti tačna predviđanja 25 mjeseci prije žetve.
Za početak, obično je moguće proslaviti model koji može precizno predvidjeti 50% promjene u proizvodnji.Ovakva dugoročna tačnost prognoze prinosa je rijetka.
Koautor alijanse i počasni istraživač Džejms Kok rekao je: „Ovo nam omogućava da na farmi postavimo različite prakse upravljanja, kao što su sistemi đubrenja, i zaključimo efikasne intervencije sa visokim poverenjem.“Međunarodna organizacija za biodiverzitet i CIAT.“Ovo je sveukupni pomak na istraživanje operacija.”
Cock, biljni fiziolog, rekao je da iako se randomizirana kontrolirana ispitivanja (RCT) općenito smatraju zlatnim standardom za istraživanje, ova ispitivanja su skupa i stoga obično nemoguća u tropskim poljoprivrednim regijama u razvoju.Metoda koja se ovdje koristi je mnogo jeftinija, ne zahtijeva skupo prikupljanje vremenskih zapisa i pruža korisne smjernice o tome kako bolje upravljati usjevima u promjenjivim vremenskim prilikama.
Analitičar podataka i vodeći autor studije Ros Čepman (Ross Chapman) objasnio je neke od ključnih prednosti metoda mašinskog 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 tip 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 je isti kao i proces kojim ljudski mozak uči da prepoznaje predmete i obrasce iz stvarnog života.Naprotiv, standardni model zahtijeva ručni nadzor različitih varijabli putem umjetno generiranih jednačina.”
Iako u nedostatku vremenskih podataka, mašinsko učenje može dovesti do boljih predviđanja prinosa usjeva, ako modeli mašinskog učenja mogu ispravno raditi, naučnici (ili sami farmeri) i dalje moraju precizno prikupiti određene informacije o proizvodnji i učiniti da ti podaci budu lako dostupni.
Za indonežansku farmu kakaa u ovoj studiji, farmeri su postali dio programa obuke o najboljoj praksi za veliku čokoladnu kompaniju.Oni prate unose kao što je primjena gnojiva, slobodno dijele ove podatke za analizu i vode urednu evidenciju u lokalno organiziranom Međunarodnom institutu za ishranu bilja (IPNI) kako bi ih mogli koristiti istraživači.
Osim toga, naučnici su ranije podijelili svoje farme u deset sličnih grupa sa sličnom topografijom i uslovima tla.Istraživači su koristili podatke o žetvi, primjeni gnojiva i prinosu od 2013. do 2018. kako bi napravili model.
Znanje koje su stekli uzgajivači kakaa daje im povjerenje u to kako i kada ulagati u gnojiva.Agronomske vještine koje stekne ova grupa u nepovoljnom položaju mogu ih zaštititi od gubitaka ulaganja, koji se obično dešavaju u nepovoljnim vremenskim uvjetima.
Zahvaljujući njihovoj saradnji sa istraživačima, njihovo znanje sada se na neki način može podeliti sa uzgajivačima drugih useva u drugim delovima sveta.
Cork je rekao: „Bez zajedničkih napora posvećenog poljoprivrednika IPNI i jake organizacije za podršku poljoprivrednicima Community Solutions International, ovo istraživanje ne bi bilo moguće.”Naglasio je važnost multidisciplinarne saradnje i izbalansirao napore zainteresovanih strana.Različite potrebe.
Oberthür iz APNI-a rekao je da moćni prediktivni modeli mogu koristiti poljoprivrednicima i istraživačima i promovirati dalju saradnju.
Obertoor je rekao: “Ako ste farmer koji istovremeno prikuplja podatke, morate postići opipljive rezultate.”“Ovaj model može poljoprivrednicima pružiti korisne informacije i može pomoći u podsticanju prikupljanja podataka, jer će farmeri vidjeti da oni rade kako bi dali doprinos, što donosi koristi njihovoj farmi.”

suzy@lstchocolatemachine.com

www.lstchocolatemachine.com