Kun kausittaiset sateet saapuvat myöhemmin Indonesiaan, maanviljelijät pitävät sitä usein merkkinä siitä, ettei sadon lannoitteisiin kannata investoida.Joskus he päättävät olla istuttamatta yksivuotisia satoja ollenkaan.Yleensä he tekevät oikean päätöksen, koska sadekauden myöhäinen alkaminen liittyy yleensä El Niño Southern Oscillationin (ENSO) tilaan ja riittämättömään sateeseen tulevina kuukausina.
"Science Reportsissa" julkaistu uusi tutkimus osoittaa, että ENSO on sään muodonmuutossykli, jossa lämpenee ja jäähtyy Tyynellämerellä pitkin päiväntasaajaa, ja voimakas ennuste jopa kahdelle vuodelle ennen kaakaopuun korjaamista.
Tämä voi olla hyvä uutinen pienviljelijöille, tutkijoille ja maailmanlaajuiselle suklaateollisuudelle.Kyky ennakoida sadon kokoa etukäteen voi vaikuttaa maatilojen investointipäätöksiin, parantaa trooppisten viljelykasvien tutkimusohjelmia ja vähentää riskejä ja epävarmuustekijöitä suklaateollisuudessa.
Tutkijat sanovat, että samaa menetelmää, joka yhdistää edistyneen koneoppimisen tiukkaan lyhyen aikavälin tiedonkeruun maanviljelijöiden tavoista ja sadoista, voidaan soveltaa myös muihin sateista riippuvaisiin viljelykasveihin, kuten kahviin ja oliiveihin.
Thomas Oberthür, Afrikan kasvien ravitsemusinstituutin (APNI) toinen kirjoittaja ja liiketoiminnan kehittäjä Marokossa, sanoi: "Tämän tutkimuksen tärkein innovaatio on, että voit tehokkaasti korvata säätiedot ENSO-tiedoilla."”Tällä menetelmällä voit tutkia kaikkea ENSO:hon liittyvää.Viljelyt tuotantosuhteiden kanssa.”
Noin 80 % maailman peltoalasta on riippuvainen suorista sateista (toisin kuin kastelu), jonka osuus on noin 60 % kokonaistuotannosta.Monilla näillä alueilla sadetiedot ovat kuitenkin niukkoja ja erittäin vaihtelevia, mikä vaikeuttaa tutkijoiden, päättäjien ja viljelijäryhmien sopeutumista sään muutoksiin.
Tässä tutkimuksessa tutkijat käyttivät sellaista koneoppimista, joka ei vaadi säätietoja tutkimukseen osallistuvilta Indonesian kaakaoviljelmiltä.
Sen sijaan he luottivat lannoitteiden levittämistä, satoa ja maatilatyyppiä koskeviin tietoihin.He liittivät nämä tiedot Bayesian Neural Networkiin (BNN) ja havaitsivat, että ENSO-vaihe ennusti 75 % tuoton muutoksesta.
Toisin sanoen, useimmissa tapauksissa tutkimuksessa Tyynenmeren merenpinnan lämpötila voi ennustaa tarkasti kaakaopapujen sadon.Joissakin tapauksissa on mahdollista tehdä tarkkoja ennusteita 25 kuukautta ennen sadonkorjuuta.
Ensinnäkin on yleensä mahdollista juhlia mallia, joka voi ennustaa tarkasti 50 prosentin muutoksen tuotannossa.Tällainen pitkän aikavälin satoennusteen tarkkuus on harvinaista.
Allianssin toinen kirjoittaja ja kunniatutkija James Cock sanoi: "Tämän avulla voimme soveltaa päällekkäin erilaisia ​​hallintakäytäntöjä tilalla, kuten lannoitusjärjestelmiä, ja päätellä tehokkaita interventioita suurella varmuudella."Kansainvälinen biologisen monimuotoisuuden järjestö ja CIAT."Tämä on yleinen muutos operaatiotutkimukseen."
Kasvifysiologi Cock sanoi, että vaikka satunnaistettuja kontrolloituja tutkimuksia (RCT) pidetään yleensä tutkimuksen kultastandardina, nämä kokeet ovat kalliita ja siksi yleensä mahdottomia kehittyvillä trooppisilla maatalousalueilla.Tässä käytetty menetelmä on paljon halvempi, ei vaadi kallista säätietueiden keräämistä ja antaa hyödyllisiä ohjeita sadon parempaan hallintaan muuttuvassa säässä.
Dataanalyytikko ja tutkimuksen johtava kirjoittaja Ross Chapman (Ross Chapman) selitti joitakin koneoppimismenetelmien keskeisiä etuja perinteisiin data-analyysimenetelmiin verrattuna.
Chapman sanoi: "BNN-malli eroaa tavallisesta regressiomallista, koska algoritmi ottaa syötemuuttujat (kuten merenpinnan lämpötilan ja maatilan tyypin) ja sitten automaattisesti"oppii" tunnistamaan muiden muuttujien vastaukset (kuten sadon). Chapman sanoi.”Oppimisprosessissa käytetty perusprosessi on sama kuin prosessi, jossa ihmisen aivot oppivat tunnistamaan esineitä ja kuvioita tosielämästä.Päinvastoin, standardimalli vaatii eri muuttujien manuaalista valvontaa keinotekoisesti luotujen yhtälöiden avulla.
Vaikka säätietojen puuttuessa koneoppiminen voi johtaa parempiin satoennusteisiin, jos koneoppimismallit voivat toimia kunnolla, tutkijoiden (tai viljelijöiden itsensä) on silti kerättävä tarkasti tiettyjä tuotantotietoja ja saatettava nämä tiedot helposti saataville.
Tässä tutkimuksessa Indonesian kaakaotilalla viljelijöistä on tullut osa suuren suklaayrityksen parhaiden käytäntöjen koulutusohjelmaa.He seuraavat syötteitä, kuten lannoitteiden levitystä, jakavat nämä tiedot vapaasti analysointia varten ja pitävät siistiä kirjaa paikallisessa järjestäytyneessä kansainvälisessä kasvinravitsemusinstituutissa (IPNI) tutkijoiden käyttöön.
Lisäksi tiedemiehet jakoivat aiemmin tilansa kymmeneen samanlaiseen ryhmään, joilla oli samanlainen topografia ja maaperä.Tutkijat käyttivät satoa, lannoitteiden levitystä ja satotietoja vuosilta 2013–2018 mallin rakentamiseen.
Kaakaonviljelijöiden saama tieto antaa heille luottamusta siihen, miten ja milloin investoida lannoitteisiin.Tämän heikommassa asemassa olevan ryhmän hankkimat agronomiset taidot voivat suojata heitä investointitappioilta, joita tapahtuu yleensä epäsuotuisissa sääolosuhteissa.
Tutkijoiden kanssa tehdyn yhteistyön ansiosta heidän tietämystään voidaan nyt jollain tavalla jakaa muiden kasvien viljelijöiden kanssa muualla maailmassa.
Cork sanoi: "Ilman omistautuneen viljelijän IPNI:n ja vahvan viljelijöiden tukijärjestön Community Solutions Internationalin yhteisiä ponnisteluja tämä tutkimus ei olisi mahdollista."Hän korosti monitieteisen yhteistyön merkitystä ja tasapainotti sidosryhmien pyrkimyksiä.Eri tarpeet.
APNI:n Oberthür sanoi, että tehokkaat ennustavat mallit voivat hyödyttää maanviljelijöitä ja tutkijoita ja edistää yhteistyötä.
Obertoor sanoi: "Jos olet viljelijä, joka kerää tietoja samanaikaisesti, sinun on saavutettava konkreettisia tuloksia.""Tämä malli voi tarjota viljelijöille hyödyllistä tietoa ja auttaa kannustamaan tiedonkeruuta, koska viljelijät näkevät tekevänsä panoksensa, mikä hyödyttää heidän tilaansa."

suzy@lstchocolatemachine.com

www.lstchocolatemachine.com