Kad Indonēzijā sezonālās lietusgāzes ierodas vēlāk, lauksaimnieki to bieži uztver kā zīmi, ka nav vērts ieguldīt savu ražu mēslošanas līdzekļos.Dažreiz viņi izvēlas viengadīgo kultūru nestādīt vispār.Parasti viņi pieņem pareizo lēmumu, jo lietus sezonas vēlais sākums parasti ir saistīts ar El Niño dienvidu svārstību (ENSO) stāvokli un nepietiekamu nokrišņu daudzumu turpmākajos mēnešos.
Jaunais pētījums, kas publicēts “Science Reports”, liecina, ka ENSO ir laikapstākļu deformācijas cikls, kurā notiek sasilšana un atdzišana gar Kluso okeānu gar ekvatoru, un spēcīga prognoze līdz diviem gadiem pirms kakao koka novākšanas.
Tās var būt labas ziņas sīkzemniekiem, zinātniekiem un globālajai šokolādes industrijai.Iespēja iepriekš paredzēt ražas lielumu var ietekmēt saimniecību investīciju lēmumus, uzlabot tropu kultūru pētniecības programmas un samazināt riskus un neskaidrības šokolādes nozarē.
Pētnieki saka, ka to pašu metodi, kas apvieno progresīvu mašīnmācīšanos ar stingru īstermiņa datu vākšanu par lauksaimnieku paražām un ražu, var izmantot arī citām no lietus atkarīgām kultūrām, tostarp kafijai un olīvām.
Marokas Āfrikas augu uztura institūta (APNI) līdzautors un biznesa attīstītājs Thomas Oberthür teica: "Šī pētījuma galvenais jauninājums ir tas, ka jūs varat efektīvi aizstāt laikapstākļu datus ar ENSO datiem."“Izmantojot šo metodi, jūs varat izpētīt jebko, kas saistīts ar ENSO.Kultūraugi ar ražošanas attiecībām.
Apmēram 80% pasaules aramzemes ir atkarīga no tiešiem nokrišņiem (pretstatā apūdeņošanai), kas veido aptuveni 60% no kopējās produkcijas.Tomēr daudzos no šiem apgabaliem dati par nokrišņiem ir reti un ļoti mainīgi, tāpēc zinātniekiem, politikas veidotājiem un lauksaimnieku grupām ir grūti pielāgoties laikapstākļu izmaiņām.
Šajā pētījumā pētnieki izmantoja mašīnmācības veidu, kas neprasa laikapstākļu ierakstus no Indonēzijas kakao fermām, kas piedalījās pētījumā.
Tā vietā viņi paļāvās uz datiem par mēslojuma izmantošanu, ražu un saimniecības veidu.Viņi pievienoja šos datus Bayesian neironu tīklam (BNN) un atklāja, ka ENSO posms paredzēja 75% no ienesīguma izmaiņām.
Citiem vārdiem sakot, vairumā gadījumu pētījumā Klusā okeāna jūras virsmas temperatūra var precīzi paredzēt kakao pupiņu ražu.Dažos gadījumos ir iespējams veikt precīzas prognozes 25 mēnešus pirms ražas novākšanas.
Iesācējiem parasti ir iespējams svinēt modeli, kas var precīzi paredzēt 50% ražošanas izmaiņas.Šāda ražas ilgtermiņa prognožu precizitāte ir reti sastopama.
Alianses līdzautors un goda pētnieks Džeimss Koks sacīja: “Tas ļauj mums saimniecībā uzklāt dažādas pārvaldības prakses, piemēram, mēslošanas sistēmas, un ar lielu pārliecību secināt par efektīvu iejaukšanos.“Starptautiskā bioloģiskās daudzveidības organizācija un CIAT."Šī ir vispārēja pāreja uz operāciju izpēti."
Koks, augu fiziologs, teica, ka, lai gan randomizēti kontrolēti pētījumi (RCT) parasti tiek uzskatīti par pētniecības zelta standartu, šie izmēģinājumi ir dārgi un tāpēc parasti neiespējami jaunattīstības tropu lauksaimniecības reģionos.Šeit izmantotā metode ir daudz lētāka, neprasa dārgu laikapstākļu ierakstu vākšanu un sniedz noderīgus norādījumus, kā labāk pārvaldīt ražu mainīgos laikapstākļos.
Datu analītiķis un pētījuma vadošais autors Ross Čepmens (Ross Čepmens) izskaidroja dažas no galvenajām mašīnmācīšanās metožu priekšrocībām salīdzinājumā ar tradicionālajām datu analīzes metodēm.
Čepmens teica: "BNN modelis atšķiras no standarta regresijas modeļa, jo algoritms ņem ievades mainīgos (piemēram, jūras virsmas temperatūru un fermas veidu) un pēc tam automātiski" iemācās" atpazīt citu mainīgo (piemēram, ražas) reakciju. "Čepmens sacīja.“Mācību procesā izmantotais pamatprocess ir tāds pats kā process, kurā cilvēka smadzenes mācās atpazīt objektus un modeļus no reālās dzīves.Gluži pretēji, standarta modelim ir nepieciešama dažādu mainīgo manuāla uzraudzība, izmantojot mākslīgi ģenerētus vienādojumus.
Lai gan, ja nav datu par laikapstākļiem, mašīnmācīšanās var nodrošināt labākas ražas prognozes, ja mašīnmācīšanās modeļi var darboties pareizi, zinātniekiem (vai pašiem lauksaimniekiem) joprojām ir precīzi jāapkopo noteikta ražošanas informācija un šie dati ir viegli pieejami.
Šajā pētījumā Indonēzijas kakao audzētavas lauksaimnieki ir kļuvuši par daļu no paraugprakses apmācības programmas lielam šokolādes uzņēmumam.Viņi izseko ievades datus, piemēram, mēslošanas līdzekļu izmantošanu, brīvi koplieto šos datus analīzei un veic kārtīgu uzskaiti vietējā organizētajā Starptautiskajā augu uztura institūtā (IPNI), lai pētnieki varētu to izmantot.
Turklāt zinātnieki iepriekš savas saimniecības sadalīja desmit līdzīgās grupās ar līdzīgu reljefu un augsnes apstākļiem.Lai izveidotu modeli, pētnieki izmantoja ražas, mēslojuma un ražas datus no 2013. līdz 2018. gadam.
Kakao audzētāju iegūtās zināšanas dod viņiem pārliecību par to, kā un kad ieguldīt mēslošanas līdzekļos.Šīs nelabvēlīgās grupas iegūtās agronomiskās prasmes var pasargāt viņus no investīciju zaudējumiem, kas parasti rodas nelabvēlīgos laikapstākļos.
Pateicoties viņu sadarbībai ar pētniekiem, viņu zināšanas tagad var kaut kādā veidā dalīties ar citu kultūru audzētājiem citās pasaules daļās.
Korks sacīja: "Bez īpašā lauksaimnieka IPNI un spēcīgās lauksaimnieku atbalsta organizācijas Community Solutions International kopīgiem centieniem šis pētījums nebūtu iespējams."Viņš uzsvēra daudznozaru sadarbības nozīmi un līdzsvaroja ieinteresēto pušu centienus.Dažādas vajadzības.
APNI Oberthür teica, ka spēcīgi prognozēšanas modeļi var dot labumu lauksaimniekiem un pētniekiem un veicināt turpmāku sadarbību.
Obertūrs teica: "Ja esat lauksaimnieks, kurš vienlaikus vāc datus, jums ir jāsasniedz taustāmi rezultāti.""Šis modelis var sniegt lauksaimniekiem noderīgu informāciju un var palīdzēt stimulēt datu vākšanu, jo lauksaimnieki redzēs, ka viņi dara savu ieguldījumu, kas nes labumu viņu saimniecībai."

suzy@lstchocolatemachine.com

www.lstchocolatemachine.com