Коли сезонні дощі починаються пізніше в Індонезії, фермери часто сприймають це як ознаку того, що не варто інвестувати в добрива для своїх посівів.Іноді вони вирішують взагалі не садити однорічні культури.Зазвичай вони приймають правильне рішення, оскільки пізній початок сезону дощів зазвичай пов’язаний із станом південного коливання Ель-Ніньо (ENSO) і недостатньою кількістю опадів у найближчі місяці.
Нове дослідження, опубліковане в «Science Reports», показує, що ENSO — це цикл погодних деформацій потепління та похолодання вздовж Тихого океану вздовж екватора, а також потужний прогноз на термін до двох років до того, як буде зібрано какао-дерево.
Це може бути гарною новиною для дрібних фермерів, науковців і світової шоколадної промисловості.Здатність заздалегідь передбачити розмір урожаю може вплинути на інвестиційні рішення ферми, покращити програми дослідження тропічних культур і зменшити ризики та невизначеність у шоколадній промисловості.
Дослідники кажуть, що той самий метод, який поєднує передове машинне навчання з суворим короткостроковим збором даних про фермерські звичаї та врожайність, також можна застосувати до інших залежних від дощу культур, включаючи каву та оливки.
Томас Обертур, співавтор і бізнес-розробник Африканського інституту живлення рослин (APNI) у Марокко, сказав: «Ключовою інновацією цього дослідження є те, що ви можете ефективно замінити дані про погоду даними ENSO».«Використовуючи цей метод, ви можете досліджувати все, що стосується ENSO.Культури з виробничими відносинами».
Близько 80% світових орних земель залежать від прямих опадів (на відміну від зрошення), на які припадає близько 60% загального виробництва.Однак у багатьох із цих регіонів дані про кількість опадів є рідкісними та дуже мінливими, що ускладнює вченим, політикам і групам фермерів адаптацію до змін погоди.
У цьому дослідженні дослідники використовували тип машинного навчання, який не вимагає записів про погоду з індонезійських какао-ферм, які беруть участь у дослідженні.
Натомість вони покладалися на дані про внесення добрив, врожайність і тип ферми.Вони підключили ці дані до байєсівської нейронної мережі (BNN) і виявили, що стадія ENSO передбачила 75% зміни врожайності.
Іншими словами, у більшості випадків дослідження температура поверхні моря в Тихому океані дозволяє точно передбачити врожай какао-бобів.У деяких випадках точні прогнози можна зробити за 25 місяців до збору врожаю.
Для початку, як правило, можна відзначити модель, яка може точно передбачити 50% змін у виробництві.Така точність довгострокового прогнозу врожайності зустрічається рідко.
Співавтор альянсу та почесний дослідник Джеймс Кок сказав: «Це дозволяє нам накладати різні практики управління на фермі, такі як системи удобрення, і з високою впевненістю робити висновок про ефективні втручання.«Міжнародна організація біорізноманіття та CIAT.«Це загальний перехід до дослідження операцій».
Кок, фізіолог рослин, сказав, що хоча рандомізовані контрольовані випробування (РКД) зазвичай вважаються золотим стандартом для досліджень, ці випробування є дорогими і тому зазвичай неможливі в регіонах, що розвиваються, тропічних сільськогосподарських регіонах.Метод, який тут використовується, набагато дешевший, не вимагає дорогого збору даних про погоду та дає корисні вказівки щодо того, як краще керувати посівами за мінливої ​​погоди.
Аналітик даних і провідний автор дослідження Росс Чепмен (Ross Chapman) пояснив деякі ключові переваги методів машинного навчання перед традиційними методами аналізу даних.
Чепмен сказав: «Модель BNN відрізняється від стандартної регресійної моделі, оскільки алгоритм приймає вхідні змінні (такі як температура поверхні моря та тип ферми), а потім автоматично «вчиться» розпізнавати реакцію інших змінних (таких як урожайність), – сказав Чепмен.«Основний процес, який використовується в процесі навчання, такий самий, як процес, під час якого людський мозок вчиться розпізнавати об’єкти та шаблони з реального життя.Навпаки, стандартна модель вимагає ручного контролю різних змінних за допомогою штучно створених рівнянь».
Хоча за відсутності даних про погоду машинне навчання може сприяти кращому прогнозуванню врожайності, якщо моделі машинного навчання можуть працювати належним чином, вченим (або самим фермерам) все одно потрібно точно збирати певну інформацію про виробництво та робити ці дані легкодоступними.
Для індонезійської какао-ферми в цьому дослідженні фермери стали частиною програми передового досвіду для великої шоколадної компанії.Вони відстежують такі вхідні дані, як внесення добрив, вільно діляться цими даними для аналізу та ведуть акуратні записи в організованому місцевому Міжнародному інституті живлення рослин (IPNI) для використання дослідниками.
Крім того, раніше вчені розділили свої ферми на десять схожих груп зі схожим рельєфом і ґрунтовими умовами.Для створення моделі дослідники використали дані про врожай, внесення добрив і врожайність з 2013 по 2018 рік.
Знання, отримані виробниками какао, дають їм впевненість у тому, як і коли інвестувати в добрива.Агрономічні навички, набуті цією неблагополучною групою, можуть захистити їх від інвестиційних втрат, які зазвичай відбуваються за несприятливих погодних умов.
Завдяки їхній співпраці з дослідниками, їхні знання тепер можна певним чином поділитися з виробниками інших культур в інших частинах світу.
Корк сказав: «Без спільних зусиль відданого фермеру IPNI та сильної організації підтримки фермерів Community Solutions International це дослідження було б неможливим».Він наголосив на важливості мультидисциплінарної співпраці та збалансував зусилля зацікавлених сторін.Різні потреби.
Обертур з APNI сказав, що потужні прогнозні моделі можуть принести користь фермерам і дослідникам і сприяти подальшій співпраці.
Обертор сказав: «Якщо ви фермер, який одночасно збирає дані, вам потрібно досягти відчутних результатів».«Ця модель може надати фермерам корисну інформацію та може допомогти стимулювати збір даних, тому що фермери бачитимуть, що вони роблять внесок, який приносить користь їхній фермі».

suzy@lstchocolatemachine.com

www.lstchocolatemachine.com