Коли сезонні дощі приходять пізніше в Індонезію, фермери часто сприймають це як ознаку того, що не варто інвестувати в добрива для своїх культур.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) та недостатньою кількістю опадів у найближчі місяці.
Нове дослідження, опубліковане в «Science Reports», показує, що ENSO – це цикл деформації погоди, що потепління та похолодання вздовж Тихого океану вздовж екватора, і потужний прогноз на період до двох років до збирання какао-дерева.
Це може бути гарною новиною для дрібних фермерів, науковців і світової шоколадної промисловості.Можливість заздалегідь передбачити розмір врожаю може вплинути на рішення щодо інвестицій у фермерські господарства, покращити програми дослідження тропічних культур та зменшити ризики та невизначеність у шоколадній промисловості.
Дослідники кажуть, що той самий метод, який поєднує передове машинне навчання з суворим короткостроковим збором даних про звичаї та врожайність фермерів, також можна застосувати до інших культур, що залежать від дощу, включаючи каву та оливки.
Томас Обертур, співавтор і бізнес-розробник Африканського інституту харчування рослин (APNI) у Марокко, сказав: «Ключова інновація цього дослідження полягає в тому, що ви можете ефективно замінити дані про погоду даними ENSO».«Використовуючи цей метод, ви можете досліджувати все, що стосується ENSO.Посіви з виробничими відносинами».
Близько 80% світової орної землі залежить від прямих опадів (на відміну від зрошення), на які припадає близько 60% загального виробництва.Однак у багатьох із цих районів дані про кількість опадів є рідкісними та дуже мінливими, що ускладнює адаптацію науковців, політиків та груп фермерів до змін погоди.
У цьому дослідженні дослідники використовували тип машинного навчання, який не вимагає записів погоди з індонезійських какаоферм, які беруть участь у дослідженні.
Натомість вони покладалися на дані про внесення добрив, урожайність та тип ферми.Вони підключили ці дані до байєсівської нейронної мережі (BNN) і виявили, що етап ENSO передбачав 75% зміни врожайності.
Іншими словами, у більшості випадків у дослідженні температура поверхні моря в Тихому океані може точно передбачити врожай какао-бобів.У деяких випадках можна зробити точні прогнози за 25 місяців до збору врожаю.
Для початку зазвичай можна відзначити модель, яка може точно передбачити 50% змін у виробництві.Така точність довгострокового прогнозу врожайності зустрічається рідко.
Співавтор і почесний дослідник альянсу Джеймс Кок сказав: «Це дозволяє нам накладати різні методи управління на фермі, такі як системи внесення добрив, і робити висновки про ефективні втручання з високою впевненістю.«Міжнародна організація з біорізноманіття та CIAT.«Це загальний перехід до дослідження операцій».
Кок, фізіолог рослин, сказав, що, хоча рандомізовані контрольовані дослідження (РКД), як правило, вважаються золотим стандартом для досліджень, ці випробування є дорогими і тому зазвичай неможливими в тропічних сільськогосподарських регіонах, що розвиваються.Використовуваний тут метод набагато дешевший, не вимагає дорогого збору погодних записів і дає корисні вказівки щодо того, як краще управляти посівами в умовах зміни погоди.
Аналітик даних і провідний автор дослідження Росс Чепмен (Ross Chapman) пояснив деякі з ключових переваг методів машинного навчання перед традиційними методами аналізу даних.
Чепмен сказав: «Модель BNN відрізняється від стандартної регресійної моделі, оскільки алгоритм приймає вхідні змінні (наприклад, температура поверхні моря та тип ферми), а потім автоматично «вчиться» розпізнавати реакцію інших змінних (наприклад, урожайність). — сказав Чепмен.«Основний процес, який використовується в процесі навчання, такий самий, як і процес, коли людський мозок навчається розпізнавати об’єкти та закономірності з реального життя.Навпаки, стандартна модель вимагає ручного контролю різних змінних за допомогою штучно створених рівнянь».
Хоча за відсутності погодних даних машинне навчання може призвести до кращого прогнозування врожайності, якщо моделі машинного навчання можуть працювати належним чином, науковцям (або самим фермерам) все одно потрібно точно зібрати певну інформацію про виробництво та зробити ці дані легкодоступними.
Для індонезійської ферми какао в цьому дослідженні фермери стали частиною програми навчання передового досвіду для великої шоколадної компанії.Вони відстежують такі вхідні дані, як внесення добрив, вільно обмінюються цими даними для аналізу та ведуть акуратні записи в місцевому організованому Міжнародному інституті харчування рослин (IPNI) для використання дослідниками.
Крім того, раніше вчені розділили свої господарства на десять подібних груп зі схожим рельєфом і ґрунтовими умовами.Для побудови 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, отримані цією неблагополучною групою, можуть захистити її від інвестиційних втрат, які зазвичай виникають за несприятливих погодних умов.
Завдяки співпраці з дослідниками їхні знання тепер можна якимось 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 міждисциплінарної 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.
Обертур 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, оскільки фермери побачать, що вони роблять внесок, який приносить користь їхньому господарству».

suzy@lstchocolatemachine.com

www.lstchocolatemachine.com