Když do Indonésie později dorazí sezónní deště, farmáři to často berou jako znamení, že se nevyplatí investovat do hnojiv pro jejich plodiny.Někdy se rozhodnou nezasadit jednoleté plodiny vůbec.Obvykle se rozhodnou správně, protože pozdní začátek období dešťů obvykle souvisí se stavem jižní oscilace El Niño (ENSO) a nedostatečnými srážkami v následujících měsících.
Nový výzkum publikovaný ve „Science Reports“ ukazuje, že ENSO je cyklus deformace počasí oteplování a ochlazování podél Tichého oceánu podél rovníku a silná předpověď až na dva roky před sklizní kakaovníku.
To může být dobrá zpráva pro drobné farmáře, vědce a globální čokoládový průmysl.Schopnost předvídat velikost sklizně předem může ovlivnit rozhodnutí o investicích do farmy, zlepšit programy výzkumu tropických plodin a snížit rizika a nejistoty v čokoládovém průmyslu.
Vědci tvrdí, že stejnou metodu, která kombinuje pokročilé strojové učení s přísným krátkodobým sběrem dat o zvycích a výnosech farmářů, lze použít i na jiné plodiny závislé na dešti, včetně kávy a oliv.
Thomas Oberthür, spoluautor a obchodní vývojář Afrického institutu pro výživu rostlin (APNI) v Maroku, řekl: „Klíčovou inovací tohoto výzkumu je, že můžete efektivně nahradit data o počasí daty ENSO.“„Pomocí této metody můžete prozkoumat vše, co souvisí s ENSO.Plodiny s produkčními vztahy.“
Asi 80 % světové orné půdy závisí na přímých srážkách (na rozdíl od zavlažování), což představuje asi 60 % celkové produkce.V mnoha z těchto oblastí jsou však údaje o srážkách řídké a velmi proměnlivé, což ztěžuje vědcům, politikům a skupinám farmářů přizpůsobit se změnám počasí.
V této studii vědci použili typ strojového učení, který nevyžaduje záznamy o počasí z indonéských kakaových farem účastnících se studie.
Místo toho se spoléhali na údaje o aplikaci hnojiv, výnosu a typu farmy.Zapojili tato data do Bayesovské neuronové sítě (BNN) a zjistili, že fáze ENSO předpověděla 75% změny ve výnosu.
Jinými slovy, ve většině případů ve studii může povrchová teplota moře v Tichém oceánu přesně předpovídat sklizeň kakaových bobů.V některých případech je možné provést přesné předpovědi 25 měsíců před sklizní.
Pro začátek je obvykle možné oslavit model, který dokáže přesně předpovědět 50% změnu výroby.Tento druh dlouhodobé přesnosti předpovědi výnosů plodin je vzácný.
Spoluautor aliance a čestný výzkumník James Cock řekl: „To nám umožňuje překrývat různé manažerské postupy na farmě, jako jsou systémy hnojení, a odvodit účinné zásahy s vysokou jistotou.„Mezinárodní organizace pro biologickou rozmanitost a CIAT."Jde o celkový posun k operačnímu výzkumu."
Cock, fyziolog rostlin, řekl, že ačkoli jsou randomizované kontrolované studie (RCT) obecně považovány za zlatý standard pro výzkum, tyto studie jsou drahé, a proto v rozvojových tropických zemědělských oblastech obvykle nemožné.Zde použitá metoda je mnohem levnější, nevyžaduje drahé shromažďování záznamů o počasí a poskytuje užitečný návod, jak lépe hospodařit s plodinami v měnícím se počasí.
Datový analytik a hlavní autor studie Ross Chapman (Ross Chapman) vysvětlil některé klíčové výhody metod strojového učení oproti tradičním metodám analýzy dat.
Chapman řekl: „Model BNN se liší od standardního regresního modelu, protože algoritmus bere vstupní proměnné (jako je teplota mořské hladiny a typ farmy) a poté se automaticky „učí“ rozpoznávat odezvu dalších proměnných (jako je výnos plodiny), “ řekl Chapman.„Základní proces používaný v procesu učení je stejný jako proces, kterým se lidský mozek učí rozpoznávat předměty a vzorce ze skutečného života.Naopak standardní model vyžaduje manuální dohled nad různými proměnnými pomocí uměle generovaných rovnic.“
I když při absenci dat o počasí může strojové učení vést k lepším předpovědím výnosů plodin, pokud modely strojového učení mohou správně fungovat, vědci (nebo sami zemědělci) stále musí přesně shromažďovat určité informace o produkci a zpřístupnit tato data.
Pro indonéskou kakaovou farmu v této studii se farmáři stali součástí školícího programu osvědčených postupů pro velkou čokoládovou společnost.Sledují vstupy, jako je aplikace hnojiv, volně sdílejí tato data pro analýzu a vedou úhledné záznamy v místním organizovaném International Plant Nutrition Institute (IPNI), aby je mohli výzkumníci použít.
Vědci navíc své farmy dříve rozdělili do deseti podobných skupin s podobnou topografií a půdními podmínkami.Výzkumníci použili údaje o sklizni, aplikaci hnojiv a výnosu z let 2013 až 2018 k vytvoření modelu.
Znalosti získané pěstiteli kakaa jim dávají jistotu, jak a kdy investovat do hnojiv.Agronomické dovednosti získané touto znevýhodněnou skupinou ji mohou ochránit před investičními ztrátami, ke kterým obvykle dochází za nepříznivých povětrnostních podmínek.
Díky jejich spolupráci s výzkumníky lze nyní jejich znalosti nějakým způsobem sdílet s pěstiteli jiných plodin v jiných částech světa.
Cork řekl: "Bez společného úsilí oddaného farmáře IPNI a silné organizace na podporu farmářů Community Solutions International by tento výzkum nebyl možný."Zdůraznil význam multidisciplinární spolupráce a vyvážil úsilí zainteresovaných stran.Různé potřeby.
Oberthür z APNI uvedl, že výkonné prediktivní modely mohou být přínosem pro zemědělce a výzkumníky a podporovat další spolupráci.
Obertoor řekl: „Pokud jste farmář, který zároveň sbírá data, musíte dosáhnout hmatatelných výsledků.“"Tento model může zemědělcům poskytnout užitečné informace a může pomoci stimulovat sběr dat, protože zemědělci uvidí, že dělají příspěvek, který přináší výhody jejich farmě."

suzy@lstchocolatemachine.com

www.lstchocolatemachine.com