Kai Indonezijoje sezoninės liūtys atkeliauja vėliau, ūkininkai tai dažnai priima kaip ženklą, kad neverta investuoti į savo pasėlių trąšas.Kartais jie nusprendžia visai nesodinti vienmečių augalų.Paprastai jie priima teisingą sprendimą, nes vėlyva lietaus sezono pradžia dažniausiai yra susijusi su El Ninjo pietinių virpesių (ENSO) būsena ir nepakankamu kritulių kiekiu ateinančiais mėnesiais.
Naujasis tyrimas, paskelbtas "Mokslo ataskaitose", rodo, kad ENSO yra oro deformacijos ciklas, kai Ramiajame vandenyne palei pusiaują, atšilimo ir vėsinimo ciklas ir galinga prognozė iki dvejų metų, kol bus nuimtas kakavmedžio derlius.
Tai gali būti gera žinia smulkiesiems ūkininkams, mokslininkams ir pasaulinei šokolado pramonei.Galimybė iš anksto numatyti derliaus dydį gali turėti įtakos ūkių investicijų sprendimams, tobulinti atogrąžų pasėlių tyrimų programas ir sumažinti šokolado pramonės riziką bei netikrumą.
Tyrėjai teigia, kad tą patį metodą, kuris derina pažangų mašininį mokymąsi ir griežtą trumpalaikių duomenų apie ūkininkų papročius ir derlių rinkimą, galima pritaikyti ir kitoms nuo lietaus priklausomoms kultūroms, įskaitant kavą ir alyvuoges.
Thomas Oberthür, Afrikos augalų mitybos instituto (APNI) Maroke bendraautorius ir verslo kūrėjas, sakė: „Pagrindinė šio tyrimo naujovė yra ta, kad galite efektyviai pakeisti oro duomenis ENSO duomenimis.„Naudodami šį metodą galite ištirti viską, kas susiję su ENSO.Pasėliai su gamybos ryšiais“.
Apie 80 % pasaulio ariamos žemės priklauso nuo tiesioginių kritulių (priešingai nei drėkinimas), o tai sudaro apie 60 % visos produkcijos.Tačiau daugelyje šių sričių kritulių duomenys yra negausūs ir labai įvairūs, todėl mokslininkams, politikos formuotojams ir ūkininkų grupėms sunku prisitaikyti prie oro pokyčių.
Šiame tyrime mokslininkai naudojo mašininio mokymosi tipą, kuriam nereikia oro įrašų iš tyrime dalyvaujančių Indonezijos kakavos ūkių.
Vietoj to jie rėmėsi duomenimis apie trąšų naudojimą, derlių ir ūkio tipą.Jie prijungė šiuos duomenis į Bajeso neuronų tinklą (BNN) ir nustatė, kad ENSO etapas numatė 75% derliaus pokyčio.
Kitaip tariant, daugeliu atvejų tyrime Ramiojo vandenyno jūros paviršiaus temperatūra gali tiksliai numatyti kakavos pupelių derlių.Kai kuriais atvejais galima tiksliai prognozuoti likus 25 mėnesiams iki derliaus nuėmimo.
Pradedantiesiems dažniausiai galima pasidžiaugti modeliu, kuris gali tiksliai numatyti 50 % gamybos pokyčio.Toks ilgalaikis pasėlių derliaus prognozės tikslumas yra retas.
Aljanso bendraautorius ir garbės tyrinėtojas Jamesas Cockas sakė: „Tai leidžia mums taikyti skirtingas valdymo praktikas ūkyje, pavyzdžiui, tręšimo sistemas, ir su dideliu pasitikėjimu daryti išvadas apie veiksmingas intervencijas.„Tarptautinė biologinės įvairovės organizacija ir CIAT.„Tai yra bendras perėjimas prie operacijų tyrimų.
Augalų fiziologas Cockas teigė, kad nors atsitiktinių imčių kontroliuojami tyrimai (RCT) paprastai laikomi auksiniu tyrimų standartu, šie tyrimai yra brangūs ir todėl dažniausiai neįmanomi besivystančiose atogrąžų žemės ūkio regionuose.Čia naudojamas metodas yra daug pigesnis, nereikalauja brangaus oro įrašų rinkimo ir pateikia naudingų patarimų, kaip geriau tvarkyti pasėlius kintančiomis oro sąlygomis.
Duomenų analitikas ir pagrindinis tyrimo autorius Rossas Chapmanas (Rossas Chapmanas) paaiškino kai kuriuos pagrindinius mašininio mokymosi metodų pranašumus, palyginti su tradiciniais duomenų analizės metodais.
Chapmanas sakė: „BNN modelis skiriasi nuo standartinio regresijos modelio, nes algoritmas paima įvesties kintamuosius (pvz., jūros paviršiaus temperatūrą ir ūkio tipą), o tada automatiškai „išmoksta“ atpažinti kitų kintamųjų (pvz., derliaus) atsaką. “, - sakė Chapmanas.„Pagrindinis procesas, naudojamas mokymosi procese, yra toks pat, kaip procesas, kurio metu žmogaus smegenys mokosi atpažinti objektus ir modelius iš realaus gyvenimo.Priešingai, standartinis modelis reikalauja rankinio skirtingų kintamųjų stebėjimo naudojant dirbtinai sukurtas lygtis.
Nors nesant duomenų apie orą, mašininis mokymasis gali padėti geriau prognozuoti pasėlių derlių, jei mašininio mokymosi modeliai gali tinkamai veikti, mokslininkai (arba patys ūkininkai) vis tiek turi tiksliai rinkti tam tikrą informaciją apie gamybą ir padaryti šiuos duomenis lengvai prieinamus.
Šiame tyrime Indonezijos kakavos ūkyje ūkininkai tapo didelės šokolado įmonės geriausios praktikos mokymo programos dalimi.Jie seka įvestis, pvz., tręšimą, laisvai dalijasi šiais duomenimis analizei ir tvarko tvarkingus įrašus vietiniame organizuotame Tarptautiniame augalų mitybos institute (IPNI), kad galėtų juos naudoti.
Be to, anksčiau mokslininkai savo ūkius suskirstė į dešimt panašių grupių, kurių topografija ir dirvožemio sąlygos panašios.Kurdami modelį mokslininkai naudojo derliaus, trąšų naudojimo ir 2013–2018 m. derliaus duomenis.
Kakavos augintojų įgytos žinios suteikia jiems pasitikėjimo, kaip ir kada investuoti į trąšas.Šios nepalankios visuomenės grupės įgyti agronominiai įgūdžiai gali apsaugoti juos nuo investicijų nuostolių, kurie dažniausiai atsiranda nepalankiomis oro sąlygomis.
Bendradarbiaujant su mokslininkais, jų žiniomis dabar galima tam tikru būdu dalytis su kitų kultūrų augintojais kitose pasaulio dalyse.
Corkas sakė: „Be bendrų pasišventusio ūkininko IPNI ir stiprios ūkininkų paramos organizacijos Community Solutions International pastangų šis tyrimas nebūtų įmanomas.Jis pabrėžė daugiadalykinio bendradarbiavimo svarbą ir subalansavo suinteresuotųjų šalių pastangas.Skirtingi poreikiai.
APNI Oberthür teigė, kad galingi nuspėjamieji modeliai gali būti naudingi ūkininkams ir mokslininkams bei skatinti tolesnį bendradarbiavimą.
Obertoor sakė: „Jei esate ūkininkas, kuris tuo pačiu metu renka duomenis, turite pasiekti apčiuopiamų rezultatų.„Šis modelis gali suteikti ūkininkams naudingos informacijos ir paskatinti rinkti duomenis, nes ūkininkai matys, kad prisideda, o tai atneša naudos jų ūkiui.

suzy@lstchocolatemachine.com

www.lstchocolatemachine.com