Όταν οι εποχικές βροχές φτάνουν αργότερα στην Ινδονησία, οι αγρότες το θεωρούν συχνά ως σημάδι ότι δεν αξίζει να επενδύσουν σε λιπάσματα για τις καλλιέργειές τους.Μερικές φορές επιλέγουν να μην φυτεύουν καθόλου ετήσιες καλλιέργειες.Συνήθως, παίρνουν τη σωστή απόφαση, επειδή η καθυστερημένη έναρξη της περιόδου των βροχών συνήθως σχετίζεται με την κατάσταση της νότιας ταλάντωσης El Niño (ENSO) και την ανεπαρκή βροχόπτωση τους επόμενους μήνες.
Η νέα έρευνα που δημοσιεύτηκε στο "Science Reports" δείχνει ότι το ENSO είναι ένας κύκλος παραμόρφωσης του καιρού θέρμανσης και ψύξης κατά μήκος του Ειρηνικού Ωκεανού κατά μήκος του ισημερινού και μια ισχυρή πρόβλεψη για έως και δύο χρόνια πριν τη συγκομιδή του δέντρου κακάο.
Αυτά μπορεί να είναι καλά νέα για τους μικροκαλλιεργητές, τους επιστήμονες και την παγκόσμια βιομηχανία σοκολάτας.Η ικανότητα πρόβλεψης του μεγέθους της συγκομιδής εκ των προτέρων μπορεί να επηρεάσει τις επενδυτικές αποφάσεις των γεωργικών εκμεταλλεύσεων, να βελτιώσει τα ερευνητικά προγράμματα για τις τροπικές καλλιέργειες και να μειώσει τους κινδύνους και τις αβεβαιότητες στη βιομηχανία σοκολάτας.
Οι ερευνητές λένε ότι η ίδια μέθοδος που συνδυάζει την προηγμένη μηχανική μάθηση με την αυστηρή βραχυπρόθεσμη συλλογή δεδομένων για τα έθιμα και τις αποδόσεις των αγροτών μπορεί επίσης να εφαρμοστεί και σε άλλες καλλιέργειες που εξαρτώνται από τη βροχή, όπως ο καφές και οι ελιές.
Ο Thomas Oberthür, συν-συγγραφέας και επιχειρηματικός προγραμματιστής του Αφρικανικού Ινστιτούτου Διατροφής Φυτών (APNI) στο Μαρόκο, δήλωσε: «Η βασική καινοτομία αυτής της έρευνας είναι ότι μπορείτε να αντικαταστήσετε αποτελεσματικά τα δεδομένα καιρού με δεδομένα ENSO».«Χρησιμοποιώντας αυτή τη μέθοδο, μπορείτε να εξερευνήσετε οτιδήποτε σχετίζεται με το ENSO.Καλλιέργειες με παραγωγικές σχέσεις».
Περίπου το 80% της καλλιεργήσιμης γης στον κόσμο βασίζεται σε άμεσες βροχοπτώσεις (σε αντίθεση με την άρδευση), που αντιπροσωπεύει περίπου το 60% της συνολικής παραγωγής.Ωστόσο, σε πολλές από αυτές τις περιοχές, τα δεδομένα βροχοπτώσεων είναι αραιά και εξαιρετικά μεταβλητά, γεγονός που καθιστά δύσκολο για τους επιστήμονες, τους υπεύθυνους χάραξης πολιτικής και τις ομάδες αγροτών να προσαρμοστούν στις αλλαγές του καιρού.
Σε αυτή τη μελέτη, οι ερευνητές χρησιμοποίησαν έναν τύπο μηχανικής μάθησης που δεν απαιτεί καταγραφές καιρού από τις ινδονησιακές φάρμες κακάο που συμμετείχαν στη μελέτη.
Αντίθετα, βασίστηκαν σε δεδομένα σχετικά με την εφαρμογή λιπάσματος, την απόδοση και τον τύπο του αγροκτήματος.Συνέδεσαν αυτά τα δεδομένα σε ένα Bayesian Neural Network (BNN) και βρήκαν ότι το στάδιο ENSO προέβλεψε το 75% της αλλαγής στην απόδοση.
Με άλλα λόγια, στις περισσότερες περιπτώσεις στη μελέτη, η θερμοκρασία της επιφάνειας της θάλασσας του Ειρηνικού Ωκεανού μπορεί να προβλέψει με ακρίβεια τη συγκομιδή των κόκκων κακάο.Σε ορισμένες περιπτώσεις, είναι δυνατό να γίνουν ακριβείς προβλέψεις 25 μήνες πριν από τη συγκομιδή.
Για αρχή, είναι συνήθως δυνατό να γιορτάσουμε ένα μοντέλο που μπορεί να προβλέψει με ακρίβεια μια αλλαγή 50% στην παραγωγή.Αυτό το είδος μακροπρόθεσμης ακρίβειας πρόβλεψης των αποδόσεων των καλλιεργειών είναι σπάνιο.
Ο συν-συγγραφέας και επίτιμος ερευνητής της συμμαχίας Τζέιμς Κοκ είπε: «Αυτό μας επιτρέπει να επιθέτουμε διαφορετικές πρακτικές διαχείρισης στο αγρόκτημα, όπως συστήματα γονιμοποίησης, και να συμπεράνουμε αποτελεσματικές παρεμβάσεις με υψηλή σιγουριά.«Διεθνής Οργανισμός Βιοποικιλότητας και CIAT."Αυτή είναι μια συνολική στροφή προς την επιχειρησιακή έρευνα."
Ο Cock, ένας φυσιολόγος φυτών, είπε ότι αν και οι τυχαιοποιημένες ελεγχόμενες δοκιμές (RCT) θεωρούνται γενικά το χρυσό πρότυπο για την έρευνα, αυτές οι δοκιμές είναι ακριβές και επομένως συνήθως αδύνατες στις αναπτυσσόμενες τροπικές γεωργικές περιοχές.Η μέθοδος που χρησιμοποιείται εδώ είναι πολύ φθηνότερη, δεν απαιτεί δαπανηρή συλλογή μετεωρολογικών αρχείων και παρέχει χρήσιμες οδηγίες για την καλύτερη διαχείριση των καλλιεργειών σε μεταβαλλόμενες καιρικές συνθήκες.
Ο αναλυτής δεδομένων και επικεφαλής συγγραφέας της μελέτης Ross Chapman (Ross Chapman) εξήγησε μερικά από τα βασικά πλεονεκτήματα των μεθόδων μηχανικής μάθησης έναντι των παραδοσιακών μεθόδων ανάλυσης δεδομένων.
Ο Chapman είπε: «Το μοντέλο BNN είναι διαφορετικό από το τυπικό μοντέλο παλινδρόμησης επειδή ο αλγόριθμος λαμβάνει μεταβλητές εισόδου (όπως η θερμοκρασία της επιφάνειας της θάλασσας και ο τύπος του αγροκτήματος) και στη συνέχεια «μαθαίνει» αυτόματα να αναγνωρίζει την απόκριση άλλων μεταβλητών (όπως η απόδοση της καλλιέργειας). », είπε ο Τσάπμαν.«Η βασική διαδικασία που χρησιμοποιείται στη διαδικασία μάθησης είναι η ίδια με τη διαδικασία που μαθαίνει ο ανθρώπινος εγκέφαλος να αναγνωρίζει αντικείμενα και μοτίβα από την πραγματική ζωή.Αντίθετα, το τυπικό μοντέλο απαιτεί χειροκίνητη επίβλεψη διαφορετικών μεταβλητών μέσω εξισώσεων που δημιουργούνται τεχνητά».
Αν και ελλείψει δεδομένων καιρού, η μηχανική εκμάθηση μπορεί να οδηγήσει σε καλύτερες προβλέψεις απόδοσης των καλλιεργειών, εάν τα μοντέλα μηχανικής μάθησης μπορούν να λειτουργήσουν σωστά, οι επιστήμονες (ή οι ίδιοι οι αγρότες) πρέπει να συλλέγουν με ακρίβεια ορισμένες πληροφορίες παραγωγής και να κάνουν αυτά τα δεδομένα να είναι άμεσα διαθέσιμα.
Για την ινδονησιακή φάρμα κακάο σε αυτή τη μελέτη, οι αγρότες έχουν γίνει μέρος ενός προγράμματος κατάρτισης βέλτιστων πρακτικών για μια μεγάλη εταιρεία σοκολάτας.Παρακολουθούν εισροές όπως η εφαρμογή λιπασμάτων, μοιράζονται ελεύθερα αυτά τα δεδομένα για ανάλυση και διατηρούν τακτικά αρχεία στο τοπικό οργανωμένο Διεθνές Ινστιτούτο Διατροφής Φυτών (IPNI) για χρήση από τους ερευνητές.
Επιπλέον, οι επιστήμονες προηγουμένως χώρισαν τις φάρμες τους σε δέκα παρόμοιες ομάδες με παρόμοια τοπογραφία και εδαφικές συνθήκες.Οι ερευνητές χρησιμοποίησαν δεδομένα συγκομιδής, εφαρμογής λιπάσματος και απόδοσης από το 2013 έως το 2018 για να κατασκευάσουν ένα μοντέλο.
Η γνώση που αποκτούν οι καλλιεργητές κακάο τους δίνει εμπιστοσύνη στο πώς και πότε να επενδύσουν σε λιπάσματα.Οι γεωπονικές δεξιότητες που απέκτησε αυτή η μειονεκτική ομάδα μπορούν να τους προστατεύσουν από απώλειες επενδύσεων, οι οποίες συνήθως συμβαίνουν κάτω από αντίξοες καιρικές συνθήκες.
Χάρη στη συνεργασία τους με ερευνητές, οι γνώσεις τους μπορούν πλέον να μοιραστούν με κάποιο τρόπο με καλλιεργητές άλλων καλλιεργειών σε άλλα μέρη του κόσμου.
Ο Κορκ είπε: «Χωρίς τις κοινές προσπάθειες του αφοσιωμένου αγρότη IPNI και του ισχυρού οργανισμού υποστήριξης των αγροτών Community Solutions International, αυτή η έρευνα δεν θα ήταν δυνατή».Τόνισε τη σημασία της διεπιστημονικής συνεργασίας και εξισορρόπησε τις προσπάθειες των ενδιαφερομένων.Διαφορετικές ανάγκες.
Ο Oberthür του APNI είπε ότι τα ισχυρά προγνωστικά μοντέλα μπορούν να ωφελήσουν τους αγρότες και τους ερευνητές και να προωθήσουν περαιτέρω συνεργασία.
Ο Obertoor είπε: «Εάν είστε αγρότης που συλλέγει δεδομένα ταυτόχρονα, πρέπει να επιτύχετε απτά αποτελέσματα».«Αυτό το μοντέλο μπορεί να παρέχει στους αγρότες χρήσιμες πληροφορίες και μπορεί να βοηθήσει στην παροχή κινήτρων για τη συλλογή δεδομένων, επειδή οι αγρότες θα δουν ότι κάνουν μια συνεισφορά, η οποία φέρνει οφέλη στο αγρόκτημά τους».

suzy@lstchocolatemachine.com

www.lstchocolatemachine.com