Når sesongens regn kommer senere til Indonesia, tar bøndene det ofte som et tegn på at det ikke er verdt å investere i gjødsel for avlingene deres.Noen ganger velger de å ikke plante ettårige avlinger i det hele tatt.Vanligvis tar de den riktige avgjørelsen, fordi den sene starten av regntiden vanligvis er relatert til tilstanden El Niño Southern Oscillation (ENSO) og utilstrekkelig nedbør i de kommende månedene.
Den nye forskningen publisert i "Science Reports" viser at ENSO er en værdeformasjonssyklus med oppvarming og avkjøling langs Stillehavet langs ekvator, og en kraftig prognose for opptil to år før kakaotreet høstes.
Dette kan være gode nyheter for småbønder, forskere og den globale sjokoladeindustrien.Evnen til å forutsi størrelsen på innhøstingen på forhånd kan påvirke beslutninger om gårdsinvesteringer, forbedre forskningsprogrammer for tropiske avlinger og redusere risiko og usikkerhet i sjokoladeindustrien.
Forskere sier at den samme metoden som kombinerer avansert maskinlæring med streng kortsiktig datainnsamling om bønders skikker og avlinger, også kan brukes på andre regnavhengige avlinger, inkludert kaffe og oliven.
Thomas Oberthür, medforfatter og forretningsutvikler ved African Plant Nutrition Institute (APNI) i Marokko, sa: "Nøkkelinnovasjonen til denne forskningen er at du effektivt kan erstatte værdata med ENSO-data."«Ved å bruke denne metoden kan du utforske alt relatert til ENSO.Avlinger med produksjonsforhold."
Omtrent 80 % av verdens dyrkbare land er avhengig av direkte nedbør (i motsetning til vanning), som utgjør omtrent 60 % av den totale produksjonen.Men i mange av disse områdene er nedbørsdata sparsomme og svært varierende, noe som gjør det vanskelig for forskere, beslutningstakere og bondegrupper å tilpasse seg endringer i været.
I denne studien brukte forskerne en type maskinlæring som ikke krever værrekorder fra de indonesiske kakaofarmene som deltar i studien.
I stedet stolte de på data om gjødselpåføring, avling og gårdstype.De koblet disse dataene inn i et Bayesian Neural Network (BNN) og fant ut at ENSO-stadiet spådde 75 % av endringen i utbytte.
Med andre ord, i de fleste tilfeller i studien kan havoverflatetemperaturen i Stillehavet nøyaktig forutsi innhøstingen av kakaobønner.I noen tilfeller er det mulig å gjøre nøyaktige spådommer 25 måneder før høsting.
For det første er det vanligvis mulig å feire en modell som nøyaktig kan forutsi en 50% endring i produksjonen.Denne typen langsiktig prognosenøyaktighet for avling er sjelden.
Alliansens medforfatter og æresforsker James Cock sa: «Dette lar oss legge ulike forvaltningspraksis på gården, for eksempel gjødslingssystemer, og utlede effektive intervensjoner med høy selvtillit."International Biodiversity Organization og CIAT."Dette er et generelt skifte til operasjonsforskning."
Cock, en plantefysiolog, sa at selv om randomiserte kontrollerte studier (RCT) generelt betraktes som gullstandarden for forskning, er disse forsøkene dyre og derfor vanligvis umulige i utvikling av tropiske landbruksregioner.Metoden som brukes her er mye billigere, krever ikke dyr innsamling av værrekorder, og gir nyttig veiledning om hvordan man bedre kan håndtere avlinger i skiftende vær.
Dataanalytiker og hovedforfatter av studien Ross Chapman (Ross Chapman) forklarte noen av de viktigste fordelene med maskinlæringsmetoder fremfor tradisjonelle dataanalysemetoder.
Chapman sa: "BNN-modellen er forskjellig fra standard regresjonsmodellen fordi algoritmen tar inndatavariabler (som havoverflatetemperatur og gårdstype) og deretter automatisk 'lærer' å gjenkjenne responsen til andre variabler (som avling), " sa Chapman.«Den grunnleggende prosessen som brukes i læringsprosessen er den samme som den menneskelige hjernen lærer å gjenkjenne objekter og mønstre fra det virkelige liv.Tvert imot krever standardmodellen manuell overvåking av forskjellige variabler gjennom kunstig genererte ligninger."
Selv om maskinlæring i fravær av værdata kan føre til bedre prognoser for avlingsavling, hvis maskinlæringsmodeller kan fungere riktig, må forskere (eller bønder selv) fortsatt samle inn viss produksjonsinformasjon nøyaktig og gjøre disse dataene lett tilgjengelige.
For den indonesiske kakaofarmen i denne studien har bønder blitt en del av et treningsprogram for beste praksis for et stort sjokoladeselskap.De sporer input som gjødselpåføring, deler fritt disse dataene for analyse og fører ryddige journaler på det lokale organiserte International Plant Nutrition Institute (IPNI) som forskere kan bruke.
I tillegg delte forskere tidligere opp gårdene sine i ti lignende grupper med lignende topografi og jordforhold.Forskerne brukte dataene om høsting, gjødsel og avling fra 2013 til 2018 for å bygge en modell.
Kunnskapen til kakaodyrkere gir dem tillit til hvordan og når de skal investere i gjødsel.De agronomiske ferdighetene som denne vanskeligstilte gruppen har tilegnet seg, kan beskytte dem mot investeringstap, som vanligvis oppstår under ugunstige værforhold.
Takket være deres samarbeid med forskere kan deres kunnskap nå på en eller annen måte deles med dyrkere av andre avlinger i andre deler av verden.
Cork sa: "Uten den felles innsatsen til den dedikerte bonden IPNI og den sterke bondestøtteorganisasjonen Community Solutions International, ville denne forskningen ikke vært mulig."Han understreket viktigheten av tverrfaglig samarbeid og balanserte innsatsen til interessentene.Ulike behov.
APNIs Oberthür sa at kraftige prediktive modeller kan være til nytte for bønder og forskere og fremme videre samarbeid.
Obertoor sa: "Hvis du er en bonde som samler inn data samtidig, må du oppnå konkrete resultater.""Denne modellen kan gi bønder nyttig informasjon og kan bidra til å stimulere til datainnsamling, fordi bønder vil se at de gjør et bidrag, som gir fordeler for gården deres."

suzy@lstchocolatemachine.com

www.lstchocolatemachine.com