Når årstidens regn kommer senere til Indonesien, tager landmændene det ofte som et tegn på, at det ikke er værd at investere i gødning til deres afgrøder.Nogle gange vælger de slet ikke at plante etårige afgrøder.Normalt træffer de den rigtige beslutning, fordi den sene start på regntiden normalt er relateret til tilstanden El Niño Southern Oscillation (ENSO) og utilstrækkelig nedbør i de kommende måneder.
Den nye forskning offentliggjort i "Science Reports" viser, at ENSO er en vejrdeformationscyklus med opvarmning og afkøling langs Stillehavet langs ækvator og en kraftig prognose for op til to år, før kakaotræet høstes.
Dette kan være gode nyheder for småbønder, videnskabsmænd og den globale chokoladeindustri.Evnen til at forudsige størrelsen af ​​høsten på forhånd kan påvirke beslutninger om landbrugsinvesteringer, forbedre forskningsprogrammer for tropiske afgrøder og reducere risici og usikkerheder i chokoladeindustrien.
Forskere siger, at den samme metode, der kombinerer avanceret maskinlæring med streng kortsigtet dataindsamling om landmænds skikke og udbytte, også kan anvendes på andre regnafhængige afgrøder, herunder kaffe og oliven.
Thomas Oberthür, medforfatter og forretningsudvikler af African Plant Nutrition Institute (APNI) i Marokko, sagde: "Den vigtigste innovation i denne forskning er, at du effektivt kan erstatte vejrdata med ENSO-data.""Ved at bruge denne metode kan du udforske alt relateret til ENSO.Afgrøder med produktionsrelationer.”
Omkring 80 % af verdens agerjord er afhængig af direkte nedbør (i modsætning til kunstvanding), som tegner sig for omkring 60 % af den samlede produktion.Men i mange af disse områder er nedbørsdata sparsomme og meget varierende, hvilket gør det vanskeligt for videnskabsmænd, politiske beslutningstagere og landmandsgrupper at tilpasse sig ændringer i vejret.
I denne undersøgelse brugte forskerne en type maskinlæring, der ikke kræver vejrrekorder fra de indonesiske kakaofarme, der deltager i undersøgelsen.
I stedet stolede de på data om gødningstilførsel, udbytte og bedriftstype.De tilsluttede disse data til et Bayesian Neural Network (BNN) og fandt ud af, at ENSO-stadiet forudsagde 75% af ændringen i udbyttet.
Med andre ord, i de fleste tilfælde i undersøgelsen kan havoverfladetemperaturen i Stillehavet nøjagtigt forudsige høsten af ​​kakaobønner.I nogle tilfælde er det muligt at lave præcise forudsigelser 25 måneder før høst.
Til at begynde med er det normalt muligt at fejre en model, der præcist kan forudsige en ændring på 50 % i produktionen.Denne form for langsigtet prognosenøjagtighed af afgrødeudbytte er sjælden.
Alliancens medforfatter og æresforsker James Cock sagde: "Dette giver os mulighed for at overlejre forskellige forvaltningspraksis på bedriften, såsom gødningssystemer, og udlede effektive indgreb med høj tillid."International Biodiversity Organization og CIAT."Dette er et overordnet skift til operationsforskning."
Cock, en plantefysiolog, sagde, at selvom randomiserede kontrollerede forsøg (RCT'er) generelt betragtes som guldstandarden for forskning, er disse forsøg dyre og derfor normalt umulige i udvikling af tropiske landbrugsregioner.Metoden, der bruges her, er meget billigere, kræver ikke dyr indsamling af vejrrekorder og giver nyttig vejledning i, hvordan man bedre kan håndtere afgrøder i skiftende vejr.
Dataanalytiker og hovedforfatter af undersøgelsen Ross Chapman (Ross Chapman) forklarede nogle af de vigtigste fordele ved maskinlæringsmetoder i forhold til traditionelle dataanalysemetoder.
Chapman sagde: "BNN-modellen er forskellig fra standardregressionsmodellen, fordi algoritmen tager inputvariabler (såsom havoverfladetemperatur og farmtype) og derefter automatisk 'lærer' at genkende responsen fra andre variabler (såsom afgrødeudbytte). " sagde Chapman.”Den grundlæggende proces, der bruges i læringsprocessen, er den samme som den proces, hvor den menneskelige hjerne lærer at genkende objekter og mønstre fra det virkelige liv.Tværtimod kræver standardmodellen manuel overvågning af forskellige variabler gennem kunstigt genererede ligninger."
Selvom maskinlæring i mangel af vejrdata kan føre til bedre forudsigelser af afgrødeudbytte, hvis maskinlæringsmodeller kan fungere ordentligt, skal videnskabsmænd (eller landmænd selv) stadig indsamle visse produktionsoplysninger nøjagtigt og gøre disse data let tilgængelige.
For den indonesiske kakaofarm i denne undersøgelse er landmænd blevet en del af et træningsprogram for bedste praksis for en stor chokoladevirksomhed.De sporer input såsom gødningspåføring, deler frit disse data til analyse og fører pæne optegnelser på det lokale organiserede International Plant Nutrition Institute (IPNI), som forskere kan bruge.
Derudover opdelte forskere tidligere deres gårde i ti lignende grupper med lignende topografi og jordbundsforhold.Forskerne brugte høst-, gødningsudbringnings- og udbyttedata fra 2013 til 2018 til at bygge en model.
Den viden, som kakaoavlere har fået, giver dem tillid til, hvordan og hvornår de skal investere i gødning.De agronomiske færdigheder erhvervet af denne dårligt stillede gruppe kan beskytte dem mod investeringstab, som normalt opstår under ugunstige vejrforhold.
Takket være deres samarbejde med forskere kan deres viden nu på en eller anden måde deles med avlere af andre afgrøder i andre dele af verden.
Cork sagde: "Uden den fælles indsats fra den dedikerede landmand IPNI og den stærke landmandsstøtteorganisation Community Solutions International, ville denne forskning ikke være mulig."Han understregede vigtigheden af ​​tværfagligt samarbejde og balancerede interessenternes indsats.Forskellige behov.
APNIs Oberthür sagde, at kraftfulde prædiktive modeller kan gavne landmænd og forskere og fremme yderligere samarbejde.
Obertoor sagde: "Hvis du er en landmand, der indsamler data på samme tid, skal du opnå håndgribelige resultater.""Denne model kan give landmænd nyttig information og kan hjælpe med at fremme dataindsamling, fordi landmænd vil se, at de gør For at yde et bidrag, som giver fordele til deres bedrift."

suzy@lstchocolatemachine.com

www.lstchocolatemachine.com