Apabila hujan bermusim tiba kemudian di Indonesia, petani sering menganggapnya sebagai tanda bahawa ia tidak berbaloi untuk melabur dalam baja untuk tanaman mereka.Kadang-kadang mereka memilih untuk tidak menanam tanaman tahunan sama sekali.Biasanya, mereka membuat keputusan yang tepat, kerana permulaan lewat musim hujan biasanya berkaitan dengan keadaan El Niño Southern Oscillation (ENSO) dan hujan yang tidak mencukupi pada bulan-bulan akan datang.
Penyelidikan baharu yang diterbitkan dalam "Laporan Sains" menunjukkan bahawa ENSO ialah kitaran ubah bentuk cuaca pemanasan dan penyejukan di sepanjang Lautan Pasifik di sepanjang khatulistiwa, dan ramalan kuat sehingga dua tahun sebelum pokok koko dituai.
Ini mungkin berita baik untuk petani pekebun kecil, saintis dan industri coklat global.Keupayaan untuk meramalkan saiz tuaian terlebih dahulu boleh menjejaskan keputusan pelaburan ladang, menambah baik program penyelidikan tanaman tropika dan mengurangkan risiko dan ketidakpastian dalam industri coklat.
Penyelidik mengatakan bahawa kaedah yang sama yang menggabungkan pembelajaran mesin lanjutan dengan pengumpulan data jangka pendek yang ketat mengenai adat dan hasil petani juga boleh digunakan untuk tanaman lain yang bergantung kepada hujan, termasuk kopi dan buah zaitun.
Thomas Oberthür, pengarang bersama dan pemaju perniagaan Institut Pemakanan Tumbuhan Afrika (APNI) di Maghribi, berkata: "Inovasi utama penyelidikan ini ialah anda boleh menggantikan data cuaca dengan data ENSO dengan berkesan."“Menggunakan kaedah ini, anda boleh meneroka apa sahaja yang berkaitan dengan ENSO.Tanaman dengan hubungan pengeluaran.”
Kira-kira 80% daripada tanah pertanian di dunia bergantung kepada hujan langsung (berbanding dengan pengairan), yang menyumbang kira-kira 60% daripada jumlah pengeluaran.Walau bagaimanapun, dalam kebanyakan kawasan ini, data hujan adalah jarang dan sangat berubah-ubah, yang menyukarkan saintis, penggubal dasar dan kumpulan petani untuk menyesuaikan diri dengan perubahan cuaca.
Dalam kajian ini, penyelidik menggunakan sejenis pembelajaran mesin yang tidak memerlukan rekod cuaca dari ladang koko Indonesia yang mengambil bahagian dalam kajian ini.
Sebaliknya, mereka bergantung pada data mengenai aplikasi baja, hasil dan jenis ladang.Mereka memasukkan data ini ke dalam Rangkaian Neural Bayesian (BNN) dan mendapati bahawa peringkat ENSO meramalkan 75% daripada perubahan dalam hasil.
Dalam erti kata lain, dalam kebanyakan kes dalam kajian, suhu permukaan laut Lautan Pasifik boleh meramalkan dengan tepat penuaian biji koko.Dalam sesetengah kes, adalah mungkin untuk membuat ramalan yang tepat 25 bulan sebelum penuaian.
Sebagai permulaan, biasanya mungkin untuk meraikan model yang boleh meramalkan perubahan pengeluaran sebanyak 50% dengan tepat.Ketepatan ramalan jangka panjang seperti ini bagi hasil tanaman jarang berlaku.
Pengarang bersama pakatan dan penyelidik kehormat James Cock berkata: “Ini membolehkan kami menindih amalan pengurusan yang berbeza di ladang, seperti sistem pembajaan, dan membuat kesimpulan intervensi yang berkesan dengan keyakinan tinggi.“Pertubuhan Biodiversiti Antarabangsa dan CIAT."Ini adalah peralihan keseluruhan kepada penyelidikan operasi."
Cock, ahli fisiologi tumbuhan, berkata walaupun ujian terkawal rawak (RCT) secara amnya dianggap sebagai standard emas untuk penyelidikan, ujian ini mahal dan oleh itu biasanya mustahil dalam membangunkan kawasan pertanian tropika.Kaedah yang digunakan di sini adalah jauh lebih murah, tidak memerlukan pengumpulan rekod cuaca yang mahal, dan menyediakan panduan berguna tentang cara mengurus tanaman dengan lebih baik dalam perubahan cuaca.
Penganalisis data dan pengarang utama kajian Ross Chapman (Ross Chapman) menjelaskan beberapa kelebihan utama kaedah pembelajaran mesin berbanding kaedah analisis data tradisional.
Chapman berkata: “Model BNN adalah berbeza daripada model regresi standard kerana algoritma mengambil pembolehubah input (seperti suhu permukaan laut dan jenis ladang) dan kemudian secara automatik 'belajar' untuk mengenali tindak balas pembolehubah lain (seperti hasil tanaman), ” kata Chapman.“Proses asas yang digunakan dalam proses pembelajaran adalah sama seperti proses yang dipelajari oleh otak manusia untuk mengenali objek dan corak daripada kehidupan sebenar.Sebaliknya, model standard memerlukan penyeliaan manual bagi pembolehubah yang berbeza melalui persamaan yang dijana secara buatan."
Walaupun tanpa data cuaca, pembelajaran mesin boleh membawa kepada ramalan hasil tanaman yang lebih baik, jika model pembelajaran mesin boleh berfungsi dengan betul, saintis (atau petani sendiri) masih perlu mengumpul maklumat pengeluaran tertentu dengan tepat dan menjadikan Data ini tersedia dengan mudah.
Bagi ladang koko Indonesia dalam kajian ini, petani telah menjadi sebahagian daripada program latihan amalan terbaik untuk sebuah syarikat coklat besar.Mereka menjejaki input seperti penggunaan baja, berkongsi data ini secara bebas untuk analisis, dan menyimpan rekod yang kemas di Institut Pemakanan Tumbuhan Antarabangsa (IPNI) anjuran tempatan untuk digunakan oleh penyelidik.
Selain itu, saintis sebelum ini membahagikan ladang mereka kepada sepuluh kumpulan yang serupa dengan topografi dan keadaan tanah yang serupa.Para penyelidik menggunakan data penuaian, aplikasi baja dan hasil dari 2013 hingga 2018 untuk membina model.
Pengetahuan yang diperoleh oleh penanam koko memberi mereka keyakinan tentang bagaimana dan bila untuk melabur dalam baja.Kemahiran agronomik yang diperolehi oleh kumpulan yang kurang bernasib baik ini boleh melindungi mereka daripada kerugian pelaburan, yang biasanya berlaku dalam keadaan cuaca buruk.
Terima kasih kepada kerjasama mereka dengan penyelidik, pengetahuan mereka kini boleh dikongsi dalam beberapa cara dengan penanam tanaman lain di bahagian lain dunia.
Cork berkata: "Tanpa usaha bersama IPNI petani yang berdedikasi dan organisasi sokongan petani yang kuat Community Solutions International, penyelidikan ini tidak akan dapat dilaksanakan."Beliau menekankan kepentingan kerjasama pelbagai disiplin dan mengimbangi usaha pihak berkepentingan.Keperluan yang berbeza.
Oberthür APNI berkata bahawa model ramalan yang berkuasa boleh memberi manfaat kepada petani dan penyelidik serta menggalakkan kerjasama selanjutnya.
Obertoor berkata: "Jika anda seorang petani yang mengumpul data pada masa yang sama, anda perlu mencapai hasil yang ketara.""Model ini boleh memberikan petani maklumat berguna dan boleh membantu memberi insentif kepada pengumpulan data, kerana petani akan melihat bahawa mereka melakukan Untuk membuat sumbangan, yang membawa manfaat kepada ladang mereka."

suzy@lstchocolatemachine.com

www.lstchocolatemachine.com