Kiam laŭsezonaj pluvoj alvenas poste en Indonezion, farmistoj ofte prenas ĝin kiel signon, ke ne indas investi en sterkoj por siaj kultivaĵoj.Kelkfoje ili elektas tute ne planti jarajn kultivaĵojn.Kutime, ili prenas la ĝustan decidon, ĉar la malfrua komenco de la pluvsezono kutime rilatas al la stato de la El Niño Suda Oscilado (ENSO) kaj nesufiĉa pluvokvanto en la venontaj monatoj.
La nova esplorado publikigita en "Sciencaj Raportoj" montras, ke ENSO estas vetera deforma ciklo de varmiĝo kaj malvarmigo laŭ la Pacifika Oceano laŭ la ekvatoro, kaj potenca prognozo por ĝis du jaroj antaŭ ol la kakaarbo estas rikoltita.
Ĉi tio povas esti bona novaĵo por farmistoj, sciencistoj kaj la tutmonda ĉokolada industrio.La kapablo antaŭdiri la grandecon de la rikolto povas influi bienajn investdecidojn, plibonigi tropikajn kultivaĵajn esplorprogramojn kaj redukti riskojn kaj necertecojn en la ĉokoladindustrio.
Esploristoj diras, ke la sama metodo, kiu kombinas altnivelan maŝinlernadon kun strikta mallongperspektiva datumkolektado pri farmistaj kutimoj kaj rendimentoj, ankaŭ povas esti aplikata al aliaj pluvdependaj kultivaĵoj, inkluzive de kafo kaj olivoj.
Thomas Oberthür, kunaŭtoro kaj komerca programisto de la Afrika Plant Nutrition Institute (APNI) en Maroko, diris: "La ŝlosila novigo de ĉi tiu esplorado estas, ke vi povas efike anstataŭigi veterajn datumojn per ENSO-datumoj."“Uzante ĉi tiun metodon, vi povas esplori ion ajn rilatan al ENSO.Rikoltoj kun produktadrilatoj."
Proksimume 80% de la plugtero de la mondo dependas de rekta pluvokvanto (kontraste al irigacio), kiu respondecas pri proksimume 60% de totalproduktado.Tamen, en multaj el ĉi tiuj areoj, pluvodatenoj estas malabundaj kaj tre variaj, kio malfaciligas sciencistojn, politikofaristojn kaj farmistgrupojn adaptiĝi al ŝanĝoj en la vetero.
En ĉi tiu studo, la esploristoj uzis specon de maŝinlernado, kiu ne postulas veterrekordojn de la indoneziaj kakaofarmoj partoprenantaj en la studo.
Anstataŭe, ili dependis de datumoj pri sterka apliko, rendimento kaj farmspeco.Ili ŝtopis ĉi tiujn datumojn en Bayesian Neural Network (BNN) kaj trovis, ke la ENSO-stadio antaŭdiris 75% de la ŝanĝo en rendimento.
Alivorte, en la plej multaj kazoj en la studo, la marsurfaca temperaturo de la Pacifiko povas precize antaŭdiri la rikolton de kakaofaboj.En iuj kazoj, eblas fari precizajn prognozojn 25 monatojn antaŭ la rikolto.
Por komenci, estas kutime eble festi modelon kiu povas precize antaŭdiri 50% ŝanĝon en produktado.Ĉi tiu speco de longperspektiva prognoza precizeco de kultivaĵoj estas malofta.
La kunaŭtoro kaj honora esploristo de la alianco James Cock diris: "Ĉi tio permesas al ni supermeti malsamajn administradpraktikojn en la bieno, kiel ekzemple fekundigaj sistemoj, kaj konkludi efikajn intervenojn kun alta fido."Internacia Biodiverseca Organizo kaj CIAT."Ĉi tio estas ĝenerala ŝanĝo al operacia esplorado."
Cock, plantfiziologo, diris, ke kvankam randomigitaj kontrolitaj provoj (RCT) estas ĝenerale konsiderataj la ora normo por esplorado, tiuj provoj estas multekostaj kaj tial kutime maleblaj en evoluaj tropikaj agrikulturaj regionoj.La metodo uzata ĉi tie estas multe pli malmultekosta, ne postulas multekostan kolekton de veterrekordoj, kaj provizas utilan gvidon pri kiel pli bone administri kultivaĵojn en ŝanĝiĝanta vetero.
Datuma analizisto kaj ĉefaŭtoro de la studo Ross Chapman (Ross Chapman) klarigis kelkajn el la ŝlosilaj avantaĝoj de maŝinlernado-metodoj super tradiciaj datumaj analizmetodoj.
Chapman diris: "La BNN-modelo diferencas de la norma regresa modelo ĉar la algoritmo prenas enigajn variablojn (kiel marsurfactemperaturo kaj farmspeco) kaj tiam aŭtomate "lernas" rekoni la respondon de aliaj variabloj (kiel ekzemple kultivaĵorendimento), ” diris Chapman."La baza procezo uzata en la lernado estas la sama kiel la procezo, kiun la homa cerbo lernas por rekoni objektojn kaj ŝablonojn el la reala vivo.Male, la norma modelo postulas manan superrigardon de malsamaj variabloj per artefarite generitaj ekvacioj."
Kvankam en foresto de veterdatenoj, maŝinlernado povas konduki al pli bonaj kultivaj rendimentoprognozoj, se maŝinlernado-modeloj povas funkcii ĝuste, sciencistoj (aŭ farmistoj mem) ankoraŭ bezonas precize kolekti certajn produktadajn informojn kaj fari ĉi tiujn Datumojn facile haveblaj.
Por la indonezia kakaobieno en ĉi tiu studo, farmistoj fariĝis parto de plej bona praktika trejnadprogramo por granda ĉokolada firmao.Ili spuras enigaĵojn kiel ekzemple sterkaĵa apliko, libere dividas ĉi tiujn datumojn por analizo, kaj konservas bonordajn rekordojn ĉe la loka organizita Internacia Plant Nutrition Institute (IPNI) por esploristoj por uzi.
Krome, sciencistoj antaŭe dividis siajn bienojn en dek similajn grupojn kun simila topografio kaj grundokondiĉoj.La esploristoj uzis la rikolton, sterkan aplikon kaj rendimentan datumojn de 2013 ĝis 2018 por konstrui modelon.
La scio akirita de kakaokultivistoj donas al ili fidon pri kiel kaj kiam investi en sterkoj.La agronomiaj kapabloj akiritaj de ĉi tiu malfavorata grupo povas protekti ilin kontraŭ investperdoj, kiuj kutime okazas sub malfavoraj vetercirkonstancoj.
Dank'al ilia kunlaboro kun esploristoj, ilia scio nun povas esti iel dividita kun kultivistoj de aliaj kultivaĵoj en aliaj partoj de la mondo.
Cork diris: "Sen la komunaj klopodoj de la dediĉita farmisto IPNI kaj la forta farmista subtena organizo Community Solutions International, ĉi tiu esplorado ne estus ebla."Li emfazis la gravecon de multfaka kunlaboro kaj ekvilibrigis la klopodojn de la koncernato.Malsamaj bezonoj.
Oberthür de APNI diris, ke potencaj prognozaj modeloj povas profitigi farmistojn kaj esploristojn kaj antaŭenigi plian kunlaboron.
Obertoor diris: "Se vi estas farmisto, kiu kolektas datumojn samtempe, vi devas atingi palpeblajn rezultojn.""Ĉi tiu modelo povas provizi kamparanojn per utilaj informoj kaj povas helpi instigi datumkolektadon, ĉar farmistoj vidos, ke ili faras kontribuon, kio alportas avantaĝojn al sia bieno."

suzy@lstchocolatemachine.com

www.lstchocolatemachine.com