Kapag ang mga pana-panahong pag-ulan ay dumating mamaya sa Indonesia, madalas itong itinuturing ng mga magsasaka bilang isang senyales na hindi sulit na mamuhunan sa mga pataba para sa kanilang mga pananim.Minsan pinipili nilang huwag magtanim ng taunang pananim.Kadalasan, gumagawa sila ng tamang desisyon, dahil ang huling pagsisimula ng tag-ulan ay kadalasang nauugnay sa estado ng El Niño Southern Oscillation (ENSO) at hindi sapat na pag-ulan sa mga darating na buwan.
Ang bagong pananaliksik na inilathala sa "Science Reports" ay nagpapakita na ang ENSO ay isang weather deformation cycle ng pag-init at paglamig sa kahabaan ng Pacific Ocean sa kahabaan ng ekwador, at isang malakas na pagtataya hanggang sa dalawang taon bago anihin ang puno ng kakaw.
Maaaring magandang balita ito para sa mga maliliit na magsasaka, siyentipiko at sa pandaigdigang industriya ng tsokolate.Ang kakayahang mahulaan ang laki ng ani nang maaga ay maaaring makaapekto sa mga desisyon sa pamumuhunan sa bukid, mapabuti ang mga programa sa pagsasaliksik ng tropikal na pananim at mabawasan ang mga panganib at kawalan ng katiyakan sa industriya ng tsokolate.
Sinasabi ng mga mananaliksik na ang parehong paraan na pinagsasama ang advanced machine learning sa mahigpit na panandaliang pagkolekta ng data sa mga kaugalian at ani ng mga magsasaka ay maaari ding ilapat sa iba pang mga pananim na umaasa sa ulan, kabilang ang kape at olibo.
Si Thomas Oberthür, co-author at business developer ng African Plant Nutrition Institute (APNI) sa Morocco, ay nagsabi: "Ang pangunahing pagbabago ng pananaliksik na ito ay na maaari mong epektibong palitan ang data ng panahon ng data ng ENSO.""Gamit ang pamamaraang ito, maaari mong tuklasin ang anumang bagay na nauugnay sa ENSO.Mga pananim na may relasyon sa produksyon.”
Humigit-kumulang 80% ng lupang taniman ng mundo ay umaasa sa direktang pag-ulan (kumpara sa irigasyon), na bumubuo ng halos 60% ng kabuuang produksyon.Gayunpaman, sa marami sa mga lugar na ito, ang data ng pag-ulan ay kalat-kalat at lubos na nagbabago, na nagpapahirap para sa mga siyentipiko, gumagawa ng patakaran, at mga grupo ng magsasaka na umangkop sa mga pagbabago sa lagay ng panahon.
Sa pag-aaral na ito, gumamit ang mga mananaliksik ng isang uri ng machine learning na hindi nangangailangan ng weather records mula sa Indonesian cocoa farms na kalahok sa pag-aaral.
Sa halip, umasa sila sa data sa aplikasyon ng pataba, ani, at uri ng sakahan.Inilagay nila ang data na ito sa isang Bayesian Neural Network (BNN) at nalaman na ang ENSO stage ay hinulaang 75% ng pagbabago sa yield.
Sa madaling salita, sa karamihan ng mga kaso sa pag-aaral, ang temperatura sa ibabaw ng dagat ng Karagatang Pasipiko ay tumpak na mahulaan ang pag-aani ng mga butil ng kakaw.Sa ilang mga kaso, posibleng gumawa ng mga tumpak na hula 25 buwan bago ang ani.
Para sa mga nagsisimula, kadalasan ay posible na ipagdiwang ang isang modelo na tumpak na mahulaan ang isang 50% na pagbabago sa produksyon.Ang ganitong uri ng pangmatagalang katumpakan ng pagtataya ng mga ani ng pananim ay bihira.
Ang co-author at honorary researcher ng alyansa na si James Cock ay nagsabi: "Ito ay nagbibigay-daan sa amin upang i-superimpose ang iba't ibang mga kasanayan sa pamamahala sa sakahan, tulad ng mga sistema ng pagpapabunga, at magpahiwatig ng mga epektibong interbensyon na may mataas na kumpiyansa.“International Biodiversity Organization at CIAT."Ito ay isang pangkalahatang pagbabago sa pananaliksik sa pagpapatakbo."
Sinabi ni Cock, isang physiologist ng halaman, na bagaman ang mga randomized controlled trials (RCTs) ay karaniwang itinuturing na pamantayang ginto para sa pananaliksik, ang mga pagsubok na ito ay mahal at samakatuwid ay kadalasang imposible sa pagbuo ng mga tropikal na rehiyon ng agrikultura.Ang pamamaraang ginamit dito ay mas mura, hindi nangangailangan ng mamahaling koleksyon ng mga tala ng panahon, at nagbibigay ng kapaki-pakinabang na gabay sa kung paano mas mahusay na pamahalaan ang mga pananim sa pagbabago ng panahon.
Ipinaliwanag ng data analyst at lead author ng pag-aaral na si Ross Chapman (Ross Chapman) ang ilan sa mga pangunahing bentahe ng mga pamamaraan ng machine learning kumpara sa mga tradisyonal na pamamaraan ng pagsusuri ng data.
Sinabi ni Chapman: "Ang modelo ng BNN ay naiiba sa karaniwang modelo ng regression dahil ang algorithm ay kumukuha ng mga variable ng input (tulad ng temperatura sa ibabaw ng dagat at uri ng sakahan) at pagkatapos ay awtomatikong 'natututo' na kilalanin ang tugon ng iba pang mga variable (tulad ng ani ng pananim), ” sabi ni Chapman."Ang pangunahing proseso na ginagamit sa proseso ng pag-aaral ay kapareho ng proseso na natutunan ng utak ng tao na makilala ang mga bagay at pattern mula sa totoong buhay.Sa kabaligtaran, ang karaniwang modelo ay nangangailangan ng manu-manong pangangasiwa ng iba't ibang mga variable sa pamamagitan ng artipisyal na nabuong mga equation."
Bagama't sa kawalan ng data ng lagay ng panahon, ang pag-aaral ng machine ay maaaring humantong sa mas mahusay na mga hula sa ani ng pananim, kung ang mga modelo ng machine learning ay maaaring gumana nang maayos, ang mga siyentipiko (o mismong mga magsasaka) ay kailangan pa ring tumpak na mangolekta ng ilang partikular na impormasyon sa produksyon at gawing madaling available ang Data na ito.
Para sa Indonesian cocoa farm sa pag-aaral na ito, ang mga magsasaka ay naging bahagi ng isang best practice training program para sa isang malaking kumpanya ng tsokolate.Sinusubaybayan nila ang mga input tulad ng paglalagay ng pataba, malayang ibinabahagi ang data na ito para sa pagsusuri, at pinapanatili ang maayos na mga tala sa lokal na organisadong International Plant Nutrition Institute (IPNI) para magamit ng mga mananaliksik.
Bilang karagdagan, dati nang hinati ng mga siyentipiko ang kanilang mga sakahan sa sampung magkakatulad na grupo na may katulad na topograpiya at kondisyon ng lupa.Ginamit ng mga mananaliksik ang ani, aplikasyon ng pataba, at data ng ani mula 2013 hanggang 2018 upang makabuo ng isang modelo.
Ang kaalamang nakuha ng mga nagtatanim ng kakaw ay nagbibigay sa kanila ng tiwala sa kung paano at kailan mamumuhunan sa mga pataba.Ang mga kasanayan sa agronomic na nakuha ng disadvantaged na grupong ito ay maaaring maprotektahan sila mula sa mga pagkalugi sa pamumuhunan, na kadalasang nangyayari sa ilalim ng masamang kondisyon ng panahon.
Salamat sa kanilang pakikipagtulungan sa mga mananaliksik, ang kanilang kaalaman ay maibabahagi na ngayon sa ilang paraan sa mga nagtatanim ng iba pang pananim sa ibang bahagi ng mundo.
Sinabi ni Cork: "Kung wala ang magkasanib na pagsisikap ng dedikadong magsasaka na IPNI at ng malakas na organisasyong sumusuporta sa magsasaka na Community Solutions International, hindi magiging posible ang pananaliksik na ito."Binigyang-diin niya ang kahalagahan ng multidisciplinary cooperation at balanse ang mga pagsisikap ng stakeholder.Iba't ibang pangangailangan.
Ang Oberthür ng APNI ay nagsabi na ang makapangyarihang predictive na mga modelo ay maaaring makinabang sa mga magsasaka at mananaliksik at magsulong ng karagdagang kooperasyon.
Sinabi ni Obertoor: "Kung ikaw ay isang magsasaka na nangongolekta ng data sa parehong oras, kailangan mong makamit ang mga nasasalat na resulta.""Ang modelong ito ay maaaring magbigay sa mga magsasaka ng kapaki-pakinabang na impormasyon at makakatulong sa pag-udyok sa pagkolekta ng data, dahil makikita ng mga magsasaka na sila ay gumagawa ng To make a contribution, na nagdudulot ng mga benepisyo sa kanilang sakahan."

suzy@lstchocolatemachine.com

www.lstchocolatemachine.com