وقتی باران‌های فصلی دیرتر به اندونزی می‌رسد، کشاورزان اغلب آن را نشانه‌ای از این می‌دانند که ارزش سرمایه‌گذاری در کود برای محصولات خود را ندارد.گاهی اوقات آنها ترجیح می دهند به هیچ وجه محصولات یکساله را نکارند.معمولاً تصمیم درستی می‌گیرند، زیرا دیر شروع فصل بارانی معمولاً به وضعیت نوسان جنوبی ال نینو (ENSO) و بارندگی ناکافی در ماه‌های آینده مربوط می‌شود.
تحقیقات جدید منتشر شده در "گزارش های علمی" نشان می دهد که ENSO یک چرخه تغییر شکل آب و هوای گرم شدن و سرد شدن در امتداد اقیانوس آرام در امتداد خط استوا و یک پیش بینی قدرتمند برای حداکثر دو سال قبل از برداشت درخت کاکائو است.
این ممکن است خبر خوبی برای کشاورزان خرده مالک، دانشمندان و صنعت جهانی شکلات باشد.توانایی پیش بینی اندازه برداشت از قبل ممکن است بر تصمیمات سرمایه گذاری مزرعه تأثیر بگذارد، برنامه های تحقیقاتی محصولات گرمسیری را بهبود بخشد و خطرات و عدم قطعیت ها را در صنعت شکلات کاهش دهد.
محققان می‌گویند که همان روشی که یادگیری ماشینی پیشرفته را با جمع‌آوری داده‌های کوتاه‌مدت دقیق در مورد آداب و رسوم و عملکرد کشاورزان ترکیب می‌کند، می‌تواند برای سایر محصولات وابسته به باران از جمله قهوه و زیتون نیز به کار رود.
توماس اوبرتور، یکی از نویسندگان و توسعه دهنده کسب و کار موسسه تغذیه گیاهان آفریقایی (APNI) در مراکش، گفت: "نوآوری کلیدی این تحقیق این است که شما می توانید به طور موثر داده های آب و هوا را با داده های ENSO جایگزین کنید."با استفاده از این روش، می‌توانید هر چیزی که مربوط به ENSO باشد را کشف کنید.محصولات زراعی با روابط تولید.»
حدود 80 درصد از زمین های قابل کشت جهان متکی به بارندگی مستقیم (در مقابل آبیاری) است که حدود 60 درصد از کل تولید را تشکیل می دهد.با این حال، در بسیاری از این مناطق، داده‌های بارندگی کم و بسیار متغیر است، که انطباق دانشمندان، سیاست‌گذاران و گروه‌های کشاورز را با تغییرات آب‌وهوا دشوار می‌سازد.
در این مطالعه، محققان از نوعی یادگیری ماشینی استفاده کردند که نیازی به ثبت آب و هوا از مزارع کاکائوی اندونزیایی شرکت کننده در مطالعه ندارد.
در عوض، آنها بر داده های مربوط به کاربرد کود، عملکرد و نوع مزرعه تکیه کردند.آنها این داده ها را به شبکه عصبی بیزی (BNN) متصل کردند و دریافتند که مرحله ENSO 75 درصد از تغییر در بازده را پیش بینی می کند.
به عبارت دیگر، در اغلب موارد در مطالعه، دمای سطح دریای اقیانوس آرام می تواند برداشت دانه های کاکائو را به طور دقیق پیش بینی کند.در برخی موارد می توان 25 ماه قبل از برداشت، پیش بینی های دقیقی انجام داد.
برای شروع، معمولاً می توان مدلی را جشن گرفت که می تواند به طور دقیق 50 درصد تغییر در تولید را پیش بینی کند.این نوع دقت پیش‌بینی بلندمدت عملکرد محصول نادر است.
جیمز کاک، نویسنده و محقق افتخاری اتحاد گفت: «این به ما امکان می‌دهد تا شیوه‌های مدیریتی مختلفی را در مزرعه اعمال کنیم، مانند سیستم‌های لقاح، و مداخلات مؤثر را با اطمینان بالا استنباط کنیم.سازمان بین المللی تنوع زیستی و CIAT."این یک تغییر کلی به تحقیقات عملیاتی است."
کوک، یک فیزیولوژیست گیاهی، گفت که اگرچه آزمایش‌های تصادفی‌سازی و کنترل‌شده (RCTs) به طور کلی استاندارد طلایی برای تحقیقات در نظر گرفته می‌شوند، این آزمایش‌ها گران هستند و بنابراین معمولاً در مناطق کشاورزی گرمسیری در حال توسعه غیرممکن هستند.روش مورد استفاده در اینجا بسیار ارزان‌تر است، نیازی به جمع‌آوری گران قیمت از سوابق آب‌وهوا ندارد، و راهنمایی‌های مفیدی در مورد نحوه مدیریت بهتر محصولات در شرایط آب و هوایی در حال تغییر ارائه می‌دهد.
تحلیلگر داده و نویسنده اصلی این مطالعه راس چپمن (راس چپمن) برخی از مزایای کلیدی روش های یادگیری ماشین را نسبت به روش های سنتی تجزیه و تحلیل داده ها توضیح داد.
چپمن گفت: «مدل BNN با مدل رگرسیون استاندارد متفاوت است، زیرا الگوریتم متغیرهای ورودی (مانند دمای سطح دریا و نوع مزرعه) را می گیرد و سپس به طور خودکار پاسخ سایر متغیرها (مانند عملکرد محصول) را می آموزد. چپمن گفت.«فرآیند اساسی مورد استفاده در فرآیند یادگیری همان فرآیندی است که مغز انسان می آموزد تا اشیا و الگوهای زندگی واقعی را تشخیص دهد.برعکس، مدل استاندارد نیازمند نظارت دستی بر متغیرهای مختلف از طریق معادلات مصنوعی است.
اگرچه در غیاب داده‌های آب‌وهوا، یادگیری ماشینی ممکن است منجر به پیش‌بینی عملکرد بهتر محصول شود، اگر مدل‌های یادگیری ماشینی بتوانند به درستی کار کنند، دانشمندان (یا خود کشاورزان) هنوز باید اطلاعات تولید خاصی را به‌طور دقیق جمع‌آوری کنند و این داده‌ها را به آسانی در دسترس قرار دهند.
برای مزرعه کاکائو اندونزی در این مطالعه، کشاورزان بخشی از یک برنامه آموزشی بهترین تمرین برای یک شرکت بزرگ شکلات سازی شده اند.آن‌ها ورودی‌هایی مانند کاربرد کود را دنبال می‌کنند، آزادانه این داده‌ها را برای تجزیه و تحلیل به اشتراک می‌گذارند و سوابق منظمی را در مؤسسه محلی سازمان‌یافته بین‌المللی تغذیه گیاهی (IPNI) برای استفاده محققان نگه می‌دارند.
علاوه بر این، دانشمندان قبلا مزارع خود را به ده گروه مشابه با توپوگرافی و شرایط خاکی مشابه تقسیم کردند.محققان از داده‌های برداشت، کاربرد کود و عملکرد از سال 2013 تا 2018 برای ساخت یک مدل استفاده کردند.
دانش به دست آمده توسط پرورش دهندگان کاکائو به آنها اطمینان می دهد که چگونه و چه زمانی روی کودها سرمایه گذاری کنند.مهارت های زراعی به دست آمده توسط این گروه محروم می تواند آنها را از ضررهای سرمایه گذاری که معمولاً در شرایط نامساعد جوی رخ می دهد محافظت کند.
به لطف همکاری آنها با محققان، دانش آنها اکنون می تواند به نحوی با پرورش دهندگان سایر محصولات در سایر نقاط جهان به اشتراک گذاشته شود.
کورک گفت: "بدون تلاش مشترک کشاورز اختصاصی IPNI و سازمان قوی حمایت از کشاورزان Community Solutions International، این تحقیق ممکن نخواهد بود."وی بر اهمیت همکاری های چند رشته ای تاکید کرد و تلاش های ذینفعان را متعادل کرد.نیازهای مختلف
Oberthür از APNI گفت که مدل‌های پیش‌بینی قدرتمند می‌تواند برای کشاورزان و محققان مفید باشد و همکاری‌های بیشتر را ارتقا دهد.
اوبرتور گفت: "اگر کشاورز هستید که همزمان داده ها را جمع آوری می کنید، باید به نتایج ملموس برسید."این مدل می‌تواند اطلاعات مفیدی را در اختیار کشاورزان قرار دهد و می‌تواند به جمع‌آوری داده‌ها انگیزه کمک کند، زیرا کشاورزان خواهند دید که در حال انجام مشارکت هستند که مزایایی برای مزرعه آنها به همراه دارد.»

suzy@lstchocolatemachine.com

www.lstchocolatemachine.com