Когда в Индонезии позже приходят сезонные дожди, фермеры часто воспринимают это как знак того, что не стоит инвестировать в удобрения для своих культур.Иногда они вообще предпочитают не сажать однолетние культуры.Обычно они принимают правильное решение, поскольку позднее начало сезона дождей обычно связано с состоянием Южного колебания Эль-Ниньо (ЭНСО) и недостаточным количеством осадков в ближайшие месяцы.
Новое исследование, опубликованное в «Science Reports», показывает, что ЭНСО — это цикл погодной деформации потепления и охлаждения вдоль Тихого океана вдоль экватора, а также мощный прогноз на срок до двух лет до того, как будет собран урожай какао-дерева.
Это может быть хорошей новостью для мелких фермеров, ученых и мировой шоколадной промышленности.Возможность заранее предсказать размер урожая может повлиять на инвестиционные решения фермерских хозяйств, улучшить программы исследований тропических культур и снизить риски и неопределенности в шоколадной промышленности.
Исследователи говорят, что тот же метод, который сочетает в себе передовое машинное обучение со строгим краткосрочным сбором данных о фермерских обычаях и урожайности, также может быть применен к другим культурам, зависящим от дождя, включая кофе и оливки.
Томас Обертур, соавтор и бизнес-разработчик Африканского института питания растений (APNI) в Марокко, сказал: «Ключевым нововведением этого исследования является то, что вы можете эффективно заменить данные о погоде данными ENSO».«Используя этот метод, вы можете исследовать все, что связано с ЭНСО.Культуры с производственными отношениями».
Около 80% пахотных земель в мире зависит от прямых осадков (в отличие от орошения), что составляет около 60% от общего объема производства.Однако во многих из этих регионов данные об осадках скудны и сильно варьируются, что затрудняет адаптацию ученых, политиков и фермерских групп к изменениям погоды.
В этом исследовании ученые использовали тип машинного обучения, который не требует данных о погоде с индонезийских какао-ферм, участвующих в исследовании.
Вместо этого они полагались на данные о внесении удобрений, урожайности и типе фермы.Они подключили эти данные к байесовской нейронной сети (BNN) и обнаружили, что этап ENSO предсказал 75% изменения урожайности.
Другими словами, в большинстве случаев в исследовании температура поверхности Тихого океана позволяет точно предсказать урожай какао-бобов.В некоторых случаях можно сделать точные прогнозы за 25 месяцев до сбора урожая.
Во-первых, обычно можно отметить модель, которая может точно предсказать 50-процентное изменение объема производства.Такая точность долгосрочного прогноза урожайности сельскохозяйственных культур встречается редко.
Соавтор альянса и почетный исследователь Джеймс Кок сказал: «Это позволяет нам совмещать различные методы управления на ферме, такие как системы внесения удобрений, и с высокой уверенностью делать выводы об эффективных вмешательствах.«Международная организация по биоразнообразию и CIAT.«Это общий сдвиг в сторону исследования операций».
Кок, физиолог растений, сказал, что, хотя рандомизированные контролируемые исследования (РКИ) обычно считаются золотым стандартом исследований, эти исследования дороги и поэтому обычно невозможны в развивающихся тропических сельскохозяйственных регионах.Используемый здесь метод намного дешевле, не требует дорогостоящего сбора данных о погоде и дает полезные рекомендации о том, как лучше управлять посевами в условиях меняющейся погоды.
Аналитик данных и ведущий автор исследования Росс Чепмен (Ross Chapman) объяснил некоторые ключевые преимущества методов машинного обучения перед традиционными методами анализа данных.
Чепмен сказал: «Модель BNN отличается от стандартной регрессионной модели, потому что алгоритм принимает входные переменные (такие как температура поверхности моря и тип фермы), а затем автоматически «учится» распознавать реакцию других переменных (например, урожайности сельскохозяйственных культур). — сказал Чепмен.«Основной процесс, используемый в процессе обучения, такой же, как процесс, в котором человеческий мозг учится распознавать объекты и закономерности из реальной жизни.Напротив, стандартная модель требует ручного контроля различных переменных с помощью искусственно созданных уравнений».
Хотя в отсутствие погодных данных машинное обучение может привести к более точным прогнозам урожайности, если модели машинного обучения могут работать должным образом, ученым (или самим фермерам) все равно необходимо точно собирать определенную производственную информацию и делать эти данные легкодоступными.
В этом исследовании фермеры индонезийской фермы по производству какао стали участниками программы обучения передовому опыту для крупной шоколадной компании.Они отслеживают такие факторы, как внесение удобрений, свободно делятся этими данными для анализа и ведут аккуратные записи в местном Международном институте питания растений (IPNI), чтобы их могли использовать исследователи.
Кроме того, ученые ранее разделили свои фермы на десять аналогичных групп со схожим рельефом и почвенными условиями.Для построения модели исследователи использовали данные об урожае, применении удобрений и урожайности с 2013 по 2018 год.
Знания, полученные производителями какао, дают им уверенность в том, как и когда инвестировать в удобрения.Агрономические навыки, приобретенные этой обездоленной группой, могут защитить их от инвестиционных потерь, которые обычно происходят при неблагоприятных погодных условиях.
Благодаря сотрудничеству с исследователями их знаниями теперь можно каким-то образом поделиться с производителями других культур в других частях мира.
Корк сказал: «Без совместных усилий преданных своему делу фермеров IPNI и сильной организации поддержки фермеров Community Solutions International это исследование было бы невозможно».Он подчеркнул важность междисциплинарного сотрудничества и сбалансировал усилия заинтересованных сторон.Разные потребности.
Обертюр из APNI заявил, что мощные прогностические модели могут принести пользу фермерам и исследователям и способствовать дальнейшему сотрудничеству.
Обертор сказал: «Если вы фермер, который одновременно собирает данные, вам необходимо добиться ощутимых результатов».«Эта модель может предоставить фермерам полезную информацию и помочь стимулировать сбор данных, поскольку фермеры увидят, что они делают вклад, который приносит пользу их ферме».

suzy@lstchocolatemachine.com

www.lstchocolatemachine.com