Когда сезонные дожди в Индонезии приходят позже, фермеры часто воспринимают это как знак того, что не стоит вкладывать средства в удобрения для своих культур.Иногда они предпочитают вообще не сажать однолетние культуры.Обычно они принимают правильное решение, ведь позднее начало сезона дождей обычно связано с состоянием Эль-Ниньо Южного Колебания (ЭНЮК) и недостаточным количеством осадков в ближайшие месяцы.
Новое исследование, опубликованное в журнале «Science Reports», показывает, что ЭНСО представляет собой цикл погодной деформации потепления и похолодания вдоль Тихого океана вдоль экватора, а также мощный прогноз на срок до двух лет до сбора урожая дерева какао.
Это может быть хорошей новостью для мелких фермеров, ученых и мировой шоколадной промышленности.Возможность заранее предсказать размер урожая может повлиять на инвестиционные решения фермеров, 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 Обертюр, соавтор и бизнес-разработчик Африканского института питания растений (APNI) в Марокко, сказал: «Ключевая инновация этого исследования заключается в том, 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 зависят от прямых осадков (в отличие от орошения), на долю которых приходится около 60% общего производства.Однако во многих из этих районов данные об осадках скудны и сильно изменчивы, что затрудняет адаптацию ученых, политиков и групп фермеров к изменениям погоды.
В этом исследовании исследователи использовали тип машинного обучения, который не требует записей 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 стадия ENSO предсказала 75% изменения урожайности.
Другими словами, в большинстве случаев в ходе исследования температура поверхности Тихого океана позволяет точно предсказать урожай какао-бобов.В некоторых случаях можно делать точные прогнозы за 25 месяцев до сбора урожая.
Для начала обычно можно отметить модель, которая может точно предсказать 50-процентное изменение производства.Такая точность долгосрочного прогноза урожайности встречается редко.
Соавтор альянса и почетный исследователь Джеймс Кок сказал: «Это позволяет нам накладывать друг на друга различные методы управления на ферме, такие как системы удобрения, и делать выводы об эффективных вмешательствах с высокой степенью достоверности.«Международная организация по биоразнообразию и CIAT.«Это общий переход к исследованию операций».
Кок, физиолог растений, сказал, что, хотя рандомизированные контролируемые испытания (РКИ) обычно считаются золотым стандартом исследований, эти испытания 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 модели регрессии, потому что алгоритм принимает входные переменные (такие как температура поверхности моря и тип фермы), а затем автоматически «учится» распознавать реакцию других переменных (таких как урожайность). — сказал Чепмен.«Основной процесс, используемый в процессе обучения, такой же, как и процесс, в ходе которого человеческий мозг учится распознавать объекты и модели из реальной жизни.Напротив, стандартная модель требует ручного контроля различных переменных с помощью искусственно созданных уравнений».
Хотя в отсутствие данных о погоде машинное обучение может привести к более точным прогнозам урожайности, если модели машинного обучения будут работать должным образом, ученым (или самим фермерам) по-прежнему необходимо будет точно собирать определенную производственную информацию и сделать эти данные легкодоступными.
Для индонезийской фермы какао в этом исследовании фермеры стали частью программы обучения передовому опыту для крупной шоколадной компании.Они отслеживают входные данные, такие как внесение удобрений, свободно обмениваются этими данными для анализа и ведут аккуратные записи в местном организованном Международном институте питания растений (IPNI) для использования исследователями.
Кроме того, ученые ранее разделили свои фермы на десять похожих групп со сходным рельефом и почвенными условиями.Исследователи использовали данные об урожае, внесении удобрений и урожайности с 2013 по 2018 год для построения модели.
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 их сотрудничеству с исследователями их знаниями теперь можно каким-то образом поделиться с производителями других культур в других частях мира.
Корк сказал: «Без совместных усилий преданного своему делу фермера 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 сказал, что мощные прогностические модели могут принести пользу фермерам и исследователям и способствовать дальнейшему сотрудничеству.
Обертур сказал: «Если вы фермер, который одновременно собирает данные, вам необходимо добиться ощутимых результатов».«Эта модель может предоставить фермерам полезную информацию и может помочь стимулировать сбор данных, потому что фермеры увидят, что они делают, чтобы внести свой вклад, который приносит пользу их ферме».

suzy@lstchocolatemachine.com

www.lstchocolatemachine.com