Երբ Ինդոնեզիայում սեզոնային անձրևներն ավելի ուշ են հասնում, ֆերմերները հաճախ դա ընդունում են որպես նշան, որ չարժե ներդնել պարարտանյութեր իրենց բերքի համար:Երբեմն նրանք նախընտրում են ընդհանրապես չտնկել միամյա մշակաբույսեր:Սովորաբար նրանք ճիշտ որոշում են կայացնում, քանի որ անձրևային սեզոնի ուշ մեկնարկը սովորաբար կապված է Էլ Նինոյի հարավային տատանումների (ENSO) վիճակի և առաջիկա ամիսներին անբավարար տեղումների հետ։
«Science Reports»-ում հրապարակված նոր հետազոտությունը ցույց է տալիս, որ ENSO-ն հասարակածի երկայնքով Խաղաղ օվկիանոսի տաքացման և սառեցման եղանակային դեֆորմացիայի ցիկլ է, և հզոր կանխատեսում մինչև կակաոյի ծառը հավաքելը մինչև երկու տարի:
Սա կարող է լավ նորություն լինել մանր ֆերմերների, գիտնականների և համաշխարհային շոկոլադի արդյունաբերության համար:Բերքի չափը նախապես կանխատեսելու ունակությունը կարող է ազդել ֆերմերային տնտեսությունների ներդրումային որոշումների վրա, բարելավել արևադարձային մշակաբույսերի հետազոտական ​​ծրագրերը և նվազեցնել շոկոլադի արդյունաբերության ռիսկերն ու անորոշությունները:
Հետազոտողները ասում են, որ նույն մեթոդը, որը համատեղում է առաջադեմ մեքենայական ուսուցումը ֆերմերների սովորույթների և բերքատվության վերաբերյալ տվյալների խիստ կարճաժամկետ հավաքագրման հետ, կարող է կիրառվել նաև անձրևից կախված այլ մշակաբույսերի, ներառյալ սուրճի և ձիթապտուղների համար:
Մարոկկոյում գտնվող Աֆրիկյան բույսերի սնուցման ինստիտուտի (APNI) համահեղինակ և բիզնես մշակող Թոմաս Օբերթուրն ասում է. «Այս հետազոտության հիմնական նորարարությունն այն է, որ դուք կարող եք արդյունավետորեն փոխարինել եղանակի տվյալները ENSO-ի տվյալներով»:«Օգտագործելով այս մեթոդը, դուք կարող եք ուսումնասիրել ENSO-ի հետ կապված ցանկացած բան:Մշակաբույսեր՝ արտադրական հարաբերություններով»։
Աշխարհի վարելահողերի մոտ 80%-ը կախված է ուղղակի տեղումներից (ի տարբերություն ոռոգման), որը կազմում է ընդհանուր արտադրության մոտ 60%-ը:Այնուամենայնիվ, այս տարածքներից շատերում անձրևների մասին տվյալները նոսր են և խիստ փոփոխական, ինչը դժվարացնում է գիտնականների, քաղաքականություն մշակողների և ֆերմերային խմբերի հարմարվելը եղանակային փոփոխություններին:
Այս ուսումնասիրության ընթացքում հետազոտողները օգտագործել են մեքենայական ուսուցման մի տեսակ, որը չի պահանջում եղանակային գրառումներ հետազոտությանը մասնակցող ինդոնեզական կակաոյի ֆերմաներից:
Փոխարենը, նրանք հիմնվում էին պարարտանյութի կիրառման, բերքատվության և ֆերմայի տեսակի վերաբերյալ տվյալների վրա:Նրանք այս տվյալները միացրին Բայեսյան նեյրոնային ցանցին (BNN) և պարզեցին, որ ENSO փուլը կանխատեսում էր եկամտաբերության փոփոխության 75%-ը:
Այլ կերպ ասած, հետազոտության մեջ շատ դեպքերում Խաղաղ օվկիանոսի ծովի մակերեսի ջերմաստիճանը կարող է ճշգրիտ կանխատեսել կակաոյի հատիկների բերքը:Որոշ դեպքերում հնարավոր է ճշգրիտ կանխատեսումներ անել բերքահավաքից 25 ամիս առաջ։
Սկսնակների համար սովորաբար հնարավոր է նշել այնպիսի մոդել, որը կարող է ճշգրիտ կանխատեսել արտադրության 50% փոփոխություն:Բուսաբույսերի բերքատվության երկարաժամկետ կանխատեսումների ճշգրտությունը հազվադեպ է:
Դաշինքի համահեղինակ և պատվավոր հետազոտող Ջեյմս Քոքն ասել է. «Սա մեզ թույլ է տալիս ֆերմայում ներդնել կառավարման տարբեր պրակտիկաներ, ինչպիսիք են պարարտացման համակարգերը և բարձր վստահությամբ եզրակացնել արդյունավետ միջամտություններ:«Կենսաբազմազանության միջազգային կազմակերպությունը և CIAT.«Սա ընդհանուր անցում է դեպի օպերատիվ հետազոտություն»:
Բույսերի ֆիզիոլոգ Քոքը ասում է, որ չնայած պատահական վերահսկվող փորձարկումները (RCT) ընդհանուր առմամբ համարվում են հետազոտության ոսկե ստանդարտ, այդ փորձարկումները թանկ են և, հետևաբար, սովորաբար անհնար են զարգացող արևադարձային գյուղատնտեսական շրջաններում:Այստեղ օգտագործվող մեթոդը շատ ավելի էժան է, չի պահանջում եղանակային գրառումների թանկ հավաքագրում և օգտակար ուղեցույց է տալիս, թե ինչպես ավելի լավ կառավարել բերքը փոփոխվող եղանակին:
Տվյալների վերլուծաբան և հետազոտության առաջատար հեղինակ Ռոս Չապմանը (Ռոս Չապմեն) բացատրեց մեքենայական ուսուցման մեթոդների որոշ հիմնական առավելությունները տվյալների վերլուծության ավանդական մեթոդների նկատմամբ:
«BNN մոդելը տարբերվում է ստանդարտ ռեգրեսիոն մոդելից, քանի որ ալգորիթմը ընդունում է մուտքային փոփոխականներ (օրինակ՝ ծովի մակերևույթի ջերմաստիճանը և ֆերմայի տեսակը) և այնուհետև ավտոմատ կերպով «սովորում է» ճանաչել այլ փոփոխականների արձագանքը (օրինակ՝ բերքի բերքատվությունը): », - ասաց Չեփմենը:«Ուսուցման գործընթացում օգտագործվող հիմնական գործընթացը նույնն է, ինչ մարդու ուղեղը սովորում է ճանաչել իրական կյանքի առարկաները և օրինաչափությունները:Ընդհակառակը, ստանդարտ մոդելը պահանջում է տարբեր փոփոխականների ձեռքով վերահսկում արհեստականորեն ստեղծված հավասարումների միջոցով»:
Չնայած եղանակային տվյալների բացակայության դեպքում մեքենայական ուսուցումը կարող է հանգեցնել բերքի ավելի լավ կանխատեսումների, եթե մեքենայական ուսուցման մոդելները կարողանան ճիշտ աշխատել, գիտնականները (կամ իրենք՝ ֆերմերները) դեռ պետք է ճշգրիտ հավաքեն արտադրության որոշակի տեղեկատվություն և այդ տվյալները հասանելի դարձնեն:
Այս ուսումնասիրության մեջ ինդոնեզական կակաոյի ֆերմայի համար ֆերմերները դարձել են շոկոլադ արտադրող խոշոր ընկերության լավագույն փորձի վերապատրաստման ծրագրի մի մասը:Նրանք հետևում են այնպիսի մուտքերին, ինչպիսիք են պարարտանյութերի կիրառումը, ազատորեն կիսում են այս տվյալները վերլուծության համար և պահպանում են կոկիկ գրառումներ տեղական կազմակերպված Բույսերի սնուցման միջազգային ինստիտուտում (IPNI), որպեսզի հետազոտողները օգտագործեն:
Բացի այդ, գիտնականները նախկինում իրենց ֆերմաները բաժանել են տասը նմանատիպ խմբերի՝ նույն տեղագրությամբ և հողային պայմաններով:Մոդել ստեղծելու համար հետազոտողները օգտագործել են 2013-ից 2018 թվականների բերքի, պարարտանյութի կիրառման և բերքատվության տվյալները:
Կակաո արտադրողների ձեռք բերած գիտելիքները նրանց վստահություն են տալիս, թե ինչպես և երբ ներդրումներ կատարել պարարտանյութերում:Այս անբարենպաստ խմբի ձեռք բերած ագրոնոմիական հմտությունները կարող են պաշտպանել նրանց ներդրումների կորուստներից, որոնք սովորաբար տեղի են ունենում եղանակային անբարենպաստ պայմաններում:
Հետազոտողների հետ նրանց համագործակցության շնորհիվ նրանց գիտելիքներն այժմ կարող են ինչ-որ կերպ փոխանցվել աշխարհի այլ մասերում այլ մշակաբույսերի աճեցնողներին:
Cork-ն ասաց. «Առանց նվիրված ֆերմեր IPNI-ի և ֆերմերներին աջակցող ուժեղ կազմակերպության՝ Community Solutions International-ի համատեղ ջանքերի, այս հետազոտությունը հնարավոր չէր լինի»:Նա ընդգծեց բազմամասնագիտական ​​համագործակցության կարևորությունը և հավասարակշռեց շահագրգիռ կողմերի ջանքերը:Տարբեր կարիքներ.
APNI-ի Oberthür-ն ասաց, որ հզոր կանխատեսող մոդելները կարող են օգտակար լինել ֆերմերներին և հետազոտողներին և խթանել հետագա համագործակցությունը:
«Եթե դուք ֆերմեր եք, ով միաժամանակ տվյալներ է հավաքում, ապա պետք է շոշափելի արդյունքների հասնեք»:«Այս մոդելը կարող է ֆերմերներին տրամադրել օգտակար տեղեկատվություն և կարող է օգնել խթանել տվյալների հավաքագրումը, քանի որ ֆերմերները կտեսնեն, որ նրանք անում են իրենց ներդրումը, ինչը օգուտներ է բերում իրենց ֆերմայում»:

suzy@lstchocolatemachine.com

www.lstchocolatemachine.com