Wannear't seizoensreinen letter yn Yndoneezje oankomme, nimme boeren it faaks as in teken dat it net wurdich is om te ynvestearjen yn meststoffen foar har gewaaksen.Soms kieze se der foar om gjin jierlikse gewaaksen te plantsjen.Meastentiids nimme se it goede beslút, om't it lette begjin fan it reinseizoen meastentiids ferbân hâldt mei de steat fan 'e El Niño Southern Oscillation (ENSO) en ûnfoldwaande delslach yn 'e kommende moannen.
It nije ûndersyk publisearre yn "Science Reports" lit sjen dat ENSO in waarferfoarmingssyklus is fan opwaarming en ôfkuolling lâns de Stille Oseaan lâns de evener, en in krêftige prognose foar maksimaal twa jier foardat de kakaobeam wurdt rispe.
Dit kin goed nijs wêze foar lytse boeren, wittenskippers en de wrâldwide sûkelade-yndustry.De mooglikheid om de grutte fan 'e rispinge fan tefoaren te foarsizzen kin ynfloed hawwe op pleatsynvestearringsbesluten, tropyske gewaaksûndersykprogramma's ferbetterje en risiko's en ûnwissichheden yn' e sûkelade-yndustry ferminderje.
Ûndersikers sizze dat deselde metoade dy't kombinearret avansearre masine learen mei strang koarte-termyn gegevens sammeljen op boer gewoanten en opbringsten kin ek tapast wurde op oare rein-ôfhinklike gewaaksen, ynklusyf kofje en oliven.
Thomas Oberthür, mei-auteur en saaklike ûntwikkelder fan it African Plant Nutrition Institute (APNI) yn Marokko, sei: "De wichtichste ynnovaasje fan dit ûndersyk is dat jo waargegevens effektyf kinne ferfange troch ENSO-gegevens.""Mei help fan dizze metoade kinne jo alles ferkenne relatearre oan ENSO.Gewaaksen mei produksjerelaasjes. ”
Likernôch 80% fan it boulân op 'e wrâld is basearre op direkte delslach (yn tsjinstelling ta yrrigaasje), wat goed foar sa'n 60% fan 'e totale produksje útmakket.Lykwols, yn in protte fan dizze gebieten, delslach gegevens binne sparse en tige fariabele, dat makket it lestich foar wittenskippers, beliedsmakkers, en boeregroepen te passen oan feroarings yn it waar.
Yn dizze stúdzje brûkten de ûndersikers in soarte fan masine-learen dy't gjin waarrekords nedich binne fan 'e Yndonesyske kakao pleatsen dy't dielnimme oan' e stúdzje.
Ynstee, se fertrouden op gegevens oer fertilizing tapassing, opbringst, en pleats type.Se pluggen dizze gegevens yn in Bayesian Neural Network (BNN) en fûnen dat it ENSO-poadium 75% fan 'e feroaring yn opbringst foarsei.
Mei oare wurden, yn 'e measte gefallen yn' e stúdzje kin de see-oerflaktemperatuer fan 'e Stille Oseaan de rispinge fan kakaobannen sekuer foarsizze.Yn guon gefallen is it mooglik om krekte foarsizzingen te meitsjen 25 moannen foar rispinge.
Om te begjinnen is it normaal mooglik om in model te fieren dat in 50% feroaring yn produksje sekuer kin foarsizze.Dit soarte fan lange-termyn prognose krektens fan gewaaks opbringsten is seldsum.
De co-auteur en eareûndersiker fan 'e alliânsje James Cock sei: "Dit stelt ús yn steat om ferskate behearpraktiken op 'e pleats oer te setten, lykas befruchtingsystemen, en effektive yntervinsjes mei heech fertrouwen ôf te lieden."Ynternasjonale Organisaasje foar Biodiversiteit en CIAT."Dit is in algemiene ferskowing nei operaasjeûndersyk."
Cock, in plantfysiolooch, sei dat hoewol randomisearre kontroleare proeven (RCT's) algemien wurde beskôge as de gouden standert foar ûndersyk, binne dizze proeven djoer en dêrom meastal ûnmooglik yn it ûntwikkeljen fan tropyske agraryske regio's.De metoade dy't hjir brûkt wurdt is folle goedkeaper, fereasket gjin djoere kolleksje fan waarrekords, en jout nuttige begelieding oer hoe't jo gewaaksen better kinne beheare yn wikseljend waar.
Data-analist en haadauteur fan 'e stúdzje Ross Chapman (Ross Chapman) ferklearre guon fan' e wichtichste foardielen fan metoaden foar learen fan masines boppe tradisjonele metoaden foar gegevensanalyse.
Chapman sei: "It BNN-model is oars as it standert regressionmodel, om't it algoritme ynfierfariabelen nimt (lykas see-oerflaktemperatuer en pleatstype) en dan automatysk 'leart' om de reaksje fan oare fariabelen te herkennen (lykas gewaaksopbringst), "Sei Chapman."It basisproses dat brûkt wurdt yn it learproses is itselde as it proses dat it minsklik brein leart om objekten en patroanen út it echte libben te werkennen.Krektoarsom, it standertmodel fereasket hânmjittich tafersjoch fan ferskate fariabelen troch keunstmjittich oanmakke fergelikingen.
Hoewol by it ûntbrekken fan waargegevens, kin masine-learen liede ta bettere foarsizzingen fan gewaaksopbringst, as masine-learmodellen goed kinne wurkje, moatte wittenskippers (as boeren sels) noch bepaalde produksjeynformaasje sekuer sammelje en dizze Gegevens maklik beskikber meitsje.
Foar de Yndonesyske kakaofarm yn dizze stúdzje binne boeren diel wurden fan in opliedingsprogramma foar bêste praktyk foar in grut sûkeladebedriuw.Se folgje ynputs lykas fertilizerapplikaasje, diele dizze gegevens frij foar analyse, en hâlde nette records by it pleatslik organisearre International Plant Nutrition Institute (IPNI) foar ûndersikers om te brûken.
Dêrnjonken ferdielden wittenskippers har pleatsen earder yn tsien ferlykbere groepen mei ferlykbere topografy en boaiemomstannichheden.De ûndersikers brûkten de rispinge, fertilizerapplikaasje en opbringstgegevens fan 2013 oant 2018 om in model te bouwen.
De kennis fan kakaokwekers jout har fertrouwen yn hoe en wannear te ynvestearjen yn dong.De agronomyske feardichheden dy't troch dizze benadeelde groep oandien binne kinne har beskermje tsjin ynvestearringsferlies, dy't normaal foarkomme ûnder ûngeunstige waarsomstannichheden.
Troch har gearwurking mei ûndersikers kin har kennis no op ien of oare manier dield wurde mei kwekers fan oare gewaaksen yn oare dielen fan 'e wrâld.
Cork sei: "Sûnder de mienskiplike ynspanningen fan 'e tawijde boer IPNI en de sterke boerestipeorganisaasje Community Solutions International, soe dit ûndersyk net mooglik wêze."Hy beklamme it belang fan multydissiplinêre gearwurking en balansearre de ynspanningen fan de belanghawwenden.Ferskillende behoeften.
Oberthür fan APNI sei dat krêftige foarsizzende modellen kinne profitearje fan boeren en ûndersikers en fierdere gearwurking befoarderje.
Obertoor sei: "As jo ​​​​in boer binne dy't tagelyk gegevens sammelet, moatte jo taastbere resultaten berikke.""Dit model kin boeren nuttige ynformaasje jaan en kin helpe om gegevenssammeling te stimulearjen, om't boeren sille sjen dat se dogge In bydrage te leverjen, wat foardielen foar har pleats bringt."

suzy@lstchocolatemachine.com

www.lstchocolatemachine.com