Khi những cơn mưa theo mùa đến muộn hơn ở Indonesia, nông dân thường coi đó là dấu hiệu cho thấy việc đầu tư vào phân bón cho cây trồng của họ là không đáng.Đôi khi họ chọn không trồng cây hàng năm.Thông thường, họ đưa ra quyết định đúng đắn, vì mùa mưa bắt đầu muộn thường liên quan đến trạng thái El Niño Nam Dao động (ENSO) và lượng mưa không đủ trong những tháng tới.
Nghiên cứu mới được công bố trong “Báo cáo khoa học” cho thấy ENSO là một chu kỳ biến dạng thời tiết làm nóng lên và làm mát dọc theo Thái Bình Dương dọc theo đường xích đạo và dự báo mạnh mẽ đến hai năm trước khi cây ca cao được thu hoạch.
Đây có thể là tin tốt cho nông dân sản xuất nhỏ, các nhà khoa học và ngành công nghiệp sôcôla toàn cầu.Khả năng dự đoán trước quy mô thu hoạch có thể ảnh hưởng đến quyết định đầu tư vào trang trại, cải thiện các chương trình nghiên cứu cây trồng nhiệt đới và giảm rủi ro cũng như sự không chắc chắn trong ngành sô cô la.
Các nhà nghiên cứu cho biết phương pháp tương tự kết hợp công nghệ học máy tiên tiến với việc thu thập dữ liệu ngắn hạn nghiêm ngặt về phong tục và sản lượng của nông dân cũng có thể được áp dụng cho các loại cây trồng phụ thuộc vào mưa khác, bao gồm cà phê và ô liu.
Thomas Oberthür, đồng tác giả và nhà phát triển kinh doanh của Viện Dinh dưỡng Thực vật Châu Phi (APNI) ở Maroc, cho biết: “Điểm đổi mới quan trọng của nghiên cứu này là bạn có thể thay thế dữ liệu thời tiết bằng dữ liệu ENSO một cách hiệu quả”.“Sử dụng phương pháp này, bạn có thể khám phá mọi thứ liên quan đến ENSO.Cây trồng có quan hệ sản xuất.”
Khoảng 80% đất trồng trọt trên thế giới phụ thuộc vào lượng mưa trực tiếp (ngược lại với việc tưới tiêu), chiếm khoảng 60% tổng sản lượng.Tuy nhiên, ở nhiều khu vực này, dữ liệu về lượng mưa rất thưa thớt và có tính biến đổi cao, khiến các nhà khoa học, nhà hoạch định chính sách và nhóm nông dân gặp khó khăn trong việc thích ứng với những thay đổi của thời tiết.
Trong nghiên cứu này, các nhà nghiên cứu đã sử dụng một loại máy học không yêu cầu hồ sơ thời tiết từ các trang trại ca cao của Indonesia tham gia nghiên cứu.
Thay vào đó, họ dựa vào dữ liệu về việc sử dụng phân bón, năng suất và loại hình trang trại.Họ đưa dữ liệu này vào Mạng thần kinh Bayesian (BNN) và nhận thấy rằng giai đoạn ENSO dự đoán 75% sự thay đổi về năng suất.
Nói cách khác, trong hầu hết các trường hợp trong nghiên cứu, nhiệt độ mặt nước biển Thái Bình Dương có thể dự đoán chính xác việc thu hoạch hạt ca cao.Trong một số trường hợp, có thể đưa ra dự đoán chính xác 25 tháng trước khi thu hoạch.
Đối với những người mới bắt đầu, thường có thể tôn vinh một mô hình có thể dự đoán chính xác mức thay đổi 50% trong sản xuất.Loại dự báo dài hạn này có độ chính xác về năng suất cây trồng là rất hiếm.
Đồng tác giả và nhà nghiên cứu danh dự của liên minh, James Cock cho biết: “Điều này cho phép chúng tôi áp dụng các phương pháp quản lý khác nhau trên trang trại, chẳng hạn như hệ thống bón phân và đưa ra các biện pháp can thiệp hiệu quả với độ tin cậy cao.“Tổ chức đa dạng sinh học quốc tế và CIAT.“Đây là một sự chuyển đổi tổng thể sang nghiên cứu hoạt động.”
Cock, một nhà sinh lý học thực vật, cho biết mặc dù các thử nghiệm ngẫu nhiên có đối chứng (RCT) thường được coi là tiêu chuẩn vàng cho nghiên cứu, nhưng những thử nghiệm này rất tốn kém và do đó thường không thể thực hiện được ở các vùng nông nghiệp nhiệt đới đang phát triển.Phương pháp được sử dụng ở đây rẻ hơn nhiều, không yêu cầu thu thập hồ sơ thời tiết tốn kém và cung cấp hướng dẫn hữu ích về cách quản lý cây trồng tốt hơn khi thời tiết thay đổi.
Nhà phân tích dữ liệu và tác giả chính của nghiên cứu Ross Chapman (Ross Chapman) đã giải thích một số ưu điểm chính của phương pháp học máy so với các phương pháp phân tích dữ liệu truyền thống.
Chapman cho biết: “Mô hình BNN khác với mô hình hồi quy tiêu chuẩn vì thuật toán lấy các biến đầu vào (chẳng hạn như nhiệt độ mặt nước biển và loại trang trại) và sau đó tự động 'học' để nhận biết phản ứng của các biến khác (chẳng hạn như năng suất cây trồng), ”Chapman nói.“Quy trình cơ bản được sử dụng trong quá trình học tập cũng giống như quá trình mà bộ não con người học cách nhận biết các đồ vật và hình mẫu từ cuộc sống thực.Ngược lại, mô hình chuẩn yêu cầu giám sát thủ công các biến khác nhau thông qua các phương trình được tạo ra một cách nhân tạo.”
Mặc dù trong trường hợp không có dữ liệu thời tiết, học máy có thể dẫn đến dự đoán năng suất cây trồng tốt hơn, nhưng nếu các mô hình học máy có thể hoạt động bình thường, các nhà khoa học (hoặc chính nông dân) vẫn cần thu thập chính xác một số thông tin sản xuất nhất định và cung cấp những Dữ liệu này.
Đối với trang trại ca cao của Indonesia trong nghiên cứu này, nông dân đã trở thành một phần của chương trình đào tạo thực hành tốt nhất cho một công ty sô-cô-la lớn.Họ theo dõi các yếu tố đầu vào như bón phân, tự do chia sẻ dữ liệu này để phân tích và lưu giữ hồ sơ gọn gàng tại Viện Dinh dưỡng Thực vật Quốc tế (IPNI) do địa phương tổ chức để các nhà nghiên cứu sử dụng.
Ngoài ra, các nhà khoa học trước đây đã chia trang trại của họ thành 10 nhóm tương tự có địa hình và điều kiện đất đai tương tự nhau.Các nhà nghiên cứu đã sử dụng dữ liệu về thu hoạch, bón phân và năng suất từ ​​năm 2013 đến năm 2018 để xây dựng mô hình.
Kiến thức mà người trồng ca cao thu được giúp họ tự tin về cách thức và thời điểm đầu tư vào phân bón.Các kỹ năng nông học mà nhóm thiệt thòi này có được có thể bảo vệ họ khỏi những tổn thất đầu tư thường xảy ra trong điều kiện thời tiết bất lợi.
Nhờ sự cộng tác của họ với các nhà nghiên cứu, kiến ​​thức của họ giờ đây có thể được chia sẻ theo cách nào đó với những người trồng các loại cây trồng khác ở những nơi khác trên thế giới.
Cork cho biết: “Nếu không có nỗ lực chung của tổ chức nông dân tâm huyết IPNI và tổ chức hỗ trợ nông dân mạnh mẽ Community Solutions International, nghiên cứu này sẽ không thể thực hiện được”.Ông nhấn mạnh tầm quan trọng của hợp tác đa ngành và cân bằng nỗ lực của các bên liên quan.Nhu cầu khác nhau.
Oberthür của APNI cho biết các mô hình dự đoán mạnh mẽ có thể mang lại lợi ích cho nông dân và các nhà nghiên cứu cũng như thúc đẩy hợp tác hơn nữa.
Obertoor cho biết: “Nếu bạn là nông dân thu thập dữ liệu cùng lúc, bạn cần đạt được kết quả rõ ràng”.“Mô hình này có thể cung cấp cho nông dân thông tin hữu ích và có thể giúp khuyến khích thu thập dữ liệu, bởi vì nông dân sẽ thấy rằng họ đang đóng góp, mang lại lợi ích cho trang trại của họ.”

suzy@lstchocolatemachine.com

www.lstchocolatemachine.com