När säsongsbetonade regn kommer senare till Indonesien tar bönderna det ofta som ett tecken på att det inte är värt att investera i gödningsmedel för sina grödor.Ibland väljer de att inte plantera ettåriga grödor alls.Vanligtvis fattar de rätt beslut, eftersom den sena starten av regnperioden vanligtvis är relaterad till tillståndet för El Niño Southern Oscillation (ENSO) och otillräcklig nederbörd under de kommande månaderna.
Den nya forskningen publicerad i "Science Reports" visar att ENSO är en väderdeformationscykel av uppvärmning och avkylning längs Stilla havet längs ekvatorn, och en kraftfull prognos för upp till två år innan kakaoträdet skördas.
Detta kan vara goda nyheter för småbrukare, forskare och den globala chokladindustrin.Möjligheten att förutsäga storleken på skörden i förväg kan påverka investeringsbeslut på jordbruksföretag, förbättra forskningsprogram för tropiska grödor och minska risker och osäkerheter i chokladindustrin.
Forskare säger att samma metod som kombinerar avancerad maskininlärning med strikt kortsiktig datainsamling om lantbrukares seder och avkastning också kan tillämpas på andra regnberoende grödor, inklusive kaffe och oliver.
Thomas Oberthür, medförfattare och affärsutvecklare av African Plant Nutrition Institute (APNI) i Marocko, sa: "Den viktigaste innovationen i denna forskning är att du effektivt kan ersätta väderdata med ENSO-data.""Med den här metoden kan du utforska allt som har med ENSO att göra.Grödor med produktionsrelationer.”
Cirka 80 % av världens åkermark är beroende av direkt nederbörd (i motsats till bevattning), vilket står för cirka 60 % av den totala produktionen.Men i många av dessa områden är nederbördsdata sparsamma och mycket varierande, vilket gör det svårt för forskare, beslutsfattare och bondegrupper att anpassa sig till förändringar i vädret.
I den här studien använde forskarna en typ av maskininlärning som inte kräver väderrekord från de indonesiska kakaogårdarna som deltar i studien.
Istället förlitade de sig på data om gödseltillförsel, avkastning och gårdstyp.De kopplade in denna data till ett Bayesian Neural Network (BNN) och fann att ENSO-stadiet förutspådde 75% av förändringen i avkastning.
Med andra ord, i de flesta fall i studien kan havsytans temperatur i Stilla havet exakt förutsäga skörden av kakaobönor.I vissa fall är det möjligt att göra exakta förutsägelser 25 månader före skörd.
Till att börja med är det vanligtvis möjligt att fira en modell som exakt kan förutsäga en förändring på 50 % i produktionen.Den här typen av långtidsprognosnoggrannhet för skörden är sällsynt.
Alliansens medförfattare och hedersforskare James Cock sa: "Detta tillåter oss att överlagra olika förvaltningsmetoder på gården, såsom gödslingssystem, och dra slutsatser om effektiva interventioner med hög tillförsikt."International Biodiversity Organization och CIAT."Detta är ett övergripande skifte till operationsforskning."
Cock, en växtfysiolog, sa att även om randomiserade kontrollerade försök (RCT) i allmänhet anses vara guldstandarden för forskning, är dessa försök dyra och därför vanligtvis omöjliga i utvecklingen av tropiska jordbruksregioner.Metoden som används här är mycket billigare, kräver ingen dyrbar insamling av väderrekord och ger användbar vägledning om hur man bättre hanterar grödor i växlande väder.
Dataanalytiker och huvudförfattare till studien Ross Chapman (Ross Chapman) förklarade några av de viktigaste fördelarna med maskininlärningsmetoder jämfört med traditionella dataanalysmetoder.
Chapman sa: "BNN-modellen skiljer sig från standardregressionsmodellen eftersom algoritmen tar indatavariabler (som havsytans temperatur och gårdstyp) och sedan automatiskt "lär sig" att känna igen svaret från andra variabler (som skörd), " sa Chapman.”Den grundläggande processen som används i inlärningsprocessen är densamma som den process som den mänskliga hjärnan lär sig att känna igen objekt och mönster från det verkliga livet.Tvärtom kräver standardmodellen manuell övervakning av olika variabler genom artificiellt genererade ekvationer.”
Även om maskininlärning i avsaknad av väderdata kan leda till bättre skördeförutsägelser, om maskininlärningsmodeller kan fungera korrekt, måste forskare (eller bönder själva) fortfarande samla in viss produktionsinformation och göra dessa data lätt tillgängliga.
För den indonesiska kakaofarmen i denna studie har bönder blivit en del av ett träningsprogram för bästa praxis för ett stort chokladföretag.De spårar insatser som gödningsmedelsapplicering, delar fritt dessa data för analys och för snygga register på det lokala organiserade International Plant Nutrition Institute (IPNI) för forskare att använda.
Dessutom har forskare tidigare delat upp sina gårdar i tio liknande grupper med liknande topografi och markförhållanden.Forskarna använde skörden, gödseltillförseln och skördedata från 2013 till 2018 för att bygga en modell.
Den kunskap som kakaoodlarna skaffar sig ger dem förtroende för hur och när de ska investera i konstgödsel.De agronomiska färdigheter som förvärvats av denna missgynnade grupp kan skydda dem från investeringsförluster, som vanligtvis uppstår under ogynnsamma väderförhållanden.
Tack vare deras samarbete med forskare kan deras kunskap nu på något sätt delas med odlare av andra grödor i andra delar av världen.
Cork sa: "Utan de gemensamma ansträngningarna från den hängivna bonden IPNI och den starka bondestödorganisationen Community Solutions International skulle denna forskning inte vara möjlig."Han betonade vikten av tvärvetenskapligt samarbete och balanserade intressenternas insatser.Olika behov.
APNI:s Oberthür sa att kraftfulla prediktiva modeller kan gynna bönder och forskare och främja ytterligare samarbete.
Obertoor sa: "Om du är en bonde som samlar in data samtidigt måste du uppnå påtagliga resultat.""Den här modellen kan ge jordbrukare användbar information och kan hjälpa till att stimulera datainsamling, eftersom jordbrukare kommer att se att de gör ett bidrag, vilket ger fördelar för deras gård."

suzy@lstchocolatemachine.com

www.lstchocolatemachine.com