Wanneer seizoensregens later in Indonesië arriveren, beschouwen boeren dit vaak als een teken dat het niet de moeite waard is om te investeren in meststoffen voor hun gewassen.Soms kiezen ze ervoor om helemaal geen eenjarige gewassen te planten.Meestal nemen ze de juiste beslissing, omdat de late start van het regenseizoen meestal verband houdt met de toestand van de El Niño Southern Oscillation (ENSO) en onvoldoende regenval in de komende maanden.
Uit het nieuwe onderzoek gepubliceerd in “Science Reports” blijkt dat ENSO een weervervormingscyclus is van opwarming en afkoeling langs de Stille Oceaan langs de evenaar, en een krachtige voorspelling voor maximaal twee jaar voordat de cacaoboom wordt geoogst.
Dit zou goed nieuws kunnen zijn voor kleine boeren, wetenschappers en de mondiale chocolade-industrie.Het vermogen om de omvang van de oogst vooraf te voorspellen kan van invloed zijn op beslissingen over landbouwinvesteringen, het verbeteren van onderzoeksprogramma's voor tropische gewassen en het verminderen van risico's en onzekerheden in de chocolade-industrie.
Onderzoekers zeggen dat dezelfde methode die geavanceerd machinaal leren combineert met strikte gegevensverzameling op korte termijn over de gewoonten en opbrengsten van boeren ook kan worden toegepast op andere regenafhankelijke gewassen, waaronder koffie en olijven.
Thomas Oberthür, co-auteur en business developer van het African Plant Nutrition Institute (APNI) in Marokko, zei: “De belangrijkste innovatie van dit onderzoek is dat je weergegevens effectief kunt vervangen door ENSO-gegevens.”“Met deze methode kun je alles verkennen wat met ENSO te maken heeft.Gewassen met productieverhoudingen.”
Ongeveer 80% van het bouwland in de wereld is afhankelijk van directe regenval (in tegenstelling tot irrigatie), die ongeveer 60% van de totale productie voor zijn rekening neemt.In veel van deze gebieden zijn de neerslaggegevens echter schaars en zeer variabel, wat het voor wetenschappers, beleidsmakers en boerengroepen moeilijk maakt om zich aan te passen aan veranderingen in het weer.
In deze studie gebruikten de onderzoekers een vorm van machinaal leren waarvoor geen weergegevens nodig zijn van de Indonesische cacaoboerderijen die aan het onderzoek deelnemen.
In plaats daarvan vertrouwden ze op gegevens over de bemesting, opbrengst en bedrijfstype.Ze stopten deze gegevens in een Bayesiaans neuraal netwerk (BNN) en ontdekten dat de ENSO-fase 75% van de verandering in opbrengst voorspelde.
Met andere woorden: in de meeste gevallen in het onderzoek kan de zeeoppervlaktetemperatuur van de Stille Oceaan de oogst van cacaobonen nauwkeurig voorspellen.In sommige gevallen is het mogelijk om 25 maanden vóór de oogst nauwkeurige voorspellingen te doen.
Om te beginnen is het meestal mogelijk om een ​​model te vieren dat een productieverandering van 50% nauwkeurig kan voorspellen.Dit soort langetermijnvoorspellingen van gewasopbrengsten zijn zeldzaam.
De co-auteur en ere-onderzoeker van de alliantie, James Cock, zei: “Hierdoor kunnen we verschillende managementpraktijken op de boerderij over elkaar heen leggen, zoals bemestingssystemen, en met groot vertrouwen effectieve interventies afleiden.“Internationale Biodiversiteitsorganisatie en CIAT.“Dit is een algemene verschuiving naar operationeel onderzoek.”
Cock, een plantenfysioloog, zei dat hoewel gerandomiseerde gecontroleerde onderzoeken (RCT's) over het algemeen als de gouden standaard voor onderzoek worden beschouwd, deze onderzoeken duur zijn en daarom meestal onmogelijk in de ontwikkeling van tropische landbouwgebieden.De hier gebruikte methode is veel goedkoper, vereist geen dure verzameling van weergegevens en biedt nuttige richtlijnen voor het beter beheren van gewassen bij veranderend weer.
Data-analist en hoofdauteur van het onderzoek Ross Chapman (Ross Chapman) legde enkele van de belangrijkste voordelen van machine learning-methoden ten opzichte van traditionele data-analysemethoden uit.
Chapman zei: “Het BNN-model verschilt van het standaard regressiemodel omdat het algoritme invoervariabelen neemt (zoals de temperatuur van het zeeoppervlak en het type boerderij) en vervolgens automatisch ‘leert’ de reactie van andere variabelen (zoals gewasopbrengst) te herkennen. zei Chapman.“Het basisproces dat in het leerproces wordt gebruikt, is hetzelfde als het proces waarmee het menselijk brein objecten en patronen uit het echte leven leert herkennen.Integendeel, het standaardmodel vereist handmatig toezicht op verschillende variabelen via kunstmatig gegenereerde vergelijkingen.”
Hoewel machinaal leren bij gebrek aan weergegevens kan leiden tot betere voorspellingen van de oogstopbrengst, moeten wetenschappers (of boeren zelf) nog steeds bepaalde productie-informatie nauwkeurig verzamelen en deze gegevens direct beschikbaar maken als modellen voor machinaal leren goed kunnen werken.
Voor de Indonesische cacaoboerderij in dit onderzoek zijn boeren onderdeel geworden van een best practice trainingsprogramma voor een groot chocoladebedrijf.Ze volgen input zoals de toepassing van kunstmest, delen deze gegevens vrijelijk voor analyse en houden keurige gegevens bij bij het lokaal georganiseerde International Plant Nutrition Institute (IPNI), zodat onderzoekers deze kunnen gebruiken.
Bovendien verdeelden wetenschappers hun boerderijen eerder in tien vergelijkbare groepen met vergelijkbare topografie en bodemgesteldheid.De onderzoekers gebruikten de oogst-, bemestings- en opbrengstgegevens van 2013 tot 2018 om een ​​model te bouwen.
De kennis die cacaoboeren opdoen, geeft hen vertrouwen in hoe en wanneer ze in meststoffen moeten investeren.De agronomische vaardigheden die deze achtergestelde groep heeft verworven, kunnen hen beschermen tegen investeringsverliezen, die doorgaans optreden onder ongunstige weersomstandigheden.
Dankzij hun samenwerking met onderzoekers kan hun kennis nu op de een of andere manier worden gedeeld met telers van andere gewassen in andere delen van de wereld.
Cork zei: “Zonder de gezamenlijke inspanningen van de toegewijde boer IPNI en de sterke boerenondersteuningsorganisatie Community Solutions International zou dit onderzoek niet mogelijk zijn.”Hij benadrukte het belang van multidisciplinaire samenwerking en bracht de inspanningen van de stakeholders in evenwicht.Verschillende behoeften.
Oberthür van APNI zei dat krachtige voorspellende modellen boeren en onderzoekers ten goede kunnen komen en verdere samenwerking kunnen bevorderen.
Obertoor zei: “Als je een boer bent die tegelijkertijd data verzamelt, moet je tastbare resultaten behalen.”“Dit model kan boeren van nuttige informatie voorzien en het verzamelen van gegevens helpen stimuleren, omdat boeren zullen zien dat ze een bijdrage leveren, wat voordelen oplevert voor hun bedrijf.”

suzy@lstchocolatemachine.com

www.lstchocolatemachine.com