Als er later seizoensregens komen in Indonesië, 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 te maken heeft met de toestand van de El Niño Southern Oscillation (ENSO) en onvoldoende regenval in de komende maanden.
Het nieuwe onderzoek gepubliceerd in "Science Reports" toont aan dat ENSO een weersvervormingscyclus is van opwarming en afkoeling langs de Stille Oceaan langs de evenaar, en een krachtige voorspelling tot twee jaar voordat de cacaoboom wordt geoogst.
Dit kan goed nieuws zijn voor kleine boeren, wetenschappers en de wereldwijde chocolade-industrie.Het vermogen om de omvang van de oogst van tevoren te voorspellen, kan van invloed zijn op beslissingen over investeringen in landbouwbedrijven, 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 geavanceerde machine learning combineert met strikte gegevensverzameling op korte termijn over de gebruiken 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 onderzoeken wat met ENSO te maken heeft.Gewassen met productierelaties.”
Ongeveer 80% van 's werelds bouwland is afhankelijk van directe regenval (in tegenstelling tot irrigatie), wat goed is voor ongeveer 60% van de totale productie.In veel van deze gebieden zijn regengegevens echter schaars en zeer variabel, wat het moeilijk maakt voor wetenschappers, beleidsmakers en boerengroepen om zich aan te passen aan veranderingen in het weer.
In deze studie gebruikten de onderzoekers een soort machine learning waarvoor geen weergegevens nodig zijn van de Indonesische cacaoplantages die aan het onderzoek deelnemen.
In plaats daarvan vertrouwden ze op gegevens over 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 temperatuur van het zeeoppervlak van de Stille Oceaan de oogst van cacaobonen nauwkeurig voorspellen.In sommige gevallen is het mogelijk om 25 maanden voor 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 langetermijnprognosenauwkeurigheid van gewasopbrengsten is zeldzaam.
De co-auteur en ere-onderzoeker van de alliantie James Cock zei: “Dit stelt ons in staat om verschillende managementpraktijken op de boerderij, zoals bemestingssystemen, over elkaar heen te leggen en effectieve interventies met veel vertrouwen af ​​te leiden.“Internationale Organisatie voor Biodiversiteit 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 zich ontwikkelende tropische landbouwgebieden.De methode die hier wordt gebruikt, is veel goedkoper, vereist geen dure verzameling van weerrecords en biedt nuttige richtlijnen voor het beter beheren van gewassen bij veranderend weer.
Data-analist en hoofdauteur van de studie Ross Chapman (Ross Chapman) legde enkele van de belangrijkste voordelen van machine learning-methoden uit ten opzichte van traditionele methoden voor gegevensanalyse.
Chapman zei: "Het BNN-model verschilt van het standaard regressiemodel omdat het algoritme invoervariabelen (zoals de temperatuur van het zeeoppervlak en het boerderijtype) gebruikt en vervolgens automatisch 'leert' de respons van andere variabelen (zoals gewasopbrengst) te herkennen, ' zei Chapman.“Het basisproces dat gebruikt wordt in het leerproces is hetzelfde als het proces dat het menselijk brein leert om objecten en patronen uit het echte leven te herkennen.Integendeel, het standaardmodel vereist handmatige supervisie van verschillende variabelen door middel van kunstmatig gegenereerde vergelijkingen.”
Hoewel machine learning bij afwezigheid van weergegevens kan leiden tot betere voorspellingen van gewasopbrengsten, moeten wetenschappers (of boeren zelf) nog steeds nauwkeurig bepaalde productie-informatie verzamelen en deze gegevens direct beschikbaar maken als modellen voor machine learning 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 inputs zoals bemesting, delen deze gegevens vrijelijk voor analyse en houden nette gegevens bij bij het lokaal georganiseerde International Plant Nutrition Institute (IPNI) dat onderzoekers 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 cacaotelers opdoen, geeft hen vertrouwen in hoe en wanneer te investeren in meststoffen.De agronomische vaardigheden die deze achtergestelde groep heeft verworven, kunnen hen beschermen tegen investeringsverliezen, die zich meestal voordoen bij ongunstige weersomstandigheden.
Dankzij hun samenwerking met onderzoekers kan hun kennis nu op 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 boerenondersteunende organisatie Community Solutions International zou dit onderzoek niet mogelijk zijn."Hij benadrukte het belang van multidisciplinaire samenwerking en balanceerde de inspanningen van de stakeholders.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 gegevens verzamelt, moet je tastbare resultaten behalen.""Dit model kan boeren nuttige informatie bieden en kan helpen bij het stimuleren van gegevensverzameling, omdat boeren zullen zien dat ze een bijdrage leveren, wat voordelen oplevert voor hun bedrijf."

suzy@lstchocolatemachine.com

www.lstchocolatemachine.com