وعندما تهطل الأمطار الموسمية في وقت لاحق على إندونيسيا، غالبا ما يعتبرها المزارعون علامة على أن الأمر لا يستحق الاستثمار في الأسمدة لمحاصيلهم.في بعض الأحيان يختارون عدم زراعة المحاصيل السنوية على الإطلاق.وعادة ما يتخذون القرار الصحيح، لأن تأخر بداية موسم الأمطار يرتبط عادة بحالة التذبذب الجنوبي لظاهرة النينيو (ENSO) وعدم كفاية هطول الأمطار في الأشهر المقبلة.
ويظهر البحث الجديد المنشور في "Science Reports" أن ENSO عبارة عن دورة تشوه للطقس من الاحترار والتبريد على طول المحيط الهادئ على طول خط الاستواء، وتوقعات قوية لمدة تصل إلى عامين قبل حصاد شجرة الكاكاو.
قد تكون هذه أخبارًا جيدة للمزارعين أصحاب الحيازات الصغيرة والعلماء وصناعة الشوكولاتة العالمية.إن القدرة على التنبؤ بحجم المحصول مقدمًا قد تؤثر على قرارات الاستثمار الزراعي، وتحسين برامج أبحاث المحاصيل الاستوائية وتقليل المخاطر والشكوك في صناعة الشوكولاتة.
ويقول الباحثون إن نفس الطريقة التي تجمع بين التعلم الآلي المتقدم وجمع البيانات الصارمة قصيرة المدى حول عادات المزارعين وإنتاجيتهم، يمكن تطبيقها أيضًا على المحاصيل الأخرى التي تعتمد على الأمطار، بما في ذلك القهوة والزيتون.
وقال توماس أوبرثور، المؤلف المشارك ومطور الأعمال في المعهد الأفريقي لتغذية النبات (APNI) في المغرب: "إن الابتكار الرئيسي في هذا البحث هو أنه يمكنك بشكل فعال استبدال بيانات الطقس ببيانات ENSO"."باستخدام هذه الطريقة، يمكنك استكشاف أي شيء متعلق بـ ENSO.المحاصيل مع علاقات الإنتاج.
يعتمد حوالي 80% من الأراضي الصالحة للزراعة في العالم على هطول الأمطار المباشرة (بدلاً من الري)، وهو ما يمثل حوالي 60% من إجمالي الإنتاج.ومع ذلك، في العديد من هذه المناطق، تكون بيانات هطول الأمطار متناثرة ومتغيرة للغاية، مما يجعل من الصعب على العلماء وصناع السياسات ومجموعات المزارعين التكيف مع التغيرات في الطقس.
استخدم الباحثون في هذه الدراسة نوعًا من التعلم الآلي الذي لا يتطلب سجلات الطقس من مزارع الكاكاو الإندونيسية المشاركة في الدراسة.
وبدلاً من ذلك، اعتمدوا على بيانات حول استخدام الأسمدة، والإنتاجية، ونوع المزرعة.وقاموا بتوصيل هذه البيانات إلى الشبكة العصبية الافتراضية (BNN) ووجدوا أن مرحلة ENSO تنبأت بنسبة 75% من التغير في العائد.
بمعنى آخر، في معظم الحالات في الدراسة، يمكن لدرجة حرارة سطح البحر في المحيط الهادئ التنبؤ بدقة بمحصول حبوب الكاكاو.في بعض الحالات، من الممكن إجراء تنبؤات دقيقة قبل 25 شهرًا من الحصاد.
بالنسبة للمبتدئين، من الممكن عادة الاحتفال بنموذج يمكنه التنبؤ بدقة بتغيير بنسبة 50٪ في الإنتاج.وهذا النوع من دقة التنبؤ على المدى الطويل لغلة المحاصيل أمر نادر الحدوث.
وقال جيمس كوك، المؤلف المشارك للتحالف والباحث الفخري: "إن هذا يسمح لنا بفرض ممارسات إدارية مختلفة في المزرعة، مثل أنظمة التسميد، واستنتاج التدخلات الفعالة بثقة عالية."المنظمة الدولية للتنوع البيولوجي وCIAT."هذا تحول شامل إلى بحوث العمليات."
وقال كوك، عالم فسيولوجيا النبات، إنه على الرغم من أن التجارب المعشاة ذات الشواهد (RCTs) تعتبر بشكل عام المعيار الذهبي للبحث، إلا أن هذه التجارب باهظة الثمن، وبالتالي عادة ما تكون مستحيلة في المناطق الزراعية الاستوائية النامية.الطريقة المستخدمة هنا أرخص بكثير، ولا تتطلب جمع سجلات الطقس باهظة الثمن، وتوفر إرشادات مفيدة حول كيفية إدارة المحاصيل بشكل أفضل في ظل الطقس المتغير.
أوضح محلل البيانات والمؤلف الرئيسي للدراسة روس تشابمان (روس تشابمان) بعض المزايا الرئيسية لأساليب التعلم الآلي على طرق تحليل البيانات التقليدية.
قال تشابمان: "يختلف نموذج BNN عن نموذج الانحدار القياسي لأن الخوارزمية تأخذ متغيرات المدخلات (مثل درجة حرارة سطح البحر ونوع المزرعة) ثم "تتعلم" تلقائيًا التعرف على استجابة المتغيرات الأخرى (مثل إنتاجية المحاصيل). قال تشابمان."إن العملية الأساسية المستخدمة في عملية التعلم هي نفس العملية التي يتعلمها الدماغ البشري للتعرف على الأشياء والأنماط من الحياة الواقعية.على العكس من ذلك، يتطلب النموذج القياسي إشرافًا يدويًا على المتغيرات المختلفة من خلال معادلات يتم إنشاؤها بشكل مصطنع.
على الرغم من أنه في غياب بيانات الطقس، قد يؤدي التعلم الآلي إلى تنبؤات أفضل بإنتاجية المحاصيل، إذا تمكنت نماذج التعلم الآلي من العمل بشكل صحيح، فلا يزال العلماء (أو المزارعون أنفسهم) بحاجة إلى جمع معلومات معينة عن الإنتاج بدقة وجعل هذه البيانات متاحة بسهولة.
بالنسبة لمزرعة الكاكاو الإندونيسية في هذه الدراسة، أصبح المزارعون جزءًا من برنامج التدريب على أفضل الممارسات لشركة شوكولاتة كبيرة.إنهم يتتبعون المدخلات، مثل استخدام الأسمدة، ويشاركون هذه البيانات بحرية للتحليل، ويحتفظون بسجلات أنيقة في المعهد الدولي لتغذية النبات المنظم محليًا (IPNI) ليستخدمها الباحثون.
بالإضافة إلى ذلك، قام العلماء سابقًا بتقسيم مزارعهم إلى عشر مجموعات متشابهة ذات تضاريس وظروف تربة مماثلة.استخدم الباحثون بيانات الحصاد واستخدام الأسمدة والإنتاج من عام 2013 إلى عام 2018 لبناء نموذج.
إن المعرفة التي اكتسبها مزارعو الكاكاو تمنحهم الثقة في كيفية وتوقيت الاستثمار في الأسمدة.ويمكن للمهارات الزراعية التي اكتسبتها هذه المجموعة المحرومة أن تحميهم من خسائر الاستثمار، والتي تحدث عادة في ظل الظروف الجوية السيئة.
وبفضل تعاونهم مع الباحثين، يمكن الآن مشاركة معارفهم بطريقة ما مع مزارعي المحاصيل الأخرى في أجزاء أخرى من العالم.
وقال كورك: "لولا الجهود المشتركة التي بذلها المزارع المتفاني IPNI ومنظمة دعم المزارعين القوية Community Solutions International، لم يكن هذا البحث ممكنًا".وشدد على أهمية التعاون المتعدد التخصصات وتحقيق التوازن بين جهود أصحاب المصلحة.احتياجات مختلفة.
وقال أوبرثور من APNI إن النماذج التنبؤية القوية يمكن أن تفيد المزارعين والباحثين وتعزز المزيد من التعاون.
وقال أوبرتور: "إذا كنت مزارعًا يجمع البيانات في نفس الوقت، فأنت بحاجة إلى تحقيق نتائج ملموسة"."يمكن لهذا النموذج أن يزود المزارعين بمعلومات مفيدة ويمكن أن يساعد في تحفيز جمع البيانات، لأن المزارعين سيرون أنهم يقومون بتقديم مساهمة، مما يعود بالفوائد على مزرعتهم."

suzy@lstchocolatemachine.com

www.lstchocolatemachine.com