عندما تصل الأمطار الموسمية في وقت لاحق إلى إندونيسيا ، غالبًا ما يعتبرها المزارعون علامة على أن الأمر لا يستحق الاستثمار في الأسمدة لمحاصيلهم.في بعض الأحيان يختارون عدم زراعة المحاصيل السنوية على الإطلاق.عادة ، يتخذون القرار الصحيح ، لأن البداية المتأخرة لموسم الأمطار ترتبط عادةً بحالة التذبذب الجنوبي لظاهرة النينيو (ENSO) وعدم كفاية هطول الأمطار في الأشهر القادمة.
يُظهر البحث الجديد المنشور في "Science Reports" أن ظاهرة النينيو (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.قد تؤثر القدرة على التنبؤ بحجم المحصول مقدمًا على قرارات الاستثمار في المزرعة ، وتحسين برامج أبحاث المحاصيل الاستوائية وتقليل المخاطر والشكوك في صناعة الشوكولاتة.
يقول الباحثون إن نفس الطريقة التي تجمع بين التعلم الآلي المتقدم وجمع البيانات الصارمة قصيرة المدى عن عادات المزارعين والعوائد يمكن أيضًا تطبيقها على المحاصيل الأخرى التي تعتمد على الأمطار ، بما في ذلك البن والزيتون.
قال توماس أوبرثور ، المؤلف المشارك ومطور الأعمال في المعهد الأفريقي لتغذية النباتات (APNI) في المغرب: "الابتكار الرئيسي لهذا البحث هو أنه يمكنك استبدال بيانات الطقس ببيانات ENSO بشكل فعال.""باستخدام هذه الطريقة ، يمكنك استكشاف أي شيء متعلق بـ ENSO.المحاصيل التي لها علاقات إنتاج ".
يعتمد حوالي 80٪ من الأراضي الصالحة للزراعة في العالم على الأمطار المباشرة (على عكس الري) ، والتي تمثل حوالي 60٪ من إجمالي الإنتاج.ومع ذلك ، في العديد من هذه المناطق ، تكون بيانات هطول الأمطار قليلة ومتغيرة للغاية ، مما يجعل من الصعب على العلماء وصناع السياسات ومجموعات المزارعين التكيف مع التغيرات في الطقس.
في هذه الدراسة ، استخدم الباحثون نوعًا من التعلم الآلي لا يتطلب سجلات الطقس من مزارع الكاكاو الإندونيسية المشاركة في الدراسة.
وبدلاً من ذلك ، اعتمدوا على البيانات المتعلقة باستخدام الأسمدة والمحصول ونوع المزرعة.قاموا بتوصيل هذه البيانات بشبكة Bayesian العصبية (BNN) ووجدوا أن مرحلة ENSO توقعت 75 ٪ من التغيير في العائد.
بمعنى آخر ، في معظم الحالات في الدراسة ، يمكن أن تتنبأ درجة حرارة سطح البحر في المحيط الهادئ بدقة بحصاد حبوب الكاكاو.في بعض الحالات ، من الممكن عمل تنبؤات دقيقة قبل 25 شهرًا من الحصاد.
بالنسبة للمبتدئين ، من الممكن عادةً الاحتفال بنموذج يمكنه التنبؤ بدقة بتغيير بنسبة 50٪ في الإنتاج.هذا النوع من دقة التنبؤ طويلة المدى لإنتاج المحاصيل نادر الحدوث.
قال المؤلف المشارك في التحالف والباحث الفخري جيمس كوك: "هذا يسمح لنا بفرض ممارسات إدارية مختلفة في المزرعة ، مثل أنظمة الإخصاب ، واستنتاج التدخلات الفعالة بثقة عالية."المنظمة الدولية للتنوع البيولوجي و CIAT."هذا تحول شامل لبحوث العمليات."
قال كوك ، عالم فيزيولوجيا النبات ، إنه على الرغم من أن التجارب المعشاة ذات الشواهد (RCTs) تعتبر عمومًا 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 مجموعة باهظة الثمن من سجلات الطقس ، وتوفر إرشادات مفيدة حول كيفية إدارة المحاصيل بشكل أفضل في 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: "نموذج BNN يختلف عن نموذج الانحدار القياسي لأن الخوارزمية تأخذ متغيرات الإدخال (مثل درجة حرارة سطح البحر ونوع المزرعة) ثم" تتعلم "تلقائيًا للتعرف على استجابة المتغيرات الأخرى (مثل إنتاجية المحاصيل) ، قال تشابمان."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 تم إنشاؤها بشكل مصطنع ".
على الرغم من عدم وجود بيانات الطقس ، قد يؤدي التعلم الآلي إلى تنبؤات أفضل بإنتاجية المحاصيل ، إذا كانت نماذج التعلم الآلي تعمل بشكل صحيح ، فلا يزال العلماء (أو المزارعون أنفسهم) بحاجة إلى جمع معلومات إنتاج معينة بدقة وإتاحة هذه البيانات بسهولة.
بالنسبة لمزرعة الكاكاو الإندونيسية في هذه الدراسة ، أصبح المزارعون جزءًا من برنامج تدريبي لأفضل الممارسات لشركة شوكولاتة كبيرة.إنهم يتتبعون المدخلات مثل تطبيق الأسمدة ، ويشاركون هذه البيانات بحرية للتحليل ، ويحتفظون بسجلات مرتبة في المعهد الدولي لتغذية النبات (IPNI) المنظم محليًا ليستخدمها الباحثون.
بالإضافة إلى ذلك ، قسم العلماء مزارعهم سابقًا إلى عشر مجموعات متشابهة مع تضاريس وظروف تربة متشابهة.استخدم الباحثون بيانات الحصاد والأسمدة والمحصول من 2013 إلى 2018 لبناء نموذج.
تمنحهم المعرفة التي اكتسبها مزارعو الكاكاو الثقة في كيفية الاستثمار في الأسمدة ومتى يتم ذلك.يمكن للمهارات الزراعية التي اكتسبتها هذه المجموعة المحرومة أن تحميهم من خسائر الاستثمار ، والتي تحدث عادة في ظل الظروف الجوية السيئة.
بفضل تعاونهم مع الباحثين ، يمكن الآن مشاركة معارفهم بطريقة ما مع مزارعي المحاصيل الأخرى في أجزاء أخرى من العالم.
قال كورك: "بدون الجهود المشتركة للمزارع المتفاني IPNI ومنظمة دعم المزارعين القوية Community Solutions International ، لن يكون هذا البحث ممكنًا."وشدد على أهمية التعاون متعدد التخصصات وتحقيق التوازن بين جهود أصحاب المصلحة.احتياجات مختلفة.
قال أوبرثور من APNI إن النماذج التنبؤية القوية يمكن أن تفيد المزارعين والباحثين وتعزز المزيد من التعاون.
قال أوبرتور: "إذا كنت مزارعًا يجمع البيانات في نفس الوقت ، فأنت بحاجة إلى تحقيق نتائج ملموسة"."يمكن أن يوفر هذا النموذج للمزارعين معلومات مفيدة ويمكن أن يساعد في تحفيز جمع البيانات ، لأن المزارعين سيرون أنهم يفعلون ذلك لتقديم مساهمة ، والتي تعود بالفوائد على مزارعهم."

suzy@lstchocolatemachine.com

www.lstchocolatemachine.com