Cando as choivas estacionais chegan máis tarde a Indonesia, os agricultores adoitan tomar isto como un sinal de que non paga a pena investir en fertilizantes para os seus cultivos.Ás veces optan por non plantar cultivos anuais.Normalmente, toman a decisión correcta, porque o inicio tardío da estación de chuvias adoita estar relacionado co estado da Oscilación Austral de El Niño (ENSO) e as precipitacións insuficientes nos próximos meses.
A nova investigación publicada en "Science Reports" mostra que ENSO é un ciclo de deformación meteorolóxica de quecemento e arrefriamento ao longo do Océano Pacífico ao longo do ecuador, e unha previsión poderosa para ata dous anos antes de que se colle o cacao.
Esta pode ser unha boa noticia para os pequenos agricultores, os científicos e a industria mundial do chocolate.A capacidade de prever o tamaño da colleita con antelación pode afectar as decisións de investimento agrícola, mellorar os programas de investigación de cultivos tropicais e reducir os riscos e as incertezas na industria do chocolate.
Os investigadores din que o mesmo método que combina a aprendizaxe automática avanzada cunha estrita recollida de datos a curto prazo sobre os costumes e os rendementos dos agricultores tamén se pode aplicar a outros cultivos dependentes da choiva, incluídos o café e as olivas.
Thomas Oberthür, coautor e desenvolvedor empresarial do Instituto Africano de Nutrición Vexetal (APNI) en Marrocos, dixo: "A innovación clave desta investigación é que pode substituír de forma efectiva os datos meteorolóxicos por datos ENSO"."Con este método, podes explorar calquera cousa relacionada con ENSO.Cultivos con relacións de produción”.
Preto do 80% das terras cultivables do mundo dependen da chuvia directa (en oposición ao rego), que supón preto do 60% da produción total.Non obstante, en moitas destas áreas, os datos de precipitacións son escasos e moi variables, o que dificulta que os científicos, os responsables políticos e os grupos de agricultores se adapten aos cambios do tempo.
Neste estudo, os investigadores utilizaron un tipo de aprendizaxe automática que non require rexistros meteorolóxicos das granxas de cacao indonesias que participan no estudo.
En cambio, baseáronse nos datos sobre a aplicación de fertilizantes, o rendemento e o tipo de explotación.Conectaron estes datos a unha Rede Neural Bayesiana (BNN) e descubriron que a etapa ENSO predixo o 75% do cambio no rendemento.
Noutras palabras, na maioría dos casos no estudo, a temperatura da superficie do mar do Océano Pacífico pode predecir con precisión a colleita de grans de cacao.Nalgúns casos, é posible facer predicións precisas 25 meses antes da colleita.
Para comezar, normalmente é posible celebrar un modelo que pode prever con precisión un cambio do 50% na produción.Este tipo de precisión de previsión a longo prazo dos rendementos das colleitas é rara.
O coautor da alianza e investigador honorario James Cock dixo: "Isto permítenos superpoñer diferentes prácticas de xestión na explotación, como os sistemas de fertilización, e inferir intervencións eficaces con gran confianza.“Organización Internacional da Biodiversidade e CIAT."Este é un cambio xeral á investigación de operacións".
Cock, un fisiólogo vexetal, dixo que aínda que os ensaios controlados aleatorios (ECA) son xeralmente considerados o estándar de ouro para a investigación, estes ensaios son caros e, polo tanto, adoitan ser imposibles nas rexións agrícolas tropicais en desenvolvemento.O método usado aquí é moito máis barato, non require unha recollida custosa de rexistros meteorolóxicos e ofrece unha guía útil sobre como xestionar mellor os cultivos en condicións de clima cambiante.
O analista de datos e autor principal do estudo Ross Chapman (Ross Chapman) explicou algunhas das principais vantaxes dos métodos de aprendizaxe automática fronte aos métodos tradicionais de análise de datos.
Chapman dixo: "O modelo BNN é diferente do modelo de regresión estándar porque o algoritmo toma variables de entrada (como a temperatura da superficie do mar e o tipo de granxa) e despois "aprende" automaticamente a recoñecer a resposta doutras variables (como o rendemento da colleita). ", dixo Chapman.“O proceso básico utilizado no proceso de aprendizaxe é o mesmo que o proceso que o cerebro humano aprende a recoñecer obxectos e patróns da vida real.Pola contra, o modelo estándar require a supervisión manual de diferentes variables mediante ecuacións xeradas artificialmente”.
Aínda que en ausencia de datos meteorolóxicos, a aprendizaxe automática pode levar a mellores predicións de rendemento dos cultivos, se os modelos de aprendizaxe automática poden funcionar correctamente, os científicos (ou os propios agricultores) aínda teñen que recompilar con precisión certa información de produción e facer que estes datos estean facilmente dispoñibles.
Para a granxa de cacao indonesia neste estudo, os agricultores pasaron a formar parte dun programa de formación de mellores prácticas para unha gran empresa de chocolate.Rastrexan entradas como a aplicación de fertilizantes, comparten libremente estes datos para a súa análise e manteñen rexistros ordenados no Instituto Internacional de Nutrición Vexetal (IPNI) organizado local para que os investigadores os utilicen.
Ademais, os científicos dividían previamente as súas granxas en dez grupos similares con topografía e condicións de solo similares.Os investigadores utilizaron os datos de colleita, aplicación de fertilizantes e rendemento de 2013 a 2018 para construír un modelo.
O coñecemento adquirido polos produtores de cacao dálles confianza en como e cando investir en fertilizantes.As habilidades agronómicas adquiridas por este colectivo desfavorecido poden protexelos das perdas de investimento, que adoitan producirse en condicións meteorolóxicas adversas.
Grazas á súa colaboración con investigadores, o seu coñecemento agora pode compartirse dalgún xeito con produtores doutros cultivos doutras partes do mundo.
Cork dixo: "Sen os esforzos conxuntos do dedicado agricultor IPNI e da forte organización de apoio aos agricultores Community Solutions International, esta investigación non sería posible".Salientou a importancia da cooperación multidisciplinar e equilibrou os esforzos dos interesados.Necesidades diferentes.
Oberthür de APNI dixo que os poderosos modelos preditivos poden beneficiar aos agricultores e investigadores e promover unha maior cooperación.
Obertoor dixo: "Se es un agricultor que recolle datos ao mesmo tempo, debes conseguir resultados tanxibles"."Este modelo pode proporcionar aos agricultores información útil e pode axudar a incentivar a recollida de datos, porque os agricultores verán que están a facer unha contribución, o que trae beneficios á súa explotación".

suzy@lstchocolatemachine.com

www.lstchocolatemachine.com