Quando in Indonesia le piogge stagionali arrivano più tardi, gli agricoltori spesso lo prendono come un segno che non vale la pena investire in fertilizzanti per i loro raccolti.A volte scelgono di non piantare affatto i raccolti annuali.Di solito prendono la decisione giusta, perché l'inizio tardivo della stagione delle piogge è solitamente legato allo stato dell'Oscillazione Meridionale di El Niño (ENSO) e alle precipitazioni insufficienti nei prossimi mesi.
La nuova ricerca pubblicata su “Science Reports” mostra che ENSO è un ciclo di deformazione meteorologica di riscaldamento e raffreddamento lungo l’Oceano Pacifico lungo l’equatore e una potente previsione fino a due anni prima che l’albero del cacao venga raccolto.
Questa potrebbe essere una buona notizia per i piccoli agricoltori, gli scienziati e l’industria globale del cioccolato.La capacità di prevedere in anticipo la dimensione del raccolto può influenzare le decisioni di investimento agricolo, migliorare i programmi di ricerca sulle colture tropicali e ridurre i rischi e le incertezze nell’industria del cioccolato.
I ricercatori affermano che lo stesso metodo che combina l’apprendimento automatico avanzato con una rigorosa raccolta di dati a breve termine sulle abitudini e sui rendimenti degli agricoltori può essere applicato anche ad altre colture dipendenti dalla pioggia, tra cui caffè e olive.
Thomas Oberthür, coautore e sviluppatore aziendale dell’African Plant Nutrition Institute (APNI) in Marocco, ha dichiarato: “L’innovazione chiave di questa ricerca è che è possibile sostituire efficacemente i dati meteorologici con i dati ENSO”.“Utilizzando questo metodo, puoi esplorare qualsiasi cosa relativa a ENSO.Colture con rapporti di produzione.”
Circa l’80% dei terreni arabili del mondo dipende dalle precipitazioni dirette (al contrario dell’irrigazione), che rappresentano circa il 60% della produzione totale.Tuttavia, in molte di queste aree, i dati sulle precipitazioni sono scarsi e altamente variabili, il che rende difficile per scienziati, politici e gruppi di agricoltori adattarsi ai cambiamenti meteorologici.
In questo studio, i ricercatori hanno utilizzato un tipo di apprendimento automatico che non richiede i dati meteorologici delle piantagioni di cacao indonesiane che hanno partecipato allo studio.
Si sono invece basati sui dati sull’applicazione dei fertilizzanti, sulla resa e sul tipo di azienda agricola.Hanno collegato questi dati a una rete neurale bayesiana (BNN) e hanno scoperto che la fase ENSO prevedeva il 75% della variazione della resa.
In altre parole, nella maggior parte dei casi analizzati nello studio, la temperatura della superficie del mare dell’Oceano Pacifico può prevedere con precisione il raccolto delle fave di cacao.In alcuni casi è possibile fare previsioni precise 25 mesi prima della raccolta.
Per cominciare, di solito è possibile celebrare un modello in grado di prevedere con precisione una variazione del 50% nella produzione.Questo tipo di accuratezza delle previsioni a lungo termine dei raccolti è raro.
Il coautore dell'alleanza e ricercatore onorario James Cock ha dichiarato: “Questo ci consente di sovrapporre diverse pratiche di gestione dell'azienda agricola, come i sistemi di fertilizzazione, e di dedurre interventi efficaci con elevata sicurezza.“Organizzazione Internazionale per la Biodiversità e CIAT.“Si tratta di uno spostamento complessivo verso la ricerca operativa”.
Cock, un fisiologo vegetale, ha affermato che sebbene gli studi randomizzati e controllati (RCT) siano generalmente considerati il ​​gold standard per la ricerca, questi studi sono costosi e quindi solitamente impossibili nello sviluppo delle regioni agricole tropicali.Il metodo utilizzato in questo caso è molto più economico, non richiede una costosa raccolta di dati meteorologici e fornisce indicazioni utili su come gestire al meglio i raccolti in condizioni meteorologiche mutevoli.
L'analista di dati e autore principale dello studio Ross Chapman (Ross Chapman) ha spiegato alcuni dei principali vantaggi dei metodi di apprendimento automatico rispetto ai tradizionali metodi di analisi dei dati.
Chapman ha affermato: "Il modello BNN è diverso dal modello di regressione standard perché l'algoritmo prende variabili di input (come la temperatura della superficie del mare e il tipo di azienda agricola) e quindi" impara "automaticamente a riconoscere la risposta di altre variabili (come la resa del raccolto), "Ha detto Chapman.“Il processo di base utilizzato nel processo di apprendimento è lo stesso con cui il cervello umano impara a riconoscere oggetti e modelli della vita reale.Al contrario, il modello standard richiede la supervisione manuale di diverse variabili attraverso equazioni generate artificialmente”.
Sebbene in assenza di dati meteorologici, l’apprendimento automatico possa portare a previsioni migliori sulla resa dei raccolti, se i modelli di apprendimento automatico possono funzionare correttamente, gli scienziati (o gli stessi agricoltori) devono comunque raccogliere con precisione determinate informazioni sulla produzione e rendere questi dati prontamente disponibili.
Per l'azienda indonesiana di cacao oggetto di questo studio, gli agricoltori sono entrati a far parte di un programma di formazione sulle migliori pratiche per una grande azienda di cioccolato.Tracciano input come l'applicazione di fertilizzanti, condividono liberamente questi dati per l'analisi e tengono registri accurati presso l'International Plant Nutrition Institute (IPNI) organizzato a livello locale affinché i ricercatori possano utilizzarli.
Inoltre, gli scienziati avevano precedentemente diviso le loro aziende agricole in dieci gruppi simili con topografia e condizioni del terreno simili.I ricercatori hanno utilizzato i dati relativi al raccolto, all’applicazione dei fertilizzanti e alla resa dal 2013 al 2018 per costruire un modello.
Le conoscenze acquisite dai coltivatori di cacao danno loro fiducia su come e quando investire nei fertilizzanti.Le competenze agronomiche acquisite da questo gruppo svantaggiato possono proteggerlo dalle perdite di investimenti, che di solito si verificano in condizioni meteorologiche avverse.
Grazie alla collaborazione con i ricercatori, le loro conoscenze possono ora essere condivise in qualche modo con coltivatori di altre colture in altre parti del mondo.
Cork ha dichiarato: “Senza gli sforzi congiunti dell’IPNI dedicato agli agricoltori e della forte organizzazione di sostegno agli agricoltori Community Solutions International, questa ricerca non sarebbe possibile”.Ha sottolineato l'importanza della cooperazione multidisciplinare e ha bilanciato gli sforzi delle parti interessate.Esigenze diverse.
Oberthür dell'APNI ha affermato che potenti modelli predittivi possono avvantaggiare agricoltori e ricercatori e promuovere ulteriore cooperazione.
Obertoor ha affermato: “Se sei un agricoltore che raccoglie dati allo stesso tempo, devi ottenere risultati tangibili”.“Questo modello può fornire agli agricoltori informazioni utili e può aiutare a incentivare la raccolta dei dati, perché gli agricoltori vedranno che stanno facendo un contributo che porta benefici alla loro azienda agricola”.

suzy@lstchocolatemachine.com

www.lstchocolatemachine.com