Quando le piogge stagionali arrivano più tardi in Indonesia, 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 raccolti annuali.Di solito prendono la decisione giusta, perché l'inizio tardivo della stagione delle piogge è solitamente correlato 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 della raccolta dell'albero di cacao.
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 nelle aziende agricole, 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 raccolti degli agricoltori può essere applicato anche ad altre colture dipendenti dalla pioggia, inclusi 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".“Usando questo metodo, puoi esplorare qualsiasi cosa relativa a ENSO.Colture con rapporti di produzione”.
Circa l'80% della terra arabile mondiale 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 molto variabili, il che rende difficile per scienziati, responsabili politici e gruppi di agricoltori adattarsi ai cambiamenti meteorologici.
In questo studio, i ricercatori hanno utilizzato un tipo di apprendimento automatico che non richiede registrazioni meteorologiche delle coltivazioni di cacao indonesiane che partecipano allo studio.
Invece, hanno fatto affidamento sui dati sull'applicazione di fertilizzanti, sulla resa e sul tipo di azienda agricola.Hanno inserito questi dati in 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 dello 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 accurate 25 mesi prima della raccolta.
Per cominciare, di solito è possibile celebrare un modello in grado di prevedere con precisione un cambiamento del 50% nella produzione.Questo tipo di accuratezza delle previsioni a lungo termine dei raccolti è rara.
Il coautore dell'alleanza e ricercatore onorario James Cock ha dichiarato: “Questo ci consente di sovrapporre diverse pratiche di gestione all'azienda, come i sistemi di fertilizzazione, e di dedurre interventi efficaci con grande sicurezza.“Organizzazione Internazionale per la Biodiversità e CIAT."Questo è un passaggio generale alla ricerca operativa".
Cock, un fisiologo vegetale, ha affermato che sebbene gli studi randomizzati controllati (RCT) siano generalmente considerati il ​​gold standard per la ricerca, questi studi sono costosi e quindi solitamente impossibili nelle regioni agricole tropicali in via di sviluppo.Il metodo qui utilizzato è molto più economico, non richiede una costosa raccolta di dati meteorologici e fornisce indicazioni utili su come gestire al meglio le colture al variare del tempo.
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 metodi tradizionali di analisi dei dati.
Chapman ha affermato: "Il modello BNN è diverso dal modello di regressione standard perché l'algoritmo prende le variabili di input (come la temperatura della superficie del mare e il tipo di allevamento) e quindi 'impara' automaticamente a riconoscere la risposta di altre variabili (come la resa del raccolto), disse Chapman.“Il processo di base utilizzato nel processo di apprendimento è lo stesso del processo che il cervello umano impara a riconoscere oggetti e modelli dalla 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 migliori previsioni sulla resa delle colture, se i modelli di apprendimento automatico possono funzionare correttamente, gli scienziati (o gli stessi agricoltori) devono comunque raccogliere accuratamente determinate informazioni sulla produzione e rendere questi dati prontamente disponibili.
Per la fattoria di cacao indonesiana in questo studio, gli agricoltori sono diventati 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 conservano registri accurati presso l'International Plant Nutrition Institute (IPNI) organizzato locale affinché i ricercatori possano utilizzarli.
Inoltre, gli scienziati in precedenza hanno diviso le loro fattorie in dieci gruppi simili con topografia e condizioni del suolo simili.I ricercatori hanno utilizzato i dati sul raccolto, sull'applicazione di fertilizzanti e sulla 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 investimento, che di solito si verificano in condizioni climatiche avverse.
Grazie alla loro collaborazione con i ricercatori, le loro conoscenze possono ora essere condivise in qualche modo con i coltivatori di altre colture in altre parti del mondo.
Cork ha dichiarato: "Senza gli sforzi congiunti dell'agricoltore dedicato IPNI e della forte organizzazione di supporto 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 di APNI ha affermato che potenti modelli predittivi possono avvantaggiare agricoltori e ricercatori e promuovere un'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 Per dare un contributo, che porta benefici alla loro azienda".

suzy@lstchocolatemachine.com

www.lstchocolatemachine.com