जेव्हा इंडोनेशियामध्ये मोसमी पाऊस नंतर येतो, तेव्हा शेतकरी सहसा ते त्यांच्या पिकांसाठी खतांमध्ये गुंतवणूक करणे फायदेशीर नसल्याचे लक्षण म्हणून घेतात.कधीकधी ते वार्षिक पिके अजिबात न लावणे निवडतात.सहसा, ते योग्य निर्णय घेतात, कारण पावसाळ्याची उशीरा सुरुवात ही एल निनो सदर्न ऑसिलेशन (ENSO) स्थिती आणि येत्या काही महिन्यांत अपुरा पाऊस यांच्याशी संबंधित असते.
"विज्ञान अहवाल" मध्ये प्रकाशित नवीन संशोधन दर्शविते की ENSO हे विषुववृत्तासह प्रशांत महासागरात तापमानवाढ आणि थंड होण्याचे हवामान विकृत चक्र आहे आणि कोकोच्या झाडाची कापणी होण्यापूर्वी दोन वर्षापर्यंतचा एक शक्तिशाली अंदाज आहे.
अल्पभूधारक शेतकरी, शास्त्रज्ञ आणि जागतिक चॉकलेट उद्योगासाठी ही चांगली बातमी असू शकते.कापणीच्या आकाराचा आगाऊ अंदाज लावण्याची क्षमता शेतातील गुंतवणुकीच्या निर्णयांवर परिणाम करू शकते, उष्णकटिबंधीय पीक संशोधन कार्यक्रम सुधारू शकते आणि चॉकलेट उद्योगातील जोखीम आणि अनिश्चितता कमी करू शकते.
संशोधकांचे म्हणणे आहे की, प्रगत मशीन लर्निंग आणि शेतकरी रीतिरिवाज आणि उत्पन्नावरील कठोर अल्प-मुदतीच्या डेटा संकलनासह तीच पद्धत कॉफी आणि ऑलिव्हसह इतर पावसावर अवलंबून असलेल्या पिकांवर देखील लागू केली जाऊ शकते.
मोरोक्कोमधील आफ्रिकन प्लांट न्यूट्रिशन इन्स्टिट्यूट (APNI) चे सह-लेखक आणि व्यवसाय विकासक, थॉमस ओबेर्थर म्हणाले: "या संशोधनाचा मुख्य नावीन्य म्हणजे आपण प्रभावीपणे ENSO डेटासह हवामान डेटा बदलू शकता."“या पद्धतीचा वापर करून, तुम्ही ENSO शी संबंधित काहीही शोधू शकता.उत्पादन संबंधांसह पिके.”
जगातील सुमारे 80% शेतीयोग्य जमीन थेट पावसावर अवलंबून आहे (सिंचनाच्या विरूद्ध), जे एकूण उत्पादनाच्या सुमारे 60% आहे.तथापि, यापैकी बर्‍याच भागात, पर्जन्यमानाची आकडेवारी विरळ आणि अत्यंत परिवर्तनशील आहे, ज्यामुळे शास्त्रज्ञ, धोरणकर्ते आणि शेतकरी गटांना हवामानातील बदलांशी जुळवून घेणे कठीण होते.
या अभ्यासात, संशोधकांनी एक प्रकारचा मशीन लर्निंग वापरला ज्याला अभ्यासात सहभागी झालेल्या इंडोनेशियन कोको फार्म्सच्या हवामानाच्या नोंदींची आवश्यकता नसते.
त्याऐवजी, ते खतांचा वापर, उत्पन्न आणि शेतीच्या प्रकारावरील डेटावर अवलंबून होते.त्यांनी हा डेटा बायेसियन न्यूरल नेटवर्क (BNN) मध्ये जोडला आणि त्यांना आढळले की ENSO स्टेजने उत्पन्नातील 75% बदलाचा अंदाज लावला आहे.
दुसऱ्या शब्दांत, अभ्यासात बहुतेक प्रकरणांमध्ये, प्रशांत महासागराच्या समुद्राच्या पृष्ठभागाचे तापमान कोको बीन्सच्या कापणीचा अचूक अंदाज लावू शकते.काही प्रकरणांमध्ये, कापणीच्या 25 महिन्यांपूर्वी अचूक अंदाज लावणे शक्य आहे.
सुरुवातीच्यासाठी, उत्पादनातील 50% बदल अचूकपणे सांगू शकणारे मॉडेल साजरे करणे शक्य आहे.पीक उत्पादनाच्या दीर्घकालीन अंदाज अचूकता या प्रकारची दुर्मिळ आहे.
अलायन्सचे सह-लेखक आणि मानद संशोधक जेम्स कॉक म्हणाले: “हे आम्हाला शेतीवर विविध व्यवस्थापन पद्धती जसे की फर्टिलायझेशन सिस्टीम, आणि उच्च आत्मविश्वासाने प्रभावी हस्तक्षेप करण्यास अनुमती देते."आंतरराष्ट्रीय जैवविविधता संघटना आणि CIAT."हे ऑपरेशन रिसर्चमध्ये एकंदरीत बदल आहे."
कॉक, एक वनस्पती फिजियोलॉजिस्ट, म्हणाले की यादृच्छिक नियंत्रित चाचण्या (RCTs) सामान्यतः संशोधनासाठी सुवर्ण मानक मानले जात असले तरी, या चाचण्या महाग आहेत आणि त्यामुळे उष्णकटिबंधीय कृषी प्रदेश विकसित करण्यासाठी सहसा अशक्य आहे.येथे वापरलेली पद्धत खूपच स्वस्त आहे, हवामानाच्या नोंदींच्या महागड्या संकलनाची आवश्यकता नाही आणि बदलत्या हवामानात पिकांचे अधिक चांगले व्यवस्थापन कसे करावे याबद्दल उपयुक्त मार्गदर्शन प्रदान करते.
डेटा विश्लेषक आणि अभ्यासाचे प्रमुख लेखक रॉस चॅपमन (रॉस चॅपमन) यांनी पारंपारिक डेटा विश्लेषण पद्धतींपेक्षा मशीन लर्निंग पद्धतींचे काही प्रमुख फायदे स्पष्ट केले.
चॅपमन म्हणाले: “BNN मॉडेल मानक प्रतिगमन मॉडेलपेक्षा वेगळे आहे कारण अल्गोरिदम इनपुट व्हेरिएबल्स (जसे की समुद्राच्या पृष्ठभागाचे तापमान आणि शेताचा प्रकार) घेते आणि नंतर इतर चलांचा प्रतिसाद (जसे की पीक उत्पन्न) ओळखण्यासाठी आपोआप 'शिकते'. "चॅपमन म्हणाला.“शिक्षण प्रक्रियेत वापरली जाणारी मूलभूत प्रक्रिया मानवी मेंदू वास्तविक जीवनातील वस्तू आणि नमुने ओळखण्यास शिकत असलेल्या प्रक्रियेसारखीच असते.याउलट, प्रमाणित मॉडेलला कृत्रिमरित्या व्युत्पन्न केलेल्या समीकरणांद्वारे विविध व्हेरिएबल्सचे मॅन्युअल पर्यवेक्षण आवश्यक आहे.
जरी हवामान डेटाच्या अनुपस्थितीत, मशीन लर्निंगमुळे चांगले पीक उत्पादन अंदाज येऊ शकतात, जर मशीन लर्निंग मॉडेल योग्यरित्या कार्य करू शकतील, तर शास्त्रज्ञांनी (किंवा स्वतः शेतकरी) अद्याप विशिष्ट उत्पादन माहिती अचूकपणे गोळा करणे आणि हा डेटा सहज उपलब्ध करून देणे आवश्यक आहे.
या अभ्यासात इंडोनेशियन कोको फार्मसाठी, शेतकरी एका मोठ्या चॉकलेट कंपनीसाठी सर्वोत्तम सराव प्रशिक्षण कार्यक्रमाचा भाग बनले आहेत.ते खतांच्या वापरासारख्या इनपुटचा मागोवा घेतात, विश्लेषणासाठी हा डेटा मुक्तपणे सामायिक करतात आणि संशोधकांना वापरण्यासाठी स्थानिक संघटित आंतरराष्ट्रीय वनस्पती पोषण संस्था (IPNI) मध्ये व्यवस्थित नोंदी ठेवतात.
याव्यतिरिक्त, शास्त्रज्ञांनी पूर्वी त्यांच्या शेतांना समान भूगोल आणि मातीच्या परिस्थितीसह दहा समान गटांमध्ये विभागले होते.संशोधकांनी मॉडेल तयार करण्यासाठी 2013 ते 2018 या कालावधीतील कापणी, खतांचा वापर आणि उत्पादन डेटा वापरला.
कोको उत्पादकांनी मिळवलेले ज्ञान त्यांना खतांमध्ये कशी आणि केव्हा गुंतवणूक करावी याबद्दल आत्मविश्वास देते.या वंचित गटाने आत्मसात केलेली कृषीविषयक कौशल्ये त्यांना गुंतवणुकीच्या नुकसानीपासून वाचवू शकतात, जे सहसा प्रतिकूल हवामान परिस्थितीत होतात.
संशोधकांच्या सहकार्यामुळे त्यांचे ज्ञान आता जगाच्या इतर भागांतील इतर पिकांच्या उत्पादकांसोबत शेअर केले जाऊ शकते.
कॉर्क म्हणाले: "समर्पित शेतकरी IPNI आणि मजबूत शेतकरी समर्थन संस्था कम्युनिटी सोल्यूशन्स इंटरनॅशनल यांच्या संयुक्त प्रयत्नांशिवाय हे संशोधन शक्य होणार नाही."त्यांनी बहु-अनुशासनात्मक सहकार्याच्या महत्त्वावर भर दिला आणि भागधारकांच्या प्रयत्नांना संतुलित केले.वेगवेगळ्या गरजा.
APNI चे Oberthür म्हणाले की शक्तिशाली भविष्यसूचक मॉडेल शेतकरी आणि संशोधकांना फायदेशीर ठरू शकतात आणि पुढील सहकार्याला प्रोत्साहन देऊ शकतात.
ओबर्टूर म्हणाले: "जर तुम्ही शेतकरी असाल जो एकाच वेळी डेटा संकलित करतो, तर तुम्हाला मूर्त परिणाम प्राप्त करणे आवश्यक आहे.""हे मॉडेल शेतकऱ्यांना उपयुक्त माहिती देऊ शकते आणि डेटा संकलनाला प्रोत्साहन देण्यास मदत करू शकते, कारण शेतकरी हे पाहतील की ते योगदान देण्यासाठी करत आहेत, ज्यामुळे त्यांच्या शेतीला फायदा होतो."

suzy@lstchocolatemachine.com

www.lstchocolatemachine.com