როდესაც სეზონური წვიმები მოგვიანებით მოდის ინდონეზიაში, ფერმერები ამას ხშირად აღიქვამენ იმის ნიშნად, რომ არ ღირს მათი მოსავლის სასუქებში ინვესტიცია.ზოგჯერ ისინი არჩევენ, რომ საერთოდ არ დარგონ ერთწლიანი კულტურები.ჩვეულებრივ, ისინი სწორ გადაწყვეტილებას იღებენ, რადგან წვიმების სეზონის გვიან დაწყება ჩვეულებრივ დაკავშირებულია ელ-ნინიოს სამხრეთ რხევის მდგომარეობასთან (ENSO) და არასაკმარის ნალექთან მომდევნო თვეებში.
"Science Reports"-ში გამოქვეყნებული ახალი კვლევა აჩვენებს, რომ ENSO არის ამინდის დეფორმაციის ციკლი დათბობისა და გაგრილების ციკლი წყნარი ოკეანის გასწვრივ ეკვატორის გასწვრივ და ძლიერი პროგნოზი ორი წლის განმავლობაში კაკაოს ხის მოსავლის აღებამდე.
ეს შეიძლება იყოს კარგი ამბავი მცირე ფერმერებისთვის, მეცნიერებისთვის და გლობალური შოკოლადის ინდუსტრიისთვის.მოსავლის ზომის წინასწარ პროგნოზირების უნარმა შეიძლება გავლენა მოახდინოს ფერმის საინვესტიციო გადაწყვეტილებებზე, გააუმჯობესოს ტროპიკული კულტურების კვლევის პროგრამები და შეამციროს რისკები და გაურკვევლობა შოკოლადის ინდუსტრიაში.
მკვლევარები ამბობენ, რომ იგივე მეთოდი, რომელიც აერთიანებს მოწინავე მანქანურ სწავლებას ფერმერთა წეს-ჩვეულებებისა და მოსავლიანობის მკაცრ მოკლევადიანი მონაცემების შეგროვებასთან, ასევე შეიძლება გამოყენებულ იქნას წვიმაზე დამოკიდებული სხვა კულტურებზე, მათ შორის ყავასა და ზეთისხილზე.
თომას ობერტურმა, აფრიკის მცენარეთა კვების ინსტიტუტის (APNI) თანაავტორმა და ბიზნეს დეველოპერმა მაროკოში, თქვა: ”ამ კვლევის მთავარი ინოვაცია არის ის, რომ თქვენ შეგიძლიათ ეფექტურად შეცვალოთ ამინდის მონაცემები ENSO მონაცემებით.”„ამ მეთოდის გამოყენებით შეგიძლიათ შეისწავლოთ ყველაფერი, რაც დაკავშირებულია ENSO-სთან.კულტურები საწარმოო ურთიერთობებით“.
მსოფლიოს სახნავი მიწების დაახლოებით 80% პირდაპირ ნალექზეა დამოკიდებული (განსხვავებით ირიგაციისგან), რაც შეადგენს მთლიანი წარმოების დაახლოებით 60%-ს.თუმცა, ბევრ ამ სფეროში, ნალექის მონაცემები მწირია და ძალიან ცვალებადია, რაც ართულებს მეცნიერებს, პოლიტიკოსებს და ფერმერთა ჯგუფებს ამინდის ცვლილებებთან ადაპტაციას.
ამ კვლევაში მკვლევარებმა გამოიყენეს მანქანათმცოდნეობის ტიპი, რომელიც არ საჭიროებს ამინდის ჩანაწერებს კვლევაში მონაწილე ინდონეზიური კაკაოს ფერმებიდან.
ამის ნაცვლად, ისინი ეყრდნობოდნენ მონაცემებს სასუქის შეტანის, მოსავლიანობისა და ფერმის ტიპზე.მათ შეაერთეს ეს მონაცემები ბაიესის ნერვულ ქსელში (BNN) და დაადგინეს, რომ ENSO სტადია იწინასწარმეტყველა მოსავლიანობის ცვლილების 75%.
სხვა სიტყვებით რომ ვთქვათ, კვლევის უმეტეს შემთხვევაში, წყნარი ოკეანის ზღვის ზედაპირის ტემპერატურას შეუძლია ზუსტად განსაზღვროს კაკაოს მარცვლების მოსავალი.ზოგიერთ შემთხვევაში შესაძლებელია ზუსტი პროგნოზების გაკეთება მოსავლის აღებამდე 25 თვით ადრე.
დამწყებთათვის, ჩვეულებრივ, შესაძლებელია მოდელის აღნიშვნა, რომელსაც შეუძლია ზუსტად განსაზღვროს წარმოების 50% ცვლილება.მოსავლის მოსავლიანობის ასეთი გრძელვადიანი პროგნოზის სიზუსტე იშვიათია.
ალიანსის თანაავტორმა და საპატიო მკვლევარმა ჯეიმს კოკმა თქვა: „ეს საშუალებას გვაძლევს მოვახდინოთ მენეჯმენტის სხვადასხვა პრაქტიკა ფერმაში, როგორიცაა სასუქის სისტემები და მივიღოთ ეფექტური ინტერვენციები მაღალი ნდობით.„ბიომრავალფეროვნების საერთაშორისო ორგანიზაცია და CIAT.”ეს არის საერთო ცვლა ოპერაციების კვლევაზე.”
კოკმა, მცენარეთა ფიზიოლოგმა, თქვა, რომ მიუხედავად იმისა, რომ რანდომიზებული კონტროლირებადი კვლევები (RCT) ზოგადად განიხილება კვლევის ოქროს სტანდარტად, ეს ცდები ძვირია და, შესაბამისად, ჩვეულებრივ შეუძლებელი ტროპიკული სოფლის მეურნეობის განვითარებად რეგიონებში.აქ გამოყენებული მეთოდი გაცილებით იაფია, არ საჭიროებს ამინდის ჩანაწერების ძვირად შეგროვებას და იძლევა სასარგებლო მითითებებს, თუ როგორ უკეთ მართოთ მოსავალი ამინდის ცვალებად პირობებში.
მონაცემთა ანალიტიკოსმა და კვლევის წამყვანმა ავტორმა როს ჩეპმენმა (Ross Chapman) განმარტა მანქანური სწავლების მეთოდების ზოგიერთი ძირითადი უპირატესობა მონაცემთა ანალიზის ტრადიციულ მეთოდებთან შედარებით.
ჩეპმენმა თქვა: ”BNN მოდელი განსხვავდება სტანდარტული რეგრესიული მოდელისგან, რადგან ალგორითმი იღებს შეყვანის ცვლადებს (როგორიცაა ზღვის ზედაპირის ტემპერატურა და ფერმის ტიპი) და შემდეგ ავტომატურად ”სწავლობს” ამოიცნოს სხვა ცვლადების პასუხი (როგორიცაა მოსავლის მოსავლიანობა). “ თქვა ჩეპმენმა.„სწავლის პროცესში გამოყენებული ძირითადი პროცესი იგივეა, რაც ადამიანის ტვინი სწავლობს ობიექტების და ნიმუშების ამოცნობას რეალური ცხოვრებიდან.პირიქით, სტანდარტული მოდელი მოითხოვს სხვადასხვა ცვლადების ხელით ზედამხედველობას ხელოვნურად წარმოქმნილი განტოლებების მეშვეობით.
მიუხედავად იმისა, რომ ამინდის მონაცემების არარსებობის შემთხვევაში, მანქანათმცოდნეობამ შეიძლება გამოიწვიოს მოსავლის მოსავლიანობის უკეთესი პროგნოზირება, თუ მანქანათმცოდნეობის მოდელები სწორად მუშაობენ, მეცნიერებს (ან თავად ფერმერებს) მაინც სჭირდებათ ზუსტად შეაგროვონ გარკვეული წარმოების ინფორმაცია და ეს მონაცემები ხელმისაწვდომი გახადონ.
ამ კვლევაში ინდონეზიური კაკაოს ფერმაში ფერმერები გახდნენ საუკეთესო პრაქტიკის სასწავლო პროგრამის ნაწილი შოკოლადის დიდი კომპანიისთვის.ისინი თვალყურს ადევნებენ ისეთ მონაცემებს, როგორიცაა სასუქის გამოყენება, თავისუფლად აზიარებენ ამ მონაცემებს ანალიზისთვის და აწარმოებენ ჩანაწერებს ადგილობრივ ორგანიზებულ მცენარეთა კვების საერთაშორისო ინსტიტუტში (IPNI) მკვლევრებისთვის გამოსაყენებლად.
გარდა ამისა, მეცნიერებმა ადრე დაყვეს თავიანთი მეურნეობები ათ მსგავს ჯგუფად, მსგავსი ტოპოგრაფიით და ნიადაგის პირობებით.მოდელის შესაქმნელად მკვლევარებმა გამოიყენეს მოსავალი, სასუქის გამოყენება და მოსავლიანობის მონაცემები 2013 წლიდან 2018 წლამდე.
კაკაოს მწარმოებლების მიერ მიღებული ცოდნა აძლევს მათ ნდობას, თუ როგორ და როდის განახორციელონ ინვესტიცია სასუქებში.ამ არახელსაყრელი ჯგუფის მიერ შეძენილ აგრონომიულ უნარებს შეუძლია დაიცვას ისინი ინვესტიციების ზარალისგან, რაც ჩვეულებრივ ხდება არახელსაყრელი ამინდის პირობებში.
მკვლევარებთან თანამშრომლობის წყალობით, მათი ცოდნის გაზიარება შესაძლებელია მსოფლიოს სხვა ქვეყნებში სხვა კულტურების მწარმოებლებთან.
კორკმა თქვა: ”ერთგულ ფერმერის IPNI-ისა და ძლიერი ფერმერის მხარდაჭერის ორგანიზაციის Community Solutions International-ის ერთობლივი ძალისხმევის გარეშე, ეს კვლევა შეუძლებელი იქნებოდა.”მან ხაზი გაუსვა მულტიდისციპლინური თანამშრომლობის მნიშვნელობას და დააბალანსა დაინტერესებული მხარეების ძალისხმევა.განსხვავებული საჭიროებები.
APNI-ს Oberthür-მა თქვა, რომ მძლავრი პროგნოზირების მოდელებს შეუძლია სარგებელს მოუტანოს ფერმერებს და მკვლევარებს და ხელი შეუწყოს შემდგომ თანამშრომლობას.
Obertoor-მა თქვა: ”თუ ფერმერი ხართ, რომელიც ერთდროულად აგროვებს მონაცემებს, თქვენ უნდა მიაღწიოთ ხელშესახებ შედეგებს.”„ამ მოდელს შეუძლია ფერმერებს მიაწოდოს სასარგებლო ინფორმაცია და შეიძლება დაეხმაროს მონაცემთა შეგროვების სტიმულირებას, რადგან ფერმერები დაინახავენ, რომ ისინი აკეთებენ წვლილს, რაც სარგებელს მოაქვს მათ ფერმაში“.

suzy@lstchocolatemachine.com

www.lstchocolatemachine.com