ఇండోనేషియాలో కాలానుగుణ వర్షాలు వచ్చినప్పుడు, రైతులు తమ పంటలకు ఎరువులపై పెట్టుబడి పెట్టడం విలువైనది కాదని తరచుగా సంకేతంగా తీసుకుంటారు.కొన్నిసార్లు వారు వార్షిక పంటలను వేయకూడదని ఎంచుకుంటారు.సాధారణంగా, వారు సరైన నిర్ణయాన్ని తీసుకుంటారు, ఎందుకంటే వర్షాకాలం యొక్క చివరి ప్రారంభం సాధారణంగా ఎల్ నినో సదరన్ ఆసిలేషన్ (ENSO) స్థితికి సంబంధించినది మరియు రాబోయే నెలల్లో తగినంత వర్షపాతం ఉండదు.
"సైన్స్ రిపోర్ట్స్"లో ప్రచురించబడిన కొత్త పరిశోధన ENSO అనేది భూమధ్యరేఖ వెంబడి పసిఫిక్ మహాసముద్రం వెంబడి వేడెక్కడం మరియు చల్లబరచడం యొక్క వాతావరణ వైకల్య చక్రం మరియు కోకో చెట్టును పండించడానికి ముందు రెండు సంవత్సరాల వరకు శక్తివంతమైన సూచన.
చిన్న రైతులకు, శాస్త్రవేత్తలకు మరియు ప్రపంచ చాక్లెట్ పరిశ్రమకు ఇది శుభవార్త కావచ్చు.పంట పరిమాణాన్ని ముందుగానే అంచనా వేయగల సామర్థ్యం వ్యవసాయ పెట్టుబడి నిర్ణయాలను ప్రభావితం చేయవచ్చు, ఉష్ణమండల పంట పరిశోధన కార్యక్రమాలను మెరుగుపరచవచ్చు మరియు చాక్లెట్ పరిశ్రమలో నష్టాలు మరియు అనిశ్చితులను తగ్గించవచ్చు.
రైతుల ఆచారాలు మరియు దిగుబడిపై ఖచ్చితమైన స్వల్పకాలిక డేటా సేకరణతో అధునాతన యంత్ర అభ్యాసాన్ని మిళితం చేసే అదే పద్ధతిని కాఫీ మరియు ఆలివ్‌లతో సహా ఇతర వర్షాలపై ఆధారపడిన పంటలకు కూడా వర్తింపజేయవచ్చని పరిశోధకులు అంటున్నారు.
మొరాకోలోని ఆఫ్రికన్ ప్లాంట్ న్యూట్రిషన్ ఇన్స్టిట్యూట్ (APNI) సహ రచయిత మరియు వ్యాపార డెవలపర్ థామస్ ఒబెర్థర్ ఇలా అన్నారు: "ఈ పరిశోధన యొక్క ముఖ్య ఆవిష్కరణ ఏమిటంటే, మీరు వాతావరణ డేటాను ENSO డేటాతో సమర్థవంతంగా భర్తీ చేయవచ్చు."“ఈ పద్ధతిని ఉపయోగించి, మీరు ENSOకి సంబంధించిన ఏదైనా అన్వేషించవచ్చు.ఉత్పత్తి సంబంధాలతో పంటలు."
ప్రపంచంలోని వ్యవసాయ యోగ్యమైన భూమిలో దాదాపు 80% ప్రత్యక్ష వర్షపాతంపై ఆధారపడి ఉంది (నీటిపారుదలకి విరుద్ధంగా), ఇది మొత్తం ఉత్పత్తిలో 60% వాటాను కలిగి ఉంది.అయినప్పటికీ, ఈ ప్రాంతాలలో చాలా వరకు, వర్షపాతం డేటా చాలా తక్కువగా ఉంటుంది మరియు చాలా వైవిధ్యంగా ఉంటుంది, ఇది శాస్త్రవేత్తలు, విధాన రూపకర్తలు మరియు రైతు సమూహాలకు వాతావరణంలో మార్పులకు అనుగుణంగా కష్టతరం చేస్తుంది.
ఈ అధ్యయనంలో, పరిశోధకులు అధ్యయనంలో పాల్గొనే ఇండోనేషియా కోకో ఫామ్‌ల నుండి వాతావరణ రికార్డులు అవసరం లేని యంత్ర అభ్యాస రకాన్ని ఉపయోగించారు.
బదులుగా, వారు ఎరువుల దరఖాస్తు, దిగుబడి మరియు పొలం రకంపై డేటాపై ఆధారపడతారు.వారు ఈ డేటాను బయేసియన్ న్యూరల్ నెట్‌వర్క్ (BNN)కి ప్లగ్ చేసారు మరియు ENSO దశ దిగుబడిలో 75% మార్పును అంచనా వేసినట్లు కనుగొన్నారు.
మరో మాటలో చెప్పాలంటే, అధ్యయనంలో చాలా సందర్భాలలో, పసిఫిక్ మహాసముద్రం యొక్క సముద్ర ఉపరితల ఉష్ణోగ్రత కోకో గింజల పంటను ఖచ్చితంగా అంచనా వేయగలదు.కొన్ని సందర్భాల్లో, పంటకోతకు 25 నెలల ముందు ఖచ్చితమైన అంచనాలు వేయడం సాధ్యమవుతుంది.
స్టార్టర్స్ కోసం, ఉత్పత్తిలో 50% మార్పును ఖచ్చితంగా అంచనా వేయగల మోడల్‌ను జరుపుకోవడం సాధారణంగా సాధ్యమవుతుంది.పంట దిగుబడుల యొక్క ఈ రకమైన దీర్ఘకాలిక అంచనా ఖచ్చితత్వం చాలా అరుదు.
కూటమి యొక్క సహ-రచయిత మరియు గౌరవ పరిశోధకుడు జేమ్స్ కాక్ ఇలా అన్నారు: "ఇది వ్యవసాయంలో ఫలదీకరణ వ్యవస్థల వంటి విభిన్న నిర్వహణ పద్ధతులను అధికం చేయడానికి మరియు అధిక విశ్వాసంతో సమర్థవంతమైన జోక్యాలను ఊహించడానికి అనుమతిస్తుంది.“అంతర్జాతీయ జీవవైవిధ్య సంస్థ మరియు CIAT."ఇది కార్యకలాపాల పరిశోధనకు మొత్తం మార్పు."
రాండమైజ్డ్ కంట్రోల్డ్ ట్రయల్స్ (RCTలు) సాధారణంగా పరిశోధనలకు బంగారు ప్రమాణంగా పరిగణించబడుతున్నప్పటికీ, ఈ ట్రయల్స్ ఖరీదైనవి మరియు ఉష్ణమండల వ్యవసాయ ప్రాంతాలను అభివృద్ధి చేయడంలో సాధారణంగా అసాధ్యం అని మొక్కల శరీరధర్మ శాస్త్రవేత్త కాక్ చెప్పారు.ఇక్కడ ఉపయోగించిన పద్ధతి చాలా చౌకైనది, వాతావరణ రికార్డుల ఖరీదైన సేకరణ అవసరం లేదు మరియు మారుతున్న వాతావరణంలో పంటలను ఎలా మెరుగ్గా నిర్వహించాలనే దానిపై ఉపయోగకరమైన మార్గదర్శకాన్ని అందిస్తుంది.
డేటా విశ్లేషకుడు మరియు అధ్యయనం యొక్క ప్రధాన రచయిత రాస్ చాప్మన్ (రాస్ చాప్మన్) సాంప్రదాయ డేటా విశ్లేషణ పద్ధతుల కంటే మెషిన్ లెర్నింగ్ పద్ధతుల యొక్క కొన్ని ముఖ్య ప్రయోజనాలను వివరించారు.
చాప్‌మన్ ఇలా అన్నాడు: "BNN మోడల్ స్టాండర్డ్ రిగ్రెషన్ మోడల్‌కి భిన్నంగా ఉంటుంది, ఎందుకంటే అల్గోరిథం ఇన్‌పుట్ వేరియబుల్స్ (సముద్ర ఉపరితల ఉష్ణోగ్రత మరియు వ్యవసాయ రకం వంటివి) తీసుకుంటుంది మరియు ఇతర వేరియబుల్స్ (పంట దిగుబడి వంటివి) ప్రతిస్పందనను గుర్తించడానికి స్వయంచాలకంగా 'నేర్చుకుంటుంది'. ” అన్నాడు చాప్‌మన్."అభ్యాస ప్రక్రియలో ఉపయోగించే ప్రాథమిక ప్రక్రియ మానవ మెదడు నిజ జీవితంలో వస్తువులు మరియు నమూనాలను గుర్తించడం నేర్చుకునే ప్రక్రియ వలె ఉంటుంది.దీనికి విరుద్ధంగా, ప్రామాణిక నమూనాకు కృత్రిమంగా రూపొందించబడిన సమీకరణాల ద్వారా వివిధ వేరియబుల్స్ యొక్క మాన్యువల్ పర్యవేక్షణ అవసరం."
వాతావరణ డేటా లేనప్పటికీ, మెషిన్ లెర్నింగ్ మెరుగైన పంట దిగుబడి అంచనాలకు దారితీయవచ్చు, యంత్ర అభ్యాస నమూనాలు సరిగ్గా పని చేయగలిగితే, శాస్త్రవేత్తలు (లేదా స్వయంగా రైతులు) ఇప్పటికీ నిర్దిష్ట ఉత్పత్తి సమాచారాన్ని సేకరించి, ఈ డేటాను తక్షణమే అందుబాటులో ఉంచాలి.
ఈ అధ్యయనంలో ఇండోనేషియా కోకో వ్యవసాయం కోసం, రైతులు ఒక పెద్ద చాక్లెట్ కంపెనీ కోసం ఉత్తమ అభ్యాస శిక్షణ కార్యక్రమంలో భాగంగా మారారు.వారు ఎరువుల దరఖాస్తు వంటి ఇన్‌పుట్‌లను ట్రాక్ చేస్తారు, విశ్లేషణ కోసం ఈ డేటాను స్వేచ్ఛగా పంచుకుంటారు మరియు పరిశోధకుల కోసం స్థానిక వ్యవస్థీకృత అంతర్జాతీయ మొక్కల పోషకాహార సంస్థ (IPNI) వద్ద చక్కని రికార్డులను ఉంచుతారు.
అదనంగా, శాస్త్రవేత్తలు గతంలో తమ పొలాలను ఒకే విధమైన స్థలాకృతి మరియు నేల పరిస్థితులతో పది సారూప్య సమూహాలుగా విభజించారు.ఒక నమూనాను రూపొందించడానికి పరిశోధకులు 2013 నుండి 2018 వరకు పంట, ఎరువుల దరఖాస్తు మరియు దిగుబడి డేటాను ఉపయోగించారు.
కోకో పెంపకందారులు పొందిన జ్ఞానం ఎరువులపై ఎలా మరియు ఎప్పుడు పెట్టుబడి పెట్టాలనే దానిపై వారికి విశ్వాసాన్ని ఇస్తుంది.ప్రతికూల వాతావరణ పరిస్థితులలో సాధారణంగా సంభవించే పెట్టుబడి నష్టాల నుండి ఈ వెనుకబడిన సమూహం పొందిన వ్యవసాయ నైపుణ్యాలు వారిని రక్షించగలవు.
పరిశోధకులతో వారి సహకారానికి ధన్యవాదాలు, వారి జ్ఞానాన్ని ఇప్పుడు ప్రపంచంలోని ఇతర ప్రాంతాలలోని ఇతర పంటల సాగుదారులతో ఏదో ఒక విధంగా పంచుకోవచ్చు.
కార్క్ ఇలా అన్నాడు: "అంకిత రైతు IPNI మరియు బలమైన రైతు మద్దతు సంస్థ కమ్యూనిటీ సొల్యూషన్స్ ఇంటర్నేషనల్ ఉమ్మడి ప్రయత్నాలు లేకుండా, ఈ పరిశోధన సాధ్యం కాదు."అతను మల్టీడిసిప్లినరీ సహకారం యొక్క ప్రాముఖ్యతను నొక్కి చెప్పాడు మరియు వాటాదారుల ప్రయత్నాలను సమతుల్యం చేశాడు.వివిధ అవసరాలు.
శక్తివంతమైన అంచనా నమూనాలు రైతులకు మరియు పరిశోధకులకు ప్రయోజనం చేకూర్చగలవని మరియు మరింత సహకారాన్ని ప్రోత్సహించగలవని APNI యొక్క Oberthür చెప్పారు.
ఒబెర్టూర్ ఇలా అన్నాడు: "మీరు ఒకే సమయంలో డేటాను సేకరించే రైతు అయితే, మీరు స్పష్టమైన ఫలితాలను సాధించాలి.""ఈ మోడల్ రైతులకు ఉపయోగకరమైన సమాచారాన్ని అందించగలదు మరియు డేటా సేకరణను ప్రోత్సహించడంలో సహాయపడుతుంది, ఎందుకంటే రైతులు తమ పొలానికి ప్రయోజనాలను తెచ్చే సహకారం అందించడానికి వారు చేస్తున్నట్లు చూస్తారు."

suzy@lstchocolatemachine.com

www.lstchocolatemachine.com