เมื่อฝนตกตามฤดูกาลในอินโดนีเซีย เกษตรกรมักมองว่าเป็นสัญญาณว่าการลงทุนปุ๋ยสำหรับพืชผลของตนไม่คุ้มค่าบางครั้งพวกเขาเลือกที่จะไม่ปลูกพืชผลประจำปีเลยโดยปกติ พวกเขาตัดสินใจได้ถูกต้อง เพราะการเริ่มต้นช่วงปลายฤดูฝนมักเกี่ยวข้องกับสภาวะของคลื่นใต้เอลนีโญ (ENSO) และปริมาณน้ำฝนไม่เพียงพอในอีกไม่กี่เดือนข้างหน้า
งานวิจัยใหม่ที่ตีพิมพ์ใน "รายงานทางวิทยาศาสตร์" แสดงให้เห็นว่า ENSO เป็นวัฏจักรการแปรสภาพของสภาพอากาศที่ร้อนและเย็นลงตามแนวมหาสมุทรแปซิฟิกตามแนวเส้นศูนย์สูตร และเป็นการคาดการณ์ที่มีประสิทธิภาพนานถึงสองปีก่อนที่จะเก็บเกี่ยวต้นโกโก้
นี่อาจเป็นข่าวดีสำหรับเกษตรกรรายย่อย นักวิทยาศาสตร์ และอุตสาหกรรมช็อกโกแลตทั่วโลกความสามารถในการคาดการณ์ขนาดการเก็บเกี่ยวล่วงหน้าอาจส่งผลต่อการตัดสินใจลงทุนในฟาร์ม ปรับปรุงโครงการวิจัยพืชเขตร้อน และลดความเสี่ยงและความไม่แน่นอนในอุตสาหกรรมช็อกโกแลต
นักวิจัยกล่าวว่าวิธีการเดียวกันกับที่ผสมผสานการเรียนรู้ของเครื่องจักรขั้นสูงเข้ากับการเก็บรวบรวมข้อมูลระยะสั้นที่เข้มงวดเกี่ยวกับประเพณีของเกษตรกรและผลผลิต สามารถนำมาใช้กับพืชผลอื่นๆ ที่ต้องพึ่งพาฝนได้ เช่น กาแฟและมะกอก
Thomas Oberthür ผู้ร่วมเขียนและผู้พัฒนาธุรกิจของ African Plant Nutrition Institute (APNI) ในโมร็อกโก กล่าวว่า "นวัตกรรมที่สำคัญของงานวิจัยนี้คือ คุณสามารถเปลี่ยนข้อมูลสภาพอากาศด้วยข้อมูล ENSO ได้อย่างมีประสิทธิภาพ"“เมื่อใช้วิธีนี้ คุณจะสำรวจทุกอย่างที่เกี่ยวข้องกับ ENSO ได้พืชผลที่มีความสัมพันธ์ด้านการผลิต”
พื้นที่เพาะปลูกประมาณ 80% ของโลกอาศัยปริมาณน้ำฝนโดยตรง (ซึ่งต่างจากการชลประทาน) ซึ่งคิดเป็นประมาณ 60% ของการผลิตทั้งหมดอย่างไรก็ตาม ในหลายพื้นที่เหล่านี้ ข้อมูลปริมาณน้ำฝนมีน้อยและมีความแปรปรวนสูง ซึ่งทำให้นักวิทยาศาสตร์ ผู้กำหนดนโยบาย และกลุ่มเกษตรกรปรับตัวเข้ากับการเปลี่ยนแปลงของสภาพอากาศได้ยาก
ในการศึกษานี้ นักวิจัยได้ใช้แมชชีนเลิร์นนิงชนิดหนึ่งที่ไม่ต้องการบันทึกสภาพอากาศจากฟาร์มโกโก้ของชาวอินโดนีเซียที่เข้าร่วมการศึกษา
แต่อาศัยข้อมูลการใส่ปุ๋ย ผลผลิต และประเภทของฟาร์มพวกเขาเสียบข้อมูลนี้เข้ากับ Bayesian Neural Network (BNN) และพบว่าระยะ ENSO คาดการณ์ 75% ของการเปลี่ยนแปลงในผลตอบแทน
กล่าวอีกนัยหนึ่ง ในกรณีส่วนใหญ่ในการศึกษา อุณหภูมิผิวน้ำทะเลของมหาสมุทรแปซิฟิกสามารถทำนายการเก็บเกี่ยวเมล็ดโกโก้ได้อย่างแม่นยำในบางกรณี อาจคาดการณ์ได้อย่างแม่นยำ 25 เดือนก่อนการเก็บเกี่ยว
สำหรับผู้เริ่มต้น มักจะสามารถเฉลิมฉลองโมเดลที่สามารถคาดการณ์การเปลี่ยนแปลงในการผลิตได้อย่างแม่นยำถึง 50%ความแม่นยำในการคาดการณ์ระยะยาวของผลผลิตพืชผลชนิดนี้หาได้ยาก
James Cock ผู้เขียนร่วมของพันธมิตรและนักวิจัยกิตติมศักดิ์กล่าวว่า "สิ่งนี้ช่วยให้เราสามารถวางแนวทางการจัดการที่แตกต่างกันในฟาร์ม เช่น ระบบการปฏิสนธิ และอนุมานการแทรกแซงที่มีประสิทธิภาพด้วยความมั่นใจสูง“องค์การความหลากหลายทางชีวภาพระหว่างประเทศและ CIAT“นี่คือการเปลี่ยนแปลงโดยรวมในการวิจัยการดำเนินงาน”
Cock นักสรีรวิทยาพืชกล่าวว่าแม้ว่าโดยทั่วไปแล้วการทดลองแบบสุ่มที่มีกลุ่มควบคุม (RCTs) ถือเป็นมาตรฐานทองคำสำหรับการวิจัย แต่การทดลองเหล่านี้มีราคาแพงและมักจะเป็นไปไม่ได้ในการพัฒนาพื้นที่เกษตรกรรมเขตร้อนวิธีการที่ใช้ในที่นี้ถูกกว่ามาก ไม่ต้องการการเก็บบันทึกสภาพอากาศที่มีราคาแพง และให้คำแนะนำที่เป็นประโยชน์เกี่ยวกับวิธีจัดการพืชผลในสภาพอากาศที่เปลี่ยนแปลงได้ดีขึ้น
นักวิเคราะห์ข้อมูลและผู้เขียนนำของการศึกษา Ross Chapman (Ross Chapman) ได้อธิบายถึงข้อดีที่สำคัญบางประการของวิธีการเรียนรู้ด้วยเครื่องเหนือวิธีการวิเคราะห์ข้อมูลแบบเดิม
Chapman กล่าวว่า "แบบจำลอง BNN นั้นแตกต่างจากแบบจำลองการถดถอยมาตรฐาน เนื่องจากอัลกอริธึมใช้ตัวแปรอินพุต (เช่น อุณหภูมิผิวน้ำทะเลและประเภทฟาร์ม) จากนั้นจะเรียนรู้โดยอัตโนมัติเพื่อรับรู้การตอบสนองของตัวแปรอื่นๆ (เช่น ผลผลิตพืชผล) แชปแมนกล่าว“กระบวนการพื้นฐานที่ใช้ในกระบวนการเรียนรู้เหมือนกับกระบวนการที่สมองของมนุษย์เรียนรู้ที่จะจดจำวัตถุและรูปแบบจากชีวิตจริงในทางตรงกันข้าม โมเดลมาตรฐานต้องการการดูแลแบบแมนนวลของตัวแปรต่างๆ ผ่านสมการที่สร้างขึ้นแบบเทียม"
แม้ว่าในกรณีที่ไม่มีข้อมูลสภาพอากาศ แมชชีนเลิร์นนิงอาจนำไปสู่การคาดการณ์ผลผลิตพืชผลได้ดีขึ้น หากแบบจำลองการเรียนรู้ของเครื่องสามารถทำงานได้อย่างถูกต้อง นักวิทยาศาสตร์ (หรือชาวนาเอง) ยังคงต้องรวบรวมข้อมูลการผลิตบางอย่างอย่างถูกต้องและทำให้ข้อมูลเหล่านี้พร้อมใช้งาน
สำหรับฟาร์มโกโก้ของชาวอินโดนีเซียในการศึกษานี้ เกษตรกรได้กลายเป็นส่วนหนึ่งของโปรแกรมการฝึกอบรมแนวปฏิบัติที่ดีที่สุดสำหรับบริษัทช็อกโกแลตขนาดใหญ่พวกเขาติดตามปัจจัยการผลิต เช่น การใส่ปุ๋ย แบ่งปันข้อมูลนี้อย่างอิสระเพื่อการวิเคราะห์ และเก็บบันทึกเรียบร้อยที่ International Plant Nutrition Institute (IPNI) ในท้องถิ่นเพื่อให้นักวิจัยใช้
นอกจากนี้ ก่อนหน้านี้นักวิทยาศาสตร์ได้แบ่งฟาร์มของพวกเขาออกเป็น 10 กลุ่มที่คล้ายกัน ซึ่งมีสภาพภูมิประเทศและดินที่คล้ายคลึงกันนักวิจัยใช้ข้อมูลการเก็บเกี่ยว การใส่ปุ๋ย และข้อมูลผลผลิตตั้งแต่ปี 2556 ถึงปี 2561 เพื่อสร้างแบบจำลอง
ความรู้ที่ได้รับจากเกษตรกรผู้ปลูกโกโก้ทำให้พวกเขามั่นใจในการลงทุนปุ๋ยอย่างไรและเมื่อใดทักษะทางการเกษตรที่ได้รับจากกลุ่มผู้ด้อยโอกาสนี้สามารถปกป้องพวกเขาจากการสูญเสียการลงทุน ซึ่งมักเกิดขึ้นภายใต้สภาพอากาศที่ไม่เอื้ออำนวย
ต้องขอบคุณความร่วมมือกับนักวิจัย ทำให้สามารถแบ่งปันความรู้กับผู้ปลูกพืชผลอื่นๆ ในส่วนอื่นของโลกได้ด้วยวิธีใดวิธีหนึ่ง
Cork กล่าวว่า: "หากไม่มีความพยายามร่วมกันของ IPNI เกษตรกรที่ทุ่มเทและองค์กรสนับสนุนเกษตรกรที่เข้มแข็ง Community Solutions International การวิจัยนี้จะเป็นไปไม่ได้"เขาเน้นย้ำถึงความสำคัญของความร่วมมือจากสหสาขาวิชาชีพและสร้างสมดุลระหว่างความพยายามของผู้มีส่วนได้ส่วนเสียความต้องการที่แตกต่างกัน
Oberthür จาก APNI กล่าวว่าแบบจำลองการทำนายที่มีประสิทธิภาพสามารถเป็นประโยชน์ต่อเกษตรกรและนักวิจัย และส่งเสริมความร่วมมือต่อไป
Obertoor กล่าวว่า: “หากคุณเป็นเกษตรกรที่รวบรวมข้อมูลในเวลาเดียวกัน คุณต้องบรรลุผลลัพธ์ที่จับต้องได้”“แบบจำลองนี้สามารถให้ข้อมูลที่เป็นประโยชน์แก่เกษตรกรและสามารถช่วยจูงใจให้เก็บรวบรวมข้อมูลได้ เพราะเกษตรกรจะเห็นว่าพวกเขากำลังทำ เพื่อมีส่วนสนับสนุนซึ่งจะนำประโยชน์มาสู่ฟาร์มของพวกเขา”

suzy@lstchocolatemachine.com

www.lstchocolatemachine.com