Wenn in Indonesien später saisonale Regenfälle eintreten, werten Landwirte dies oft als Zeichen dafür, dass es sich nicht lohnt, in Düngemittel für ihre Pflanzen zu investieren.Manchmal entscheiden sie sich dafür, überhaupt keine einjährigen Pflanzen anzubauen.Normalerweise treffen sie die richtige Entscheidung, denn der späte Beginn der Regenzeit hängt meist mit dem Zustand der El Niño Southern Oscillation (ENSO) und unzureichenden Niederschlägen in den kommenden Monaten zusammen.
Die in „Science Reports“ veröffentlichte neue Forschungsarbeit zeigt, dass ENSO ein Wetterdeformationszyklus aus Erwärmung und Abkühlung entlang des Pazifischen Ozeans entlang des Äquators ist und eine aussagekräftige Vorhersage für bis zu zwei Jahre vor der Ernte des Kakaobaums darstellt.
Das könnten gute Nachrichten für Kleinbauern, Wissenschaftler und die globale Schokoladenindustrie sein.Die Fähigkeit, die Größe der Ernte im Voraus vorherzusagen, kann sich auf landwirtschaftliche Investitionsentscheidungen auswirken, Forschungsprogramme für tropische Nutzpflanzen verbessern und Risiken und Unsicherheiten in der Schokoladenindustrie verringern.
Forscher sagen, dass dieselbe Methode, die fortschrittliches maschinelles Lernen mit einer strengen kurzfristigen Datenerfassung über Bräuche und Erträge der Landwirte kombiniert, auch auf andere regenabhängige Nutzpflanzen, einschließlich Kaffee und Oliven, angewendet werden kann.
Thomas Oberthür, Co-Autor und Geschäftsentwickler des African Plant Nutrition Institute (APNI) in Marokko, sagte: „Die wichtigste Innovation dieser Forschung besteht darin, dass man Wetterdaten effektiv durch ENSO-Daten ersetzen kann.“„Mit dieser Methode können Sie alles erkunden, was mit ENSO zu tun hat.Pflanzen mit Produktionsbeziehungen.“
Etwa 80 % des weltweiten Ackerlandes sind auf direkte Niederschläge (im Gegensatz zur Bewässerung) angewiesen, die etwa 60 % der Gesamtproduktion ausmachen.In vielen dieser Gebiete sind die Niederschlagsdaten jedoch spärlich und sehr unterschiedlich, was es für Wissenschaftler, politische Entscheidungsträger und Bauerngruppen schwierig macht, sich an Wetterveränderungen anzupassen.
In dieser Studie verwendeten die Forscher eine Art maschinelles Lernen, das keine Wetteraufzeichnungen der an der Studie teilnehmenden indonesischen Kakaofarmen erfordert.
Stattdessen stützten sie sich auf Daten zu Düngemittelausbringung, Ertrag und Betriebstyp.Sie fügten diese Daten in ein Bayesianisches Neuronales Netzwerk (BNN) ein und stellten fest, dass die ENSO-Stufe 75 % der Ertragsänderung vorhersagte.
Mit anderen Worten: In den meisten Fällen der Studie kann die Meeresoberflächentemperatur des Pazifischen Ozeans die Ernte von Kakaobohnen genau vorhersagen.In einigen Fällen ist es möglich, 25 Monate vor der Ernte genaue Vorhersagen zu treffen.
Zunächst einmal ist es in der Regel möglich, ein Modell zu feiern, das eine Produktionsänderung von 50 % genau vorhersagen kann.Eine solche langfristige Prognosegenauigkeit der Ernteerträge ist selten.
Der Co-Autor und ehrenamtliche Forscher der Allianz, James Cock, sagte: „Dies ermöglicht es uns, verschiedene Managementpraktiken auf dem Bauernhof, wie beispielsweise Düngesysteme, zu überlagern und mit hoher Sicherheit auf wirksame Interventionen zu schließen.“„Internationale Organisation für biologische Vielfalt und CIAT.„Dies ist eine allgemeine Verlagerung hin zur Operations Research.“
Cock, ein Pflanzenphysiologe, sagte, dass randomisierte kontrollierte Studien (RCTs) zwar allgemein als Goldstandard für die Forschung gelten, diese Studien jedoch teuer und daher in sich entwickelnden tropischen Agrarregionen normalerweise unmöglich seien.Die hier verwendete Methode ist viel kostengünstiger, erfordert keine teure Sammlung von Wetteraufzeichnungen und bietet nützliche Hinweise, wie man Pflanzen bei wechselndem Wetter besser bewirtschaften kann.
Der Datenanalyst und Hauptautor der Studie Ross Chapman (Ross Chapman) erläuterte einige der wichtigsten Vorteile maschineller Lernmethoden gegenüber herkömmlichen Datenanalysemethoden.
Chapman sagte: „Das BNN-Modell unterscheidet sich vom Standard-Regressionsmodell, da der Algorithmus Eingabevariablen (z. B. Meeresoberflächentemperatur und Farmtyp) verwendet und dann automatisch „lernt“, die Reaktion anderer Variablen (z. B. Ernteertrag) zu erkennen. “, sagte Chapman.„Der grundlegende Prozess des Lernprozesses ist derselbe wie der Prozess, bei dem das menschliche Gehirn lernt, Objekte und Muster aus dem wirklichen Leben zu erkennen.Im Gegenteil, das Standardmodell erfordert eine manuelle Überwachung verschiedener Variablen durch künstlich generierte Gleichungen.“
Obwohl maschinelles Lernen ohne Wetterdaten zu besseren Ernteertragsvorhersagen führen kann, müssen Wissenschaftler (oder Landwirte selbst) dennoch bestimmte Produktionsinformationen genau erfassen und diese Daten leicht verfügbar machen, wenn maschinelle Lernmodelle ordnungsgemäß funktionieren können.
Für die in dieser Studie untersuchte indonesische Kakaofarm wurden Landwirte Teil eines Best-Practice-Schulungsprogramms für ein großes Schokoladenunternehmen.Sie verfolgen Eingaben wie die Ausbringung von Düngemitteln, geben diese Daten zur Analyse frei weiter und führen beim vor Ort organisierten International Plant Nutrition Institute (IPNI) übersichtliche Aufzeichnungen, die von Forschern genutzt werden können.
Darüber hinaus teilten Wissenschaftler ihre Betriebe zuvor in zehn ähnliche Gruppen mit ähnlicher Topographie und Bodenbeschaffenheit ein.Die Forscher nutzten die Ernte-, Düngemittel- und Ertragsdaten von 2013 bis 2018, um ein Modell zu erstellen.
Das von den Kakaobauern gewonnene Wissen gibt ihnen Sicherheit, wie und wann sie in Düngemittel investieren sollten.Die von dieser benachteiligten Gruppe erworbenen agronomischen Fähigkeiten können sie vor Investitionsverlusten schützen, die normalerweise unter widrigen Wetterbedingungen auftreten.
Dank ihrer Zusammenarbeit mit Forschern kann ihr Wissen nun auf irgendeine Weise mit Erzeugern anderer Nutzpflanzen in anderen Teilen der Welt geteilt werden.
Cork sagte: „Ohne die gemeinsamen Bemühungen des engagierten Landwirts IPNI und der starken Unterstützungsorganisation für Landwirte Community Solutions International wäre diese Forschung nicht möglich.“Er betonte die Bedeutung der multidisziplinären Zusammenarbeit und balancierte die Bemühungen der Beteiligten aus.Unterschiedliche Bedürfnisse.
Oberthür von APNI sagte, dass leistungsstarke Vorhersagemodelle Landwirten und Forschern zugute kommen und die weitere Zusammenarbeit fördern können.
Obertoor sagte: „Wenn Sie ein Landwirt sind, der gleichzeitig Daten sammelt, müssen Sie greifbare Ergebnisse erzielen.“„Dieses Modell kann den Landwirten nützliche Informationen liefern und dazu beitragen, Anreize für die Datenerfassung zu schaffen, da die Landwirte sehen, dass sie einen Beitrag leisten, der ihrem Betrieb Vorteile bringt.“

suzy@lstchocolatemachine.com

www.lstchocolatemachine.com