Wenn die saisonalen Regenfälle später in Indonesien eintreffen, nehmen die Landwirte dies oft als Zeichen dafür, dass es sich nicht lohnt, in Düngemittel für ihre Ernte zu investieren.Manchmal entscheiden sie sich dafür, überhaupt keine einjährigen Pflanzen anzubauen.Meist treffen sie die richtige Entscheidung, denn der späte Beginn der Regenzeit hängt meist mit dem Zustand der El Niño Southern Oscillation (ENSO) und zu wenig Regen in den kommenden Monaten zusammen.
Die in „Science Reports“ veröffentlichten neuen Forschungsergebnisse zeigen, 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.
Dies könnten gute Nachrichten für Kleinbauern, Wissenschaftler und die globale Schokoladenindustrie sein.Die Fähigkeit, die Größe der Ernte im Voraus vorherzusagen, kann sich auf die Investitionsentscheidungen der Farmen auswirken, Forschungsprogramme für tropische Pflanzen verbessern und Risiken und Unsicherheiten in der Schokoladenindustrie verringern.
Forscher sagen, dass die gleiche Methode, die fortschrittliches maschinelles Lernen mit einer strengen kurzfristigen Datenerfassung zu den Gewohnheiten und Erträgen der Landwirte kombiniert, auch auf andere regenabhängige Pflanzen, einschließlich Kaffee und Oliven, angewendet werden kann.
Thomas Oberthür, Co-Autor und Geschäftsentwickler des African Plant Nutrition Institute (APNI) in Marokko, sagte: „Die Schlüsselinnovation dieser Forschung ist, dass man Wetterdaten effektiv durch ENSO-Daten ersetzen kann.“„Mit dieser Methode können Sie alles erkunden, was mit ENSO zu tun hat.Kulturen mit Produktionsbeziehungen.“
Etwa 80 % des Ackerlandes der Welt sind auf direkten Niederschlag (im Gegensatz zur Bewässerung) angewiesen, was etwa 60 % der Gesamtproduktion ausmacht.In vielen dieser Gebiete sind die Niederschlagsdaten jedoch spärlich und sehr variabel, was es Wissenschaftlern, politischen Entscheidungsträgern und Landwirten erschwert, sich an Wetteränderungen anzupassen.
In dieser Studie nutzten die Forscher eine Art des maschinellen Lernens, das keine Wetteraufzeichnungen der an der Studie teilnehmenden indonesischen Kakaofarmen benötigt.
Stattdessen stützten sie sich auf Daten zu Düngemittelanwendung, Ertrag und Betriebstyp.Sie steckten diese Daten in ein Bayesian Neural Network (BNN) und fanden heraus, 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.
Für den Anfang ist es normalerweise möglich, ein Modell zu feiern, das eine Produktionsänderung von 50 % genau vorhersagen kann.Eine solche langfristige Prognosegenauigkeit von Ernteerträgen 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 Zuverlässigkeit auf wirksame Interventionen zu schließen.„Internationale Biodiversitätsorganisation und CIAT.„Dies ist eine allgemeine Verlagerung hin zum 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 der Entwicklung tropischer Agrarregionen normalerweise unmöglich sind.Die hier verwendete Methode ist viel billiger, erfordert keine kostspielige Sammlung von Wetteraufzeichnungen und bietet nützliche Anleitungen, wie Pflanzen bei wechselndem Wetter besser verwaltet werden können.
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 (wie Meeresoberflächentemperatur und Farmtyp) verwendet und dann automatisch ‚lernt‘, die Reaktion anderer Variablen (wie Ernteertrag) zu erkennen. “, sagte Chapman.„Der grundlegende Prozess, der im Lernprozess verwendet wird, ist derselbe wie der Prozess, den das menschliche Gehirn lernt, Objekte und Muster aus dem wirklichen Leben zu erkennen.Im Gegensatz dazu erfordert das Standardmodell die manuelle Überwachung verschiedener Variablen durch künstlich generierte Gleichungen.“
Obwohl maschinelles Lernen ohne Wetterdaten zu besseren Ernteertragsprognosen führen kann, müssen Wissenschaftler (oder Landwirte selbst) bestimmte Produktionsinformationen genau erfassen und diese Daten leicht verfügbar machen, wenn maschinelle Lernmodelle richtig funktionieren können.
Für die indonesische Kakaofarm in dieser Studie sind die Bauern Teil eines Best-Practice-Schulungsprogramms für ein großes Schokoladenunternehmen geworden.Sie verfolgen Inputs wie die Düngemittelanwendung, geben diese Daten frei zur Analyse weiter und führen ordentliche Aufzeichnungen beim lokal organisierten International Plant Nutrition Institute (IPNI), damit Forscher sie verwenden können.
Darüber hinaus haben Wissenschaftler ihre Farmen zuvor in zehn ähnliche Gruppen mit ähnlicher Topographie und Bodenbeschaffenheit eingeteilt.Die Forscher nutzten die Ernte-, Düngemittel- und Ertragsdaten von 2013 bis 2018, um ein Modell zu erstellen.
Das Wissen, das Kakaobauern gewinnen, gibt ihnen Vertrauen, 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 in gewisser Weise mit Erzeugern anderer Nutzpflanzen in anderen Teilen der Welt geteilt werden.
Cork sagte: „Ohne die gemeinsamen Anstrengungen 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 glich die Bemühungen der Interessengruppen 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, die Datenerhebung anzuregen, weil die Landwirte sehen werden, dass sie einen Beitrag leisten, der ihrem Betrieb Vorteile bringt.“

suzy@lstchocolatemachine.com

www.lstchocolatemachine.com