जब इन्डोनेसियामा मौसमी वर्षा पछि आइपुग्छ, किसानहरूले प्राय: यसलाई आफ्नो बालीको लागि मलमा लगानी गर्न लायक छैन भन्ने संकेतको रूपमा लिन्छन्।कहिलेकाहीँ तिनीहरूले वार्षिक बालीहरू रोप्न नदिने छनौट गर्छन्।सामान्यतया, तिनीहरूले सही निर्णय लिन्छन्, किनभने वर्षाको मौसमको ढिलो सुरुवात सामान्यतया एल निनो दक्षिणी दोलन (ENSO) को अवस्था र आगामी महिनाहरूमा अपर्याप्त वर्षासँग सम्बन्धित छ।
"विज्ञान रिपोर्टहरू" मा प्रकाशित नयाँ अनुसन्धानले देखाउँछ कि ENSO भूमध्य रेखाको साथमा प्रशान्त महासागरमा तापक्रम र शीतलताको मौसम विरूपण चक्र हो, र कोकोको रूख फसल हुनु अघि दुई वर्षसम्मको लागि एक शक्तिशाली पूर्वानुमान हो।
यो साना किसानहरू, वैज्ञानिकहरू र विश्वव्यापी चकलेट उद्योगका लागि राम्रो समाचार हुन सक्छ।फसलको आकार पहिले नै भविष्यवाणी गर्ने क्षमताले खेती लगानी निर्णयहरूलाई असर गर्न सक्छ, उष्णकटिबंधीय बाली अनुसन्धान कार्यक्रमहरू सुधार गर्न र चकलेट उद्योगमा जोखिम र अनिश्चितताहरू कम गर्न सक्छ।
अन्वेषकहरू भन्छन् कि उन्नत मेसिन लर्निङलाई किसानको चलन र उत्पादनमा कडा छोटो अवधिको डेटा सङ्कलनसँग जोड्ने विधि कफी र जैतूनलगायत अन्य वर्षामा निर्भर बालीहरूमा पनि लागू गर्न सकिन्छ।
मोरक्कोमा रहेको अफ्रिकी प्लान्ट न्यूट्रिशन इन्स्टिच्युट (APNI) को सह-लेखक र व्यवसाय विकासकर्ता थोमस ओबर्थरले भने: "यस अनुसन्धानको मुख्य नवीनता भनेको तपाईंले प्रभावकारी रूपमा मौसम डाटालाई ENSO डाटासँग बदल्न सक्नुहुन्छ।""यस विधि प्रयोग गरेर, तपाइँ ENSO सँग सम्बन्धित केहि पनि अन्वेषण गर्न सक्नुहुन्छ।उत्पादन सम्बन्ध संग बाली।"
विश्वको लगभग 80% कृषि योग्य भूमि प्रत्यक्ष वर्षामा निर्भर छ (सिंचाईको विपरीत), जसले कुल उत्पादनको लगभग 60% ओगटेको छ।यद्यपि, यी मध्ये धेरै क्षेत्रहरूमा, वर्षा डेटा विरल र उच्च परिवर्तनशील छ, जसले वैज्ञानिकहरू, नीति निर्माताहरू, र किसान समूहहरूलाई मौसममा हुने परिवर्तनहरूसँग अनुकूलन गर्न गाह्रो बनाउँछ।
यस अध्ययनमा, अन्वेषकहरूले अध्ययनमा भाग लिने इन्डोनेसियाली कोको फार्महरूबाट मौसम रेकर्डहरू आवश्यक पर्दैन भन्ने मेसिन लर्निङको प्रकार प्रयोग गरे।
यसको सट्टा, तिनीहरू उर्वरक आवेदन, उपज, र खेतको प्रकारमा डेटामा भर परे।तिनीहरूले यो डाटालाई बायेसियन न्यूरल नेटवर्क (BNN) मा प्लग गरे र फेला पारे कि ENSO चरणले उपजमा परिवर्तनको 75% भविष्यवाणी गरेको छ।
अर्को शब्दमा भन्ने हो भने, अध्ययनमा अधिकांश अवस्थामा, प्रशान्त महासागरको समुद्री सतहको तापक्रमले कोको बीन्सको फसलको सही भविष्यवाणी गर्न सक्छ।कतिपय अवस्थामा, फसल काट्नुभन्दा २५ महिनाअघि नै सही भविष्यवाणी गर्न सकिन्छ।
शुरुवातकर्ताहरूको लागि, उत्पादनमा 50% परिवर्तनको सही भविष्यवाणी गर्न सक्ने मोडेल मनाउन सामान्यतया सम्भव छ।बाली उत्पादनको यस प्रकारको दीर्घकालीन पूर्वानुमान सटीकता दुर्लभ छ।
गठबन्धनका सह-लेखक र मानद अनुसन्धानकर्ता जेम्स ककले भने: "यसले हामीलाई खेतमा विभिन्न व्यवस्थापन अभ्यासहरू जस्तै उर्वरीकरण प्रणालीहरू, र उच्च आत्मविश्वासका साथ प्रभावकारी हस्तक्षेपहरू अनुमान गर्न अनुमति दिन्छ।"अन्तर्राष्ट्रिय जैविक विविधता संगठन र CIAT।"यो सञ्चालन अनुसन्धानमा समग्र परिवर्तन हो।"
कक, एक प्लान्ट फिजियोलोजिस्टले भने कि यद्यपि अनियमित नियन्त्रण परीक्षणहरू (RCTs) लाई सामान्यतया अनुसन्धानको लागि सुनको मानक मानिन्छ, यी परीक्षणहरू महँगो हुन्छन् र त्यसैले उष्णकटिबंधीय कृषि क्षेत्रहरू विकास गर्न असम्भव हुन्छन्।यहाँ प्रयोग गरिएको विधि धेरै सस्तो छ, मौसम रेकर्डको महँगो सङ्कलन आवश्यक पर्दैन, र बदलिंदै मौसममा बालीहरूलाई कसरी राम्रोसँग व्यवस्थापन गर्ने भन्ने बारे उपयोगी मार्गदर्शन प्रदान गर्दछ।
डेटा विश्लेषक र अध्ययनका प्रमुख लेखक रोस च्यापम्यान (रोस च्यापम्यान) ले परम्परागत डेटा विश्लेषण विधिहरू भन्दा मेसिन लर्निङ विधिका केही मुख्य फाइदाहरू वर्णन गरे।
Chapman ले भन्नुभयो: "BNN मोडेल मानक प्रतिगमन मोडेल भन्दा फरक छ किनभने एल्गोरिथ्मले इनपुट चरहरू लिन्छ (जस्तै समुद्री सतहको तापक्रम र खेतको प्रकार) र त्यसपछि स्वचालित रूपमा 'सिक्छ' अन्य चरहरूको प्रतिक्रिया (जस्तै फसल उपज) पहिचान गर्न। "चापम्यानले भने।"सिक्ने प्रक्रियामा प्रयोग गरिने आधारभूत प्रक्रिया मानव मस्तिष्कले वास्तविक जीवनबाट वस्तु र ढाँचाहरू पहिचान गर्न सिक्ने प्रक्रिया जस्तै हो।यसको विपरित, मानक मोडेलले कृत्रिम रूपमा उत्पन्न समीकरणहरू मार्फत विभिन्न चरहरूको म्यानुअल पर्यवेक्षण आवश्यक पर्दछ।"
यद्यपि मौसम डेटाको अभावमा, मेसिन लर्निङले राम्रो फसल उत्पादन भविष्यवाणीहरू निम्त्याउन सक्छ, यदि मेसिन लर्निङ मोडेलहरू ठीकसँग काम गर्न सक्छन् भने, वैज्ञानिकहरू (वा किसानहरू आफैंले) अझै पनि निश्चित उत्पादन जानकारीहरू सही रूपमा सङ्कलन गर्न र यी डाटाहरू सजिलै उपलब्ध गराउन आवश्यक छ।
यस अध्ययनमा इन्डोनेसियाली कोको फार्मको लागि, किसानहरू ठूलो चकलेट कम्पनीको लागि उत्तम अभ्यास प्रशिक्षण कार्यक्रमको हिस्सा बनेका छन्।तिनीहरूले उर्वरक अनुप्रयोग जस्ता इनपुटहरू ट्र्याक गर्छन्, विश्लेषणको लागि यो डाटा स्वतन्त्र रूपमा साझेदारी गर्छन्, र अनुसन्धानकर्ताहरूको प्रयोगको लागि स्थानीय संगठित अन्तर्राष्ट्रिय बिरुवा पोषण संस्थान (IPNI) मा सफा रेकर्ड राख्छन्।
थप रूपमा, वैज्ञानिकहरूले पहिले आफ्नो खेतहरूलाई समान टोपोग्राफी र माटोको अवस्थाका साथ दस समान समूहहरूमा विभाजन गरेका थिए।अन्वेषकहरूले मोडेल निर्माण गर्न २०१३ देखि २०१८ सम्मको फसल, मलको प्रयोग र उपज डेटा प्रयोग गरे।
कोको उत्पादकहरूले प्राप्त गरेको ज्ञानले उनीहरूलाई कसरी र कहिले मलमा लगानी गर्ने भन्ने विश्वास दिन्छ।यस विपन्न समूहले हासिल गरेको कृषि सम्बन्धी सीपहरूले उनीहरूलाई लगानी घाटाबाट जोगाउन सक्छ, जुन सामान्यतया प्रतिकूल मौसम परिस्थितिमा हुन्छ।
अनुसन्धानकर्ताहरूसँगको उनीहरूको सहयोगको लागि धन्यवाद, तिनीहरूको ज्ञान अब कुनै न कुनै रूपमा संसारका अन्य भागहरूमा अन्य बालीका उत्पादकहरूसँग साझेदारी गर्न सकिन्छ।
कर्कले भने: "समर्पित किसान IPNI र बलियो किसान समर्थन संगठन सामुदायिक समाधान इन्टरनेशनलको संयुक्त प्रयास बिना यो अनुसन्धान सम्भव हुने थिएन।"उनले बहु-अनुशासनात्मक सहयोगको महत्त्वमा जोड दिए र सरोकारवालाहरूको प्रयासलाई सन्तुलित गरे।विभिन्न आवश्यकताहरू।
एपीएनआईको ओबर्थरले शक्तिशाली भविष्यवाणी गर्ने मोडेलले किसान र अनुसन्धानकर्ताहरूलाई फाइदा पुर्‍याउन र थप सहयोग प्रवर्द्धन गर्न सक्ने बताए।
ओबर्टूरले भने: "यदि तपाईं एकै समयमा डाटा सङ्कलन गर्ने किसान हुनुहुन्छ भने, तपाईंले ठोस नतिजाहरू प्राप्त गर्न आवश्यक छ।""यस मोडेलले किसानहरूलाई उपयोगी जानकारी प्रदान गर्न सक्छ र डाटा सङ्कलनलाई प्रोत्साहन गर्न मद्दत गर्न सक्छ, किनभने किसानहरूले देख्नेछन् कि उनीहरूले योगदान पु¥याउन गरिरहेका छन्, जसले उनीहरूको खेतीलाई फाइदा पुर्‍याउँछ।"

suzy@lstchocolatemachine.com

www.lstchocolatemachine.com