കാലാനുസൃതമായ മഴ ഇന്തോനേഷ്യയിൽ പിന്നീട് എത്തുമ്പോൾ, കർഷകർ പലപ്പോഴും തങ്ങളുടെ വിളകൾക്ക് രാസവളങ്ങളിൽ നിക്ഷേപിക്കുന്നത് വിലമതിക്കുന്നില്ല എന്നതിന്റെ സൂചനയായി കണക്കാക്കുന്നു.ചിലപ്പോൾ അവർ വാർഷിക വിളകൾ നട്ടുപിടിപ്പിക്കരുതെന്ന് തീരുമാനിക്കുന്നു.സാധാരണയായി, അവർ ശരിയായ തീരുമാനം എടുക്കുന്നു, കാരണം മഴക്കാലത്തിന്റെ വൈകി ആരംഭം സാധാരണയായി എൽ നിനോ സതേൺ ഓസിലേഷൻ (ENSO) അവസ്ഥയുമായി ബന്ധപ്പെട്ടിരിക്കുന്നു, വരും മാസങ്ങളിൽ വേണ്ടത്ര മഴയില്ല.
"സയൻസ് റിപ്പോർട്ടുകളിൽ" പ്രസിദ്ധീകരിച്ച പുതിയ ഗവേഷണം കാണിക്കുന്നത്, ENSO ഭൂമധ്യരേഖയ്‌ക്കൊപ്പം പസഫിക് സമുദ്രത്തിൽ ചൂടുപിടിക്കുന്നതിനും തണുപ്പിക്കുന്നതിനുമുള്ള ഒരു കാലാവസ്ഥാ വ്യതിയാന ചക്രമാണ്, കൊക്കോ മരം വിളവെടുക്കുന്നതിന് രണ്ട് വർഷം വരെ ശക്തമായ പ്രവചനം.
ചെറുകിട കർഷകർക്കും ശാസ്ത്രജ്ഞർക്കും ആഗോള ചോക്ലേറ്റ് വ്യവസായത്തിനും ഇതൊരു നല്ല വാർത്തയായിരിക്കാം.വിളവെടുപ്പിന്റെ വലിപ്പം മുൻകൂട്ടി പ്രവചിക്കാനുള്ള കഴിവ് കാർഷിക നിക്ഷേപ തീരുമാനങ്ങളെ ബാധിക്കുകയും ഉഷ്ണമേഖലാ വിള ഗവേഷണ പരിപാടികൾ മെച്ചപ്പെടുത്തുകയും ചോക്ലേറ്റ് വ്യവസായത്തിലെ അപകടസാധ്യതകളും അനിശ്ചിതത്വങ്ങളും കുറയ്ക്കുകയും ചെയ്തേക്കാം.
കർഷകരുടെ ആചാരങ്ങളെയും വിളവിനെയും കുറിച്ചുള്ള കർശനമായ ഹ്രസ്വകാല വിവരശേഖരണവും നൂതന മെഷീൻ ലേണിംഗും സംയോജിപ്പിക്കുന്ന അതേ രീതി കാപ്പി, ഒലിവ് എന്നിവയുൾപ്പെടെ മറ്റ് മഴയെ ആശ്രയിക്കുന്ന വിളകൾക്കും പ്രയോഗിക്കാമെന്ന് ഗവേഷകർ പറയുന്നു.
മൊറോക്കോയിലെ ആഫ്രിക്കൻ പ്ലാന്റ് ന്യൂട്രീഷൻ ഇൻസ്റ്റിറ്റ്യൂട്ടിന്റെ (APNI) സഹ-രചയിതാവും ബിസിനസ് ഡെവലപ്പറുമായ തോമസ് ഒബെർതർ പറഞ്ഞു: "ഈ ഗവേഷണത്തിന്റെ പ്രധാന കണ്ടുപിടിത്തം നിങ്ങൾക്ക് ENSO ഡാറ്റ ഉപയോഗിച്ച് കാലാവസ്ഥാ ഡാറ്റയെ ഫലപ്രദമായി മാറ്റിസ്ഥാപിക്കാൻ കഴിയും എന്നതാണ്."“ഈ രീതി ഉപയോഗിച്ച്, നിങ്ങൾക്ക് ENSO മായി ബന്ധപ്പെട്ട എന്തും പര്യവേക്ഷണം ചെയ്യാൻ കഴിയും.ഉൽപാദന ബന്ധങ്ങളുള്ള വിളകൾ.
ലോകത്തിലെ കൃഷിയോഗ്യമായ ഭൂമിയുടെ 80% നേരിട്ടുള്ള മഴയെ ആശ്രയിക്കുന്നു (ജലസേചനത്തിന് വിപരീതമായി), ഇത് മൊത്തം ഉൽപാദനത്തിന്റെ 60% വരും.എന്നിരുന്നാലും, ഈ പ്രദേശങ്ങളിൽ പലതിലും, മഴയുടെ ഡാറ്റ വിരളവും വളരെ വേരിയബിളുമാണ്, ഇത് കാലാവസ്ഥാ വ്യതിയാനങ്ങളുമായി പൊരുത്തപ്പെടാൻ ശാസ്ത്രജ്ഞർക്കും നയരൂപകർത്താക്കൾക്കും കർഷക ഗ്രൂപ്പുകൾക്കും പ്രയാസമുണ്ടാക്കുന്നു.
ഈ പഠനത്തിൽ, പഠനത്തിൽ പങ്കെടുക്കുന്ന ഇന്തോനേഷ്യൻ കൊക്കോ ഫാമുകളിൽ നിന്നുള്ള കാലാവസ്ഥാ രേഖകൾ ആവശ്യമില്ലാത്ത ഒരു തരം മെഷീൻ ലേണിംഗ് ഗവേഷകർ ഉപയോഗിച്ചു.
പകരം, അവർ വളപ്രയോഗം, വിളവ്, ഫാം തരം എന്നിവയെക്കുറിച്ചുള്ള ഡാറ്റയെ ആശ്രയിച്ചു.അവർ ഈ ഡാറ്റ ഒരു ബയേസിയൻ ന്യൂറൽ നെറ്റ്‌വർക്കിലേക്ക് (BNN) പ്ലഗ് ചെയ്‌തു, കൂടാതെ ENSO ഘട്ടം വിളവിലെ മാറ്റത്തിന്റെ 75% പ്രവചിച്ചതായി കണ്ടെത്തി.
മറ്റൊരു വിധത്തിൽ പറഞ്ഞാൽ, പഠനത്തിൽ മിക്ക കേസുകളിലും, പസഫിക് സമുദ്രത്തിലെ സമുദ്രോപരിതല താപനില കൊക്കോ ബീൻസിന്റെ വിളവെടുപ്പ് കൃത്യമായി പ്രവചിക്കാൻ കഴിയും.ചില സന്ദർഭങ്ങളിൽ, വിളവെടുപ്പിന് 25 മാസം മുമ്പ് കൃത്യമായ പ്രവചനങ്ങൾ നടത്താൻ കഴിയും.
തുടക്കക്കാർക്ക്, ഉൽപ്പാദനത്തിൽ 50% മാറ്റം കൃത്യമായി പ്രവചിക്കാൻ കഴിയുന്ന ഒരു മോഡൽ ആഘോഷിക്കാൻ സാധാരണയായി സാധ്യമാണ്.വിള വിളവിന്റെ ഇത്തരത്തിലുള്ള ദീർഘകാല പ്രവചന കൃത്യത വിരളമാണ്.
സഖ്യത്തിന്റെ സഹ-രചയിതാവും ഓണററി ഗവേഷകനുമായ ജെയിംസ് കോക്ക് പറഞ്ഞു: “ഫെർട്ടിലൈസേഷൻ സംവിധാനങ്ങൾ പോലെയുള്ള വ്യത്യസ്ത മാനേജ്മെന്റ് രീതികൾ ഫാമിൽ സൂപ്പർഇമ്പോസ് ചെയ്യാനും ഉയർന്ന ആത്മവിശ്വാസത്തോടെ ഫലപ്രദമായ ഇടപെടലുകൾ അനുമാനിക്കാനും ഇത് ഞങ്ങളെ അനുവദിക്കുന്നു.“ഇന്റർനാഷണൽ ബയോഡൈവേഴ്‌സിറ്റി ഓർഗനൈസേഷനും സിയാറ്റും."ഇത് പ്രവർത്തന ഗവേഷണത്തിലേക്കുള്ള മൊത്തത്തിലുള്ള മാറ്റമാണ്."
റാൻഡമൈസ്ഡ് കൺട്രോൾഡ് ട്രയലുകൾ (RCTs) പൊതുവെ ഗവേഷണത്തിനുള്ള സുവർണ്ണ നിലവാരമായി കണക്കാക്കപ്പെടുന്നുണ്ടെങ്കിലും, ഈ പരീക്ഷണങ്ങൾ ചെലവേറിയതും അതിനാൽ ഉഷ്ണമേഖലാ കാർഷിക മേഖലകൾ വികസിപ്പിക്കുന്നതിൽ സാധാരണയായി അസാധ്യവുമാണെന്ന് സസ്യ ശരീരശാസ്ത്രജ്ഞനായ കോക്ക് പറഞ്ഞു.ഇവിടെ ഉപയോഗിച്ചിരിക്കുന്ന രീതി വളരെ വിലകുറഞ്ഞതാണ്, കാലാവസ്ഥാ രേഖകളുടെ വിലയേറിയ ശേഖരണം ആവശ്യമില്ല, മാറുന്ന കാലാവസ്ഥയിൽ വിളകൾ എങ്ങനെ നന്നായി കൈകാര്യം ചെയ്യാം എന്നതിനെക്കുറിച്ചുള്ള ഉപയോഗപ്രദമായ മാർഗ്ഗനിർദ്ദേശം നൽകുന്നു.
ഡാറ്റാ അനലിസ്റ്റും പഠനത്തിന്റെ പ്രധാന രചയിതാവുമായ റോസ് ചാപ്മാൻ (റോസ് ചാപ്മാൻ) പരമ്പരാഗത ഡാറ്റാ വിശകലന രീതികളേക്കാൾ മെഷീൻ ലേണിംഗ് രീതികളുടെ ചില പ്രധാന നേട്ടങ്ങൾ വിശദീകരിച്ചു.
ചാപ്മാൻ പറഞ്ഞു: “ബിഎൻഎൻ മോഡൽ സ്റ്റാൻഡേർഡ് റിഗ്രഷൻ മോഡലിൽ നിന്ന് വ്യത്യസ്തമാണ്, കാരണം അൽഗോരിതം ഇൻപുട്ട് വേരിയബിളുകൾ (സമുദ്രത്തിന്റെ ഉപരിതല താപനില, ഫാം തരം എന്നിവ പോലുള്ളവ) എടുക്കുന്നു, തുടർന്ന് മറ്റ് വേരിയബിളുകളുടെ പ്രതികരണം (വിള വിളവ് പോലുള്ളവ) തിരിച്ചറിയാൻ സ്വയമേവ 'പഠിക്കുന്നു'. ” ചാപ്മാൻ പറഞ്ഞു."പഠന പ്രക്രിയയിൽ ഉപയോഗിക്കുന്ന അടിസ്ഥാന പ്രക്രിയ, യഥാർത്ഥ ജീവിതത്തിൽ നിന്ന് വസ്തുക്കളും പാറ്റേണുകളും തിരിച്ചറിയാൻ മനുഷ്യ മസ്തിഷ്കം പഠിക്കുന്ന പ്രക്രിയയ്ക്ക് സമാനമാണ്.നേരെമറിച്ച്, കൃത്രിമമായി സൃഷ്ടിച്ച സമവാക്യങ്ങളിലൂടെ വ്യത്യസ്ത വേരിയബിളുകളുടെ മാനുവൽ മേൽനോട്ടം സ്റ്റാൻഡേർഡ് മോഡലിന് ആവശ്യമാണ്.
കാലാവസ്ഥാ വിവരങ്ങളുടെ അഭാവത്തിൽ, മെഷീൻ ലേണിംഗ് മികച്ച വിള വിളവ് പ്രവചനങ്ങളിലേക്ക് നയിച്ചേക്കാം, മെഷീൻ ലേണിംഗ് മോഡലുകൾ ശരിയായി പ്രവർത്തിക്കാൻ കഴിയുമെങ്കിൽ, ശാസ്ത്രജ്ഞർക്ക് (അല്ലെങ്കിൽ കർഷകർ തന്നെ) ചില ഉൽപ്പാദന വിവരങ്ങൾ കൃത്യമായി ശേഖരിക്കുകയും ഈ ഡാറ്റ എളുപ്പത്തിൽ ലഭ്യമാക്കുകയും ചെയ്യേണ്ടതുണ്ട്.
ഈ പഠനത്തിൽ ഇന്തോനേഷ്യൻ കൊക്കോ ഫാമിനായി, കർഷകർ ഒരു വലിയ ചോക്ലേറ്റ് കമ്പനിയുടെ മികച്ച പരിശീലന പരിശീലന പരിപാടിയുടെ ഭാഗമായി.അവർ വളപ്രയോഗം പോലുള്ള ഇൻപുട്ടുകൾ ട്രാക്കുചെയ്യുന്നു, വിശകലനത്തിനായി ഈ ഡാറ്റ സ്വതന്ത്രമായി പങ്കിടുന്നു, കൂടാതെ ഗവേഷകർക്ക് ഉപയോഗിക്കുന്നതിനായി പ്രാദേശിക ഓർഗനൈസ്ഡ് ഇന്റർനാഷണൽ പ്ലാന്റ് ന്യൂട്രീഷൻ ഇൻസ്റ്റിറ്റ്യൂട്ടിൽ (IPNI) കൃത്യമായ രേഖകൾ സൂക്ഷിക്കുന്നു.
കൂടാതെ, ശാസ്ത്രജ്ഞർ മുമ്പ് അവരുടെ ഫാമുകളെ സമാനമായ ഭൂപ്രകൃതിയും മണ്ണിന്റെ അവസ്ഥയും ഉള്ള പത്ത് സമാന ഗ്രൂപ്പുകളായി തിരിച്ചിരുന്നു.2013 മുതൽ 2018 വരെയുള്ള വിളവെടുപ്പ്, വളപ്രയോഗം, വിളവ് ഡാറ്റ എന്നിവ ഒരു മാതൃക നിർമ്മിക്കാൻ ഗവേഷകർ ഉപയോഗിച്ചു.
കൊക്കോ കർഷകർ നേടിയ അറിവ് രാസവളങ്ങളിൽ എങ്ങനെ, എപ്പോൾ നിക്ഷേപിക്കണം എന്നതിൽ അവർക്ക് ആത്മവിശ്വാസം നൽകുന്നു.പ്രതികൂല കാലാവസ്ഥയിൽ സാധാരണയായി സംഭവിക്കുന്ന നിക്ഷേപനഷ്ടങ്ങളിൽ നിന്ന് ഈ ദുർബ്ബല സംഘം നേടിയ കാർഷിക വൈദഗ്ധ്യം അവരെ സംരക്ഷിക്കും.
ഗവേഷകരുമായുള്ള അവരുടെ സഹകരണത്തിന് നന്ദി, അവരുടെ അറിവ് ഇപ്പോൾ ലോകത്തിന്റെ മറ്റ് ഭാഗങ്ങളിലുള്ള മറ്റ് വിളകളുടെ കർഷകരുമായി പങ്കിടാൻ കഴിയും.
കോർക്ക് പറഞ്ഞു: "അർപ്പണബോധമുള്ള കർഷകനായ IPNI യുടെയും ശക്തമായ കർഷക പിന്തുണ സംഘടനയായ കമ്മ്യൂണിറ്റി സൊല്യൂഷൻസ് ഇന്റർനാഷണലിന്റെയും സംയുക്ത പരിശ്രമം കൂടാതെ, ഈ ഗവേഷണം സാധ്യമല്ല."മൾട്ടി ഡിസിപ്ലിനറി സഹകരണത്തിന്റെ പ്രാധാന്യം അദ്ദേഹം ഊന്നിപ്പറയുകയും പങ്കാളികളുടെ ശ്രമങ്ങളെ സന്തുലിതമാക്കുകയും ചെയ്തു.വ്യത്യസ്ത ആവശ്യങ്ങൾ.
ശക്തമായ പ്രവചന മാതൃകകൾ കർഷകർക്കും ഗവേഷകർക്കും പ്രയോജനം ചെയ്യുമെന്നും കൂടുതൽ സഹകരണം പ്രോത്സാഹിപ്പിക്കുമെന്നും APNI യുടെ Oberthür പറഞ്ഞു.
ഒബെർട്ടൂർ പറഞ്ഞു: "നിങ്ങൾ ഒരേ സമയം ഡാറ്റ ശേഖരിക്കുന്ന ഒരു കർഷകനാണെങ്കിൽ, നിങ്ങൾ വ്യക്തമായ ഫലങ്ങൾ നേടേണ്ടതുണ്ട്.""ഈ മോഡലിന് കർഷകർക്ക് ഉപയോഗപ്രദമായ വിവരങ്ങൾ നൽകാനും ഡാറ്റാ ശേഖരണത്തിന് പ്രോത്സാഹനം നൽകാനും കഴിയും, കാരണം കർഷകർക്ക് അവരുടെ കൃഷിയിടത്തിന് നേട്ടങ്ങൾ നൽകുന്ന ഒരു സംഭാവന നൽകാൻ കഴിയുമെന്ന് മനസ്സിലാക്കും."

suzy@lstchocolatemachine.com

www.lstchocolatemachine.com