जब इंडोनेशिया में मौसमी बारिश बाद में आती है, तो किसान अक्सर इसे एक संकेत के रूप में लेते हैं कि यह उनकी फसलों के लिए उर्वरकों में निवेश करने लायक नहीं है।कभी-कभी वे वार्षिक फसलें बिल्कुल नहीं लगाने का चुनाव करते हैं।आमतौर पर, वे सही निर्णय लेते हैं, क्योंकि बरसात के मौसम की देर से शुरुआत आमतौर पर अल नीनो दक्षिणी दोलन (ईएनएसओ) की स्थिति और आने वाले महीनों में अपर्याप्त वर्षा से संबंधित होती है।
"साइंस रिपोर्ट्स" में प्रकाशित नए शोध से पता चलता है कि ईएनएसओ भूमध्य रेखा के साथ प्रशांत महासागर के साथ वार्मिंग और कूलिंग का एक मौसम विरूपण चक्र है, और कोको के पेड़ की कटाई से पहले दो साल तक एक शक्तिशाली पूर्वानुमान है।
यह छोटे किसानों, वैज्ञानिकों और वैश्विक चॉकलेट उद्योग के लिए अच्छी खबर हो सकती है।पहले से फसल के आकार की भविष्यवाणी करने की क्षमता कृषि निवेश निर्णयों को प्रभावित कर सकती है, उष्णकटिबंधीय फसल अनुसंधान कार्यक्रमों में सुधार कर सकती है और चॉकलेट उद्योग में जोखिम और अनिश्चितताओं को कम कर सकती है।
शोधकर्ताओं का कहना है कि वही तरीका जो उन्नत मशीन लर्निंग को किसान के रीति-रिवाजों और पैदावार पर सख्त अल्पकालिक डेटा संग्रह के साथ जोड़ता है, कॉफी और जैतून सहित अन्य बारिश पर निर्भर फसलों पर भी लागू किया जा सकता है।
मोरक्को में अफ्रीकन प्लांट न्यूट्रिशन इंस्टीट्यूट (APNI) के सह-लेखक और बिजनेस डेवलपर थॉमस ओबेरथुर ने कहा: "इस शोध का प्रमुख नवाचार यह है कि आप प्रभावी रूप से मौसम डेटा को ENSO डेटा से बदल सकते हैं।"“इस पद्धति का उपयोग करके, आप ENSO से संबंधित किसी भी चीज़ का पता लगा सकते हैं।उत्पादन संबंधों के साथ फसलें। ”
विश्व की लगभग 80% कृषि योग्य भूमि प्रत्यक्ष वर्षा (सिंचाई के विपरीत) पर निर्भर करती है, जो कुल उत्पादन का लगभग 60% है।हालांकि, इनमें से कई क्षेत्रों में, वर्षा के आंकड़े विरल और अत्यधिक परिवर्तनशील हैं, जिससे वैज्ञानिकों, नीति निर्माताओं और किसान समूहों के लिए मौसम में बदलाव के अनुकूल होना मुश्किल हो जाता है।
इस अध्ययन में, शोधकर्ताओं ने एक प्रकार की मशीन लर्निंग का उपयोग किया, जिसमें अध्ययन में भाग लेने वाले इंडोनेशियाई कोको फार्मों से मौसम के रिकॉर्ड की आवश्यकता नहीं होती है।
इसके बजाय, वे उर्वरक आवेदन, उपज और खेत के प्रकार के आंकड़ों पर निर्भर थे।उन्होंने इस डेटा को बायेसियन न्यूरल नेटवर्क (बीएनएन) में प्लग किया और पाया कि ईएनएसओ चरण ने उपज में 75% परिवर्तन की भविष्यवाणी की थी।
दूसरे शब्दों में, अध्ययन में ज्यादातर मामलों में, प्रशांत महासागर के समुद्र की सतह का तापमान कोको बीन्स की फसल की सटीक भविष्यवाणी कर सकता है।कुछ मामलों में, कटाई से 25 महीने पहले सटीक भविष्यवाणी करना संभव है।
शुरुआत के लिए, आमतौर पर ऐसे मॉडल का जश्न मनाना संभव है जो उत्पादन में 50% बदलाव की सटीक भविष्यवाणी कर सके।फसल की पैदावार की इस तरह की दीर्घकालिक पूर्वानुमान सटीकता दुर्लभ है।
गठबंधन के सह-लेखक और मानद शोधकर्ता जेम्स कॉक ने कहा: "यह हमें खेत पर विभिन्न प्रबंधन प्रथाओं, जैसे कि निषेचन प्रणाली, और उच्च आत्मविश्वास के साथ प्रभावी हस्तक्षेप का अनुमान लगाने की अनुमति देता है।"अंतर्राष्ट्रीय जैव विविधता संगठन और सीआईएटी।"यह संचालन अनुसंधान के लिए एक समग्र बदलाव है।"
प्लांट फिजियोलॉजिस्ट कॉक ने कहा कि हालांकि यादृच्छिक नियंत्रित परीक्षण (आरसीटी) को आम तौर पर अनुसंधान के लिए स्वर्ण मानक माना जाता है, ये परीक्षण महंगे हैं और इसलिए उष्णकटिबंधीय कृषि क्षेत्रों को विकसित करने में आमतौर पर असंभव है।यहां उपयोग की जाने वाली विधि बहुत सस्ती है, मौसम के रिकॉर्ड के महंगे संग्रह की आवश्यकता नहीं है, और बदलते मौसम में फसलों का बेहतर प्रबंधन कैसे करें, इस पर उपयोगी मार्गदर्शन प्रदान करता है।
डेटा विश्लेषक और अध्ययन के प्रमुख लेखक रॉस चैपमैन (रॉस चैपमैन) ने पारंपरिक डेटा विश्लेषण विधियों की तुलना में मशीन सीखने के तरीकों के कुछ प्रमुख लाभों के बारे में बताया।
चैपमैन ने कहा: "बीएनएन मॉडल मानक प्रतिगमन मॉडल से अलग है क्योंकि एल्गोरिथ्म इनपुट चर (जैसे समुद्र की सतह का तापमान और खेत का प्रकार) लेता है और फिर अन्य चर (जैसे फसल उपज) की प्रतिक्रिया को पहचानने के लिए स्वचालित रूप से 'सीखता है', "चैपमैन ने कहा।"सीखने की प्रक्रिया में उपयोग की जाने वाली मूल प्रक्रिया वही प्रक्रिया है जो मानव मस्तिष्क वास्तविक जीवन से वस्तुओं और पैटर्न को पहचानना सीखता है।इसके विपरीत, मानक मॉडल को कृत्रिम रूप से उत्पन्न समीकरणों के माध्यम से विभिन्न चरों के मैनुअल पर्यवेक्षण की आवश्यकता होती है।"
हालांकि, मौसम संबंधी आंकड़ों के अभाव में, मशीन लर्निंग से बेहतर फसल उपज की भविष्यवाणी हो सकती है, अगर मशीन लर्निंग मॉडल ठीक से काम कर सकते हैं, तो वैज्ञानिकों (या खुद किसानों) को अभी भी कुछ उत्पादन जानकारी को सटीक रूप से एकत्र करने और इन डेटा को आसानी से उपलब्ध कराने की आवश्यकता है।
इस अध्ययन में इंडोनेशियाई कोको फार्म के लिए, किसान एक बड़ी चॉकलेट कंपनी के लिए सर्वोत्तम अभ्यास प्रशिक्षण कार्यक्रम का हिस्सा बन गए हैं।वे उर्वरक आवेदन जैसे इनपुट को ट्रैक करते हैं, विश्लेषण के लिए इस डेटा को स्वतंत्र रूप से साझा करते हैं, और शोधकर्ताओं के उपयोग के लिए स्थानीय संगठित अंतर्राष्ट्रीय संयंत्र पोषण संस्थान (आईपीएनआई) में साफ-सुथरा रिकॉर्ड रखते हैं।
इसके अलावा, वैज्ञानिकों ने पहले अपने खेतों को समान स्थलाकृति और मिट्टी की स्थिति वाले दस समान समूहों में विभाजित किया था।शोधकर्ताओं ने एक मॉडल बनाने के लिए 2013 से 2018 तक फसल, उर्वरक आवेदन और उपज डेटा का उपयोग किया।
कोको उत्पादकों द्वारा प्राप्त ज्ञान उन्हें उर्वरकों में कैसे और कब निवेश करना है, इस पर विश्वास दिलाता है।इस वंचित समूह द्वारा अर्जित कृषि विज्ञान कौशल उन्हें निवेश के नुकसान से बचा सकता है, जो आमतौर पर प्रतिकूल मौसम की स्थिति में होता है।
शोधकर्ताओं के साथ उनके सहयोग के लिए धन्यवाद, अब उनके ज्ञान को दुनिया के अन्य हिस्सों में अन्य फसलों के उत्पादकों के साथ साझा किया जा सकता है।
कॉर्क ने कहा: "समर्पित किसान आईपीएनआई और मजबूत किसान सहायता संगठन कम्युनिटी सॉल्यूशंस इंटरनेशनल के संयुक्त प्रयासों के बिना, यह शोध संभव नहीं होगा।"उन्होंने बहु-विषयक सहयोग के महत्व पर जोर दिया और हितधारक के प्रयासों को संतुलित किया।अलग-अलग जरूरतें।
एपीएनआई के ओबेरथुर ने कहा कि शक्तिशाली भविष्य कहनेवाला मॉडल किसानों और शोधकर्ताओं को लाभान्वित कर सकते हैं और आगे सहयोग को बढ़ावा दे सकते हैं।
ओबर्टूर ने कहा: "यदि आप एक किसान हैं जो एक ही समय में डेटा एकत्र करते हैं, तो आपको ठोस परिणाम प्राप्त करने की आवश्यकता है।""यह मॉडल किसानों को उपयोगी जानकारी प्रदान कर सकता है और डेटा संग्रह को प्रोत्साहित करने में मदद कर सकता है, क्योंकि किसान देखेंगे कि वे योगदान करने के लिए कर रहे हैं, जिससे उनके खेत को लाभ मिलता है।"

suzy@lstcholatemachine.com

www.lstcholatemachine.com