El Niño dapat memprediksi biji kakao akan dipanen dua tahun lebih cepat dari jadwal

Saat hujan musiman datang belakangan di Indonesia, para petani sering menganggapnya sebagai pertanda tidak kh...

El Niño dapat memprediksi biji kakao akan dipanen dua tahun lebih cepat dari jadwal

Ketika hujan musiman datang belakangan di Indonesia, para petani sering menganggapnya sebagai pertanda bahwa tidak ada gunanya berinvestasi dalam pupuk untuk tanaman mereka.Terkadang mereka memilih untuk tidak menanam tanaman tahunan sama sekali.Biasanya mereka mengambil keputusan yang tepat, karena awal musim hujan yang terlambat biasanya terkait dengan keadaan El Nio Southern Oscillation (ENSO) dan curah hujan yang tidak mencukupi dalam beberapa bulan mendatang.
Penelitian baru yang diterbitkan dalam “Science Reports” menunjukkan bahwa ENSO adalah siklus deformasi cuaca dari pemanasan dan pendinginan di sepanjang Samudra Pasifik di sepanjang khatulistiwa, dan ramalan yang kuat hingga dua tahun sebelum pohon kakao dipanen.
Ini mungkin kabar baik bagi petani kecil, ilmuwan, dan industri cokelat global.Kemampuan untuk memprediksi ukuran panen sebelumnya dapat mempengaruhi keputusan investasi pertanian, meningkatkan program penelitian tanaman tropis dan mengurangi risiko dan ketidakpastian dalam industri cokelat.
Para peneliti mengatakan bahwa metode yang sama yang menggabungkan pembelajaran mesin canggih dengan pengumpulan data jangka pendek yang ketat tentang kebiasaan dan hasil petani juga dapat diterapkan pada tanaman lain yang bergantung pada hujan, termasuk kopi dan zaitun.
Thomas Oberthür, rekan penulis dan pengembang bisnis Institut Nutrisi Tanaman Afrika (APNI) di Maroko, mengatakan: “Inovasi utama dari penelitian ini adalah Anda dapat secara efektif mengganti data cuaca dengan data ENSO.”“Dengan metode ini, Anda bisa mengeksplorasi apa saja yang berhubungan dengan ENSO.Tanaman dengan hubungan produksi.”
Sekitar 80% dari lahan pertanian dunia bergantung pada curah hujan langsung (berlawanan dengan irigasi), yang menyumbang sekitar 60% dari total produksi.Namun, di banyak wilayah ini, data curah hujan jarang dan sangat bervariasi, yang menyulitkan para ilmuwan, pembuat kebijakan, dan kelompok tani untuk beradaptasi dengan perubahan cuaca.
Dalam penelitian ini, peneliti menggunakan jenis pembelajaran mesin yang tidak memerlukan catatan cuaca dari perkebunan kakao Indonesia yang berpartisipasi dalam penelitian.
Sebaliknya, mereka mengandalkan data tentang aplikasi pupuk, hasil, dan jenis pertanian.Mereka memasukkan data ini ke dalam Bayesian Neural Network (BNN) dan menemukan bahwa tahap ENSO memperkirakan 75% dari perubahan hasil.
Dengan kata lain, dalam kebanyakan kasus dalam penelitian ini, suhu permukaan laut Samudra Pasifik dapat secara akurat memprediksi panen biji kakao.Dalam beberapa kasus, adalah mungkin untuk membuat prediksi yang akurat 25 bulan sebelum panen.
Sebagai permulaan, biasanya mungkin untuk merayakan model yang dapat secara akurat memprediksi perubahan 50% dalam produksi.Keakuratan perkiraan hasil panen jangka panjang semacam ini jarang terjadi.
Rekan penulis aliansi dan peneliti kehormatan James Cock mengatakan: “Ini memungkinkan kami untuk menerapkan praktik manajemen yang berbeda di pertanian, seperti sistem pemupukan, dan menyimpulkan intervensi yang efektif dengan keyakinan tinggi.“Organisasi Keanekaragaman Hayati Internasional dan CIAT.“Ini adalah pergeseran keseluruhan ke riset operasi.”
Cock, seorang ahli fisiologi tanaman, mengatakan bahwa meskipun uji coba terkontrol secara acak (RCT) umumnya dianggap sebagai standar emas untuk penelitian, uji coba ini mahal dan oleh karena itu biasanya tidak mungkin dilakukan di daerah pertanian tropis yang sedang berkembang.Metode yang digunakan di sini jauh lebih murah, tidak memerlukan pengumpulan catatan cuaca yang mahal, dan memberikan panduan yang berguna tentang cara mengelola tanaman dengan lebih baik dalam perubahan cuaca.
Analis data dan penulis utama studi Ross Chapman (Ross Chapman) menjelaskan beberapa keunggulan utama metode pembelajaran mesin dibandingkan metode analisis data tradisional.
Chapman mengatakan: “Model BNN berbeda dari model regresi standar karena algoritma mengambil variabel input (seperti suhu permukaan laut dan jenis pertanian) dan kemudian secara otomatis 'belajar' untuk mengenali respons variabel lain (seperti hasil panen), ” kata Chapman.“Proses dasar yang digunakan dalam proses pembelajaran sama dengan proses otak manusia belajar mengenali objek dan pola dari kehidupan nyata.Sebaliknya, model standar memerlukan pengawasan manual dari variabel yang berbeda melalui persamaan yang dibuat secara artifisial.”
Meskipun tanpa adanya data cuaca, pembelajaran mesin dapat menghasilkan prediksi hasil panen yang lebih baik, jika model pembelajaran mesin dapat bekerja dengan baik, para ilmuwan (atau petani itu sendiri) masih perlu mengumpulkan informasi produksi tertentu secara akurat dan membuat Data ini tersedia.
Untuk perkebunan kakao Indonesia dalam penelitian ini, petani telah menjadi bagian dari program pelatihan praktik terbaik untuk sebuah perusahaan cokelat besar.Mereka melacak input seperti aplikasi pupuk, membagikan data ini secara bebas untuk dianalisis, dan menyimpan catatan rapi di Institut Nutrisi Tanaman Internasional (IPNI) yang diselenggarakan setempat untuk digunakan para peneliti.
Selain itu, para ilmuwan sebelumnya membagi pertanian mereka menjadi sepuluh kelompok serupa dengan topografi dan kondisi tanah yang serupa.Para peneliti menggunakan data panen, pemupukan, dan hasil dari tahun 2013 hingga 2018 untuk membangun sebuah model.
Pengetahuan yang diperoleh petani kakao membuat mereka percaya diri tentang bagaimana dan kapan harus berinvestasi dalam pupuk.Keterampilan agronomi yang diperoleh kelompok kurang mampu ini dapat melindungi mereka dari kerugian investasi, yang biasanya terjadi dalam kondisi cuaca buruk.
Berkat kerja sama mereka dengan para peneliti, pengetahuan mereka sekarang dapat dibagikan dengan cara tertentu kepada para penanam tanaman lain di belahan dunia lain.
Cork berkata: “Tanpa upaya bersama dari IPNI petani yang berdedikasi dan organisasi pendukung petani yang kuat, Community Solutions International, penelitian ini tidak akan mungkin terjadi.”Dia menekankan pentingnya kerjasama multidisiplin dan menyeimbangkan upaya para pemangku kepentingan.kebutuhan yang berbeda.
Oberthür dari APNI mengatakan bahwa model prediksi yang kuat dapat bermanfaat bagi petani dan peneliti serta mendorong kerja sama lebih lanjut.
Obertoor berkata: “Jika Anda adalah seorang petani yang mengumpulkan data pada saat yang sama, Anda perlu mencapai hasil yang nyata.”“Model ini dapat memberikan informasi yang berguna kepada petani dan dapat membantu mendorong pengumpulan data, karena petani akan melihat bahwa mereka melakukan Untuk memberikan kontribusi, yang membawa manfaat bagi pertanian mereka.”

suzy@lstchocolatemachine.com

www.lstchocolatemachine.com


Waktu posting: Mei-06-2021