Quando as chuvas sazonais chegam mais tarde à Indonésia, os agricultores muitas vezes interpretam isso como um sinal de que não vale a pena investir em fertilizantes para as suas culturas.Às vezes, eles optam por não plantar culturas anuais.Normalmente, eles tomam a decisão certa, porque o início tardio da estação chuvosa geralmente está relacionado ao estado do El Niño Oscilação Sul (ENOS) e à insuficiência de chuvas nos próximos meses.
A nova investigação publicada no “Science Reports” mostra que o ENSO é um ciclo de deformação climática de aquecimento e arrefecimento ao longo do Oceano Pacífico ao longo do equador, e uma previsão poderosa para até dois anos antes da colheita do cacaueiro.
Isto pode ser uma boa notícia para os pequenos agricultores, os cientistas e a indústria global do chocolate.A capacidade de prever antecipadamente o tamanho da colheita pode afectar as decisões de investimento agrícola, melhorar os programas de investigação de culturas tropicais e reduzir os riscos e incertezas na indústria do chocolate.
Os investigadores dizem que o mesmo método que combina a aprendizagem automática avançada com uma rigorosa recolha de dados de curto prazo sobre os costumes e rendimentos dos agricultores também pode ser aplicado a outras culturas dependentes da chuva, incluindo o café e a azeitona.
Thomas Oberthür, coautor e desenvolvedor de negócios do Instituto Africano de Nutrição Vegetal (APNI) em Marrocos, disse: “A principal inovação desta pesquisa é que você pode efetivamente substituir os dados meteorológicos por dados ENSO.”“Usando este método, você pode explorar qualquer coisa relacionada ao ENSO.Culturas com relações de produção.”
Cerca de 80% das terras aráveis ​​do mundo dependem das chuvas diretas (em oposição à irrigação), o que representa cerca de 60% da produção total.No entanto, em muitas destas áreas, os dados sobre a precipitação são escassos e altamente variáveis, o que dificulta a adaptação dos cientistas, dos decisores políticos e dos grupos de agricultores às mudanças climáticas.
Neste estudo, os pesquisadores usaram um tipo de aprendizado de máquina que não exige registros meteorológicos das fazendas de cacau indonésias participantes do estudo.
Em vez disso, basearam-se em dados sobre aplicação de fertilizantes, rendimento e tipo de exploração.Eles conectaram esses dados a uma Rede Neural Bayesiana (BNN) e descobriram que o estágio ENSO previu 75% da mudança no rendimento.
Em outras palavras, na maioria dos casos do estudo, a temperatura da superfície do mar no Oceano Pacífico pode prever com precisão a colheita dos grãos do cacau.Em alguns casos, é possível fazer previsões precisas 25 meses antes da colheita.
Para começar, geralmente é possível celebrar um modelo que pode prever com precisão uma mudança de 50% na produção.Este tipo de precisão de previsão de longo prazo dos rendimentos das colheitas é rara.
O coautor e pesquisador honorário da aliança, James Cock, disse: “Isso nos permite sobrepor diferentes práticas de manejo na fazenda, como sistemas de fertilização, e inferir intervenções eficazes com alta confiança.“Organização Internacional da Biodiversidade e CIAT.“Esta é uma mudança geral para a pesquisa operacional.”
Cock, um fisiologista vegetal, disse que embora os ensaios clínicos randomizados (ECR) sejam geralmente considerados o padrão-ouro para a investigação, estes ensaios são caros e, portanto, geralmente impossíveis nas regiões agrícolas tropicais em desenvolvimento.O método aqui utilizado é muito mais barato, não requer uma recolha dispendiosa de registos meteorológicos e fornece orientações úteis sobre como gerir melhor as culturas em condições climáticas variáveis.
O analista de dados e autor principal do estudo, Ross Chapman (Ross Chapman), explicou algumas das principais vantagens dos métodos de aprendizado de máquina em relação aos métodos tradicionais de análise de dados.
Chapman disse: “O modelo BNN é diferente do modelo de regressão padrão porque o algoritmo pega variáveis ​​​​de entrada (como temperatura da superfície do mar e tipo de fazenda) e então 'aprende' automaticamente a reconhecer a resposta de outras variáveis ​​​​(como rendimento da colheita), ”Chapman disse.“O processo básico usado no processo de aprendizagem é o mesmo que o cérebro humano aprende a reconhecer objetos e padrões da vida real.Pelo contrário, o modelo padrão requer supervisão manual de diferentes variáveis ​​através de equações geradas artificialmente.”
Embora na ausência de dados meteorológicos, a aprendizagem automática possa levar a melhores previsões do rendimento das colheitas, se os modelos de aprendizagem automática puderem funcionar correctamente, os cientistas (ou os próprios agricultores) ainda precisam de recolher com precisão certas informações de produção e tornar esses dados prontamente disponíveis.
Para a fazenda de cacau da Indonésia neste estudo, os agricultores passaram a fazer parte de um programa de treinamento em melhores práticas para uma grande empresa de chocolate.Eles rastreiam insumos como a aplicação de fertilizantes, compartilham livremente esses dados para análise e mantêm registros organizados no Instituto Internacional de Nutrição de Plantas (IPNI) organizado localmente para uso dos pesquisadores.
Além disso, os cientistas dividiram anteriormente suas fazendas em dez grupos semelhantes com topografia e condições de solo semelhantes.Os pesquisadores usaram dados de colheita, aplicação de fertilizantes e rendimento de 2013 a 2018 para construir um modelo.
O conhecimento adquirido pelos produtores de cacau dá-lhes confiança sobre como e quando investir em fertilizantes.As competências agronómicas adquiridas por este grupo desfavorecido podem protegê-los de perdas de investimento, que geralmente ocorrem sob condições climáticas adversas.
Graças à sua colaboração com investigadores, o seu conhecimento pode agora ser partilhado de alguma forma com produtores de outras culturas noutras partes do mundo.
Cork disse: “Sem os esforços conjuntos do dedicado agricultor IPNI e da forte organização de apoio aos agricultores Community Solutions International, esta investigação não seria possível.”Ele enfatizou a importância da cooperação multidisciplinar e equilibrou os esforços das partes interessadas.Necessidades diferentes.
Oberthür, da APNI, disse que modelos preditivos poderosos podem beneficiar agricultores e pesquisadores e promover maior cooperação.
Obertoor disse: “Se você é um agricultor que coleta dados ao mesmo tempo, precisa alcançar resultados tangíveis”.“Este modelo pode fornecer aos agricultores informações úteis e pode ajudar a incentivar a recolha de dados, porque os agricultores verão que estão a fazer uma contribuição, o que traz benefícios para a sua exploração.”

suzy@lstchocolatemachine.com

www.lstchocolatemachine.com