Quando as chuvas sazonais chegam mais tarde na Indonésia, os agricultores costumam considerar isso como um sinal de que não vale a pena investir em fertilizantes para suas plantações.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 (ENSO) e à insuficiência de chuvas nos próximos meses.
A nova pesquisa publicada no “Science Reports” mostra que o ENSO é um ciclo de deformação do clima de aquecimento e resfriamento ao longo do Oceano Pacífico ao longo do equador, e uma previsão poderosa de até dois anos antes da colheita do cacaueiro.
Esta pode ser uma boa notícia para pequenos agricultores, cientistas e a indústria global de chocolate.A capacidade de prever o tamanho da colheita com antecedência pode afetar as decisões de investimento agrícola, melhorar os programas de pesquisa de culturas tropicais e reduzir riscos e incertezas na indústria de chocolate.
Os pesquisadores dizem que o mesmo método que combina aprendizado de máquina avançado com coleta rigorosa de dados de curto prazo sobre os costumes e rendimentos dos agricultores também pode ser aplicado a outras culturas dependentes de chuva, incluindo café e azeitonas.
Thomas Oberthür, co-autor e desenvolvedor de negócios do Instituto Africano de Nutrição de Plantas (APNI) no Marrocos, disse: “A principal inovação desta pesquisa é que você pode substituir efetivamente dados climáticos por dados ENSO”.“Usando este método, você pode explorar qualquer coisa relacionada ao ENSO.Culturas com relações de produção.”
Cerca de 80% da terra arável do mundo depende de chuvas diretas (em oposição à irrigação), que responde por cerca de 60% da produção total.No entanto, em muitas dessas áreas, os dados de chuva são escassos e altamente variáveis, o que dificulta a adaptação de cientistas, formuladores de políticas e grupos de agricultores às mudanças no clima.
Neste estudo, os pesquisadores usaram um tipo de aprendizado de máquina que não requer registros climáticos das fazendas de cacau da Indonésia que participaram do estudo.
Em vez disso, eles se basearam em dados sobre aplicação de fertilizantes, rendimento e tipo de fazenda.Eles conectaram esses dados em 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 do Oceano Pacífico pode prever com precisão a colheita de grãos de 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.Esse tipo de precisão de previsão de longo prazo dos rendimentos das colheitas é raro.
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 de plantas, disse que, embora os ensaios clínicos randomizados (ECRs) sejam geralmente considerados o padrão-ouro para a pesquisa, esses ensaios são caros e, portanto, geralmente impossíveis em regiões agrícolas tropicais em desenvolvimento.O método usado aqui é muito mais barato, não requer coleta dispendiosa de registros climáticos e fornece orientações úteis sobre como gerenciar melhor as culturas em mudanças climáticas.
O analista de dados e principal autor do estudo Ross Chapman (Ross Chapman) explicou algumas das principais vantagens dos métodos de aprendizado de máquina sobre os métodos tradicionais de análise de dados.
Chapman disse: “O modelo BNN é diferente do modelo de regressão padrão porque o algoritmo recebe variáveis ​​de entrada (como a temperatura da superfície do mar e o tipo de fazenda) e então automaticamente 'aprende' a reconhecer a resposta de outras variáveis ​​(como o rendimento da cultura), ", disse Chapman.“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 ​​por meio de equações geradas artificialmente.”
Embora, na ausência de dados climáticos, o aprendizado de máquina possa levar a melhores previsões de rendimento de colheitas, se os modelos de aprendizado de máquina puderem funcionar corretamente, os cientistas (ou os próprios agricultores) ainda precisam coletar com precisão certas informações de produção e disponibilizar esses dados prontamente.
Para a fazenda de cacau da Indonésia neste estudo, os agricultores se tornaram parte de um programa de treinamento de melhores práticas para uma grande empresa de chocolate.Eles rastreiam insumos como a aplicação de fertilizantes, compartilham esses dados livremente 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 os dados de colheita, aplicação de fertilizantes e rendimento de 2013 a 2018 para construir um modelo.
O conhecimento adquirido pelos produtores de cacau lhes dá confiança em como e quando investir em fertilizantes.As habilidades agronômicas adquiridas por esse grupo desfavorecido podem protegê-lo de perdas de investimento, que geralmente ocorrem em condições climáticas adversas.
Graças à sua colaboração com pesquisadores, seu conhecimento agora pode ser compartilhado de alguma forma com produtores de outras culturas em outras partes do mundo.
Cork disse: “Sem os esforços conjuntos do agricultor dedicado IPNI e da forte organização de apoio ao agricultor Community Solutions International, esta pesquisa 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 mais cooperação.
Obertoor disse: “Se você é um agricultor que coleta dados ao mesmo tempo, precisa alcançar resultados tangíveis”.“Esse modelo pode fornecer aos agricultores informações úteis e pode ajudar a incentivar a coleta de dados, porque os agricultores verão que estão fazendo uma contribuição, o que traz benefícios para sua fazenda.”

suzy@lstchocolatemachine.com

www.lstchocolatemachine.com