જ્યારે ઇન્ડોનેશિયામાં મોસમી વરસાદ પાછળથી આવે છે, ત્યારે ખેડૂતો ઘણીવાર તેને એક સંકેત તરીકે લે છે કે તેમના પાક માટે ખાતરોમાં રોકાણ કરવું યોગ્ય નથી.કેટલીકવાર તેઓ વાર્ષિક પાકનું વાવેતર ન કરવાનું પસંદ કરે છે.સામાન્ય રીતે, તેઓ યોગ્ય નિર્ણય લે છે, કારણ કે વરસાદની મોસમની મોડી શરૂઆત સામાન્ય રીતે અલ નીનો સધર્ન ઓસિલેશન (ENSO) ની સ્થિતિ અને આવતા મહિનાઓમાં અપૂરતો વરસાદ સાથે સંબંધિત હોય છે.
"સાયન્સ રિપોર્ટ્સ" માં પ્રકાશિત થયેલ નવું સંશોધન દર્શાવે છે કે ENSO એ વિષુવવૃત્ત સાથે પેસિફિક મહાસાગરમાં ઉષ્ણતા અને ઠંડકનું હવામાન વિરૂપતા ચક્ર છે, અને કોકો વૃક્ષની લણણી થાય તે પહેલાં બે વર્ષ સુધીની એક શક્તિશાળી આગાહી છે.
નાના ખેડૂતો, વૈજ્ઞાનિકો અને વૈશ્વિક ચોકલેટ ઉદ્યોગ માટે આ સારા સમાચાર હોઈ શકે છે.અગાઉથી લણણીના કદની આગાહી કરવાની ક્ષમતા ફાર્મ રોકાણના નિર્ણયોને અસર કરી શકે છે, ઉષ્ણકટિબંધીય પાક સંશોધન કાર્યક્રમોમાં સુધારો કરી શકે છે અને ચોકલેટ ઉદ્યોગમાં જોખમો અને અનિશ્ચિતતાઓ ઘટાડી શકે છે.
સંશોધકો કહે છે કે એ જ પદ્ધતિ કે જે અદ્યતન મશીન લર્નિંગ સાથે ખેડૂતોના રિવાજો અને ઉપજ પર કડક ટૂંકા ગાળાના ડેટા સંગ્રહને જોડે છે તે કોફી અને ઓલિવ સહિતના અન્ય વરસાદ આધારિત પાક પર પણ લાગુ કરી શકાય છે.
મોરોક્કોમાં આફ્રિકન પ્લાન્ટ ન્યુટ્રિશન ઇન્સ્ટિટ્યૂટ (APNI) ના સહ-લેખક અને બિઝનેસ ડેવલપર, થોમસ ઓબર્થ્યુરે કહ્યું: "આ સંશોધનની મુખ્ય નવીનતા એ છે કે તમે અસરકારક રીતે હવામાન ડેટાને ENSO ડેટા સાથે બદલી શકો છો."“આ પદ્ધતિનો ઉપયોગ કરીને, તમે ENSO થી સંબંધિત કંઈપણ શોધી શકો છો.ઉત્પાદન સંબંધો સાથે પાક."
વિશ્વની લગભગ 80% ખેતીલાયક જમીન સીધા વરસાદ પર આધાર રાખે છે (સિંચાઈની વિરુદ્ધ), જે કુલ ઉત્પાદનમાં લગભગ 60% હિસ્સો ધરાવે છે.જો કે, આમાંના ઘણા વિસ્તારોમાં, વરસાદના આંકડા છૂટાછવાયા અને અત્યંત પરિવર્તનશીલ છે, જે વૈજ્ઞાનિકો, નીતિ નિર્માતાઓ અને ખેડૂત જૂથો માટે હવામાનમાં થતા ફેરફારોને સ્વીકારવાનું મુશ્કેલ બનાવે છે.
આ અભ્યાસમાં, સંશોધકોએ એક પ્રકારના મશીન લર્નિંગનો ઉપયોગ કર્યો હતો જેને અભ્યાસમાં ભાગ લેતા ઇન્ડોનેશિયન કોકો ફાર્મના હવામાન રેકોર્ડની જરૂર નથી.
તેના બદલે, તેઓ ખાતરની અરજી, ઉપજ અને ખેતરના પ્રકાર પરના ડેટા પર આધાર રાખતા હતા.તેઓએ આ ડેટાને બેયેસિયન ન્યુરલ નેટવર્ક (BNN) માં પ્લગ કર્યો અને જાણવા મળ્યું કે ENSO સ્ટેજમાં ઉપજમાં 75% ફેરફારની આગાહી કરવામાં આવી હતી.
બીજા શબ્દોમાં કહીએ તો, અભ્યાસમાં મોટાભાગના કિસ્સાઓમાં, પેસિફિક મહાસાગરની દરિયાઈ સપાટીનું તાપમાન કોકો બીન્સની લણણીની ચોક્કસ આગાહી કરી શકે છે.કેટલાક કિસ્સાઓમાં, લણણીના 25 મહિના પહેલા સચોટ આગાહી કરવી શક્ય છે.
શરૂઆત માટે, સામાન્ય રીતે એવા મોડેલની ઉજવણી કરવી શક્ય છે જે ઉત્પાદનમાં 50% ફેરફારની ચોક્કસ આગાહી કરી શકે.પાકની ઉપજની આ પ્રકારની લાંબા ગાળાની આગાહીની ચોકસાઈ દુર્લભ છે.
એલાયન્સના સહ-લેખક અને માનદ સંશોધક જેમ્સ કોકે કહ્યું: “આ અમને ફાર્મ પર વિવિધ વ્યવસ્થાપન પ્રથાઓ, જેમ કે ફર્ટિલાઇઝેશન સિસ્ટમ્સ, અને ઉચ્ચ આત્મવિશ્વાસ સાથે અસરકારક હસ્તક્ષેપનો અનુમાન કરવા માટે પરવાનગી આપે છે.“આંતરરાષ્ટ્રીય જૈવવિવિધતા સંસ્થા અને CIAT."આ ઓપરેશન સંશોધનમાં એકંદરે પાળી છે."
કોક, પ્લાન્ટ ફિઝિયોલોજિસ્ટ, જણાવ્યું હતું કે જો કે રેન્ડમાઇઝ્ડ કન્ટ્રોલ્ડ ટ્રાયલ્સ (RCTs) સામાન્ય રીતે સંશોધન માટે ગોલ્ડ સ્ટાન્ડર્ડ ગણવામાં આવે છે, આ ટ્રાયલ્સ ખર્ચાળ છે અને તેથી ઉષ્ણકટિબંધીય કૃષિ પ્રદેશો વિકસાવવામાં સામાન્ય રીતે અશક્ય છે.અહીં વપરાતી પદ્ધતિ ઘણી સસ્તી છે, હવામાન રેકોર્ડના ખર્ચાળ સંગ્રહની જરૂર નથી, અને બદલાતા હવામાનમાં પાકનું વધુ સારી રીતે સંચાલન કેવી રીતે કરવું તે અંગે ઉપયોગી માર્ગદર્શન પૂરું પાડે છે.
ડેટા વિશ્લેષક અને અભ્યાસના મુખ્ય લેખક રોસ ચેપમેન (રોસ ચેપમેન) એ પરંપરાગત ડેટા વિશ્લેષણ પદ્ધતિઓ કરતાં મશીન શિક્ષણ પદ્ધતિઓના કેટલાક મુખ્ય ફાયદાઓ સમજાવ્યા.
ચેપમેને કહ્યું: “BNN મોડલ સ્ટાન્ડર્ડ રીગ્રેશન મોડલથી અલગ છે કારણ કે અલ્ગોરિધમ ઇનપુટ વેરિયેબલ્સ (જેમ કે દરિયાની સપાટીનું તાપમાન અને ખેતરનો પ્રકાર) લે છે અને પછી અન્ય ચલો (જેમ કે પાકની ઉપજ) ના પ્રતિભાવને ઓળખવા માટે આપમેળે' શીખે છે. " ચેપમેને કહ્યું."શિક્ષણ પ્રક્રિયામાં ઉપયોગમાં લેવાતી મૂળભૂત પ્રક્રિયા એ પ્રક્રિયા જેવી જ છે જે માનવ મગજ વાસ્તવિક જીવનમાંથી વસ્તુઓ અને પેટર્નને ઓળખવાનું શીખે છે.તેનાથી વિપરિત, સ્ટાન્ડર્ડ મોડલને કૃત્રિમ રીતે બનાવેલા સમીકરણો દ્વારા વિવિધ ચલોની મેન્યુઅલ દેખરેખની જરૂર છે.
જો કે હવામાનના ડેટાની ગેરહાજરીમાં, મશીન લર્નિંગ વધુ સારી પાકની ઉપજની આગાહીઓ તરફ દોરી શકે છે, જો મશીન લર્નિંગ મોડલ યોગ્ય રીતે કાર્ય કરી શકે છે, તો વૈજ્ઞાનિકોએ (અથવા ખેડૂતો પોતે) હજુ પણ ચોક્કસ ઉત્પાદન માહિતી એકત્રિત કરવાની અને આ ડેટાને સરળતાથી ઉપલબ્ધ કરાવવાની જરૂર છે.
આ અભ્યાસમાં ઇન્ડોનેશિયન કોકો ફાર્મ માટે, ખેડૂતો મોટી ચોકલેટ કંપની માટે શ્રેષ્ઠ અભ્યાસ તાલીમ કાર્યક્રમનો ભાગ બન્યા છે.તેઓ ખાતરની અરજી જેવા ઇનપુટ્સને ટ્રૅક કરે છે, વિશ્લેષણ માટે આ ડેટાને મુક્તપણે શેર કરે છે, અને સંશોધકોનો ઉપયોગ કરવા માટે સ્થાનિક સંગઠિત ઇન્ટરનેશનલ પ્લાન્ટ ન્યુટ્રિશન ઇન્સ્ટિટ્યૂટ (IPNI) ખાતે સુઘડ રેકોર્ડ રાખે છે.
વધુમાં, વૈજ્ઞાનિકોએ અગાઉ તેમના ખેતરોને સમાન ટોપોગ્રાફી અને જમીનની સ્થિતિ સાથે દસ સમાન જૂથોમાં વિભાજિત કર્યા હતા.સંશોધકોએ મૉડલ બનાવવા માટે 2013 થી 2018 સુધી લણણી, ખાતરનો ઉપયોગ અને ઉપજના ડેટાનો ઉપયોગ કર્યો હતો.
કોકો ઉત્પાદકો દ્વારા મેળવેલ જ્ઞાન તેમને ખાતરમાં કેવી રીતે અને ક્યારે રોકાણ કરવું તેનો વિશ્વાસ આપે છે.આ વંચિત જૂથ દ્વારા મેળવેલી કૃષિ વિજ્ઞાન કુશળતા તેમને રોકાણના નુકસાનથી બચાવી શકે છે, જે સામાન્ય રીતે પ્રતિકૂળ હવામાન પરિસ્થિતિઓમાં થાય છે.
સંશોધકો સાથેના તેમના સહયોગ બદલ આભાર, તેમનું જ્ઞાન હવે વિશ્વના અન્ય ભાગોમાં અન્ય પાકના ઉગાડનારાઓ સાથે અમુક રીતે શેર કરી શકાય છે.
કૉર્કે કહ્યું: "સમર્પિત ખેડૂત IPNI અને મજબૂત ખેડૂત સહાયક સંસ્થા કોમ્યુનિટી સોલ્યુશન્સ ઇન્ટરનેશનલના સંયુક્ત પ્રયાસો વિના, આ સંશોધન શક્ય બનશે નહીં."તેમણે મલ્ટિડિસિપ્લિનરી સહકારના મહત્વ પર ભાર મૂક્યો અને હિસ્સેદારોના પ્રયાસોને સંતુલિત કર્યા.વિવિધ જરૂરિયાતો.
APNI ના ઓબર્થ્યુરે જણાવ્યું હતું કે શક્તિશાળી અનુમાનિત મોડલ ખેડૂતો અને સંશોધકોને લાભ આપી શકે છે અને વધુ સહકારને પ્રોત્સાહન આપી શકે છે.
ઓબર્ટૂરે કહ્યું: "જો તમે એક ખેડૂત છો જે એક જ સમયે ડેટા એકત્રિત કરે છે, તો તમારે મૂર્ત પરિણામો પ્રાપ્ત કરવાની જરૂર છે.""આ મોડલ ખેડૂતોને ઉપયોગી માહિતી પ્રદાન કરી શકે છે અને ડેટા સંગ્રહને પ્રોત્સાહિત કરવામાં મદદ કરી શકે છે, કારણ કે ખેડૂતો જોશે કે તેઓ યોગદાન આપવા માટે કરી રહ્યા છે, જેનાથી તેમના ખેતરમાં લાભ થાય છે."

suzy@lstchocolatemachine.com

www.lstchocolatemachine.com