பருவகால மழை இந்தோனேசியாவில் பின்னர் வரும்போது, ​​​​விவசாயிகள் தங்கள் பயிர்களுக்கு உரங்களில் முதலீடு செய்வது மதிப்புக்குரியது அல்ல என்பதற்கான அடையாளமாக அடிக்கடி எடுத்துக்கொள்கிறார்கள்.சில நேரங்களில் அவர்கள் வருடாந்திர பயிர்களை பயிரிட வேண்டாம் என்று தேர்வு செய்கிறார்கள்.வழக்கமாக, அவர்கள் சரியான முடிவை எடுக்கிறார்கள், ஏனென்றால் மழைக்காலத்தின் தாமதமான ஆரம்பம் பொதுவாக எல் நினோ தெற்கு அலைவு (ENSO) நிலை மற்றும் வரவிருக்கும் மாதங்களில் போதுமான மழையின்மை ஆகியவற்றுடன் தொடர்புடையது.
"அறிவியல் அறிக்கைகள்" இல் வெளியிடப்பட்ட புதிய ஆராய்ச்சி, ENSO என்பது பசிபிக் பெருங்கடலில் பூமத்திய ரேகையுடன் சேர்ந்து வெப்பமயமாதல் மற்றும் குளிர்ச்சியின் வானிலை சிதைவு சுழற்சி என்றும், கோகோ மரம் அறுவடை செய்யப்படுவதற்கு இரண்டு ஆண்டுகள் வரை சக்திவாய்ந்த முன்னறிவிப்பு என்றும் காட்டுகிறது.
சிறு விவசாயிகள், விஞ்ஞானிகள் மற்றும் உலகளாவிய சாக்லேட் தொழில்துறையினருக்கு இது ஒரு நல்ல செய்தியாக இருக்கலாம்.அறுவடையின் அளவை முன்கூட்டியே கணிக்கும் திறன் பண்ணை முதலீட்டு முடிவுகளை பாதிக்கலாம், வெப்பமண்டல பயிர் ஆராய்ச்சி திட்டங்களை மேம்படுத்தலாம் மற்றும் சாக்லேட் தொழிலில் உள்ள அபாயங்கள் மற்றும் நிச்சயமற்ற தன்மைகளைக் குறைக்கலாம்.
விவசாயிகளின் பழக்கவழக்கங்கள் மற்றும் மகசூல் குறித்த கடுமையான குறுகிய கால தரவு சேகரிப்புடன் மேம்பட்ட இயந்திர கற்றலை இணைக்கும் அதே முறையை காபி மற்றும் ஆலிவ் உள்ளிட்ட பிற மழை சார்ந்த பயிர்களுக்கும் பயன்படுத்தலாம் என்று ஆராய்ச்சியாளர்கள் கூறுகின்றனர்.
மொராக்கோவில் உள்ள ஆப்பிரிக்க தாவர ஊட்டச்சத்து நிறுவனத்தின் (APNI) இணை ஆசிரியரும் வணிக மேம்பாட்டாளருமான தாமஸ் ஓபர்தர் கூறினார்: "இந்த ஆராய்ச்சியின் முக்கிய கண்டுபிடிப்பு என்னவென்றால், நீங்கள் வானிலை தரவுகளை ENSO தரவு மூலம் திறம்பட மாற்ற முடியும்."“இந்த முறையைப் பயன்படுத்தி, ENSO தொடர்பான எதையும் நீங்கள் ஆராயலாம்.உற்பத்தி உறவுகளுடன் கூடிய பயிர்கள்."
உலகின் 80% விளைநிலங்கள் நேரடி மழையை நம்பியுள்ளன (நீர்ப்பாசனத்திற்கு மாறாக), இது மொத்த உற்பத்தியில் 60% ஆகும்.இருப்பினும், இந்த பகுதிகளில் பலவற்றில், மழைப்பொழிவு தரவு அரிதாகவே உள்ளது மற்றும் மிகவும் மாறக்கூடியது, இது விஞ்ஞானிகள், கொள்கை வகுப்பாளர்கள் மற்றும் விவசாயிகள் குழுக்களுக்கு வானிலையில் ஏற்படும் மாற்றங்களுக்கு ஏற்ப கடினமாக உள்ளது.
இந்த ஆய்வில், ஆய்வில் பங்கேற்கும் இந்தோனேசிய கோகோ பண்ணைகளில் இருந்து வானிலை பதிவுகள் தேவைப்படாத ஒரு வகை இயந்திர கற்றலை ஆராய்ச்சியாளர்கள் பயன்படுத்தினர்.
மாறாக, அவர்கள் உர பயன்பாடு, மகசூல் மற்றும் பண்ணை வகை பற்றிய தரவுகளை நம்பியிருந்தனர்.அவர்கள் இந்தத் தரவை ஒரு பேய்சியன் நியூரல் நெட்வொர்க்கில் (BNN) செருகினர் மற்றும் ENSO நிலை விளைச்சலில் 75% மாற்றத்தைக் கணித்திருப்பதைக் கண்டறிந்தனர்.
வேறு வார்த்தைகளில் கூறுவதானால், ஆய்வில் பெரும்பாலான சந்தர்ப்பங்களில், பசிபிக் பெருங்கடலின் கடல் மேற்பரப்பு வெப்பநிலை கோகோ பீன்ஸ் அறுவடையை துல்லியமாக கணிக்க முடியும்.சில சந்தர்ப்பங்களில், அறுவடைக்கு 25 மாதங்களுக்கு முன்பே துல்லியமான கணிப்புகளைச் செய்ய முடியும்.
தொடக்கத்தில், உற்பத்தியில் 50% மாற்றத்தை துல்லியமாக கணிக்கக்கூடிய மாதிரியை கொண்டாடுவது வழக்கமாக சாத்தியமாகும்.பயிர் விளைச்சலின் நீண்ட கால முன்னறிவிப்பு துல்லியம் அரிதானது.
கூட்டணியின் இணை ஆசிரியரும் கெளரவ ஆராய்ச்சியாளருமான ஜேம்ஸ் காக் கூறினார்: “இது பண்ணையில் பல்வேறு மேலாண்மை நடைமுறைகளை மேற்கொள்வதற்கு அனுமதிக்கிறது, அதாவது கருத்தரித்தல் அமைப்புகள் மற்றும் அதிக நம்பிக்கையுடன் பயனுள்ள தலையீடுகளை ஊகிக்க முடியும்.“சர்வதேச பல்லுயிர் அமைப்பு மற்றும் CIAT."இது செயல்பாட்டு ஆராய்ச்சிக்கான ஒட்டுமொத்த மாற்றமாகும்."
காக், ஒரு தாவர உடலியல் நிபுணர், சீரற்ற கட்டுப்பாட்டு சோதனைகள் (RCT கள்) பொதுவாக ஆராய்ச்சிக்கான தங்கத் தரமாகக் கருதப்பட்டாலும், இந்த சோதனைகள் விலை உயர்ந்தவை, எனவே வெப்பமண்டல விவசாயப் பகுதிகளை வளர்ப்பதில் பொதுவாக சாத்தியமற்றது.இங்கு பயன்படுத்தப்படும் முறை மிகவும் மலிவானது, வானிலை பதிவுகளின் விலையுயர்ந்த சேகரிப்பு தேவையில்லை, மேலும் வானிலை மாறும் போது பயிர்களை எவ்வாறு சிறப்பாக நிர்வகிப்பது என்பதற்கான பயனுள்ள வழிகாட்டுதலை வழங்குகிறது.
தரவு ஆய்வாளரும் ஆய்வின் முதன்மை ஆசிரியருமான ரோஸ் சாப்மேன் (ராஸ் சாப்மேன்) பாரம்பரிய தரவு பகுப்பாய்வு முறைகளை விட இயந்திர கற்றல் முறைகளின் சில முக்கிய நன்மைகளை விளக்கினார்.
சாப்மேன் கூறினார்: "BNN மாதிரியானது நிலையான பின்னடைவு மாதிரியிலிருந்து வேறுபட்டது, ஏனெனில் அல்காரிதம் உள்ளீட்டு மாறிகளை (கடல் மேற்பரப்பு வெப்பநிலை மற்றும் பண்ணை வகை போன்றவை) எடுத்து, பின்னர் பிற மாறிகளின் (பயிர் விளைச்சல் போன்றவை) பதிலைத் தானாக 'கற்றுக்கொள்கிறது'. ” சாப்மேன் கூறினார்."கற்றல் செயல்பாட்டில் பயன்படுத்தப்படும் அடிப்படை செயல்முறை, உண்மையான வாழ்க்கையிலிருந்து பொருட்களையும் வடிவங்களையும் அடையாளம் காண மனித மூளை கற்றுக் கொள்ளும் செயல்முறையைப் போன்றது.மாறாக, நிலையான மாதிரிக்கு செயற்கையாக உருவாக்கப்பட்ட சமன்பாடுகள் மூலம் வெவ்வேறு மாறிகளின் கைமுறை மேற்பார்வை தேவைப்படுகிறது.
வானிலை தரவு இல்லாத நிலையில், இயந்திர கற்றல் சிறந்த பயிர் மகசூல் கணிப்புகளுக்கு வழிவகுக்கும் என்றாலும், இயந்திர கற்றல் மாதிரிகள் சரியாக வேலை செய்ய முடிந்தால், விஞ்ஞானிகள் (அல்லது விவசாயிகளே) இன்னும் சில உற்பத்தித் தகவல்களைத் துல்லியமாகச் சேகரித்து இந்தத் தரவை உடனடியாகக் கிடைக்கச் செய்ய வேண்டும்.
இந்த ஆய்வில் இந்தோனேசிய கோகோ பண்ணைக்கு, விவசாயிகள் ஒரு பெரிய சாக்லேட் நிறுவனத்திற்கான சிறந்த பயிற்சித் திட்டத்தின் ஒரு பகுதியாக மாறியுள்ளனர்.அவை உரப் பயன்பாடு போன்ற உள்ளீடுகளைக் கண்காணிக்கின்றன, பகுப்பாய்வுக்காக இந்தத் தரவை சுதந்திரமாகப் பகிர்ந்துகொள்கின்றன, மேலும் ஆராய்ச்சியாளர்கள் பயன்படுத்துவதற்காக உள்ளூர் ஒழுங்கமைக்கப்பட்ட சர்வதேச தாவர ஊட்டச்சத்து நிறுவனத்தில் (IPNI) நேர்த்தியான பதிவுகளை வைத்திருக்கின்றன.
கூடுதலாக, விஞ்ஞானிகள் முன்பு தங்கள் பண்ணைகளை ஒத்த நிலப்பரப்பு மற்றும் மண் நிலைமைகளுடன் பத்து ஒத்த குழுக்களாகப் பிரித்தனர்.ஒரு மாதிரியை உருவாக்க ஆராய்ச்சியாளர்கள் அறுவடை, உர பயன்பாடு மற்றும் 2013 முதல் 2018 வரையிலான மகசூல் தரவைப் பயன்படுத்தினர்.
கோகோ விவசாயிகள் பெற்ற அறிவு, உரங்களில் எப்படி, எப்போது முதலீடு செய்ய வேண்டும் என்பதில் அவர்களுக்கு நம்பிக்கை அளிக்கிறது.இந்த பின்தங்கிய குழுவால் பெறப்பட்ட வேளாண் திறன்கள் முதலீட்டு இழப்புகளிலிருந்து அவர்களைப் பாதுகாக்கும், இது பொதுவாக பாதகமான வானிலை நிலைமைகளின் கீழ் ஏற்படும்.
ஆராய்ச்சியாளர்களுடனான அவர்களின் ஒத்துழைப்புக்கு நன்றி, அவர்களின் அறிவை இப்போது உலகின் பிற பகுதிகளில் உள்ள மற்ற பயிர்களை வளர்ப்பவர்களுடன் பகிர்ந்து கொள்ள முடியும்.
கார்க் கூறினார்: "அர்ப்பணிப்புள்ள விவசாயி IPNI மற்றும் வலுவான விவசாயி ஆதரவு அமைப்பான Community Solutions International ஆகியவற்றின் கூட்டு முயற்சிகள் இல்லாமல், இந்த ஆராய்ச்சி சாத்தியமில்லை."பலதரப்பட்ட ஒத்துழைப்பின் முக்கியத்துவத்தை அவர் வலியுறுத்தினார் மற்றும் பங்குதாரர்களின் முயற்சிகளை சமநிலைப்படுத்தினார்.வெவ்வேறு தேவைகள்.
சக்திவாய்ந்த முன்கணிப்பு மாதிரிகள் விவசாயிகளுக்கும் ஆராய்ச்சியாளர்களுக்கும் பயனளிக்கும் மற்றும் மேலும் ஒத்துழைப்பை ஊக்குவிக்கும் என்று APNI இன் Oberthür கூறினார்.
Obertoor கூறினார்: "நீங்கள் ஒரே நேரத்தில் தரவு சேகரிக்கும் ஒரு விவசாயி என்றால், நீங்கள் உறுதியான முடிவுகளை அடைய வேண்டும்.""இந்த மாதிரியானது விவசாயிகளுக்கு பயனுள்ள தகவல்களை வழங்குவதோடு, தரவு சேகரிப்பை ஊக்குவிக்கவும் உதவும், ஏனெனில் விவசாயிகள் தங்கள் பண்ணைக்கு நன்மைகளை அளிக்கும் பங்களிப்பை வழங்குவதைப் பார்ப்பார்கள்."

suzy@lstchocolatemachine.com

www.lstchocolatemachine.com