Mvua za msimu zinapofika baadaye nchini Indonesia, wakulima mara nyingi huichukulia kama ishara kwamba haifai kuwekeza kwenye mbolea ya mimea yao.Wakati mwingine huchagua kutopanda mazao ya kila mwaka kabisa.Kwa kawaida, wao hufanya uamuzi sahihi, kwa sababu kuchelewa kuanza kwa msimu wa mvua kwa kawaida kunahusiana na hali ya El Niño Southern Oscillation (ENSO) na uhaba wa mvua katika miezi ijayo.
Utafiti mpya uliochapishwa katika "Ripoti za Sayansi" unaonyesha kwamba ENSO ni mzunguko wa mabadiliko ya hali ya hewa wa ongezeko la joto na baridi kando ya Bahari ya Pasifiki kando ya ikweta, na utabiri wa nguvu kwa hadi miaka miwili kabla ya mti wa kakao kuvunwa.
Hii inaweza kuwa habari njema kwa wakulima wadogo, wanasayansi na sekta ya chokoleti duniani.Uwezo wa kutabiri ukubwa wa mavuno mapema unaweza kuathiri maamuzi ya uwekezaji wa shamba, kuboresha programu za utafiti wa mazao ya kitropiki na kupunguza hatari na kutokuwa na uhakika katika tasnia ya chokoleti.
Watafiti wanasema kuwa njia hiyo hiyo inayochanganya ujifunzaji wa hali ya juu wa mashine na ukusanyaji madhubuti wa data wa muda mfupi kuhusu desturi na mavuno ya wakulima pia inaweza kutumika kwa mazao mengine yanayotegemea mvua, ikiwa ni pamoja na kahawa na mizeituni.
Thomas Oberthür, mwandishi mwenza na mkuzaji biashara wa Taasisi ya Lishe ya Mimea ya Kiafrika (APNI) nchini Morocco, alisema: "Ubunifu muhimu wa utafiti huu ni kwamba unaweza kubadilisha data ya hali ya hewa kwa ufanisi na data ya ENSO.""Kwa kutumia njia hii, unaweza kuchunguza chochote kinachohusiana na ENSO.Mazao yenye uhusiano wa uzalishaji.”
Takriban 80% ya ardhi inayolimwa duniani inategemea mvua ya moja kwa moja (kinyume na umwagiliaji), ambayo inachukua takriban 60% ya jumla ya uzalishaji.Hata hivyo, katika mengi ya maeneo haya, data ya mvua ni chache na inabadilika sana, jambo ambalo hufanya iwe vigumu kwa wanasayansi, watunga sera, na vikundi vya wakulima kukabiliana na mabadiliko ya hali ya hewa.
Katika utafiti huu, watafiti walitumia aina ya kujifunza kwa mashine ambayo haihitaji rekodi za hali ya hewa kutoka kwa mashamba ya kakao ya Indonesia yanayoshiriki katika utafiti.
Badala yake, walitegemea data juu ya uwekaji mbolea, mavuno, na aina ya shamba.Walichomeka data hii kwenye Mtandao wa Neural wa Bayesian (BNN) na wakagundua kuwa hatua ya ENSO ilitabiri 75% ya mabadiliko ya mavuno.
Kwa maneno mengine, katika hali nyingi katika utafiti, joto la uso wa bahari ya Bahari ya Pasifiki linaweza kutabiri kwa usahihi mavuno ya maharagwe ya kakao.Katika baadhi ya matukio, inawezekana kufanya utabiri sahihi miezi 25 kabla ya kuvuna.
Kwa wanaoanza, kwa kawaida inawezekana kusherehekea mtindo ambao unaweza kutabiri kwa usahihi mabadiliko ya 50% katika uzalishaji.Aina hii ya usahihi wa utabiri wa muda mrefu wa mavuno ya mazao ni nadra.
Mwandishi mwenza wa muungano huo na mtafiti wa heshima James Cock alisema: “Hii inaturuhusu kusimamia mbinu tofauti za usimamizi kwenye shamba, kama vile mifumo ya urutubishaji, na kuangazia afua madhubuti kwa ujasiri wa hali ya juu."Shirika la Kimataifa la Bioanuwai na CIAT."Hii ni mabadiliko ya jumla kwa utafiti wa shughuli."
Jogoo, mwanafiziolojia ya mimea, alisema ingawa majaribio yaliyodhibitiwa bila mpangilio (RCTs) kwa ujumla huchukuliwa kuwa kiwango cha dhahabu cha utafiti, majaribio haya ni ghali na kwa hivyo kwa kawaida hayawezekani katika kuendeleza maeneo ya kilimo ya kitropiki.Njia inayotumika hapa ni ya bei nafuu zaidi, haihitaji mkusanyiko wa gharama kubwa wa rekodi za hali ya hewa, na hutoa mwongozo muhimu wa jinsi ya kusimamia vyema mazao katika mabadiliko ya hali ya hewa.
Mchanganuzi wa data na mwandishi mkuu wa utafiti Ross Chapman (Ross Chapman) alielezea baadhi ya faida kuu za mbinu za kujifunza kwa mashine dhidi ya mbinu za jadi za uchanganuzi wa data.
Chapman alisema: "Mtindo wa BNN ni tofauti na modeli ya kawaida ya urejeshaji kwa sababu kanuni huchukua vigeu vya pembejeo (kama vile joto la uso wa bahari na aina ya shamba) na kisha 'kujifunza' moja kwa moja kutambua mwitikio wa vigezo vingine (kama vile mavuno ya mazao), ” Chapman alisema."Mchakato wa kimsingi unaotumiwa katika mchakato wa kujifunza ni sawa na mchakato ambao ubongo wa mwanadamu hujifunza kutambua vitu na mifumo kutoka kwa maisha halisi.Kinyume chake, modeli ya kawaida inahitaji usimamizi wa mwongozo wa anuwai tofauti kupitia milinganyo iliyotengenezwa kwa njia isiyo ya kweli.
Ingawa kukosekana kwa data ya hali ya hewa, kujifunza kwa mashine kunaweza kusababisha ubashiri bora wa mavuno, ikiwa mifano ya kujifunza kwa mashine inaweza kufanya kazi ipasavyo, wanasayansi (au wakulima wenyewe) bado wanahitaji kukusanya kwa usahihi taarifa fulani za uzalishaji na kufanya Data hizi kupatikana kwa urahisi.
Kwa shamba la kakao la Indonesia katika utafiti huu, wakulima wamekuwa sehemu ya mpango bora wa mafunzo kwa kampuni kubwa ya chokoleti.Wanafuatilia pembejeo kama vile uwekaji mbolea, kushiriki data hii kwa uchanganuzi kwa uhuru, na kuweka rekodi safi katika Taasisi ya Kimataifa ya Lishe ya Mimea iliyoandaliwa nchini (IPNI) ili watafiti watumie.
Kwa kuongeza, wanasayansi hapo awali waligawanya mashamba yao katika vikundi kumi sawa na hali ya juu ya ardhi na udongo.Watafiti walitumia mavuno, matumizi ya mbolea, na data ya mavuno kutoka 2013 hadi 2018 kujenga mfano.
Maarifa wanayopata wakulima wa kakao huwapa imani katika jinsi na wakati wa kuwekeza kwenye mbolea.Ustadi wa kilimo unaopatikana na kundi hili la watu wasio na uwezo unaweza kuwalinda kutokana na hasara za uwekezaji, ambazo kwa kawaida hutokea chini ya hali mbaya ya hali ya hewa.
Shukrani kwa ushirikiano wao na watafiti, ujuzi wao sasa unaweza kushirikiwa kwa njia fulani na wakulima wa mazao mengine katika sehemu nyingine za dunia.
Cork alisema: "Bila ya juhudi za pamoja za mkulima aliyejitolea IPNI na shirika dhabiti la kusaidia wakulima la Community Solutions International, utafiti huu haungewezekana."Alisisitiza umuhimu wa ushirikiano wa fani mbalimbali na kusawazisha juhudi za wadau.Mahitaji tofauti.
Oberthür wa APNI alisema kuwa mifano ya ubashiri yenye nguvu inaweza kuwanufaisha wakulima na watafiti na kukuza ushirikiano zaidi.
Obertoor alisema: "Ikiwa wewe ni mkulima ambaye unakusanya data kwa wakati mmoja, unahitaji kupata matokeo yanayoonekana.""Mtindo huu unaweza kuwapa wakulima taarifa muhimu na unaweza kusaidia kuhamasisha ukusanyaji wa takwimu, kwa sababu wakulima wataona kwamba wanafanya kutoa mchango, ambao unaleta manufaa kwenye shamba lao."

suzy@lstchocolatemachine.com

www.lstchocolatemachine.com