Cuando las lluvias estacionales llegan más tarde a Indonesia, los agricultores suelen tomarlo como una señal de que no vale la pena invertir en fertilizantes para sus cultivos.A veces optan por no plantar ningún cultivo anual.Por lo general, toman la decisión correcta, porque el inicio tardío de la temporada de lluvias suele estar relacionado con el estado de El Niño Oscilación del Sur (ENSO) y con precipitaciones insuficientes en los próximos meses.
La nueva investigación publicada en "Science Reports" muestra que ENOS es un ciclo de deformación climática de calentamiento y enfriamiento a lo largo del Océano Pacífico a lo largo del ecuador, y un pronóstico poderoso para hasta dos años antes de que se coseche el árbol del cacao.
Esta puede ser una buena noticia para los pequeños agricultores, los científicos y la industria mundial del chocolate.La capacidad de predecir el tamaño de la cosecha por adelantado puede afectar las decisiones de inversión agrícola, mejorar los programas de investigación de cultivos tropicales y reducir los riesgos e incertidumbres en la industria del chocolate.
Los investigadores dicen que el mismo método que combina el aprendizaje automático avanzado con una estricta recopilación de datos a corto plazo sobre las costumbres y los rendimientos de los agricultores también se puede aplicar a otros cultivos que dependen de la lluvia, como el café y las aceitunas.
Thomas Oberthür, coautor y desarrollador de negocios del Instituto Africano de Nutrición Vegetal (APNI) en Marruecos, dijo: "La innovación clave de esta investigación es que se pueden reemplazar efectivamente los datos meteorológicos con datos ENSO".“Con este método, puedes explorar cualquier cosa relacionada con ENSO.Cultivos con relaciones de producción”.
Alrededor del 80% de la tierra cultivable del mundo depende de la lluvia directa (a diferencia del riego), que representa alrededor del 60% de la producción total.Sin embargo, en muchas de estas áreas, los datos sobre precipitaciones son escasos y muy variables, lo que dificulta que los científicos, los encargados de formular políticas y los grupos de agricultores se adapten a los cambios climáticos.
En este estudio, los investigadores utilizaron un tipo de aprendizaje automático que no requiere registros meteorológicos de las plantaciones de cacao de Indonesia que participan en el estudio.
En cambio, se basaron en datos sobre la aplicación de fertilizantes, el rendimiento y el tipo de explotación.Conectaron estos datos a una red neuronal bayesiana (BNN) y descubrieron que la etapa ENSO predijo el 75% del cambio en el rendimiento.
En otras palabras, en la mayoría de los casos del estudio, la temperatura de la superficie del mar del Océano Pacífico puede predecir con precisión la cosecha de granos de cacao.En algunos casos, es posible hacer predicciones precisas 25 meses antes de la cosecha.
Para empezar, normalmente es posible celebrar un modelo que puede predecir con precisión un cambio del 50% en la producción.Este tipo de precisión en los pronósticos a largo plazo sobre el rendimiento de los cultivos es poco común.
El coautor e investigador honorario de la alianza, James Cock, dijo: “Esto nos permite superponer diferentes prácticas de gestión en la granja, como los sistemas de fertilización, e inferir intervenciones efectivas con un alto nivel de confianza.“Organización Internacional de Biodiversidad y CIAT."Este es un cambio general hacia la investigación de operaciones".
Cock, un fisiólogo vegetal, dijo que aunque los ensayos controlados aleatorios (ECA) generalmente se consideran el estándar de oro para la investigación, estos ensayos son costosos y, por lo tanto, generalmente imposibles en las regiones agrícolas tropicales en desarrollo.El método utilizado aquí es mucho más económico, no requiere una costosa recopilación de registros meteorológicos y proporciona una orientación útil sobre cómo gestionar mejor los cultivos en condiciones climáticas cambiantes.
El analista de datos y autor principal del estudio Ross Chapman (Ross Chapman) explicó algunas de las ventajas clave de los métodos de aprendizaje automático sobre los métodos tradicionales de análisis de datos.
Chapman dijo: “El modelo BNN es diferente del modelo de regresión estándar porque el algoritmo toma variables de entrada (como la temperatura de la superficie del mar y el tipo de granja) y luego 'aprende' automáticamente a reconocer la respuesta de otras variables (como el rendimiento de los cultivos). " dijo Chapman.“El proceso básico utilizado en el proceso de aprendizaje es el mismo que el proceso mediante el cual el cerebro humano aprende a reconocer objetos y patrones de la vida real.Por el contrario, el modelo estándar requiere supervisión manual de diferentes variables mediante ecuaciones generadas artificialmente”.
Aunque, en ausencia de datos meteorológicos, el aprendizaje automático puede conducir a mejores predicciones del rendimiento de los cultivos, si los modelos de aprendizaje automático pueden funcionar correctamente, los científicos (o los propios agricultores) aún necesitan recopilar con precisión cierta información de producción y hacer que estos datos estén fácilmente disponibles.
Para la finca de cacao de Indonesia en este estudio, los agricultores se han convertido en parte de un programa de capacitación en mejores prácticas para una gran empresa chocolatera.Realizan un seguimiento de insumos como la aplicación de fertilizantes, comparten libremente estos datos para su análisis y mantienen registros ordenados en el Instituto Internacional de Nutrición Vegetal (IPNI), organizado localmente, para que los utilicen los investigadores.
Además, los científicos previamente dividieron sus granjas en diez grupos similares con topografía y condiciones de suelo similares.Los investigadores utilizaron los datos de cosecha, aplicación de fertilizantes y rendimiento de 2013 a 2018 para construir un modelo.
El conocimiento adquirido por los productores de cacao les da confianza sobre cómo y cuándo invertir en fertilizantes.Las habilidades agronómicas adquiridas por este grupo desfavorecido pueden protegerlos de pérdidas de inversión, que generalmente ocurren en condiciones climáticas adversas.
Gracias a su colaboración con investigadores, sus conocimientos ahora pueden compartirse de alguna manera con productores de otros cultivos en otras partes del mundo.
Cork dijo: "Sin los esfuerzos conjuntos del dedicado IPNI de los agricultores y la sólida organización de apoyo a los agricultores Community Solutions International, esta investigación no sería posible".Destacó la importancia de la cooperación multidisciplinaria y equilibró los esfuerzos de las partes interesadas.Necesidades diferentes.
Oberthür de APNI afirmó que los potentes modelos predictivos pueden beneficiar a agricultores e investigadores y promover una mayor cooperación.
Obertoor dijo: "Si eres un agricultor que recopila datos al mismo tiempo, necesitas lograr resultados tangibles"."Este modelo puede proporcionar a los agricultores información útil y puede ayudar a incentivar la recopilación de datos, porque los agricultores verán que están haciendo una contribución que aporta beneficios a sus explotaciones".

suzy@lstchocolatemachine.com

www.lstchocolatemachine.com