El Niño dapat membantu memprediksi panen kakao hingga dua tahun ke depan

gambar: Seorang wanita memeriksa biji kakao yang sudah dipanen dan mengering di bawah sinar matahari di Subing, Sulawesi Selatan, Indonesia. Pemandangan Lebih

Kredit: Perawatan Kakao dan T. Oberthu? r

Ketika musim hujan tiba terlambat di Indonesia, para petani sering menganggapnya sebagai tanda bahwa tidak ada gunanya berinvestasi dalam pupuk untuk tanaman mereka. Terkadang mereka menarik diri dari menanam tanaman tahunan sama sekali. Secara umum, mereka membuat keputusan yang tepat, karena awal musim hujan yang terlambat biasanya dikaitkan dengan El Niño Southern Oscillation (ENSO) dan curah hujan yang lebih rendah di bulan-bulan mendatang.

Penelitian baru diterbitkan di Nature Laporan Ilmiah Ini menunjukkan bahwa ENSO, siklus pembentuk cuaca dari pemanasan dan pendinginan Samudra Pasifik di sepanjang khatulistiwa, merupakan indikator kuat tanaman kakao hingga dua tahun sebelum panen.

Ini mungkin kabar baik bagi petani kecil, ilmuwan, dan industri cokelat global. Kemampuan untuk memprediksi volume panen sebelumnya dapat membentuk keputusan investasi pertanian, meningkatkan program penelitian tanaman tropis, dan mengurangi risiko dan ketidakpastian dalam industri cokelat.

Para peneliti mengatakan metode yang sama – yang menggabungkan pembelajaran mesin tingkat lanjut dan mengumpulkan data jangka pendek yang ketat tentang praktik dan hasil panen petani – dapat diterapkan pada tanaman lain yang bergantung pada hujan, termasuk kopi dan zaitun.

“Inovasi utama dalam penelitian ini adalah Anda dapat secara efektif mengganti data cuaca dengan data ENSO,” kata Thomas Oberthur, rekan penulis dan pengembang bisnis di Institut Nutrisi Tanaman Afrika (APNI) di Maroko. “Setiap tanaman yang memiliki hubungan produksi dengan ENSO dapat dieksplorasi menggunakan metode ini.”

Sekitar 80 persen lahan pertanian global bergantung pada curah hujan langsung (bukan irigasi), yang menyumbang sekitar 60 persen produksi. Namun, data curah hujan jarang dan sangat bervariasi di banyak wilayah ini, sehingga menyulitkan ilmuwan, pembuat kebijakan, dan kelompok tani untuk beradaptasi dengan cuaca yang berubah-ubah.

Tidak ada data cuaca? tidak masalah

Untuk penelitiannya, peneliti menggunakan jenis pembelajaran mesin yang tidak membutuhkan pencatatan cuaca dari kebun kakao Indonesia yang berpartisipasi dalam penelitian.

Sebaliknya, mereka mengandalkan data penggunaan pupuk, tanaman dan jenis pertanian, yang terhubung ke Jaringan Syaraf Bayesian (BNN) dan menemukan bahwa tahapan ENSO memprediksi 75% dari varian hasil.

Dengan kata lain, suhu permukaan laut Samudra Pasifik secara akurat memprediksi panen kakao di sebagian besar kasus untuk pertanian dalam studi ini. Dalam beberapa kasus, prediksi yang akurat dimungkinkan 25 bulan sebelum panen.

Sebagai permulaan, model yang secara akurat dapat memprediksi 50% varians hasil biasanya patut dirayakan. Keakuratan prediksi jangka panjang dari hasil panen jarang terjadi.

“Apa yang memungkinkan kami untuk lakukan adalah menerapkan praktik pengelolaan yang berbeda – seperti rezim pemupukan – di pertanian dan menyimpulkan, dengan tingkat keyakinan yang tinggi, bahwa intervensi ini berhasil,” kata James Cook, rekan penulis dan penelitian emeritus dari Alliance . Dari Bioversity International dan CIAT. “Ini adalah perubahan paradigma lengkap menuju penelitian praktis.”

Cook, seorang ahli fisiologi tanaman, mengatakan bahwa meskipun uji coba terkontrol secara acak (RCT) umumnya dianggap sebagai standar emas dalam penelitian, harganya sangat mahal sehingga tidak mungkin dilakukan dalam pengembangan daerah pertanian tropis. Pendekatan yang digunakan di sini jauh lebih murah, tidak memerlukan serangkaian catatan cuaca yang mahal dan memberikan panduan bermanfaat tentang cara mengelola tanaman dengan lebih baik dalam kondisi cuaca yang berubah.

Ross Chapman, analis data dan penulis utama studi ini, menguraikan beberapa manfaat utama metode pembelajaran mesin dibandingkan pendekatan analisis data tradisional:

“Pemodelan BNN berbeda dari pemodelan regresi standar karena algoritme mengambil variabel masukan, seperti suhu permukaan laut dan jenis lahan pertanian, dan kemudian secara otomatis“ belajar ”untuk mengenali tanggapan dalam variabel lain, seperti hasil panen, kata Chapman. “Proses pembelajaran menggunakan proses dasar yang sama dengan yang dipelajari pikiran manusia untuk mengenali objek dan pola dari pengalaman kehidupan nyata. Sebaliknya, model standar memerlukan pengawasan manual atas berbagai variabel melalui persamaan yang dibuat oleh manusia.”

Nilai data bersama

Meskipun pembelajaran mesin mungkin menjanjikan prakiraan produksi tanaman yang lebih baik jika tidak ada data cuaca, ilmuwan – atau petani itu sendiri – masih perlu mengumpulkan informasi produksi tertentu secara akurat dan membuat data ini tersedia jika model pembelajaran mesin ingin berhasil.

Dalam kasus perkebunan kakao Indonesia yang diteliti, para petani merupakan bagian dari program pelatihan untuk perusahaan cokelat besar tentang praktik terbaik. Mereka melacak masukan seperti aplikasi pupuk, dan dengan bebas membagikan data ini untuk dianalisis, dan sebuah organisasi dengan kehadiran lokal, Institut Nutrisi Tanaman Internasional (IPNI), telah menyimpan catatan yang dipesan untuk digunakan para peneliti.

Selain itu, para ilmuwan sebelumnya membagi pertanian mereka menjadi sepuluh kelompok serupa, di mana medan dan kondisi tanahnya serupa. Para peneliti menggunakan data tanaman, aplikasi pupuk, dan tanaman dari 2013 hingga 2018 untuk membangun model mereka.

Pengetahuan yang didapat petani kakao memberi mereka keyakinan tentang bagaimana dan kapan harus berinvestasi pupuk. Keterampilan bertani yang diperoleh kelompok rentan ini melindungi mereka dari kehilangan investasi yang biasanya terjadi pada saat cuaca buruk.

Berkat kolaborasi mereka dengan para peneliti, pengetahuan mereka sekarang dapat dibagikan, dengan cara tertentu, dengan petani tanaman lain di wilayah lain di dunia.

“Penelitian ini tidak dapat dilakukan tanpa petani yang berdedikasi, IPNI dan Organisasi Dukungan Petani yang kuat, Community Solutions International, untuk menyatukan semua orang,” kata Cook, menekankan pentingnya kolaborasi antar disiplin dan menyeimbangkan kebutuhan pemangku kepentingan yang berbeda.

“Yang diinginkan para ilmuwan adalah mengetahui mengapa sesuatu terjadi,” katanya. “Para petani ingin tahu apa yang berhasil.”

Oberthur dari APNI mengatakan pemodelan prediksi yang kuat dapat menguntungkan petani dan peneliti, dan mendorong lebih banyak kolaborasi.

“Anda perlu mendapatkan hasil yang nyata jika Anda juga seorang petani yang mengumpulkan data, dan itu membutuhkan banyak usaha,” kata Oberthur. “Pemodelan ini, yang dapat memberikan informasi yang berguna kepada petani, dapat membantu merangsang pengumpulan data karena petani akan melihat bahwa mereka berkontribusi pada sesuatu yang memberi mereka manfaat di pertanian mereka.”

###

Tentang aliansi

Aliansi Internasional Bioversity dan Pusat Internasional untuk Pertanian Tropis (CIAT) memberikan solusi berbasis penelitian yang memanfaatkan keanekaragaman hayati pertanian dan transformasi sistem pangan yang secara berkelanjutan meningkatkan kehidupan masyarakat. Solusi Aliansi mengatasi krisis global kekurangan gizi, perubahan iklim, hilangnya keanekaragaman hayati, dan degradasi lingkungan.

Aliansi ini merupakan bagian dari CGIAR, kemitraan penelitian global untuk masa depan yang aman pangan.

http: // www.Vitalitas Internasional.Rusa http: // www.Kursi.cgiar.dllRusa http: // www.cgiar.dllRusa

READ  Hidup oligopoli penyiaran

Tinggalkan Balasan

Alamat email Anda tidak akan dipublikasikan.