کله چې موسمي بارانونه وروسته په اندونیزیا کې راشي، کروندګر اکثرا دا د یوې نښې په توګه اخلي چې دا د دوی د فصلونو لپاره د سرې پانګوونې ارزښت نلري.ځینې ​​​​وختونه دوی غوره کوي چې کلني فصلونه ونه کري.معمولا ، دوی سم پریکړه کوي ، ځکه چې د باران فصل ناوخته پیل معمولا د ال نینو سویلي آسیلیشن (ENSO) حالت او په راتلونکو میاشتو کې ناکافي باران پورې اړه لري.
نوې څیړنه چې په "ساینس راپورونو" کې خپره شوې ښیې چې ENSO د استوایی بحر په اوږدو کې د آرام سمندر په اوږدو کې د تودوخې او یخولو د هوا خرابوالي دوره ده، او د کوکو ونې تر ټولولو دمخه تر دوو کلونو پورې یو پیاوړی وړاندوینه ده.
دا ممکن د کوچنیو کروندګرو، ساینس پوهانو او د نړیوال چاکلیټ صنعت لپاره ښه خبر وي.مخکې له مخکې د حاصلاتو د اندازې اټکل کولو وړتیا ممکن د کرنې د پانګونې پریکړو اغیزه وکړي، د استوایی فصل څیړنې پروګرامونه ښه کړي او د چاکلیټ صنعت کې خطرونه او ناڅرګندتیا کم کړي.
څیړونکي وايي چې ورته میتود چې د کروندګرو دودونو او حاصلاتو په اړه د لنډ مهاله معلوماتو راټولولو سره د پرمختللي ماشین زده کړې سره یوځای کوي د کافي او زیتون په شمول نورو باران پورې تړلو فصلونو کې هم پلي کیدی شي.
توماس اوبرتر، په مراکش کې د افریقا د نباتاتو تغذیه انسټیټیوټ (APNI) شریک لیکوال او د سوداګرۍ پراختیا کونکی، وویل: "د دې څیړنې کلیدي نوښت دا دی چې تاسو کولی شئ په اغیزمنه توګه د هوا ډیټا د ENSO ډیټا سره بدل کړئ.""د دې میتود په کارولو سره، تاسو کولی شئ د ENSO پورې اړوند هرڅه وپلټئ.فصلونه د تولیدي اړیکو سره."
د نړۍ شاوخوا 80٪ د کرنې وړ ځمکې په مستقیم اورښت (د اوبو لګولو په مقابل کې) تکیه کوي، کوم چې د ټول تولید شاوخوا 60٪ جوړوي.په هرصورت، په ډیری دغو سیمو کې، د باران معلومات لږ او خورا متغیر دي، چې دا د ساینس پوهانو، پالیسي جوړونکو، او بزګرانو ډلو لپاره ستونزمن کوي ​​​​چې د هوا له بدلونونو سره سمون ولري.
پدې څیړنه کې، څیړونکو د ماشین زده کړې یو ډول کارولی چې د اندونیزیا د کوکو فارمونو څخه د هوا ریکارډونو ته اړتیا نلري چې په څیړنه کې برخه اخلي.
پرځای یې، دوی د سرې د استعمال، حاصلاتو، او د فارم ډول په اړه معلوماتو باندې تکیه کوله.دوی دا معلومات د Bayesian Neural Network (BNN) سره یوځای کړل او وموندله چې د ENSO مرحله په حاصل کې د 75٪ بدلون وړاندوینه کوي.
په بل عبارت، په ډیری مواردو کې په څیړنه کې، د آرام سمندر د سمندر د سطحې تودوخې کولی شي په سمه توګه د کوکو لوبیا د حاصلاتو اټکل وکړي.په ځینو حاالتو کې، دا ممکنه ده چې د حاصلاتو څخه 25 میاشتې مخکې دقیق اټکل وکړئ.
د پیل کونکو لپاره، دا معمولا ممکنه ده چې یو ماډل ولمانځل شي چې کولی شي په سمه توګه په تولید کې د 50٪ بدلون اټکل وکړي.دا ډول اوږدمهاله وړاندوینه د فصل د حاصلاتو دقت نادر دی.
د اتحاد شریک لیکوال او افتخاري څیړونکي جیمز کاک وویل: "دا موږ ته اجازه راکوي چې په فارم کې مختلف مدیریتي کړنې لکه د سرې کولو سیسټمونه ، او په لوړ باور سره مؤثره مداخلې وړاندیز کړو."د ژویو تنوع نړیوال سازمان او CIAT."دا د عملیاتو څیړنې ته یو عمومي بدلون دی."
کاک، د نبات فزیولوژیست، وویل چې که څه هم تصادفي کنټرول شوي آزموینې (RCTs) عموما د څیړنې لپاره د سرو زرو معیار ګڼل کیږي، دا آزموینې ګران دي او له همدې امله معمولا د استوایی کرنیزو سیمو پراختیا کې ناشونې ده.دلته کارول شوی میتود خورا ارزانه دی، د موسم ریکارډونو ګران راټولولو ته اړتیا نلري، او د بدلون په موسم کې د فصلونو د ښه مدیریت څرنګوالي په اړه ګټورې لارښوونې وړاندې کوي.
د ډیټا شنونکي او د مطالعې مخکښ لیکوال راس چپمن (Ross Chapman) د دودیزو معلوماتو تحلیل میتودونو په پرتله د ماشین زده کړې میتودونو ځینې مهمې ګټې تشریح کړې.
چپمن وویل: "د BNN ماډل د معیاري ریګریشن ماډل څخه توپیر لري ځکه چې الګوریتم د ان پټ تغیرات اخلي (لکه د سمندر د سطحې تودوخې او د فارم ډول) او بیا په اتوماتيک ډول د نورو متغیرونو ځواب پیژندلو لپاره زده کوي (لکه د فصل حاصل) "چپمن وویل."هغه بنسټیزه پروسه چې د زده کړې په بهیر کې کارول کیږي د هغه پروسې په څیر دی چې د انسان دماغ د حقیقي ژوند څخه د شیانو او نمونو پیژندلو لپاره زده کوي.برعکس، معیاري ماډل د مصنوعي تولید شوي مساواتو له لارې د مختلف متغیرونو لاسي څارنې ته اړتیا لري.
که څه هم د هوا د معلوماتو په نشتوالي کې، د ماشین زده کړه ممکن د فصل د حاصلاتو ښه وړاندوینې لامل شي، که چیرې د ماشین زده کړې ماډلونه په سمه توګه کار وکړي، ساینس پوهان (یا پخپله بزګران) لاهم اړتیا لري چې د تولید ځینې معلومات په سمه توګه راټول کړي او دا ډاټا په اسانۍ سره چمتو کړي.
په دې څیړنه کې د اندونیزیا د کوکو فارم لپاره، بزګران د لوی چاکلیټ شرکت لپاره د غوره تمرین روزنې پروګرام برخه ګرځیدلې.دوی آخذې تعقیبوي لکه د سرې غوښتنلیک، دا ډاټا په آزاده توګه د تحلیل لپاره شریکوي، او په محلي منظم منظم نړیوال نبات تغذیه انسټیټیوټ (IPNI) کې د څیړونکو لپاره د کارولو لپاره پاک ریکارډونه ساتي.
برسېره پردې، ساینس پوهانو مخکې خپل فارمونه په لسو ورته ګروپونو ویشلي وو چې ورته توپوګرافي او د خاورې شرایطو سره.څیړونکو د ماډل جوړولو لپاره د 2013 څخه تر 2018 پورې د حاصلاتو، سرې کارول، او د حاصلاتو ډاټا کارولې.
د کوکو کروندګرو لخوا ترلاسه شوي پوهه دوی ته ډاډ ورکوي چې څنګه او کله په سرې کې پانګونه وکړي.د دې زیانمنې ډلې لخوا ترلاسه شوي زراعتي مهارتونه کولی شي دوی د پانګې اچونې له زیانونو څخه خوندي کړي، کوم چې معمولا د ناوړه هوا شرایطو لاندې واقع کیږي.
د څیړونکو سره د دوی د همکارۍ څخه مننه، د دوی پوهه اوس د نړۍ په نورو برخو کې د نورو فصلونو کرونکو سره په یو ډول شریک کیدی شي.
کارک وویل: "د وقف شوي بزګر IPNI او د کروندګرو قوي ملاتړ سازمان د ټولنې حل نړیوال سازمان له ګډو هڅو پرته ، دا څیړنه به ممکنه نه وي."هغه د څو اړخیزو همکاریو پر اهمیت ټینګار وکړ او د ښکیلو اړخونو هڅې یې متوازنې کړې.مختلف اړتیاوې.
د APNI اوبرتور وویل چې قوي وړاندوینې ماډل کولی شي بزګرانو او څیړونکو ته ګټه ورسوي او نور همکارۍ ته وده ورکړي.
اوبرتور وویل: "که تاسو یو بزګر یاست چې په ورته وخت کې معلومات راټولوي، تاسو اړتیا لرئ د پام وړ پایلې ترلاسه کړئ.""دا ماډل کولی شي کروندګرو ته ګټور معلومات چمتو کړي او کولی شي د معلوماتو راټولولو هڅولو کې مرسته وکړي، ځکه چې بزګران به وګوري چې دوی د مرستې لپاره کار کوي، کوم چې د دوی فارم ته ګټه رسوي."

suzy@lstchocolatemachine.com

www.lstchocolatemachine.com