ווען סיזאַנאַל ריינז קומען שפּעטער אין ינדאָנעסיאַ, פאַרמערס אָפט נעמען עס ווי אַ צייכן אַז עס איז נישט ווערט ינוועסטינג אין פערטאַלייזערז פֿאַר זייער קראַפּס.מאל זיי קלייַבן נישט צו פאַבריק יערלעך קראַפּס בייַ אַלע.יוזשאַוואַלי, זיי מאַכן די רעכט באַשלוס, ווייַל די שפּעט אָנהייב פון די רעגנדיק צייַט איז יוזשאַוואַלי שייַכות צו די שטאַט פון די על נינאָ סאָוטהערן אָססיללאַטיאָן (ENSO) און ניט גענוגיק רעגן אין די קומענדיק חדשים.
די נייַע פאָרשונג ארויס אין "וויסנשאפטלעכע רעפּאָרץ" ווייזט אַז ENSO איז אַ וועטער דיפאָרמיישאַן ציקל פון וואָרמינג און קאָאָלינג צוזאמען די פּאַסיפיק אקעאן צוזאמען דעם עקוואַטאָר, און אַ שטאַרק פאָרויסזאָגן פֿאַר אַרויף צו צוויי יאר איידער די קאַקאַאָ בוים איז כאַרוואַסטיד.
דאָס קען זיין גוט נייַעס פֿאַר פאַרמערס, סייאַנטיס און די גלאבאלע שאָקאָלאַד אינדוסטריע.די פיייקייט צו פאָרויסזאָגן די גרייס פון די שניט אין שטייַגן קען ווירקן פאַרם ינוועסמאַנט דיסיזשאַנז, פֿאַרבעסערן טראַפּיקאַל גערעטעניש פאָרשונג מגילה און רעדוצירן ריסקס און אַנסערטאַנטיז אין די שאָקאָלאַד אינדוסטריע.
רעסעאַרטשערס זאָגן אַז דער זעלביקער אופֿן וואָס קאַמביינז אַוואַנסירטע מאַשין לערנען מיט שטרענג קורץ-טערמין דאַטן זאַמלונג אויף פּויער מינהגים און ייעלדס קענען אויך זיין געווענדט צו אנדערע רעגן-אָפענגיק קראַפּס, אַרייַנגערעכנט קאַווע און הזיתים.
Thomas Oberthür, קאָ-מחבר און געשעפט דעוועלאָפּער פון די אפריקאנער פּלאַנט נוטרישאַן אינסטיטוט (APNI) אין מאָראָקקאָ, האט געזאגט: "די שליסל כידעש פון דעם פאָרשונג איז אַז איר קענען יפעקטיוולי פאַרבייַטן וועטער דאַטן מיט ENSO דאַטן.""מיט דעם אופֿן, איר קענען ויספאָרשן עפּעס שייַכות צו ENSO.קראַפּס מיט פּראָדוקציע באַציונגען. ”
אומגעפער 80% פון די וועלט'ס אקער לאנד פארלאזט זיך אויף דירעקטע רעגן (קעגנאיגט צו יראַגיישאַן), וואָס אַקאַונץ פֿאַר וועגן 60% פון גאַנץ פּראָדוקציע.אָבער, אין פילע פון ​​די געביטן, רעגן דאַטן זענען שיטער און העכסט וועריאַבאַל, וואָס מאכט עס שווער פֿאַר סייאַנטיס, פּאַלאַסימייקערז און פּויער גרופּעס צו אַדאַפּט צו ענדערונגען אין די וועטער.
אין דעם לערנען, די ריסערטשערז געניצט אַ טיפּ פון מאַשין לערנען וואָס טוט נישט דאַרפן וועטער רעקאָרדס פון די אינדאָנעזיש קאַקאַאָ פאַרמס וואָס אָנטייל נעמען אין דעם לערנען.
אַנשטאָט, זיי רילייד אויף דאַטן וועגן פערטאַלייזער אַפּלאַקיישאַן, טראָגן און פאַרם טיפּ.זיי פּלאַגד די דאַטן אין אַ Bayesian Neural Network (BNN) און געפֿונען אַז די ENSO בינע פּרעדיקטעד 75% פון די ענדערונג אין טראָגן.
אין אנדערע ווערטער, אין רובֿ קאַסעס אין דעם לערנען, די ים ייבערפלאַך טעמפּעראַטור פון די פּאַסיפיק אקעאן קענען אַקיעראַטלי פאָרויסזאָגן די שניט פון קאַקאַאָ בינז.אין עטלעכע קאַסעס, עס איז מעגלעך צו מאַכן פּינטלעך פֿאָרויסזאָגן 25 חדשים איידער שניט.
פֿאַר סטאַרטערס, עס איז יוזשאַוואַלי מעגלעך צו פייַערן אַ מאָדעל וואָס קענען אַקיעראַטלי פאָרויסזאָגן אַ 50% ענדערונג אין פּראָדוקציע.דעם מין פון לאַנג-טערמין פאָרויסזאָגן אַקיעראַסי פון גערעטעניש ייעלדס איז זעלטן.
דער קאָ-מחבר און אַנערערי פאָרשער פון דער בונד, James Cock, האָט געזאָגט: “דאָס אַלאַוז אונדז צו יבערמאַכן פאַרשידענע פאַרוואַלטונג פּראַקטיסיז אויף די פאַרם, אַזאַ ווי פערטאַליזיישאַן סיסטעמען, און אָנפירן עפעקטיוו ינטערווענטשאַנז מיט הויך בטחון."אינטערנאַציאָנאַלע ביאָדיווערסיטי אָרגאַניזאַציע און CIAT."דאָס איז אַ קוילעלדיק יבעררוק צו אַפּעריישאַנז פאָרשונג."
Cock, אַ פאַבריק פיסיאָלאָגיסט, האט געזאגט אַז כאָטש ראַנדאַמייזד קאַנטראָולד טריאַלס (RCTs) זענען בכלל געהאלטן די גאָלד נאָרמאַל פֿאַר פאָרשונג, די טריאַלס זענען טייַער און דעריבער יוזשאַוואַלי אוממעגלעך אין דעוועלאָפּינג טראַפּיקאַל לאַנדווירטשאַפטלעך מקומות.דער אופֿן געניצט דאָ איז פיל טשיפּער, טוט נישט דאַרפן טייַער זאַמלונג פון וועטער רעקאָרדס, און גיט נוציק גיידאַנס ווי צו בעסער פירן קראַפּס אין טשאַנגינג וועטער.
דאַטאַ אַנאַליסט און הויפּט מחבר פון דער לערנען ראָסס טשאַפּמאַן (ראָס טשאַפּמאַן) דערקלערט עטלעכע פון ​​די הויפּט אַדוואַנטידזשיז פון מאַשין לערנען מעטהאָדס איבער טראדיציאנעלן דאַטן אַנאַליסיס מעטהאָדס.
טשאַפּמאַן האָט געזאָגט: "דער BNN מאָדעל איז אַנדערש פון דער נאָרמאַל ראַגרעשאַן מאָדעל ווייַל די אַלגערידאַם נעמט אַרייַנשרייַב וועריאַבאַלז (אַזאַ ווי ים ייבערפלאַך טעמפּעראַטור און פאַרם טיפּ) און דערנאָך אויטאָמאַטיש 'לערנט' צו דערקענען די ענטפער פון אנדערע וועריאַבאַלז (אַזאַ ווי גערעטעניש טראָגן), — האָט טשאַפּמאַן געזאָגט."די גרונט פּראָצעס געניצט אין דעם לערנען פּראָצעס איז די זעלבע ווי דער פּראָצעס וואָס דער מענטש מאַרך לערנט צו דערקענען אַבדזשעקץ און פּאַטערנז פון פאַקטיש לעבן.אויף די פאַרקערט, דער נאָרמאַל מאָדעל ריקווייערז מאַנואַל השגחה פון פאַרשידענע וועריאַבאַלז דורך אַרטאַפישאַלי דזשענערייטאַד יקווייזשאַנז.
כאָטש אין דער אַוועק פון וועטער דאַטן, מאַשין לערנען קען פירן צו בעסער גערעטעניש טראָגן פאָרויסזאָגן, אויב מאַשין לערנען מאָדעלס קענען אַרבעטן רעכט, סייאַנטיס (אָדער פאַרמערס זיך) נאָך דאַרפֿן צו אַקיעראַטלי קלייַבן זיכער פּראָדוקציע אינפֿאָרמאַציע און מאַכן די דאַטן גרינג בנימצא.
פֿאַר די אינדאָנעזיש קאַקאַאָ פאַרם אין דעם לערנען, פאַרמערס האָבן ווערן אַ טייל פון אַ בעסטער פּראַקטיסיז טריינינג פּראָגראַם פֿאַר אַ גרויס שאָקאָלאַד פירמע.זיי שפּור ינפּוץ אַזאַ ווי פערטאַלייזער אַפּלאַקיישאַן, פריי ייַנטיילן די דאַטן פֿאַר אַנאַליסיס און האַלטן ציכטיק רעקאָרדס אין די היגע אָרגאַניזירט אינטערנאַציאָנאַלער פּלאַנט נוטרישאַן אינסטיטוט (IPNI) פֿאַר ריסערטשערז צו נוצן.
אין דערצו, סייאַנטיס פריער צעטיילט זייער פאַרמס אין צען ענלעך גרופּעס מיט ענלעך טאַפּאַגראַפי און באָדן טנאָים.די ריסערטשערז געניצט די שניט, פערטאַלייזער אַפּלאַקיישאַן, און טראָגן דאַטן פון 2013 צו 2018 צו בויען אַ מאָדעל.
די וויסן פון קאַקאַאָ גראָוערז געבן זיי בטחון אין ווי און ווען צו ינוועסטירן אין פערטאַלייזערז.די אַגראָנאָמיק סקילז קונה דורך דעם דיסאַדוואַנטידזשד גרופּע קענען באַשיצן זיי פון ינוועסמאַנט לאָססעס, וואָס יוזשאַוואַלי פאַלן אונטער אַדווערס וועטער טנאָים.
דאַנק צו זייער מיטאַרבעט מיט ריסערטשערז, זייער וויסן קענען איצט זיין שערד אין עטלעכע וועג מיט גראָוערז פון אנדערע קראַפּס אין אנדערע טיילן פון דער וועלט.
קאָרק האָט געזאָגט: "אָן די שלאָס השתדלות פון די דעדאַקייטאַד פּויער IPNI און די שטאַרק פּויער שטיצן אָרגאַניזאַציע Community Solutions International, די פאָרשונג וואָלט נישט זיין מעגלעך."ער האט אונטערגעשטראכן די וויכטיקייט פון מולטידיסיפלינאַרי קוואַפּעריישאַן און באַלאַנסט די השתדלות פון די סטייקכאָולדערז.פאַרשידענע באדערפענישן.
Oberthür פון APNI האט געזאגט אַז שטאַרק פּרידיקטיוו מאָדעלס קענען נוץ פאַרמערס און ריסערטשערז און העכערן ווייַטער קוואַפּעריישאַן.
Obertoor האָט געזאָגט: "אויב איר זענט אַ פּויער וואָס קאַלעקץ דאַטן אין דער זעלביקער צייט, איר דאַרפֿן צו דערגרייכן מאַמאָשעסדיק רעזולטאַטן.""דער מאָדעל קענען צושטעלן פאַרמערס נוציק אינפֿאָרמאַציע און קענען העלפן ינסענטיוויזירן דאַטן זאַמלונג, ווייַל פאַרמערס וועלן זען אַז זיי טאָן צו מאַכן אַ צושטייַער, וואָס ברענגט בענעפיץ צו זייער פאַרם."

suzy@lstchocolatemachine.com

www.lstchocolatemachine.com