ເມື່ອຝົນຕົກຕາມລະດູການຕໍ່ມາໃນປະເທດອິນໂດເນເຊຍ, ຊາວກະສິກອນມັກຈະຖືມັນເປັນສັນຍານວ່າມັນບໍ່ສົມຄວນທີ່ຈະລົງທຶນໃສ່ຝຸ່ນສໍາລັບພືດຂອງເຂົາເຈົ້າ.ບາງຄັ້ງເຂົາເຈົ້າເລືອກທີ່ຈະບໍ່ປູກພືດປະຈໍາປີເລີຍ.ໂດຍປົກກະຕິແລ້ວ, ພວກເຂົາຕັດສິນໃຈທີ່ຖືກຕ້ອງ, ເພາະວ່າການເລີ່ມຕົ້ນຂອງລະດູຝົນຊ້າມັກຈະກ່ຽວຂ້ອງກັບສະຖານະຂອງ El Niño Southern Oscillation (ENSO) ແລະຝົນຕົກບໍ່ພຽງພໍໃນເດືອນຂ້າງຫນ້າ.
ການຄົ້ນຄວ້າໃຫມ່ທີ່ຕີພິມໃນ "ບົດລາຍງານວິທະຍາສາດ" ສະແດງໃຫ້ເຫັນວ່າ ENSO ແມ່ນວົງຈອນການຜິດປົກກະຕິຂອງສະພາບອາກາດຂອງຄວາມອົບອຸ່ນແລະຄວາມເຢັນຕາມແຄມມະຫາສະຫມຸດປາຊີຟິກຕາມເສັ້ນເສັ້ນສູນສູດ, ແລະເປັນການຄາດຄະເນທີ່ມີປະສິດທິພາບສູງສຸດເຖິງສອງປີກ່ອນທີ່ຕົ້ນໂກໂກ້ຈະຖືກເກັບກ່ຽວ.
ນີ້ອາດຈະເປັນຂ່າວດີສໍາລັບຊາວກະສິກອນຂະຫນາດນ້ອຍ, ນັກວິທະຍາສາດແລະອຸດສາຫະກໍາຊັອກໂກແລັດທົ່ວໂລກ.ຄວາມສາມາດໃນການຄາດຄະເນຂະຫນາດຂອງການເກັບກ່ຽວລ່ວງຫນ້າອາດຈະສົ່ງຜົນກະທົບຕໍ່ການຕັດສິນໃຈລົງທຶນຂອງກະສິກໍາ, ປັບປຸງໂຄງການຄົ້ນຄ້ວາການປູກພືດເຂດຮ້ອນແລະຫຼຸດຜ່ອນຄວາມສ່ຽງແລະຄວາມບໍ່ແນ່ນອນໃນອຸດສາຫະກໍາຊັອກໂກແລັດ.
ນັກຄົ້ນຄວ້າກ່າວວ່າວິທີການດຽວກັນທີ່ປະສົມປະສານການຮຽນຮູ້ເຄື່ອງຈັກແບບພິເສດກັບການເກັບຂໍ້ມູນໄລຍະສັ້ນທີ່ເຂັ້ມງວດກ່ຽວກັບພາສີແລະຜົນຜະລິດຂອງຊາວກະສິກອນຍັງສາມາດຖືກນໍາໃຊ້ກັບພືດອື່ນໆທີ່ອີງໃສ່ຝົນ, ລວມທັງກາເຟແລະຫມາກກອກ.
Thomas Oberthür, ຜູ້ຂຽນຮ່ວມແລະຜູ້ພັດທະນາທຸລະກິດຂອງສະຖາບັນໂພຊະນາການພືດອາຟຣິກາ (APNI) ໃນ Morocco, ກ່າວວ່າ: "ນະວັດກໍາທີ່ສໍາຄັນຂອງການຄົ້ນຄວ້ານີ້ແມ່ນທ່ານສາມາດທົດແທນຂໍ້ມູນສະພາບອາກາດດ້ວຍຂໍ້ມູນ ENSO ໄດ້ຢ່າງມີປະສິດທິພາບ.""ການນໍາໃຊ້ວິທີການນີ້, ທ່ານສາມາດຄົ້ນຫາສິ່ງໃດກໍ່ຕາມທີ່ກ່ຽວຂ້ອງກັບ ENSO.ການປູກພືດທີ່ມີການພົວພັນການຜະລິດ.”
ປະມານ 80% ຂອງເນື້ອທີ່ປູກຝັງຂອງໂລກແມ່ນອາໄສຝົນໂດຍກົງ (ກົງກັນຂ້າມກັບຊົນລະປະທານ), ເຊິ່ງກວມເອົາປະມານ 60% ຂອງການຜະລິດທັງໝົດ.ແນວໃດກໍ່ຕາມ, ໃນຫຼາຍພື້ນທີ່ເຫຼົ່ານີ້, ຂໍ້ມູນປະລິມານຝົນຕົກແມ່ນກະແຈກກະຈາຍແລະມີການປ່ຽນແປງສູງ, ເຊິ່ງເຮັດໃຫ້ມັນຍາກສໍາລັບນັກວິທະຍາສາດ, ຜູ້ນະໂຍບາຍ, ແລະກຸ່ມຊາວກະສິກອນທີ່ຈະປັບຕົວກັບການປ່ຽນແປງຂອງດິນຟ້າອາກາດ.
ໃນການສຶກສານີ້, ນັກຄົ້ນຄວ້າໄດ້ນໍາໃຊ້ປະເພດຂອງການຮຽນຮູ້ເຄື່ອງຈັກທີ່ບໍ່ຈໍາເປັນຕ້ອງມີບັນທຶກສະພາບອາກາດຈາກກະສິກໍາໂກໂກ້ຂອງອິນໂດເນເຊຍທີ່ເຂົ້າຮ່ວມໃນການສຶກສາ.
ແທນທີ່ຈະ, ພວກເຂົາອີງໃສ່ຂໍ້ມູນການໃສ່ຝຸ່ນ, ຜົນຜະລິດ, ແລະປະເພດກະສິກໍາ.ພວກເຂົາເຈົ້າໄດ້ສຽບຂໍ້ມູນນີ້ເຂົ້າໄປໃນເຄືອຂ່າຍ Neural ຂອງ Bayesian (BNN) ແລະພົບວ່າຂັ້ນຕອນຂອງ ENSO ຄາດຄະເນ 75% ຂອງການປ່ຽນແປງຜົນຜະລິດ.
ໃນຄໍາສັບຕ່າງໆອື່ນໆ, ໃນກໍລະນີຫຼາຍທີ່ສຸດໃນການສຶກສາ, ອຸນຫະພູມພື້ນຜິວທະເລຂອງມະຫາສະຫມຸດປາຊີຟິກສາມາດຄາດຄະເນການເກັບກ່ຽວຂອງຫມາກຖົ່ວ cocoa ໄດ້ຢ່າງຖືກຕ້ອງ.ໃນບາງກໍລະນີ, ມັນເປັນໄປໄດ້ທີ່ຈະເຮັດການຄາດເດົາທີ່ຖືກຕ້ອງ 25 ເດືອນກ່ອນການເກັບກ່ຽວ.
ສໍາລັບການເລີ່ມຕົ້ນ, ມັນມັກຈະເປັນໄປໄດ້ທີ່ຈະສະເຫຼີມສະຫຼອງແບບຈໍາລອງທີ່ສາມາດຄາດຄະເນໄດ້ຢ່າງຖືກຕ້ອງກ່ຽວກັບການປ່ຽນແປງ 50% ໃນການຜະລິດ.ປະເພດຂອງຄວາມຖືກຕ້ອງຂອງການຄາດຄະເນໄລຍະຍາວຂອງຜົນຜະລິດພືດແມ່ນຫາຍາກ.
ຜູ້ຂຽນຮ່ວມຂອງພັນທະມິດແລະນັກຄົ້ນຄວ້າກຽດຕິຍົດ James Cock ກ່າວວ່າ: "ນີ້ອະນຸຍາດໃຫ້ພວກເຮົາປະຕິບັດການຄຸ້ມຄອງທີ່ແຕກຕ່າງກັນໃນຟາມ, ເຊັ່ນ: ລະບົບການໃສ່ປຸ໋ຍ, ແລະສະຫຼຸບການແຊກແຊງທີ່ມີປະສິດທິພາບດ້ວຍຄວາມຫມັ້ນໃຈສູງ.“ອົງການນາໆຊາດຊີວະນາໆພັນ ແລະ CIAT."ນີ້ແມ່ນການປ່ຽນແປງໂດຍລວມກັບການຄົ້ນຄວ້າການດໍາເນີນງານ."
Cock, physiologist ຂອງພືດ, ກ່າວວ່າເຖິງແມ່ນວ່າການທົດລອງຄວບຄຸມແບບສຸ່ມ (RCTs) ໂດຍທົ່ວໄປແລ້ວຖືວ່າເປັນມາດຕະຖານຄໍາສໍາລັບການຄົ້ນຄວ້າ, ການທົດລອງເຫຼົ່ານີ້ແມ່ນລາຄາແພງແລະດັ່ງນັ້ນປົກກະຕິແລ້ວເປັນໄປບໍ່ໄດ້ໃນການພັດທະນາພາກພື້ນກະສິກໍາເຂດຮ້ອນ.ວິທີການທີ່ໃຊ້ຢູ່ນີ້ແມ່ນລາຄາຖືກກວ່າຫຼາຍ, ບໍ່ຈໍາເປັນຕ້ອງເກັບບັນທຶກສະພາບອາກາດທີ່ມີລາຄາແພງ, ແລະໃຫ້ຄໍາແນະນໍາທີ່ເປັນປະໂຫຍດກ່ຽວກັບວິທີການຄຸ້ມຄອງພືດທີ່ດີກວ່າໃນສະພາບອາກາດທີ່ມີການປ່ຽນແປງ.
ນັກວິເຄາະຂໍ້ມູນແລະຜູ້ນໍາຂອງການສຶກສາ Ross Chapman (Ross Chapman) ໄດ້ອະທິບາຍບາງຂໍ້ໄດ້ປຽບທີ່ສໍາຄັນຂອງວິທີການຮຽນຮູ້ເຄື່ອງຈັກຫຼາຍກວ່າວິທີການວິເຄາະຂໍ້ມູນແບບດັ້ງເດີມ.
Chapman ກ່າວວ່າ: "ຕົວແບບ BNN ແມ່ນແຕກຕ່າງຈາກຮູບແບບການຖົດຖອຍມາດຕະຖານເພາະວ່າສູດການຄິດໄລ່ຈະເອົາຕົວແປການປ້ອນຂໍ້ມູນ (ເຊັ່ນ: ອຸນຫະພູມຫນ້າດິນທະເລແລະປະເພດກະສິກໍາ) ແລະຫຼັງຈາກນັ້ນອັດຕະໂນມັດ'ຮຽນຮູ້' ເພື່ອຮັບຮູ້ການຕອບສະຫນອງຂອງຕົວແປອື່ນໆ (ເຊັ່ນ: ຜົນຜະລິດພືດ), ” Chapman ເວົ້າ.“ຂະບວນການພື້ນຖານທີ່ໃຊ້ໃນຂະບວນການຮຽນຮູ້ແມ່ນຄືກັນກັບຂະບວນການທີ່ສະໝອງຂອງມະນຸດຮຽນຮູ້ທີ່ຈະຮັບຮູ້ວັດຖຸ ແລະຮູບແບບຕ່າງໆຈາກຊີວິດຈິງ.ໃນທາງກົງກັນຂ້າມ, ຮູບແບບມາດຕະຖານຮຽກຮ້ອງໃຫ້ມີການຊີ້ນໍາຄູ່ມືຂອງຕົວແປຕ່າງໆໂດຍຜ່ານສົມຜົນທີ່ສ້າງຂຶ້ນໂດຍປອມ.”
ເຖິງແມ່ນວ່າໃນເວລາທີ່ບໍ່ມີຂໍ້ມູນສະພາບອາກາດ, ການຮຽນຮູ້ເຄື່ອງຈັກອາດຈະເຮັດໃຫ້ການຄາດຄະເນຜົນຜະລິດຂອງພືດທີ່ດີກວ່າ, ຖ້າຮູບແບບການຮຽນຮູ້ເຄື່ອງຈັກສາມາດເຮັດວຽກໄດ້ຢ່າງຖືກຕ້ອງ, ນັກວິທະຍາສາດ (ຫຼືຊາວກະສິກອນເອງ) ຍັງຈໍາເປັນຕ້ອງເກັບກໍາຂໍ້ມູນການຜະລິດທີ່ແນ່ນອນແລະເຮັດໃຫ້ຂໍ້ມູນເຫຼົ່ານີ້ມີຄວາມພ້ອມ.
ສໍາລັບກະສິກໍາໂກໂກ້ຂອງອິນໂດເນເຊຍໃນການສຶກສານີ້, ຊາວກະສິກອນໄດ້ກາຍເປັນສ່ວນຫນຶ່ງຂອງໂຄງການການຝຶກອົບຮົມການປະຕິບັດທີ່ດີທີ່ສຸດສໍາລັບບໍລິສັດຊັອກໂກແລັດຂະຫນາດໃຫຍ່.ພວກເຂົາເຈົ້າຕິດຕາມວັດສະດຸປ້ອນເຊັ່ນ: ການໃສ່ຝຸ່ນ, ແບ່ງປັນຂໍ້ມູນນີ້ຢ່າງເສລີເພື່ອການວິເຄາະ, ແລະເກັບຮັກສາບັນທຶກທີ່ສະອາດຢູ່ໃນສະຖາບັນໂພຊະນາການພືດສາກົນ (IPNI) ທີ່ຈັດຕັ້ງທ້ອງຖິ່ນເພື່ອໃຫ້ນັກຄົ້ນຄວ້ານໍາໃຊ້.
ນອກຈາກນັ້ນ, ກ່ອນຫນ້ານີ້, ນັກວິທະຍາສາດໄດ້ແບ່ງກະສິກໍາຂອງພວກເຂົາອອກເປັນສິບກຸ່ມທີ່ມີພູມສັນຖານແລະສະພາບດິນທີ່ຄ້າຍຄືກັນ.ນັກຄົ້ນຄວ້າໄດ້ນໍາໃຊ້ການເກັບກ່ຽວ, ການໃສ່ຝຸ່ນ, ແລະຂໍ້ມູນຜົນຜະລິດຈາກ 2013 ຫາ 2018 ເພື່ອສ້າງຕົວແບບ.
ຄວາມຮູ້ທີ່ໄດ້ຮັບໂດຍຜູ້ປູກໂກໂກ້ເຮັດໃຫ້ພວກເຂົາມີຄວາມຫມັ້ນໃຈໃນວິທີການແລະເວລາທີ່ຈະລົງທຶນໃສ່ຝຸ່ນ.ທັກສະທາງດ້ານກະສິກອນທີ່ໄດ້ມາໂດຍກຸ່ມຜູ້ດ້ອຍໂອກາດນີ້ສາມາດປົກປ້ອງພວກເຂົາຈາກການສູນເສຍການລົງທຶນ, ເຊິ່ງມັກຈະເກີດຂື້ນພາຍໃຕ້ສະພາບອາກາດທີ່ບໍ່ດີ.
ຂໍຂອບໃຈກັບການຮ່ວມມືຂອງເຂົາເຈົ້າກັບນັກຄົ້ນຄວ້າ, ຄວາມຮູ້ຂອງເຂົາເຈົ້າໃນປັດຈຸບັນສາມາດໄດ້ຮັບການແບ່ງປັນໃນບາງທາງກັບຜູ້ປູກພືດອື່ນໆໃນພາກສ່ວນອື່ນໆຂອງໂລກ.
Cork ກ່າວວ່າ: "ຖ້າບໍ່ມີຄວາມພະຍາຍາມຮ່ວມກັນຂອງຊາວກະສິກອນທີ່ອຸທິດຕົນ IPNI ແລະອົງການສະຫນັບສະຫນູນຊາວກະສິກອນທີ່ເຂັ້ມແຂງ Community Solutions International, ການຄົ້ນຄວ້ານີ້ຈະບໍ່ເປັນໄປໄດ້."ທ່ານ​ເນັ້ນ​ໜັກ​ເຖິງ​ຄວາມ​ສຳຄັນ​ຂອງ​ການ​ຮ່ວມ​ມື​ຫຼາຍ​ດ້ານ ​ແລະ ດຸ່ນດ່ຽງ​ບັນດາ​ຄວາມ​ມານະ​ພະຍາຍາມ​ຂອງ​ພາກສ່ວນ​ກ່ຽວຂ້ອງ.ຄວາມຕ້ອງການທີ່ແຕກຕ່າງກັນ.
Oberthürຂອງ APNI ກ່າວວ່າຮູບແບບການຄາດເດົາທີ່ມີປະສິດທິພາບສາມາດເປັນປະໂຫຍດແກ່ຊາວກະສິກອນແລະນັກຄົ້ນຄວ້າແລະສົ່ງເສີມການຮ່ວມມືຕື່ມອີກ.
Obertoor ກ່າວວ່າ: "ຖ້າທ່ານເປັນຊາວກະສິກອນທີ່ເກັບກໍາຂໍ້ມູນໃນເວລາດຽວກັນ, ທ່ານຈໍາເປັນຕ້ອງບັນລຸຜົນໄດ້ຮັບທີ່ຊັດເຈນ.""ຕົວ​ແບບ​ນີ້​ສາມາດ​ສະໜອງ​ຂໍ້​ມູນ​ທີ່​ເປັນ​ປະ​ໂຫຍດ​ໃຫ້​ແກ່​ຊາວ​ກະສິກອນ​ແລະ​ສາມາດ​ຊ່ວຍ​ຊຸກຍູ້​ການ​ເກັບ​ກຳ​ຂໍ້​ມູນ, ​ເພາະວ່າ​ຊາວ​ກະສິກອນ​ຈະ​ເຫັນ​ວ່າ​ເຂົາ​ເຈົ້າກຳລັງ​ເຮັດ​ການ​ປະກອບສ່ວນ, ​ເຊິ່ງນຳ​ຜົນ​ປະ​ໂຫຍ​ດ​ໃຫ້​ແກ່​ກະສິກອນ​ຂອງ​ເຂົາ​ເຈົ້າ."

suzy@lstchocolatemachine.com

www.lstchocolatemachine.com