Agricultura Colombia Fruticultura

El Niño puede ayudar a predecir las cosechas de cacao con hasta dos años de anticipación

El Ni & amp; # 241; o puede ayudar a predecir las cosechas de cacao con hasta 2 años de anticipación
Una mujer inspecciona los granos de cacao cosechados secándose al sol en Soppeng, South Sulawesi, Indonesia. Crédito: Cocoa Care y T.Oberthur

Cuando las lluvias estacionales llegan tarde a Indonesia, los agricultores a menudo lo toman como una señal de que no vale la pena invertir en fertilizantes para sus cultivos.


por la Alianza de Bioversity International y el Centro Internacional de Agricultura Tropical


A veces optan por no plantar cultivos anuales por completo. En general, están tomando la decisión correcta, ya que un comienzo tardío de la temporada de lluvias generalmente se asocia con el estado de Oscilación del Sur de El Niño (ENSO) y la escasez de lluvias en los próximos meses.

Una nueva investigación publicada en la revista de naturaleza Scientific Reports muestra que ENSO, el ciclo de calentamiento y enfriamiento del Océano Pacífico a lo largo del Ecuador que determina el clima, es un fuerte predictor de las cosechas de cacao hasta dos años antes de una cosecha.

Esta es una noticia potencialmente muy buena para los pequeños agricultores , los científicos y la industria mundial del chocolate. La capacidad de predecir el tamaño de las cosechas con mucha anticipación podría influir en las decisiones de inversión en la finca, mejorar los programas de investigación de cultivos tropicales y reducir el riesgo y la incertidumbre en la industria del chocolate.

Los investigadores dicen que los mismos métodos, que combinan el aprendizaje automático avanzado con la recopilación de datos rigurosa y a corto plazo sobre las prácticas y los rendimientos de los agricultores, pueden aplicarse a otros cultivos que dependen de la lluvia, como el café y las aceitunas.

«La innovación clave en esta investigación es que se pueden sustituir eficazmente los datos meteorológicos con datos ENSO», dijo Thomas Oberthür, coautor y desarrollador empresarial del Instituto Africano de Nutrición Vegetal (APNI) en Marruecos. «Cualquier cultivo que comparta una relación de producción con ENSO puede explorarse utilizando este método».

Aproximadamente el 80 por ciento de las tierras de cultivo mundiales depende de la lluvia directa (a diferencia del riego), lo que representa casi el 60 por ciento de la producción. Pero los datos sobre precipitaciones son escasos y muy variables en muchas de estas regiones, lo que dificulta que los científicos, los responsables políticos y los grupos de agricultores se adapten a los caprichos del clima.

¿No hay datos meteorológicos? No hay problema

Para el estudio, los investigadores utilizaron un tipo de aprendizaje automático que no requería registros meteorológicos para las granjas de cacao de Indonesia que participaron en la investigación.

Más bien, se basaron en datos sobre la aplicación de fertilizantes, los rendimientos y el tipo de granja, que conectaron a una Red Neural Bayesiana (BNN), y encontraron que las fases de ENSO predijeron el 75 por ciento de la variación en los rendimientos.

En otras palabras, la temperatura de la superficie del mar en el Pacífico predijo con precisión las cosechas de cacao en la gran mayoría de los casos de las fincas del estudio. En algunos casos, fue posible realizar predicciones precisas 25 meses antes de la cosecha.

Para los no iniciados, un modelo que puede predecir con precisión el 50 por ciento de la variación del rendimiento suele ser motivo de celebración. Y una precisión predictiva de largo alcance para el rendimiento de los cultivos es poco común.

«Lo que esto nos permite hacer es superponer diferentes prácticas de manejo, como los regímenes de fertilización, en las fincas y deducir, con un alto nivel de confianza, aquellas intervenciones que funcionan», dijo James Cock, coautor e investigador emérito de la Alianza. de Bioversity International y CIAT. «Este es un cambio de paradigma completo hacia la investigación operativa».

Cock, un fisiólogo de plantas, dijo que si bien los ensayos de control aleatorio (ECA) generalmente se consideran el estándar de oro en la investigación, estos son extremadamente costosos y, en consecuencia, a menudo imposibles de realizar en áreas agrícolas tropicales en desarrollo. El enfoque utilizado aquí tiene un costo mucho menor, no requiere una recopilación costosa de registros meteorológicos y proporciona pautas útiles sobre cómo administrar mejor los cultivos en condiciones climáticas variables.

Ross Chapman, analista de datos y autor principal del estudio, explicó algunos de los beneficios clave de los métodos de aprendizaje automático sobre los enfoques convencionales de análisis de datos:

«El modelo BNN difiere 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 las respuestas en otras variables, como el rendimiento de los cultivos», dijo Chapman. «El proceso de aprendizaje utiliza el mismo proceso fundamental que la mente humana aprende a reconocer objetos y patrones de la experiencia de la vida real. Por el contrario, los modelos estándar requieren la supervisión manual de diferentes variables a través de ecuaciones generadas por humanos».

El valor de los datos compartidos

Si bien el aprendizaje automático puede prometer mejores predicciones del rendimiento de los cultivos en ausencia de datos meteorológicos, los científicos, o los propios agricultores, aún deben recopilar con precisión cierta información de producción y tener esos datos disponibles para que los modelos de aprendizaje automático funcionen.

En el caso de las granjas de cacao de Indonesia en el estudio, los agricultores habían sido parte de un programa de capacitación sobre mejores prácticas de una importante empresa chocolatera. Hicieron un seguimiento de los insumos, como la aplicación de fertilizantes, compartieron libremente esos datos para su análisis, y una organización con presencia local, el Instituto Internacional de Nutrición Vegetal (IPNI), mantuvo registros ordenados para que los usaran los investigadores.

Además, los científicos habían dividido previamente sus granjas en diez grupos similares, donde la topografía y las condiciones del suelo eran similares. Los investigadores utilizaron datos sobre cosechas, aplicaciones de fertilizantes y rendimientos de 2013 a 2018 para construir su modelo.

El conocimiento adquirido por los productores de cacao les da confianza sobre cómo y cuándo invertir en fertilizantes. Las habilidades agronómicas que adquirió este grupo vulnerable lo protegen contra una pérdida en su inversión, que generalmente ocurre cuando el clima es adverso.

Gracias a su colaboración con los investigadores, ahora su conocimiento puede ser, de alguna manera, compartido con productores de otros cultivos en otras regiones del mundo.

«Esta investigación no podría haber ocurrido sin agricultores dedicados, IPNI y una sólida organización de apoyo a los agricultores, Community Solutions International, para unir a todos», dijo Cock, enfatizando la importancia de la colaboración multidisciplinaria y equilibrando las diferentes necesidades de las partes interesadas.

«Lo que los científicos quieren es saber por qué sucede algo», dijo. «Los agricultores quieren saber qué funciona».

Oberthür de APNI dijo que un modelo predictivo sólido podría beneficiar tanto a los agricultores como a los investigadores, y fomentar una mayor colaboración.

«Debes tener resultados tangibles si eres un agricultor que también está recopilando datos, lo cual es mucho trabajo», dijo Oberthür. «Este modelo, que puede proporcionar a los agricultores información beneficiosa, puede ayudar a incentivar la recopilación de datos, ya que los agricultores verán que están contribuyendo a algo que les brinda beneficios en sus fincas».



WP Twitter Auto Publish Powered By : XYZScripts.com