ইন্দোনেশিয়ায় যখন মৌসুমী বৃষ্টিপাত আসে, তখন কৃষকরা প্রায়শই এটিকে তাদের ফসলের জন্য সারের বিনিয়োগের মূল্য নয় এমন একটি চিহ্ন হিসাবে নেয়।কখনও কখনও তারা বার্ষিক ফসল রোপণ না করা পছন্দ করে।সাধারণত, তারা সঠিক সিদ্ধান্ত নেয়, কারণ বর্ষার দেরীতে শুরু হওয়া সাধারণত এল নিনো সাউদার্ন অসিলেশন (ENSO) এবং আগামী মাসে অপর্যাপ্ত বৃষ্টিপাতের সাথে সম্পর্কিত।
"সায়েন্স রিপোর্টস"-এ প্রকাশিত নতুন গবেষণা দেখায় যে ENSO হল বিষুবরেখা বরাবর প্রশান্ত মহাসাগরের উষ্ণতা এবং শীতল হওয়ার একটি আবহাওয়ার বিকৃতি চক্র এবং কোকো গাছ কাটার আগে দুই বছর পর্যন্ত একটি শক্তিশালী পূর্বাভাস।
এটি ক্ষুদ্র কৃষক, বিজ্ঞানী এবং বিশ্বব্যাপী চকোলেট শিল্পের জন্য সুসংবাদ হতে পারে।আগাম ফসলের আকার ভবিষ্যদ্বাণী করার ক্ষমতা খামার বিনিয়োগ সিদ্ধান্তকে প্রভাবিত করতে পারে, গ্রীষ্মমন্ডলীয় শস্য গবেষণা কার্যক্রম উন্নত করতে পারে এবং চকোলেট শিল্পে ঝুঁকি ও অনিশ্চয়তা কমাতে পারে।
গবেষকরা বলছেন যে একই পদ্ধতি যা কৃষকের কাস্টমস এবং ফলনের উপর কঠোর স্বল্পমেয়াদী ডেটা সংগ্রহের সাথে উন্নত মেশিন লার্নিংকে একত্রিত করে তা কফি এবং জলপাই সহ অন্যান্য বৃষ্টি-নির্ভর ফসলগুলিতেও প্রয়োগ করা যেতে পারে।
মরক্কোর আফ্রিকান প্ল্যান্ট নিউট্রিশন ইনস্টিটিউট (এপিএনআই) এর সহ-লেখক এবং ব্যবসায়িক বিকাশকারী টমাস ওবার্থার বলেছেন: "এই গবেষণার মূল উদ্ভাবন হল আপনি কার্যকরভাবে ENSO ডেটা দিয়ে আবহাওয়ার ডেটা প্রতিস্থাপন করতে পারেন।"“এই পদ্ধতি ব্যবহার করে, আপনি ENSO-এর সাথে সম্পর্কিত যেকোন কিছু অন্বেষণ করতে পারেন।উৎপাদন সম্পর্কের সাথে ফসল।"
বিশ্বের আবাদযোগ্য জমির প্রায় ৮০% সরাসরি বৃষ্টিপাতের উপর নির্ভর করে (সেচের বিপরীতে), যা মোট উৎপাদনের প্রায় ৬০%।যাইহোক, এই অঞ্চলগুলির অনেকগুলিতে, বৃষ্টিপাতের তথ্য বিক্ষিপ্ত এবং অত্যন্ত পরিবর্তনশীল, যা বিজ্ঞানী, নীতিনির্ধারক এবং কৃষক গোষ্ঠীর জন্য আবহাওয়ার পরিবর্তনের সাথে খাপ খাইয়ে নেওয়া কঠিন করে তোলে।
এই গবেষণায়, গবেষকরা এমন এক ধরনের মেশিন লার্নিং ব্যবহার করেছেন যা গবেষণায় অংশগ্রহণকারী ইন্দোনেশিয়ান কোকো খামার থেকে আবহাওয়ার রেকর্ডের প্রয়োজন হয় না।
পরিবর্তে, তারা সার প্রয়োগ, ফলন এবং খামারের প্রকারের ডেটার উপর নির্ভর করেছিল।তারা একটি Bayesian নিউরাল নেটওয়ার্কে (BNN) এই ডেটা প্লাগ করেছে এবং দেখতে পেয়েছে যে ENSO পর্যায় ফলনের 75% পরিবর্তনের পূর্বাভাস দিয়েছে।
অন্য কথায়, গবেষণায় বেশিরভাগ ক্ষেত্রেই, প্রশান্ত মহাসাগরের সমুদ্র পৃষ্ঠের তাপমাত্রা সঠিকভাবে কোকো মটরশুটির ফসলের পূর্বাভাস দিতে পারে।কিছু ক্ষেত্রে, ফসল কাটার 25 মাস আগে সঠিক ভবিষ্যদ্বাণী করা সম্ভব।
প্রারম্ভিকদের জন্য, সাধারণত এমন একটি মডেল উদযাপন করা সম্ভব যা সঠিকভাবে উৎপাদনে 50% পরিবর্তনের পূর্বাভাস দিতে পারে।ফসলের ফলনের এই ধরনের দীর্ঘমেয়াদী পূর্বাভাস নির্ভুলতা বিরল।
জোটের সহ-লেখক এবং সম্মানিত গবেষক জেমস কক বলেছেন: “এটি আমাদের খামারে বিভিন্ন ব্যবস্থাপনা অনুশীলন যেমন ফার্টিলাইজেশন সিস্টেম, এবং উচ্চ আত্মবিশ্বাসের সাথে কার্যকর হস্তক্ষেপ অনুমান করার অনুমতি দেয়।“আন্তর্জাতিক জীববৈচিত্র্য সংস্থা এবং সিআইএটি।"এটি অপারেশন গবেষণার একটি সামগ্রিক পরিবর্তন।"
কক, একজন উদ্ভিদ শারীরবৃত্তীয়, বলেন যে যদিও র্যান্ডমাইজড নিয়ন্ত্রিত ট্রায়ালগুলি (RCTs) সাধারণত গবেষণার জন্য সোনার মান হিসাবে বিবেচিত হয়, এই ট্রায়ালগুলি ব্যয়বহুল এবং তাই গ্রীষ্মমন্ডলীয় কৃষি অঞ্চলের উন্নয়নে সাধারণত অসম্ভব।এখানে ব্যবহৃত পদ্ধতিটি অনেক সস্তা, আবহাওয়ার রেকর্ডগুলির ব্যয়বহুল সংগ্রহের প্রয়োজন হয় না এবং পরিবর্তনশীল আবহাওয়ায় কীভাবে ফসলগুলি আরও ভালভাবে পরিচালনা করা যায় সে সম্পর্কে দরকারী নির্দেশিকা প্রদান করে।
ডেটা বিশ্লেষক এবং গবেষণার প্রধান লেখক রস চ্যাপম্যান (রস চ্যাপম্যান) প্রথাগত ডেটা বিশ্লেষণ পদ্ধতির তুলনায় মেশিন লার্নিং পদ্ধতির কিছু মূল সুবিধা ব্যাখ্যা করেছেন।
চ্যাপম্যান বলেছেন: “বিএনএন মডেল স্ট্যান্ডার্ড রিগ্রেশন মডেল থেকে আলাদা কারণ অ্যালগরিদম ইনপুট ভেরিয়েবল নেয় (যেমন সমুদ্র পৃষ্ঠের তাপমাত্রা এবং খামারের ধরন) এবং তারপর স্বয়ংক্রিয়ভাবে অন্যান্য ভেরিয়েবলের প্রতিক্রিয়া চিনতে শেখে (যেমন ফসলের ফলন), "চ্যাপম্যান বলেছেন।“শিক্ষার প্রক্রিয়ায় ব্যবহৃত মৌলিক প্রক্রিয়াটি সেই প্রক্রিয়ার মতোই যা মানব মস্তিষ্ক বাস্তব জীবন থেকে বস্তু এবং নিদর্শনগুলি চিনতে শেখে।বিপরীতে, স্ট্যান্ডার্ড মডেলের জন্য কৃত্রিমভাবে তৈরি সমীকরণের মাধ্যমে বিভিন্ন ভেরিয়েবলের ম্যানুয়াল তত্ত্বাবধানের প্রয়োজন হয়।"
যদিও আবহাওয়ার তথ্যের অনুপস্থিতিতে, মেশিন লার্নিং ভাল ফসল ফলন ভবিষ্যদ্বাণীর দিকে পরিচালিত করতে পারে, যদি মেশিন লার্নিং মডেলগুলি সঠিকভাবে কাজ করতে পারে, তবে বিজ্ঞানীদের (বা কৃষকদের) এখনও সঠিকভাবে কিছু উৎপাদন তথ্য সংগ্রহ করতে হবে এবং এই ডেটাগুলি সহজলভ্য করতে হবে।
এই গবেষণায় ইন্দোনেশিয়ান কোকো খামারের জন্য, কৃষকরা একটি বড় চকোলেট কোম্পানির জন্য একটি সেরা অনুশীলন প্রশিক্ষণ কর্মসূচির অংশ হয়ে উঠেছে।তারা সার প্রয়োগের মতো ইনপুটগুলি ট্র্যাক করে, বিশ্লেষণের জন্য এই ডেটা অবাধে ভাগ করে নেয় এবং গবেষকদের ব্যবহারের জন্য স্থানীয় সংগঠিত আন্তর্জাতিক উদ্ভিদ পুষ্টি ইনস্টিটিউটে (IPNI) পরিষ্কার রেকর্ড রাখে।
উপরন্তু, বিজ্ঞানীরা পূর্বে তাদের খামারগুলিকে একই রকম টপোগ্রাফি এবং মাটির অবস্থার সাথে দশটি অনুরূপ গ্রুপে ভাগ করেছিলেন।গবেষকরা একটি মডেল তৈরি করতে 2013 থেকে 2018 সাল পর্যন্ত ফসল, সার প্রয়োগ এবং ফলন ডেটা ব্যবহার করেছেন।
কোকো চাষিদের অর্জিত জ্ঞান তাদের আস্থা দেয় কিভাবে এবং কখন সারে বিনিয়োগ করতে হবে।এই সুবিধাবঞ্চিত গোষ্ঠীর দ্বারা অর্জিত কৃষিগত দক্ষতা তাদের বিনিয়োগের ক্ষতি থেকে রক্ষা করতে পারে, যা সাধারণত প্রতিকূল আবহাওয়ার মধ্যে ঘটে।
গবেষকদের সাথে তাদের সহযোগিতার জন্য ধন্যবাদ, তাদের জ্ঞান এখন বিশ্বের অন্যান্য অংশে অন্যান্য ফসলের চাষীদের সাথে ভাগ করা যেতে পারে।
কর্ক বলেছেন: "নিবেদিত কৃষক আইপিএনআই এবং শক্তিশালী কৃষক সহায়তা সংস্থা কমিউনিটি সলিউশন ইন্টারন্যাশনালের যৌথ প্রচেষ্টা ছাড়া এই গবেষণা সম্ভব হবে না।"তিনি বহুবিভাগীয় সহযোগিতার গুরুত্বের উপর জোর দেন এবং স্টেকহোল্ডারের প্রচেষ্টার ভারসাম্য বজায় রাখেন।বিভিন্ন চাহিদা।
এপিএনআই-এর ওবার্থার বলেছেন যে শক্তিশালী ভবিষ্যদ্বাণীমূলক মডেলগুলি কৃষক এবং গবেষকদের উপকার করতে পারে এবং আরও সহযোগিতার প্রচার করতে পারে।
ওবারটুর বলেছেন: "আপনি যদি একজন কৃষক হন যিনি একই সময়ে ডেটা সংগ্রহ করেন, তাহলে আপনাকে বাস্তব ফলাফল অর্জন করতে হবে।""এই মডেলটি কৃষকদের দরকারী তথ্য সরবরাহ করতে পারে এবং তথ্য সংগ্রহকে উত্সাহিত করতে সহায়তা করতে পারে, কারণ কৃষকরা দেখবে যে তারা একটি অবদান রাখার জন্য করছে, যা তাদের খামারে সুবিধা নিয়ে আসে।"

suzy@lstchocolatemachine.com

www.lstchocolatemachine.com