Ситуация требовала нового подхода. Им требовались информационные услуги, которые помогли бы им решить, какие сорта сажать, когда им следует сеять и как им следует управлять своими посевами. Консорциум, сформированный с участием правительства, Национальной федерации зерновых и бобовых культур Колумбии (FENALCE) и ученых, занимающихся большими данными из Международного центра тропического сельского хозяйства (CIAT). Исследователи использовали инструменты больших данных, основанные на данных, которые помогали собирать фермеры, и урожайность значительно выросла.
Исследование, опубликованное в сентябре в журнале Global Food Security, показывает, как машинное обучение данных из нескольких источников может помочь сделать сельское хозяйство более эффективным и продуктивным даже в условиях изменения климата.
«Сегодня мы можем собирать огромные объемы данных, но вы не можете просто собрать их, обработать на машине и принять решение», – сказал Даниэль Хименес, специалист по обработке данных в CIAT и ведущий автор исследования.
«Совместно работая с организациями, экспертами и фермерами, мы преодолели трудности и достигли наших целей."
В ходе четырехлетнего исследования Хименес и его коллеги проанализировали данные и проверили разработанные рекомендации по увеличению производства. Некоторые фермеры сразу же следовали инструкциям, в то время как другие ждали, пока они не будут проверены в полевых испытаниях. Фермеры, которые приняли полный набор машинно-генерируемых руководств, увеличили свою урожайность в среднем с 3%.От 5 тонн с гектара до более 6 тонн с гектара.
Это отличный урожай для богарной кукурузы в регионе.
Руководящие принципы также существенно снизили затраты на удобрения и предоставили советы о том, как снизить риски, связанные с изменением погодных условий, с акцентом на снижение негативного воздействия сильных дождей.
Исследователи из FENALCE выступили соавторами исследования, которое является частью колумбийской правительственной программы, направленной на предоставление фермерам возможности управлять как изменчивостью погоды, так и изменением климата.
«Если один фермер предоставляет данные исследователю, практически невозможно получить много идей о том, как улучшить управление», – сказал Джеймс Кок, соавтор, заслуженный ученый CIAT. «С другой стороны, если многие фермеры, каждый с особым опытом, условиями выращивания и методами управления, предоставят информацию, с помощью машинного обучения можно будет определить, где и когда будут работать конкретные методы управления."
Урожайность кукурузы в исследуемом регионе в годовом исчислении варьируется на 39 процентов из-за погодных условий. В прошлом мелким фермерам приходилось полагаться на свои собственные знания о своих культурах и принимать общие рекомендации, которые часто разрабатывались исследователями, далекими от их собственной среды.
Исследование показывает, что комбинируя знания фермеров с данными о погоде, почвах и реакции сельскохозяйственных культур на переменные, фермеры могут, по крайней мере частично, защитить свои посевы от изменчивости климата и стабилизировать свои урожаи на более высоком уровне.
От фермы к алгоритму
В Кордове компания FENALCE, которая собирает информацию о плантациях кукурузы, урожаях, урожайности и затратах, создала веб-платформу для сбора и обработки данных с отдельных ферм. Местные эксперты загрузили информацию о почвах после посещения ферм на различных этапах развития сельскохозяйственных культур, а IDEAM, метеорологическое агентство Колумбии, предоставило информацию о погоде с шести станций в регионе.
Это позволило исследователям сопоставить ежедневную информацию метеостанции с отдельными полями и различными этапами вегетационного периода.
Исследователи использовали алгоритмы машинного обучения и экспертный анализ, чтобы измерить влияние различных погодных, почвенных условий и методов ведения сельского хозяйства на урожайность. Например, они заметили, что улучшение дренажа почвы для уменьшения стока, вероятно, снижает урожайность, когда количество осадков меньше, тогда как то же самое в районах с большим количеством дождя повышает урожайность.
Это показывает, что советы по выращиванию культур должны быть привязаны к конкретному участку.
Исследование показало, что количество внесенного фосфора, норма высева и способность стока с полей оказали большое влияние на уровень урожайности. Понимание воздействия вводимых ресурсов на урожай позволило экспертам направить мелких фермеров на передовые методы, которые можно использовать для получения высоких и стабильных урожаев.
Результатом для фермеров является то, что большинство методов управления, рекомендованных исследованием, не требуют значительных инвестиций, показывая, что продовольственная безопасность и уровень жизни могут быть улучшены – по крайней мере, в этом случае – без значительных затрат.
Человеческое обучение тоже
Изначально CIAT и FENALCE разработали приложение для смартфонов для фермеров для записи данных о почве и других данных в поле, но производители кукурузы не приняли это приложение. Хотя для сбора информации использовалась веб-платформа, исследователи и технические помощники должны были посетить фермы, чтобы помочь фермерам собрать данные.
Это создает проблемы для увеличения масштабов этого типа упражнений.
Тем не менее, исследователи видят возможности для увеличения сбора данных мелкими землевладельцами, как напрямую работая с фермерами, так и с помощью технологий.
В будущие проекты могут быть включены приложения, уже разработанные и используемые фермерами. Кроме того, сбор данных с помощью целого ряда технологий, начиная от спутников, беспилотных летательных аппаратов и недорогих датчиков, развернутых на полях, в сочетании с комбайнами, которые точно регистрируют урожай зерна в микромасштабе, становятся реальностью в развивающихся странах.
«Большая часть оборудования и программного обеспечения для будущего сбора данных вполне может появиться, когда частный сектор будет вовлечен в разработку устойчивых систем сбора, анализа и распространения информации», – сказал Хименес. «В будущем мы можем предвидеть, что каждое поле будет тщательно охарактеризовано и контролироваться, превратив ландшафт в целую серию экспериментов, которые предоставят данные, которые машинное обучение может интерпретировать, чтобы помочь фермерам лучше управлять своими посевами."