Фермеры в колумбийском районе Кордовы, выращивающем кукурузу, видели все это: слишком много дождей в один год, жгучая засуха в следующем. Урожайность упала, и их средства к существованию висели на волоске.
Ситуация требовала нового подхода. Им нужны были информационные услуги, которые помогли бы им решить, какие сорта сажать, когда сеять и как управлять урожаем. Создан консорциум с участием правительства, Национальной федерации зерновых и бобовых культур Колумбии (FENALCE) и специалистов по большим данным из Международного центра тропического сельского хозяйства (CIAT). Исследователи использовали инструменты больших данных, основанные на данных, которые помогли собрать фермеры, и урожайность значительно увеличилась.
Исследование, опубликованное в сентябре в 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 данным в CIAT и ведущий автор исследования.
"Вместе с учреждениями, экспертами и фермерами, работающими вместе, мы преодолели трудности и достигли наших целей."
В ходе четырехлетнего исследования Хименес и его коллеги проанализировали данные и проверили разработанные рекомендации по увеличению производительности. Некоторые фермеры немедленно следовали рекомендациям, а другие ждали, пока они не будут проверены в полевых испытаниях. Фермеры, которые приняли полный набор рекомендаций, созданных с помощью машин, увидели, что их урожайность увеличилась в среднем на 3.от 5 тонн на гектар до более 6 тонн на гектар. Это отличный урожай богарной кукурузы в регионе.
Руководство также существенно сократило расходы на удобрения и дало советы о том, как снизить риски, связанные с изменением погодных условий, с акцентом на снижение негативного воздействия проливных дождей.
Исследователи из FENALCE выступили соавторами исследования, которое является частью программы правительства Колумбии, направленной на предоставление фермерам возможностей управлять как изменчивостью погоды, так и изменением климата.
«Если один фермер предоставляет данные исследователю, почти невозможно получить много информации о том, как улучшить управление», - сказал Джеймс Кок, соавтор, заслуженный ученый CIAT. «С другой стороны, если многие фермеры, каждый из которых имеет различный опыт, условия выращивания и методы управления, предоставляют информацию, с помощью машинного обучения можно сделать вывод, где и когда конкретные методы управления будут работать."
Из года в год урожайность кукурузы в изучаемом регионе варьируется на целых 39 процентов из-за погодных условий. Мелкие фермеры в прошлом должны были полагаться на свои собственные знания о своих культурах и принимать общие рекомендации, которые часто разрабатывались исследователями, далекими от их собственной среды. Исследование показывает, что, сочетая знания фермеров с данными о погоде, почвах и реакции растений на переменные, фермеры могут, по крайней мере частично, защитить свои культуры от изменчивости климата и стабилизировать урожайность 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 хранения данных с отдельных ферм. Местные эксперты загрузили информацию о почвах после посещения ферм на разных стадиях выращивания сельскохозяйственных культур, а IDEAM, метеорологическое агентство Колумбии, предоставило информацию о погоде с шести станций в регионе. Это позволило исследователям сопоставлять ежедневную информацию метеостанций с отдельными полями и различными этапами вегетационного периода.
Исследователи использовали алгоритмы машинного обучения и экспертный анализ, чтобы измерить влияние различных погодных условий, состояния почвы и методов ведения сельского хозяйства на урожайность. Например, они заметили, что улучшение дренажа почвы для уменьшения стока, вероятно, снижает урожайность при меньшем количестве осадков, тогда как выполнение того же в районах с большим количеством осадков повышает урожайность. Это показывает, что рекомендации по культурам должны быть привязаны к конкретному месту.
Исследование показало, что количество вносимого фосфора, норма высева и способность полевого стока оказывают большое влияние на уровень урожайности. Понимание влияния вводимых ресурсов на урожай позволило экспертам направить мелких фермеров к передовым методам использования для получения высоких и стабильных урожаев.
Результат для фермеров заключается в том, что большинство методов управления, рекомендованных в исследовании, не требуют крупных инвестиций, что свидетельствует о том, что продовольственную безопасность и средства к существованию можно улучшить - по крайней мере, в этом случае - без значительных затрат.
Человеческое обучение тоже
Изначально CIAT и FENALCE разработали приложение для смартфонов, позволяющее фермерам регистрировать данные о почве и другие данные 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 расширения этого типа упражнений.
Тем не менее, исследователи видят возможности для увеличения сбора данных мелкими землевладельцами как путем непосредственного сотрудничества с фермерами, так и с помощью технологий. Будущие проекты могут включать приложения, уже разработанные и используемые фермерами. Кроме того, сбор данных с помощью целого ряда технологий, начиная от спутников, дронов и недорогих датчиков, развернутых на полях, в сочетании с зерноуборочными комбайнами, которые точно регистрируют урожай зерна в микромасштабе, становится реальностью в развивающихся странах.
«Большая часть аппаратного и программного обеспечения для будущего сбора данных вполне может появиться, когда частный сектор примет участие в разработке устойчивых систем сбора, анализа и распространения информации», - сказал Хименес.«В будущем мы можем представить, что каждое поле будет тщательно охарактеризовано и проконтролировано, превратив ландшафт в целую серию экспериментов, предоставляющих данные, которые машинное обучение может интерпретировать, чтобы помочь фермерам лучше управлять своими культурами».