Pan fydd glaw tymhorol yn cyrraedd yn ddiweddarach yn Indonesia, mae ffermwyr yn aml yn ei gymryd fel arwydd nad yw'n werth buddsoddi mewn gwrtaith ar gyfer eu cnydau.Weithiau maen nhw'n dewis peidio â phlannu cnydau blynyddol o gwbl.Fel arfer, maen nhw'n gwneud y penderfyniad cywir, oherwydd mae dechrau hwyr y tymor glawog fel arfer yn gysylltiedig â chyflwr Osgiliad De El Niño (ENSO) a glawiad annigonol yn y misoedd nesaf.
Mae'r ymchwil newydd a gyhoeddwyd yn “Science Reports” yn dangos bod ENSO yn gylch anffurfiad tywydd o gynhesu ac oeri ar hyd y Cefnfor Tawel ar hyd y cyhydedd, a rhagolwg pwerus am hyd at ddwy flynedd cyn cynaeafu'r goeden coco.
Gallai hyn fod yn newyddion da i ffermwyr tyddynwyr, gwyddonwyr a’r diwydiant siocled byd-eang.Gall y gallu i ragweld maint y cynhaeaf ymlaen llaw effeithio ar benderfyniadau buddsoddi fferm, gwella rhaglenni ymchwil cnydau trofannol a lleihau risgiau ac ansicrwydd yn y diwydiant siocled.
Dywed ymchwilwyr y gellir cymhwyso'r un dull sy'n cyfuno dysgu peiriannau uwch â chasglu data tymor byr llym ar arferion a chynnyrch ffermwyr i gnydau eraill sy'n dibynnu ar law, gan gynnwys coffi ac olewydd.
Dywedodd Thomas Oberthür, cyd-awdur a datblygwr busnes Sefydliad Maeth Planhigion Affrica (APNI) ym Moroco: “Arloesi allweddol yr ymchwil hwn yw y gallwch chi ddisodli data tywydd yn effeithiol â data ENSO.”“Gan ddefnyddio’r dull hwn, gallwch archwilio unrhyw beth sy’n ymwneud ag ENSO.Cnydau gyda chysylltiadau cynhyrchu.”
Mae tua 80% o dir âr y byd yn dibynnu ar lawiad uniongyrchol (yn hytrach na dyfrhau), sy'n cyfrif am tua 60% o gyfanswm y cynhyrchiad.Fodd bynnag, mewn llawer o'r meysydd hyn, mae data glawiad yn brin ac yn amrywiol iawn, sy'n ei gwneud yn anodd i wyddonwyr, llunwyr polisi a grwpiau ffermwyr addasu i newidiadau yn y tywydd.
Yn yr astudiaeth hon, defnyddiodd yr ymchwilwyr fath o ddysgu peiriant nad oes angen cofnodion tywydd o'r ffermydd coco Indonesia a gymerodd ran yn yr astudiaeth.
Yn lle hynny, roeddent yn dibynnu ar ddata ar wasgaru gwrtaith, cynnyrch, a math o fferm.Fe wnaethant blygio'r data hwn i Rwydwaith Niwral Bayesaidd (BNN) a chanfod bod cam ENSO yn rhagweld 75% o'r newid mewn cynnyrch.
Mewn geiriau eraill, yn y rhan fwyaf o achosion yn yr astudiaeth, gall tymheredd wyneb y môr y Cefnfor Tawel ragweld yn gywir cynhaeaf ffa coco.Mewn rhai achosion, mae'n bosibl gwneud rhagfynegiadau cywir 25 mis cyn y cynhaeaf.
I ddechrau, fel arfer mae'n bosibl dathlu model sy'n gallu rhagweld yn gywir newid o 50% mewn cynhyrchiad.Mae'r math hwn o ragolygon hirdymor cywirdeb cynnyrch cnydau yn brin.
Dywedodd James Cock, cyd-awdur ac ymchwilydd anrhydeddus y gynghrair: “Mae hyn yn caniatáu i ni arosod arferion rheoli gwahanol ar y fferm, megis systemau ffrwythloni, a dod i gasgliadau effeithiol gyda hyder mawr.“Sefydliad Bioamrywiaeth Rhyngwladol a CIAT.“Mae hwn yn symudiad cyffredinol i ymchwil gweithrediadau.”
Dywedodd Cock, ffisiolegydd planhigion, er bod treialon rheoledig ar hap (RCTs) yn cael eu hystyried yn gyffredinol fel y safon aur ar gyfer ymchwil, mae'r treialon hyn yn ddrud ac felly fel arfer yn amhosibl wrth ddatblygu rhanbarthau amaethyddol trofannol.Mae'r dull a ddefnyddir yma yn llawer rhatach, nid oes angen casglu cofnodion tywydd yn ddrud, ac mae'n rhoi arweiniad defnyddiol ar sut i reoli cnydau'n well mewn tywydd cyfnewidiol.
Esboniodd dadansoddwr data ac awdur arweiniol yr astudiaeth Ross Chapman (Ross Chapman) rai o fanteision allweddol dulliau dysgu peirianyddol dros ddulliau dadansoddi data traddodiadol.
Dywedodd Chapman: “Mae’r model BNN yn wahanol i’r model atchweliad safonol oherwydd bod yr algorithm yn cymryd newidynnau mewnbwn (fel tymheredd wyneb y môr a’r math o fferm) ac yna’n ‘dysgu’ yn awtomatig i adnabod ymateb newidynnau eraill (fel cnwd cnwd), ” meddai Chapman.“Mae’r broses sylfaenol a ddefnyddir yn y broses ddysgu yr un fath â’r broses y mae’r ymennydd dynol yn ei dysgu i adnabod gwrthrychau a phatrymau o fywyd go iawn.I’r gwrthwyneb, mae’r model safonol yn gofyn am oruchwyliaeth â llaw o wahanol newidynnau trwy hafaliadau a gynhyrchir yn artiffisial.”
Er yn absenoldeb data tywydd, gall dysgu â pheiriant arwain at well rhagfynegiadau o gynnyrch cnwd, os gall modelau dysgu peiriant weithio'n iawn, mae angen i wyddonwyr (neu ffermwyr eu hunain) gasglu gwybodaeth gynhyrchu benodol yn gywir a sicrhau bod y Data hyn ar gael yn rhwydd.
Ar gyfer fferm goco Indonesia yn yr astudiaeth hon, mae ffermwyr wedi dod yn rhan o raglen hyfforddi arfer gorau ar gyfer cwmni siocledi mawr.Maent yn olrhain mewnbynnau fel taenu gwrtaith, yn rhannu'r data hwn yn rhydd i'w ddadansoddi, ac yn cadw cofnodion taclus yn y Sefydliad Rhyngwladol Maeth Planhigion (IPNI) a drefnir yn lleol i ymchwilwyr eu defnyddio.
Yn ogystal, roedd gwyddonwyr yn flaenorol yn rhannu eu ffermydd yn ddeg grŵp tebyg gyda thopograffeg a chyflwr pridd tebyg.Defnyddiodd yr ymchwilwyr y cynhaeaf, y defnydd o wrtaith, a data cynnyrch o 2013 i 2018 i adeiladu model.
Mae'r wybodaeth a enillir gan dyfwyr coco yn rhoi hyder iddynt sut a phryd i fuddsoddi mewn gwrtaith.Gall y sgiliau agronomeg a enillir gan y grŵp difreintiedig hwn eu hamddiffyn rhag colledion buddsoddi, sydd fel arfer yn digwydd o dan amodau tywydd garw.
Diolch i'w cydweithrediad ag ymchwilwyr, gellir rhannu eu gwybodaeth bellach mewn rhyw ffordd â thyfwyr cnydau eraill mewn rhannau eraill o'r byd.
Dywedodd Cork: “Heb ymdrechion ar y cyd y ffermwr ymroddedig IPNI a’r sefydliad cefnogi ffermwyr cryf Community Solutions International, ni fyddai’r ymchwil hwn yn bosibl.”Pwysleisiodd bwysigrwydd cydweithredu amlddisgyblaethol a chydbwyso ymdrechion y rhanddeiliaid.Anghenion gwahanol.
Dywedodd Oberthür APNI y gall modelau rhagfynegol pwerus fod o fudd i ffermwyr ac ymchwilwyr a hyrwyddo cydweithrediad pellach.
Dywedodd Obertoor: “Os ydych chi’n ffermwr sy’n casglu data ar yr un pryd, mae angen i chi gyflawni canlyniadau diriaethol.”“Gall y model hwn roi gwybodaeth ddefnyddiol i ffermwyr a gall helpu i gymell casglu data, oherwydd bydd ffermwyr yn gweld eu bod yn gwneud cyfraniad, sy’n dod â buddion i’w fferm.”

suzy@lstchocolatemachine.com

www.lstchocolatemachine.com