انڈونیشیا میں جب موسمی بارشیں بعد میں آتی ہیں، تو کسان اکثر اسے اس بات کی علامت کے طور پر لیتے ہیں کہ یہ ان کی فصلوں کے لیے کھادوں میں سرمایہ کاری کے قابل نہیں ہے۔بعض اوقات وہ سالانہ فصلیں نہ لگانے کا انتخاب کرتے ہیں۔عام طور پر، وہ صحیح فیصلہ کرتے ہیں، کیونکہ برسات کے موسم کے دیر سے شروع ہونے کا تعلق عام طور پر ال نینو سدرن آسیلیشن (ENSO) کی حالت اور آنے والے مہینوں میں ناکافی بارش سے ہوتا ہے۔
"سائنس رپورٹس" میں شائع ہونے والی نئی تحقیق سے پتہ چلتا ہے کہ ENSO بحرالکاہل کے خط استوا کے ساتھ ساتھ گرمی اور ٹھنڈک کا موسم کی خرابی کا دور ہے، اور کوکو کے درخت کی کٹائی سے پہلے دو سال تک کی ایک طاقتور پیشن گوئی ہے۔
یہ چھوٹے کسانوں، سائنسدانوں اور عالمی چاکلیٹ انڈسٹری کے لیے اچھی خبر ہو سکتی ہے۔فصل کے سائز کا پہلے سے اندازہ لگانے کی صلاحیت فارم کی سرمایہ کاری کے فیصلوں کو متاثر کر سکتی ہے، اشنکٹبندیی فصلوں کے تحقیقی پروگراموں کو بہتر بنا سکتی ہے اور چاکلیٹ کی صنعت میں خطرات اور غیر یقینی صورتحال کو کم کر سکتی ہے۔
محققین کا کہنا ہے کہ وہی طریقہ جو جدید مشین لرننگ کو کسانوں کے رواج اور پیداوار پر سخت قلیل مدتی ڈیٹا اکٹھا کرنے کے ساتھ جوڑتا ہے اسے بارش پر منحصر دیگر فصلوں پر بھی لاگو کیا جا سکتا ہے، بشمول کافی اور زیتون۔
مراکش میں افریقی پلانٹ نیوٹریشن انسٹی ٹیوٹ (APNI) کے شریک مصنف اور کاروباری ڈویلپر تھامس اوبرتھر نے کہا: "اس تحقیق کی اہم اختراع یہ ہے کہ آپ موسمی ڈیٹا کو مؤثر طریقے سے ENSO ڈیٹا سے بدل سکتے ہیں۔""اس طریقہ کو استعمال کرتے ہوئے، آپ ENSO سے متعلق کسی بھی چیز کو تلاش کر سکتے ہیں۔پیداواری تعلقات کے ساتھ فصلیں۔"
دنیا کی تقریباً 80% قابل کاشت زمین براہ راست بارش پر انحصار کرتی ہے (آبپاشی کے برخلاف)، جو کل پیداوار کا تقریباً 60% بنتی ہے۔تاہم، ان میں سے بہت سے علاقوں میں، بارش کے اعداد و شمار بہت کم اور انتہائی متغیر ہوتے ہیں، جس کی وجہ سے سائنسدانوں، پالیسی سازوں، اور کسان گروپوں کے لیے موسم میں ہونے والی تبدیلیوں کو اپنانا مشکل ہو جاتا ہے۔
اس مطالعہ میں، محققین نے ایک قسم کی مشین لرننگ کا استعمال کیا جس میں مطالعہ میں حصہ لینے والے انڈونیشیائی کوکو فارموں سے موسم کے ریکارڈ کی ضرورت نہیں ہوتی۔
اس کے بجائے، انہوں نے کھاد کے استعمال، پیداوار، اور فارم کی قسم کے ڈیٹا پر انحصار کیا۔انہوں نے اس ڈیٹا کو Bayesian Neural Network (BNN) میں لگایا اور پایا کہ ENSO مرحلے نے پیداوار میں 75% تبدیلی کی پیش گوئی کی ہے۔
دوسرے الفاظ میں، مطالعہ میں زیادہ تر معاملات میں، بحر الکاہل کے سمندر کی سطح کا درجہ حرارت کوکو پھلیاں کی فصل کی درست پیش گوئی کر سکتا ہے۔بعض صورتوں میں، کٹائی سے 25 ماہ قبل درست پیشین گوئیاں کرنا ممکن ہوتا ہے۔
شروع کرنے والوں کے لیے، عام طور پر ایسے ماڈل کا جشن منانا ممکن ہوتا ہے جو پیداوار میں 50% تبدیلی کی درست پیش گوئی کر سکے۔فصل کی پیداوار کی اس قسم کی طویل مدتی پیشن گوئی کی درستگی نایاب ہے۔
الائنس کے شریک مصنف اور اعزازی محقق جیمز کاک نے کہا: "یہ ہمیں فارم پر مختلف انتظامی طریقوں، جیسے فرٹیلائزیشن سسٹم، اور اعلی اعتماد کے ساتھ موثر مداخلتوں کا اندازہ لگانے کی اجازت دیتا ہے۔بین الاقوامی حیاتیاتی تنوع کی تنظیم اور CIAT۔"یہ آپریشنز ریسرچ میں مجموعی طور پر تبدیلی ہے۔"
کاک، ایک پلانٹ فزیالوجسٹ، نے کہا کہ اگرچہ بے ترتیب کنٹرول ٹرائلز (RCTs) کو عام طور پر تحقیق کے لیے سونے کا معیار سمجھا جاتا ہے، لیکن یہ آزمائشیں مہنگی ہوتی ہیں اور اس لیے عام طور پر اشنکٹبندیی زرعی علاقوں کی ترقی میں ناممکن ہے۔یہاں استعمال ہونے والا طریقہ بہت سستا ہے، اس کے لیے موسمی ریکارڈ کے مہنگے جمع کرنے کی ضرورت نہیں ہے، اور بدلتے موسم میں فصلوں کا بہتر انتظام کرنے کے بارے میں مفید رہنمائی فراہم کرتا ہے۔
ڈیٹا تجزیہ کار اور مطالعہ کے سرکردہ مصنف Ross Chapman (Ross Chapman) نے روایتی ڈیٹا تجزیہ کے طریقوں کے مقابلے مشین سیکھنے کے طریقوں کے کچھ اہم فوائد کی وضاحت کی۔
چیپ مین نے کہا: "BNN ماڈل معیاری ریگریشن ماڈل سے مختلف ہے کیونکہ الگورتھم ان پٹ متغیرات (جیسے سمندر کی سطح کا درجہ حرارت اور فارم کی قسم) لیتا ہے اور پھر خود بخود دوسرے متغیرات (جیسے فصل کی پیداوار) کے ردعمل کو پہچاننے کے لیے 'سیکھتا ہے'، "چیپ مین نے کہا۔"سیکھنے کے عمل میں استعمال ہونے والا بنیادی عمل وہی ہے جو انسانی دماغ حقیقی زندگی سے اشیاء اور نمونوں کو پہچاننا سیکھتا ہے۔اس کے برعکس، معیاری ماڈل کے لیے مصنوعی طور پر تیار کردہ مساوات کے ذریعے مختلف متغیرات کی دستی نگرانی کی ضرورت ہوتی ہے۔
اگرچہ موسم کے اعداد و شمار کی عدم موجودگی میں، مشین لرننگ فصل کی بہتر پیداوار کی پیشین گوئیوں کا باعث بن سکتی ہے، اگر مشین لرننگ کے ماڈل صحیح طریقے سے کام کر سکتے ہیں، تو سائنسدانوں (یا خود کسانوں) کو ابھی بھی کچھ پیداواری معلومات کو درست طریقے سے جمع کرنے اور ان ڈیٹا کو آسانی سے دستیاب کرنے کی ضرورت ہے۔
اس تحقیق میں انڈونیشیائی کوکو فارم کے لیے، کسان ایک بڑی چاکلیٹ کمپنی کے لیے بہترین مشق کے تربیتی پروگرام کا حصہ بن گئے ہیں۔وہ کھاد کی درخواست جیسے ان پٹس کو ٹریک کرتے ہیں، تجزیہ کے لیے آزادانہ طور پر اس ڈیٹا کا اشتراک کرتے ہیں، اور مقامی منظم انٹرنیشنل پلانٹ نیوٹریشن انسٹی ٹیوٹ (IPNI) میں محققین کے استعمال کے لیے صاف ریکارڈ رکھتے ہیں۔
اس کے علاوہ، سائنسدانوں نے پہلے اپنے فارموں کو اسی طرح کے ٹپوگرافی اور مٹی کے حالات کے ساتھ دس ملتے جلتے گروپوں میں تقسیم کیا تھا۔محققین نے ایک ماڈل بنانے کے لیے 2013 سے 2018 تک فصل کی کٹائی، کھاد کے استعمال اور پیداوار کا ڈیٹا استعمال کیا۔
کوکو کے کاشتکاروں کی طرف سے حاصل کردہ علم انہیں اس بات پر اعتماد فراہم کرتا ہے کہ کھاد میں کیسے اور کب سرمایہ کاری کرنی ہے۔اس پسماندہ گروپ کے ذریعہ حاصل کی گئی زرعی مہارتیں انہیں سرمایہ کاری کے نقصانات سے بچا سکتی ہیں، جو عام طور پر موسم کے منفی حالات میں ہوتے ہیں۔
محققین کے ساتھ ان کے تعاون کی بدولت، ان کے علم کو اب دنیا کے دیگر حصوں میں دیگر فصلوں کے کاشتکاروں کے ساتھ کسی نہ کسی طرح شیئر کیا جا سکتا ہے۔
کارک نے کہا: "سرشار کسان IPNI اور مضبوط کسانوں کی مدد کرنے والی تنظیم کمیونٹی سلوشنز انٹرنیشنل کی مشترکہ کوششوں کے بغیر، یہ تحقیق ممکن نہیں ہوگی۔"انہوں نے کثیر الشعبہ تعاون کی اہمیت پر زور دیا اور اسٹیک ہولڈر کی کوششوں کو متوازن کیا۔مختلف ضروریات۔
اے پی این آئی کے اوبرتھر نے کہا کہ طاقتور پیشین گوئی کرنے والے ماڈل کسانوں اور محققین کو فائدہ پہنچا سکتے ہیں اور مزید تعاون کو فروغ دے سکتے ہیں۔
اوبرٹور نے کہا: "اگر آپ ایک کسان ہیں جو ایک ہی وقت میں ڈیٹا اکٹھا کرتے ہیں، تو آپ کو ٹھوس نتائج حاصل کرنے کی ضرورت ہے۔""یہ ماڈل کسانوں کو مفید معلومات فراہم کر سکتا ہے اور ڈیٹا اکٹھا کرنے کی ترغیب دینے میں مدد کر سکتا ہے، کیونکہ کسان دیکھیں گے کہ وہ اپنا حصہ ڈالنے کے لیے کر رہے ہیں، جس سے ان کے فارم کو فائدہ ہوتا ہے۔"

suzy@lstchocolatemachine.com

www.lstchocolatemachine.com