အင်ဒိုနီးရှားတွင် နောက်ပိုင်းတွင် ရာသီအလိုက် မိုးရွာလာသောအခါ လယ်သမားများသည် ၎င်းတို့၏ သီးနှံများအတွက် ဓာတ်မြေသြဇာကို ရင်းနှီးမြှပ်နှံရန် မထိုက်တန်ကြောင်း အရိပ်အယောင်အဖြစ် ခံယူလေ့ရှိကြသည်။တခါတရံ သူတို့သည် နှစ်စဉ် သီးနှံများကို လုံးဝ မစိုက်ရန် ရွေးချယ်ကြသည်။မိုးရာသီအစနှောင်းပိုင်းသည် အများအားဖြင့် အယ်လ်နီညိုတောင်ပိုင်း Oscillation (ENSO) အခြေအနေနှင့် လာမည့်လများတွင် မိုးရွာသွန်းမှုမလုံလောက်သောကြောင့် မှန်ကန်သောဆုံးဖြတ်ချက်ချလေ့ရှိသည်။
“Science Reports” တွင်ထုတ်ဝေသည့် သုတေသနအသစ်တွင် ENSO သည် အီကွေတာတစ်လျှောက် ပစိဖိတ်သမုဒ္ဒရာတစ်လျှောက် ပူနွေးမှုနှင့် အအေးပေးသည့် ရာသီဥတုပုံစံပြောင်းလဲခြင်းဖြစ်ပြီး ကိုကိုးပင်မရိတ်သိမ်းမီ နှစ်နှစ်အထိ အားကောင်းသောခန့်မှန်းချက်တစ်ခုဖြစ်ကြောင်း ပြသထားသည်။
ဤသည်မှာ အသေးစားလယ်သမားများ၊ သိပ္ပံပညာရှင်များနှင့် ကမ္ဘာ့ချောကလက်လုပ်ငန်းအတွက် သတင်းကောင်းဖြစ်နိုင်သည်။ရိတ်သိမ်းချိန်၏ အရွယ်အစားကို ကြိုတင်ခန့်မှန်းနိုင်မှုသည် လယ်ယာရင်းနှီးမြှုပ်နှံမှု ဆုံးဖြတ်ချက်များအပေါ် သက်ရောက်မှုရှိနိုင်ပြီး အပူပိုင်းသီးနှံ သုတေသနပရိုဂရမ်များ မြှင့်တင်ရန်နှင့် ချောကလက်လုပ်ငန်းတွင် အန္တရာယ်များနှင့် မရေရာမှုများကို လျှော့ချနိုင်သည်။
လယ်သမားများ၏ အကောက်ခွန်နှင့် အထွက်နှုန်းများဆိုင်ရာ တင်းကျပ်သော ရေတိုဒေတာစုဆောင်းမှုနှင့်အတူ အဆင့်မြင့်စက်သင်ယူမှုကို ပေါင်းစပ်ထားသည့် တူညီသောနည်းလမ်းကို ကော်ဖီနှင့် သံလွင်အပါအဝင် အခြားသော မိုးပေါ်မှီခိုသော သီးနှံများတွင်လည်း အသုံးချနိုင်သည်ဟု သုတေသီများက ဆိုသည်။
မော်ရိုကိုနိုင်ငံရှိ African Plant Nutrition Institute (APNI) ၏တွဲဖက်စာရေးဆရာ Thomas Oberthür က "ဒီသုတေသနရဲ့ အဓိကတီထွင်ဆန်းသစ်မှုကတော့ ရာသီဥတုဒေတာကို ENSO data နဲ့ ထိထိရောက်ရောက် အစားထိုးနိုင်လို့ပါပဲ။""ဤနည်းလမ်းကိုအသုံးပြု၍ ENSO နှင့်ပတ်သက်သည့် မည်သည့်အရာကိုမဆို သင်ရှာဖွေနိုင်ပါသည်။သီးနှံစိုက်ပျိုးထုတ်လုပ်မှု ဆက်ဆံရေး။”
ကမ္ဘာ့ထွန်ယက်စိုက်ပျိုးနိုင်သောမြေ၏ 80% ခန့်သည် တိုက်ရိုက်မိုးရေချိန် (ဆည်မြောင်းနှင့်ဆန့်ကျင်ဘက်) ကိုမှီခိုနေရပြီး စုစုပေါင်းထုတ်လုပ်မှု၏ 60% ခန့်ရှိသည်။သို့သော်လည်း အဆိုပါဒေသအများအပြားတွင် မိုးရွာသွန်းမှုဒေတာသည် ကျဲပြီး အလွန်ပြောင်းလဲနိုင်သောကြောင့် သိပ္ပံပညာရှင်များ၊ မူဝါဒချမှတ်သူများနှင့် လယ်သမားအုပ်စုများအတွက် ရာသီဥတုပြောင်းလဲမှုများနှင့် လိုက်လျောညီထွေဖြစ်အောင်ပြုလုပ်ရန် ခက်ခဲစေသည်။
ဤလေ့လာမှုတွင် သုတေသီများသည် လေ့လာမှုတွင်ပါဝင်သည့် အင်ဒိုနီးရှားကိုကိုးခြံများမှ မိုးလေဝသမှတ်တမ်းများမလိုအပ်သော စက်သင်ယူမှုအမျိုးအစားကို အသုံးပြုခဲ့သည်။
ယင်းအစား ၎င်းတို့သည် ဓာတ်မြေသြဇာအသုံးပြုမှု၊ အထွက်နှုန်းနှင့် လယ်ယာအမျိုးအစားဆိုင်ရာ အချက်အလက်များအပေါ် မှီခိုနေရသည်။၎င်းတို့သည် ဤဒေတာကို Bayesian Neural Network (BNN) တွင် ပလပ်ထိုးထားပြီး ENSO အဆင့်သည် အထွက်နှုန်းပြောင်းလဲမှု၏ 75% ကို ခန့်မှန်းထားကြောင်း တွေ့ရှိခဲ့သည်။
တစ်နည်းဆိုရသော် လေ့လာမှုအများစုတွင် ပစိဖိတ်သမုဒ္ဒရာ၏ ပင်လယ်ရေမျက်နှာပြင် အပူချိန်သည် ကိုကိုးစေ့များ၏ ရိတ်သိမ်းမှုကို တိကျစွာ ခန့်မှန်းနိုင်သည်။အချို့ကိစ္စများတွင် စပါးမရိတ်မီ 25 လအလိုတွင် တိကျသော ခန့်မှန်းချက်များ ပြုလုပ်နိုင်သည်။
အစပိုင်းတွင်၊ ထုတ်လုပ်မှု၏ 50% အပြောင်းအလဲကို တိကျစွာ ခန့်မှန်းနိုင်သော မော်ဒယ်ကို ဂုဏ်ပြုလေ့ရှိသည်။သီးနှံအထွက်နှုန်း၏ ရေရှည်ခန့်မှန်းချက် တိကျမှုမျိုးသည် ရှားပါသည်။
မဟာမိတ်အဖွဲ့၏ တွဲဖက်စာရေးဆရာနှင့် ဂုဏ်ထူးဆောင်သုတေသီ James Cock က “ဒါက မျိုးအောင်ခြင်းစနစ်တွေလိုမျိုး လယ်ယာမြေမှာ မတူညီတဲ့ စီမံခန့်ခွဲမှုအလေ့အထတွေကို ခြုံငုံသုံးသပ်နိုင်စေပြီး ထိရောက်တဲ့ စွက်ဖက်မှုတွေကို ယုံကြည်စိတ်ချစွာ တွက်ချက်နိုင်စေမှာပါ။“နိုင်ငံတကာ ဇီဝမျိုးစုံမျိုးကွဲအဖွဲ့နှင့် CIAT။"ဒါဟာ စစ်ဆင်ရေး သုတေသန အတွက် အလုံးစုံ ပြောင်းလဲမှု တစ်ခုပါ။"
ကျပန်းထိန်းချုပ်ထားသော စမ်းသပ်မှုများ (RCTs) ကို ယေဘုယျအားဖြင့် သုတေသနအတွက် ရွှေစံနှုန်းအဖြစ် သတ်မှတ်ကြသော်လည်း ယင်းစမ်းသပ်မှုများသည် စျေးကြီးသောကြောင့် အပူပိုင်းစိုက်ပျိုးရေးဒေသများ ဖွံ့ဖြိုးလာရာတွင် များသောအားဖြင့် မဖြစ်နိုင်ကြောင်း အပင်ဇီဝဗေဒပညာရှင် Cock က ပြောသည်။ဤနေရာတွင်အသုံးပြုသည့်နည်းလမ်းသည် များစွာစျေးသက်သာပြီး၊ စျေးကြီးသောရာသီဥတုမှတ်တမ်းများစုဆောင်းမှုမလိုအပ်ဘဲ ပြောင်းလဲလာသောရာသီဥတုတွင် သီးနှံများကို ပိုမိုကောင်းမွန်စွာစီမံခန့်ခွဲနည်းအတွက် အသုံးဝင်သောလမ်းညွှန်ချက်ပေးပါသည်။
ဒေတာခွဲခြမ်းစိတ်ဖြာသူနှင့် လေ့လာမှုကို ဦးဆောင်ရေးသားသူ Ross Chapman (ရော့စ် ချာပ်မန်း) က သမားရိုးကျဒေတာခွဲခြမ်းစိတ်ဖြာမှုနည်းလမ်းများထက် စက်သင်ယူမှုနည်းလမ်းများ၏ အဓိကအားသာချက်အချို့ကို ရှင်းပြခဲ့သည်။
Chapman က "BNN မော်ဒယ်သည် စံနှောင့်နှေးမှုပုံစံနှင့် ကွဲပြားသောကြောင့် algorithm သည် input variable (ပင်လယ်ရေမျက်နှာပြင် အပူချိန်နှင့် လယ်ယာအမျိုးအစားကဲ့သို့) ကိုယူပြီး အခြားကိန်းရှင်များ (ဥပမာ သီးနှံအထွက်နှုန်း) ၏ တုံ့ပြန်မှုကို အသိအမှတ်ပြုရန် အလိုအလျောက်သင်ယူသည်" ဖြစ်သောကြောင့်၊ " Chapman ကပြောပါတယ်။“သင်ယူမှု လုပ်ငန်းစဉ်တွင် အသုံးပြုသည့် အခြေခံ လုပ်ငန်းစဉ်သည် လူ့ဦးနှောက်သည် လက်တွေ့ဘဝမှ အရာဝတ္ထုများနှင့် ပုံစံများကို မှတ်မိရန် သင်ယူသည့် လုပ်ငန်းစဉ်နှင့် အတူတူပင် ဖြစ်သည်။ဆန့်ကျင်ဘက်အနေနှင့်၊ စံပုံစံသည် အတုပြုလုပ်ထားသော ညီမျှခြင်းများမှတစ်ဆင့် မတူညီသောကိန်းရှင်များကို ကိုယ်တိုင်ကြီးကြပ်ရန် လိုအပ်ပါသည်။"
ရာသီဥတုဒေတာမရှိသော်လည်း၊ စက်သင်ယူခြင်းသည် ပိုမိုကောင်းမွန်သော သီးနှံအထွက်နှုန်းခန့်မှန်းချက်များကို ဖြစ်ပေါ်စေနိုင်သည်၊ အကယ်၍ စက်သင်ယူမှုပုံစံများသည် ကောင်းမွန်စွာအလုပ်လုပ်နိုင်လျှင် သိပ္ပံပညာရှင်များ (သို့မဟုတ် လယ်သမားများကိုယ်တိုင်) သည် အချို့သောထုတ်လုပ်မှုအချက်အလက်များကို တိကျစွာစုဆောင်းပြီး အဆိုပါဒေတာများကို အလွယ်တကူရရှိနိုင်စေရန်အတွက် လိုအပ်နေသေးသည်။
ဤလေ့လာမှုတွင် အင်ဒိုနီးရှားကိုကိုးခြံအတွက် လယ်သမားများသည် ချောကလက်ကုမ္ပဏီကြီးတစ်ခုအတွက် အကောင်းဆုံးလေ့ကျင့်ရေးအစီအစဉ်၏ တစ်စိတ်တစ်ပိုင်းဖြစ်လာပါသည်။၎င်းတို့သည် ဓာတ်မြေသြဇာအသုံးချမှုကဲ့သို့သော သွင်းအားစုများကို ခြေရာခံကာ ဤဒေတာကို ခွဲခြမ်းစိတ်ဖြာရန်အတွက် လွတ်လပ်စွာမျှဝေကာ သုတေသီများအသုံးပြုရန်အတွက် ဒေသတွင်းဖွဲ့စည်းထားသော International Plant Nutrition Institute (IPNI) တွင် သပ်ရပ်သောမှတ်တမ်းများကို သိမ်းဆည်းထားကြသည်။
ထို့အပြင် သိပ္ပံပညာရှင်များသည် ယခင်က ၎င်းတို့၏ လယ်ယာများကို အလားတူ မြေမျက်နှာသွင်ပြင်နှင့် မြေဆီလွှာအခြေအနေများဖြင့် အလားတူအုပ်စု ဆယ်စုအဖြစ် ပိုင်းခြားခဲ့သည်။သုတေသီများသည် မော်ဒယ်တစ်ခုတည်ဆောက်ရန်အတွက် စပါးရိတ်သိမ်းခြင်း၊ ဓာတ်မြေသြဇာအသုံးပြုခြင်းနှင့် အထွက်နှုန်းအချက်အလက်များကို အသုံးပြုခဲ့သည်။
ကိုကိုးစိုက်ပျိုးသူများမှ ရရှိသောအသိပညာသည် ဓာတ်မြေသြဇာတွင် မည်ကဲ့သို့ ရင်းနှီးမြှုပ်နှံရမည်ကို ယုံကြည်စိတ်ချစေသည်။ဤချို့တဲ့သောအဖွဲ့မှရရှိသော စိုက်ပျိုးရေးဆိုင်ရာကျွမ်းကျင်မှုသည် ၎င်းတို့အား ဆိုးရွားသောရာသီဥတုအခြေအနေအောက်တွင် ဖြစ်ပွားလေ့ရှိသည့် ရင်းနှီးမြှုပ်နှံမှုဆုံးရှုံးမှုများမှ ကာကွယ်ပေးနိုင်သည်။
သုတေသီများနှင့် ၎င်းတို့၏ ပူးပေါင်းဆောင်ရွက်မှုကြောင့် ယခုအခါ ၎င်းတို့၏ အသိပညာကို ကမ္ဘာ့အခြားနေရာများတွင် အခြားသီးနှံစိုက်ပျိုးသူများထံ တစ်နည်းတစ်ဖုံ မျှဝေနိုင်ပြီဖြစ်သည်။
Cork က "ဆက်ကပ်အပ်နှံလယ်သမား IPNI နှင့် ခိုင်မာသောလယ်သမားပံ့ပိုးကူညီမှုအဖွဲ့အစည်း Community Solutions International တို့၏ ပူးပေါင်းကြိုးပမ်းမှုမရှိဘဲ၊ ဤသုတေသနသည် မဖြစ်နိုင်ပါ။"ဘက်ပေါင်းစုံ ပူးပေါင်းဆောင်ရွက်မှု၏ အရေးကြီးမှုကို အလေးပေးခဲ့ပြီး အစုအဖွဲ့၏ ကြိုးပမ်းအားထုတ်မှုများကို ဟန်ချက်ညီစေခဲ့သည်။မတူညီသောလိုအပ်ချက်များ။
APNI ၏ Oberthür က အားကောင်းသော ကြိုတင်ခန့်မှန်းမှုပုံစံများသည် လယ်သမားများနှင့် သုတေသီများကို အကျိုးပြုနိုင်ပြီး နောက်ထပ် ပူးပေါင်းဆောင်ရွက်မှုကို မြှင့်တင်နိုင်သည်ဟု ဆိုသည်။
Obertoor က "သင်ဟာ တစ်ချိန်တည်းမှာ ဒေတာစုဆောင်းတဲ့ လယ်သမားတစ်ယောက်ဆိုရင် မြင်သာထင်သာရှိတဲ့ ရလဒ်တွေကို ရရှိဖို့ လိုပါတယ်။"“ဒီပုံစံက တောင်သူတွေကို အသုံးဝင်တဲ့ အချက်အလက်တွေကို ပေးစွမ်းနိုင်ပြီး ဒေတာစုဆောင်းမှုကို လှုံ့ဆော်ပေးနိုင်တာကြောင့် လယ်သမားတွေက သူတို့ရဲ့ လယ်ယာအတွက် အကျိုးပြုတဲ့ အလှူငွေထည့်ဝင်ဖို့ လုပ်ဆောင်နေတာကို မြင်တွေ့ရတဲ့အတွက်ကြောင့် ဖြစ်ပါတယ်။”

suzy@lstchocolatemachine.com

www.lstchocolatemachine.com