នៅពេលដែលភ្លៀងធ្លាក់តាមរដូវនៅពេលក្រោយនៅក្នុងប្រទេសឥណ្ឌូនេស៊ី កសិករតែងតែចាត់ទុកវាជាសញ្ញាមួយថាវាមិនសមនឹងការវិនិយោគលើជីសម្រាប់ដំណាំរបស់ពួកគេ។ពេលខ្លះពួកគេជ្រើសរើសមិនដាំដំណាំប្រចាំឆ្នាំទាល់តែសោះ។ជាធម្មតា ពួកគេធ្វើការសម្រេចចិត្តត្រឹមត្រូវ ពីព្រោះការចាប់ផ្តើមចុងរដូវវស្សាជាធម្មតាទាក់ទងទៅនឹងស្ថានភាពនៃ El Niño Southern Oscillation (ENSO) និងទឹកភ្លៀងមិនគ្រប់គ្រាន់ក្នុងប៉ុន្មានខែខាងមុខនេះ។
ការស្រាវជ្រាវថ្មីដែលបានចេញផ្សាយនៅក្នុង "របាយការណ៍វិទ្យាសាស្ត្រ" បង្ហាញថា ENSO គឺជាវដ្តនៃការខូចទ្រង់ទ្រាយអាកាសធាតុនៃការឡើងកំដៅ និងត្រជាក់នៅតាមបណ្តោយមហាសមុទ្រប៉ាស៊ីហ្វិកតាមខ្សែអេក្វាទ័រ និងការព្យាករណ៍ដ៏មានឥទ្ធិពលរហូតដល់ 2 ឆ្នាំមុនពេលដើមកាកាវត្រូវបានប្រមូលផល។
នេះប្រហែលជាដំណឹងល្អសម្រាប់កសិករខ្នាតតូច អ្នកវិទ្យាសាស្ត្រ និងឧស្សាហកម្មសូកូឡាសកល។សមត្ថភាពក្នុងការទស្សន៍ទាយទំហំនៃការប្រមូលផលជាមុនអាចប៉ះពាល់ដល់ការសម្រេចចិត្តវិនិយោគលើកសិដ្ឋាន កែលម្អកម្មវិធីស្រាវជ្រាវដំណាំត្រូពិច និងកាត់បន្ថយហានិភ័យ និងភាពមិនច្បាស់លាស់នៅក្នុងឧស្សាហកម្មសូកូឡា។
អ្នកស្រាវជ្រាវនិយាយថា វិធីសាស្ត្រដូចគ្នាដែលរួមបញ្ចូលគ្នារវាងការរៀនម៉ាស៊ីនកម្រិតខ្ពស់ជាមួយនឹងការប្រមូលទិន្នន័យរយៈពេលខ្លីយ៉ាងតឹងរឹងលើទំនៀមទម្លាប់ និងទិន្នផលរបស់កសិករក៏អាចអនុវត្តចំពោះដំណាំដែលពឹងផ្អែកលើទឹកភ្លៀងផ្សេងទៀត រួមទាំងកាហ្វេ និងអូលីវផងដែរ។
Thomas Oberthür សហអ្នកនិពន្ធ និងអ្នកបង្កើតអាជីវកម្មនៃវិទ្យាស្ថានអាហាររូបត្ថម្ភរុក្ខជាតិអាហ្វ្រិក (APNI) នៅក្នុងប្រទេសម៉ារ៉ុក បាននិយាយថា "ការច្នៃប្រឌិតដ៏សំខាន់នៃការស្រាវជ្រាវនេះគឺថាអ្នកអាចជំនួសទិន្នន័យអាកាសធាតុដោយប្រសិទ្ធភាពជាមួយនឹងទិន្នន័យ ENSO" ។“ដោយប្រើវិធីសាស្ត្រនេះ អ្នកអាចរុករកអ្វីៗដែលទាក់ទងនឹង ENSO។ដំណាំជាមួយទំនាក់ទំនងផលិតកម្ម។
ប្រហែល 80% នៃដីដែលអាចបង្កបង្កើនផលរបស់ពិភពលោកពឹងផ្អែកលើទឹកភ្លៀងដោយផ្ទាល់ (ផ្ទុយទៅនឹងប្រព័ន្ធធារាសាស្រ្ត) ដែលមានប្រហែល 60% នៃផលិតកម្មសរុប។ទោះបីជាយ៉ាងណាក៏ដោយ នៅក្នុងតំបន់ទាំងនេះជាច្រើន ទិន្នន័យទឹកភ្លៀងមានភាពស្រពិចស្រពិល និងមានភាពប្រែប្រួលខ្ពស់ ដែលធ្វើឱ្យវាពិបាកសម្រាប់អ្នកវិទ្យាសាស្ត្រ អ្នកបង្កើតគោលនយោបាយ និងក្រុមកសិករក្នុងការសម្របខ្លួនទៅនឹងការប្រែប្រួលអាកាសធាតុ។
នៅក្នុងការសិក្សានេះ អ្នកស្រាវជ្រាវបានប្រើប្រភេទម៉ាស៊ីនរៀន ដែលមិនតម្រូវឱ្យមានការកត់ត្រាអាកាសធាតុពីកសិដ្ឋានកាកាវរបស់ប្រទេសឥណ្ឌូនេស៊ី ដែលចូលរួមក្នុងការសិក្សានេះ។
ផ្ទុយទៅវិញ ពួកគេពឹងផ្អែកលើទិន្នន័យលើការប្រើប្រាស់ជី ទិន្នផល និងប្រភេទកសិដ្ឋាន។ពួកគេបានដោតទិន្នន័យនេះទៅក្នុងបណ្តាញសរសៃប្រសាទ Bayesian (BNN) ហើយបានរកឃើញថាដំណាក់កាល ENSO ព្យាករណ៍ 75% នៃការផ្លាស់ប្តូរទិន្នផល។
ម្យ៉ាងវិញទៀត ក្នុងករណីភាគច្រើនក្នុងការសិក្សា សីតុណ្ហភាពផ្ទៃសមុទ្រនៃមហាសមុទ្រប៉ាស៊ីហ្វិកអាចព្យាករណ៍បានយ៉ាងត្រឹមត្រូវនូវការប្រមូលផលនៃគ្រាប់កាកាវ។ក្នុងករណីខ្លះ វាអាចធ្វើការព្យាករណ៍បានត្រឹមត្រូវ 25 ខែមុនពេលប្រមូលផល។
សម្រាប់អ្នកចាប់ផ្តើមដំបូង វាជាធម្មតាអាចធ្វើទៅបានដើម្បីអបអរគំរូដែលអាចទស្សន៍ទាយបានត្រឹមត្រូវអំពីការផ្លាស់ប្តូរ 50% ​​នៅក្នុងផលិតកម្ម។ប្រភេទនៃភាពត្រឹមត្រូវនៃការព្យាករណ៍រយៈពេលវែងនៃទិន្នផលដំណាំគឺកម្រណាស់។
សហអ្នកនិពន្ធ និងអ្នកស្រាវជ្រាវកិត្តិយសរបស់សម្ព័ន្ធលោក James Cock បាននិយាយថា “នេះអនុញ្ញាតឱ្យយើងអនុវត្តការគ្រប់គ្រងផ្សេងៗនៅលើកសិដ្ឋាន ដូចជាប្រព័ន្ធបង្កកំណើត និងសន្និដ្ឋានអំពីអន្តរាគមន៍ប្រកបដោយប្រសិទ្ធភាពដោយមានទំនុកចិត្តខ្ពស់។“អង្គការជីវចម្រុះអន្តរជាតិ និង CIAT ។"នេះ​ជា​ការ​ផ្លាស់​ប្តូរ​ជា​រួម​ចំពោះ​ការ​ស្រាវជ្រាវ​ប្រតិបត្តិការ។"
Cock ដែលជាអ្នកជំនាញខាងសរីរវិទ្យារុក្ខជាតិបាននិយាយថា ទោះបីជាការសាកល្បងដោយចៃដន្យ (RCTs) ជាទូទៅត្រូវបានចាត់ទុកថាជាស្តង់ដារមាសសម្រាប់ការស្រាវជ្រាវក៏ដោយ ការសាកល្បងទាំងនេះមានតម្លៃថ្លៃ ដូច្នេះហើយជាធម្មតាវាមិនអាចទៅរួចទេក្នុងការអភិវឌ្ឍន៍តំបន់កសិកម្មត្រូពិច។វិធីសាស្រ្តដែលប្រើនៅទីនេះគឺមានតម្លៃថោកជាង មិនត្រូវការការប្រមូលកំណត់ត្រាអាកាសធាតុដែលមានតំលៃថ្លៃ និងផ្តល់នូវការណែនាំដ៏មានប្រយោជន៍អំពីរបៀបគ្រប់គ្រងដំណាំឱ្យកាន់តែប្រសើរឡើងក្នុងអាកាសធាតុប្រែប្រួល។
អ្នកវិភាគទិន្នន័យ និងជាអ្នកនិពន្ធនាំមុខនៃការសិក្សា Ross Chapman (Ross Chapman) បានពន្យល់ពីអត្ថប្រយោជន៍សំខាន់ៗមួយចំនួននៃវិធីសាស្រ្តរៀនម៉ាស៊ីនជាងវិធីសាស្ត្រវិភាគទិន្នន័យបែបប្រពៃណី។
លោក Chapman បាននិយាយថា “គំរូ BNN គឺខុសពីគំរូតំរែតំរង់ស្តង់ដារ ដោយសារក្បួនដោះស្រាយយកអថេរបញ្ចូល (ដូចជាសីតុណ្ហភាពផ្ទៃសមុទ្រ និងប្រភេទកសិដ្ឋាន) ហើយបន្ទាប់មក រៀនដោយស្វ័យប្រវត្តិ ដើម្បីទទួលស្គាល់ការឆ្លើយតបនៃអថេរផ្សេងទៀត (ដូចជា ទិន្នផលដំណាំ)។ លោក Chapman បាននិយាយ។“ដំណើរការជាមូលដ្ឋានដែលប្រើក្នុងដំណើរការសិក្សាគឺដូចគ្នាទៅនឹងដំណើរការដែលខួរក្បាលរបស់មនុស្សរៀនស្គាល់វត្ថុ និងគំរូពីជីវិតពិត។ផ្ទុយទៅវិញ គំរូស្ដង់ដារតម្រូវឱ្យមានការត្រួតពិនិត្យដោយដៃលើអថេរផ្សេងៗតាមរយៈសមីការដែលបង្កើតដោយសិប្បនិម្មិត។
ទោះបីជាមិនមានទិន្នន័យអាកាសធាតុក៏ដោយ ការរៀនម៉ាស៊ីនអាចនាំឱ្យមានការព្យាករណ៍ទិន្នផលដំណាំកាន់តែប្រសើរ ប្រសិនបើគំរូនៃការរៀនម៉ាស៊ីនអាចដំណើរការបានត្រឹមត្រូវ អ្នកវិទ្យាសាស្ត្រ (ឬកសិករខ្លួនឯង) នៅតែត្រូវប្រមូលព័ត៌មានផលិតកម្មជាក់លាក់ និងធ្វើឱ្យទិន្នន័យទាំងនេះអាចរកបានយ៉ាងងាយស្រួល។
សម្រាប់កសិដ្ឋានកាកាវឥណ្ឌូនេស៊ីក្នុងការសិក្សានេះ កសិករបានក្លាយជាផ្នែកមួយនៃកម្មវិធីបណ្តុះបណ្តាលការអនុវត្តល្អបំផុតសម្រាប់ក្រុមហ៊ុនសូកូឡាដ៏ធំមួយ។ពួកគេតាមដានធាតុចូលដូចជាកម្មវិធីជី ចែករំលែកទិន្នន័យនេះដោយសេរីសម្រាប់ការវិភាគ និងរក្សាកំណត់ត្រាយ៉ាងស្អាតនៅវិទ្យាស្ថានអាហាររូបត្ថម្ភរុក្ខជាតិអន្តរជាតិ (IPNI) ដែលរៀបចំក្នុងស្រុកសម្រាប់អ្នកស្រាវជ្រាវប្រើប្រាស់។
លើសពីនេះ អ្នកវិទ្យាសាស្ត្រពីមុនបានបែងចែកកសិដ្ឋានរបស់ពួកគេជាដប់ក្រុមដែលមានសណ្ឋានដី និងស្ថានភាពដីស្រដៀងគ្នា។អ្នកស្រាវជ្រាវបានប្រើប្រាស់ការប្រមូលផល ការប្រើប្រាស់ជី និងទិន្នន័យទិន្នផលពីឆ្នាំ 2013 ដល់ឆ្នាំ 2018 ដើម្បីបង្កើតគំរូមួយ។
ចំណេះដឹងដែលទទួលបានដោយអ្នកដាំកាកាវផ្តល់ឱ្យពួកគេនូវទំនុកចិត្តអំពីរបៀប និងពេលណាត្រូវវិនិយោគលើជី។ជំនាញកសិកម្មដែលទទួលបានដោយក្រុមជួបការលំបាកនេះអាចការពារពួកគេពីការបាត់បង់ការវិនិយោគ ដែលជាធម្មតាកើតឡើងក្រោមលក្ខខណ្ឌអាកាសធាតុមិនល្អ។
សូមអរគុណចំពោះការសហការរបស់ពួកគេជាមួយអ្នកស្រាវជ្រាវ ឥឡូវនេះចំណេះដឹងរបស់ពួកគេអាចត្រូវបានចែករំលែកតាមរបៀបខ្លះជាមួយអ្នកដាំដំណាំផ្សេងទៀតនៅក្នុងផ្នែកផ្សេងទៀតនៃពិភពលោក។
Cork បាននិយាយថា "ប្រសិនបើគ្មានកិច្ចខិតខំប្រឹងប្រែងរួមគ្នារបស់កសិករដែលខិតខំប្រឹងប្រែង IPNI និងអង្គការគាំទ្រកសិករដ៏រឹងមាំ Community Solutions International ការស្រាវជ្រាវនេះនឹងមិនអាចទៅរួចទេ" ។លោកបានសង្កត់ធ្ងន់លើសារៈសំខាន់នៃកិច្ចសហប្រតិបត្តិការពហុជំនាញ និងធ្វើឱ្យមានតុល្យភាពកិច្ចខិតខំប្រឹងប្រែងរបស់អ្នកពាក់ព័ន្ធ។តម្រូវការផ្សេងគ្នា។
Oberthür របស់ APNI បាននិយាយថា គំរូទស្សន៍ទាយដ៏មានឥទ្ធិពលអាចផ្តល់អត្ថប្រយោជន៍ដល់កសិករ និងអ្នកស្រាវជ្រាវ និងជំរុញកិច្ចសហប្រតិបត្តិការបន្ថែមទៀត។
Obertoor បាននិយាយថា "ប្រសិនបើអ្នកជាកសិករដែលប្រមូលទិន្នន័យក្នុងពេលតែមួយ អ្នកត្រូវសម្រេចបានលទ្ធផលជាក់ស្តែង"។"គំរូ​នេះ​អាច​ផ្តល់​ឱ្យ​កសិករ​នូវ​ព័ត៌មាន​ដែល​មាន​ប្រយោជន៍ និង​អាច​ជួយ​ជំរុញ​ឱ្យ​មានការ​ប្រមូល​ទិន្នន័យ ព្រោះ​កសិករ​នឹង​ឃើញ​ថា​ពួកគេ​កំពុង​ធ្វើ​ដើម្បី​ធ្វើ​វិភាគទាន ដែល​នាំមក​នូវ​អត្ថប្រយោជន៍​ដល់​កសិដ្ឋាន​របស់​ពួកគេ"។

suzy@lstchocolatemachine.com

www.lstchocolatemachine.com