ਜਦੋਂ ਇੰਡੋਨੇਸ਼ੀਆ ਵਿੱਚ ਮੌਸਮੀ ਬਾਰਸ਼ਾਂ ਬਾਅਦ ਵਿੱਚ ਆਉਂਦੀਆਂ ਹਨ, ਤਾਂ ਕਿਸਾਨ ਅਕਸਰ ਇਸਨੂੰ ਇਸ ਗੱਲ ਦੇ ਸੰਕੇਤ ਵਜੋਂ ਲੈਂਦੇ ਹਨ ਕਿ ਉਹਨਾਂ ਦੀਆਂ ਫਸਲਾਂ ਲਈ ਖਾਦਾਂ ਵਿੱਚ ਨਿਵੇਸ਼ ਕਰਨਾ ਯੋਗ ਨਹੀਂ ਹੈ।ਕਈ ਵਾਰ ਉਹ ਸਾਲਾਨਾ ਫਸਲਾਂ ਨੂੰ ਬਿਲਕੁਲ ਨਾ ਬੀਜਣ ਦੀ ਚੋਣ ਕਰਦੇ ਹਨ।ਆਮ ਤੌਰ 'ਤੇ, ਉਹ ਸਹੀ ਫੈਸਲਾ ਲੈਂਦੇ ਹਨ, ਕਿਉਂਕਿ ਬਰਸਾਤੀ ਮੌਸਮ ਦੀ ਦੇਰ ਨਾਲ ਸ਼ੁਰੂਆਤ ਆਮ ਤੌਰ 'ਤੇ ਐਲ ਨੀਨੋ ਦੱਖਣੀ ਓਸੀਲੇਸ਼ਨ (ENSO) ਦੀ ਸਥਿਤੀ ਅਤੇ ਆਉਣ ਵਾਲੇ ਮਹੀਨਿਆਂ ਵਿੱਚ ਨਾਕਾਫ਼ੀ ਬਾਰਸ਼ ਨਾਲ ਸਬੰਧਤ ਹੁੰਦੀ ਹੈ।
"ਸਾਇੰਸ ਰਿਪੋਰਟਾਂ" ਵਿੱਚ ਪ੍ਰਕਾਸ਼ਿਤ ਨਵੀਂ ਖੋਜ ਦਰਸਾਉਂਦੀ ਹੈ ਕਿ ENSO ਭੂਮੱਧ ਰੇਖਾ ਦੇ ਨਾਲ ਪ੍ਰਸ਼ਾਂਤ ਮਹਾਸਾਗਰ ਦੇ ਨਾਲ ਗਰਮ ਹੋਣ ਅਤੇ ਠੰਢਾ ਹੋਣ ਦਾ ਇੱਕ ਮੌਸਮ ਵਿਗਾੜਨ ਚੱਕਰ ਹੈ, ਅਤੇ ਕੋਕੋ ਦੇ ਰੁੱਖ ਦੀ ਕਟਾਈ ਤੋਂ ਦੋ ਸਾਲਾਂ ਤੱਕ ਇੱਕ ਸ਼ਕਤੀਸ਼ਾਲੀ ਪੂਰਵ ਅਨੁਮਾਨ ਹੈ।
ਇਹ ਛੋਟੇ ਕਿਸਾਨਾਂ, ਵਿਗਿਆਨੀਆਂ ਅਤੇ ਗਲੋਬਲ ਚਾਕਲੇਟ ਉਦਯੋਗ ਲਈ ਚੰਗੀ ਖ਼ਬਰ ਹੋ ਸਕਦੀ ਹੈ।ਵਾਢੀ ਦੇ ਆਕਾਰ ਦਾ ਪਹਿਲਾਂ ਤੋਂ ਅਨੁਮਾਨ ਲਗਾਉਣ ਦੀ ਯੋਗਤਾ ਖੇਤੀ ਨਿਵੇਸ਼ ਫੈਸਲਿਆਂ ਨੂੰ ਪ੍ਰਭਾਵਿਤ ਕਰ ਸਕਦੀ ਹੈ, ਗਰਮ ਖੰਡੀ ਫਸਲ ਖੋਜ ਪ੍ਰੋਗਰਾਮਾਂ ਨੂੰ ਬਿਹਤਰ ਬਣਾ ਸਕਦੀ ਹੈ ਅਤੇ ਚਾਕਲੇਟ ਉਦਯੋਗ ਵਿੱਚ ਜੋਖਮਾਂ ਅਤੇ ਅਨਿਸ਼ਚਿਤਤਾਵਾਂ ਨੂੰ ਘਟਾ ਸਕਦੀ ਹੈ।
ਖੋਜਕਰਤਾਵਾਂ ਦਾ ਕਹਿਣਾ ਹੈ ਕਿ ਕਿਸਾਨ ਰੀਤੀ-ਰਿਵਾਜਾਂ ਅਤੇ ਪੈਦਾਵਾਰ 'ਤੇ ਸਖਤ ਥੋੜ੍ਹੇ ਸਮੇਂ ਦੇ ਡੇਟਾ ਇਕੱਤਰ ਕਰਨ ਦੇ ਨਾਲ ਆਧੁਨਿਕ ਮਸ਼ੀਨ ਸਿਖਲਾਈ ਨੂੰ ਜੋੜਨ ਵਾਲੀ ਉਹੀ ਵਿਧੀ ਕੌਫੀ ਅਤੇ ਜੈਤੂਨ ਸਮੇਤ ਹੋਰ ਬਾਰਿਸ਼-ਨਿਰਭਰ ਫਸਲਾਂ 'ਤੇ ਵੀ ਲਾਗੂ ਕੀਤੀ ਜਾ ਸਕਦੀ ਹੈ।
ਮੋਰੋਕੋ ਵਿੱਚ ਅਫਰੀਕਨ ਪਲਾਂਟ ਨਿਊਟ੍ਰੀਸ਼ਨ ਇੰਸਟੀਚਿਊਟ (ਏਪੀਐਨਆਈ) ਦੇ ਸਹਿ-ਲੇਖਕ ਅਤੇ ਕਾਰੋਬਾਰੀ ਵਿਕਾਸਕਾਰ ਥਾਮਸ ਓਬਰਥਰ ਨੇ ਕਿਹਾ: "ਇਸ ਖੋਜ ਦੀ ਮੁੱਖ ਖੋਜ ਇਹ ਹੈ ਕਿ ਤੁਸੀਂ ENSO ਡੇਟਾ ਨਾਲ ਮੌਸਮ ਦੇ ਡੇਟਾ ਨੂੰ ਪ੍ਰਭਾਵਸ਼ਾਲੀ ਢੰਗ ਨਾਲ ਬਦਲ ਸਕਦੇ ਹੋ।"“ਇਸ ਵਿਧੀ ਦੀ ਵਰਤੋਂ ਕਰਕੇ, ਤੁਸੀਂ ENSO ਨਾਲ ਸਬੰਧਤ ਕਿਸੇ ਵੀ ਚੀਜ਼ ਦੀ ਪੜਚੋਲ ਕਰ ਸਕਦੇ ਹੋ।ਉਤਪਾਦਨ ਸਬੰਧਾਂ ਨਾਲ ਫਸਲਾਂ।
ਦੁਨੀਆ ਦੀ ਲਗਭਗ 80% ਖੇਤੀਯੋਗ ਜ਼ਮੀਨ ਸਿੱਧੀ ਵਰਖਾ (ਸਿੰਚਾਈ ਦੇ ਉਲਟ) 'ਤੇ ਨਿਰਭਰ ਕਰਦੀ ਹੈ, ਜੋ ਕੁੱਲ ਉਤਪਾਦਨ ਦਾ ਲਗਭਗ 60% ਬਣਦੀ ਹੈ।ਹਾਲਾਂਕਿ, ਇਹਨਾਂ ਵਿੱਚੋਂ ਬਹੁਤ ਸਾਰੇ ਖੇਤਰਾਂ ਵਿੱਚ, ਬਾਰਸ਼ ਦੇ ਅੰਕੜੇ ਬਹੁਤ ਘੱਟ ਅਤੇ ਬਹੁਤ ਜ਼ਿਆਦਾ ਪਰਿਵਰਤਨਸ਼ੀਲ ਹਨ, ਜੋ ਵਿਗਿਆਨੀਆਂ, ਨੀਤੀ ਨਿਰਮਾਤਾਵਾਂ ਅਤੇ ਕਿਸਾਨ ਸਮੂਹਾਂ ਲਈ ਮੌਸਮ ਵਿੱਚ ਤਬਦੀਲੀਆਂ ਦੇ ਅਨੁਕੂਲ ਹੋਣ ਵਿੱਚ ਮੁਸ਼ਕਲ ਬਣਾਉਂਦੇ ਹਨ।
ਇਸ ਅਧਿਐਨ ਵਿੱਚ, ਖੋਜਕਰਤਾਵਾਂ ਨੇ ਇੱਕ ਕਿਸਮ ਦੀ ਮਸ਼ੀਨ ਸਿਖਲਾਈ ਦੀ ਵਰਤੋਂ ਕੀਤੀ ਜਿਸ ਲਈ ਅਧਿਐਨ ਵਿੱਚ ਹਿੱਸਾ ਲੈਣ ਵਾਲੇ ਇੰਡੋਨੇਸ਼ੀਆਈ ਕੋਕੋ ਫਾਰਮਾਂ ਤੋਂ ਮੌਸਮ ਦੇ ਰਿਕਾਰਡ ਦੀ ਲੋੜ ਨਹੀਂ ਹੁੰਦੀ ਹੈ।
ਇਸ ਦੀ ਬਜਾਏ, ਉਹ ਖਾਦ ਦੀ ਵਰਤੋਂ, ਉਪਜ, ਅਤੇ ਖੇਤ ਦੀ ਕਿਸਮ ਦੇ ਡੇਟਾ 'ਤੇ ਨਿਰਭਰ ਕਰਦੇ ਸਨ।ਉਹਨਾਂ ਨੇ ਇਸ ਡੇਟਾ ਨੂੰ ਇੱਕ ਬੇਸੀਅਨ ਨਿਊਰਲ ਨੈੱਟਵਰਕ (BNN) ਵਿੱਚ ਜੋੜਿਆ ਅਤੇ ਪਾਇਆ ਕਿ ENSO ਪੜਾਅ ਨੇ ਉਪਜ ਵਿੱਚ 75% ਤਬਦੀਲੀ ਦੀ ਭਵਿੱਖਬਾਣੀ ਕੀਤੀ ਹੈ।
ਦੂਜੇ ਸ਼ਬਦਾਂ ਵਿਚ, ਅਧਿਐਨ ਵਿਚ ਜ਼ਿਆਦਾਤਰ ਮਾਮਲਿਆਂ ਵਿਚ, ਪ੍ਰਸ਼ਾਂਤ ਮਹਾਸਾਗਰ ਦੀ ਸਮੁੰਦਰੀ ਸਤਹ ਦਾ ਤਾਪਮਾਨ ਕੋਕੋ ਬੀਨਜ਼ ਦੀ ਵਾਢੀ ਦੀ ਸਹੀ ਭਵਿੱਖਬਾਣੀ ਕਰ ਸਕਦਾ ਹੈ।ਕੁਝ ਮਾਮਲਿਆਂ ਵਿੱਚ, ਵਾਢੀ ਤੋਂ 25 ਮਹੀਨੇ ਪਹਿਲਾਂ ਸਹੀ ਭਵਿੱਖਬਾਣੀ ਕਰਨੀ ਸੰਭਵ ਹੈ।
ਸ਼ੁਰੂਆਤ ਕਰਨ ਵਾਲਿਆਂ ਲਈ, ਆਮ ਤੌਰ 'ਤੇ ਅਜਿਹੇ ਮਾਡਲ ਦਾ ਜਸ਼ਨ ਮਨਾਉਣਾ ਸੰਭਵ ਹੁੰਦਾ ਹੈ ਜੋ ਉਤਪਾਦਨ ਵਿੱਚ 50% ਤਬਦੀਲੀ ਦੀ ਸਹੀ ਭਵਿੱਖਬਾਣੀ ਕਰ ਸਕਦਾ ਹੈ।ਫਸਲਾਂ ਦੀ ਪੈਦਾਵਾਰ ਦੀ ਇਸ ਕਿਸਮ ਦੀ ਲੰਬੇ ਸਮੇਂ ਦੀ ਪੂਰਵ-ਅਨੁਮਾਨ ਦੀ ਸ਼ੁੱਧਤਾ ਬਹੁਤ ਘੱਟ ਹੁੰਦੀ ਹੈ।
ਗਠਜੋੜ ਦੇ ਸਹਿ-ਲੇਖਕ ਅਤੇ ਆਨਰੇਰੀ ਖੋਜਕਾਰ ਜੇਮਸ ਕਾਕ ਨੇ ਕਿਹਾ: "ਇਹ ਸਾਨੂੰ ਫਾਰਮ 'ਤੇ ਵੱਖ-ਵੱਖ ਪ੍ਰਬੰਧਨ ਅਭਿਆਸਾਂ, ਜਿਵੇਂ ਕਿ ਗਰੱਭਧਾਰਣ ਪ੍ਰਣਾਲੀਆਂ, ਅਤੇ ਉੱਚ ਵਿਸ਼ਵਾਸ ਨਾਲ ਪ੍ਰਭਾਵਸ਼ਾਲੀ ਦਖਲਅੰਦਾਜ਼ੀ ਦਾ ਅਨੁਮਾਨ ਲਗਾਉਣ ਦੀ ਆਗਿਆ ਦਿੰਦਾ ਹੈ।"ਅੰਤਰਰਾਸ਼ਟਰੀ ਜੈਵ ਵਿਭਿੰਨਤਾ ਸੰਗਠਨ ਅਤੇ ਸੀ.ਆਈ.ਏ.ਟੀ."ਇਹ ਸੰਚਾਲਨ ਖੋਜ ਵਿੱਚ ਇੱਕ ਸਮੁੱਚੀ ਤਬਦੀਲੀ ਹੈ।"
ਕਾਕ, ਇੱਕ ਪੌਦੇ ਦੇ ਸਰੀਰ ਵਿਗਿਆਨੀ, ਨੇ ਕਿਹਾ ਕਿ ਹਾਲਾਂਕਿ ਬੇਤਰਤੀਬ ਨਿਯੰਤਰਿਤ ਅਜ਼ਮਾਇਸ਼ਾਂ (ਆਰਸੀਟੀਜ਼) ਨੂੰ ਖੋਜ ਲਈ ਆਮ ਤੌਰ 'ਤੇ ਸੋਨੇ ਦਾ ਮਿਆਰ ਮੰਨਿਆ ਜਾਂਦਾ ਹੈ, ਪਰ ਇਹ ਟਰਾਇਲ ਮਹਿੰਗੇ ਹੁੰਦੇ ਹਨ ਅਤੇ ਇਸਲਈ ਗਰਮ ਖੰਡੀ ਖੇਤੀਬਾੜੀ ਖੇਤਰਾਂ ਨੂੰ ਵਿਕਸਤ ਕਰਨ ਵਿੱਚ ਆਮ ਤੌਰ 'ਤੇ ਅਸੰਭਵ ਹੁੰਦੇ ਹਨ।ਇੱਥੇ ਵਰਤੀ ਗਈ ਵਿਧੀ ਬਹੁਤ ਸਸਤੀ ਹੈ, ਮੌਸਮ ਦੇ ਰਿਕਾਰਡਾਂ ਦੇ ਮਹਿੰਗੇ ਸੰਗ੍ਰਹਿ ਦੀ ਲੋੜ ਨਹੀਂ ਹੈ, ਅਤੇ ਬਦਲਦੇ ਮੌਸਮ ਵਿੱਚ ਫਸਲਾਂ ਦਾ ਬਿਹਤਰ ਪ੍ਰਬੰਧਨ ਕਿਵੇਂ ਕਰਨਾ ਹੈ ਬਾਰੇ ਉਪਯੋਗੀ ਮਾਰਗਦਰਸ਼ਨ ਪ੍ਰਦਾਨ ਕਰਦਾ ਹੈ।
ਡੇਟਾ ਵਿਸ਼ਲੇਸ਼ਕ ਅਤੇ ਅਧਿਐਨ ਦੇ ਮੁੱਖ ਲੇਖਕ ਰੌਸ ਚੈਪਮੈਨ (ਰੌਸ ਚੈਪਮੈਨ) ਨੇ ਰਵਾਇਤੀ ਡੇਟਾ ਵਿਸ਼ਲੇਸ਼ਣ ਤਰੀਕਿਆਂ ਨਾਲੋਂ ਮਸ਼ੀਨ ਸਿਖਲਾਈ ਵਿਧੀਆਂ ਦੇ ਕੁਝ ਮੁੱਖ ਫਾਇਦਿਆਂ ਬਾਰੇ ਦੱਸਿਆ।
ਚੈਪਮੈਨ ਨੇ ਕਿਹਾ: “BNN ਮਾਡਲ ਸਟੈਂਡਰਡ ਰੀਗਰੈਸ਼ਨ ਮਾਡਲ ਤੋਂ ਵੱਖਰਾ ਹੈ ਕਿਉਂਕਿ ਐਲਗੋਰਿਦਮ ਇਨਪੁਟ ਵੇਰੀਏਬਲ (ਜਿਵੇਂ ਕਿ ਸਮੁੰਦਰੀ ਸਤਹ ਦਾ ਤਾਪਮਾਨ ਅਤੇ ਖੇਤ ਦੀ ਕਿਸਮ) ਲੈਂਦਾ ਹੈ ਅਤੇ ਫਿਰ ਦੂਜੇ ਵੇਰੀਏਬਲਾਂ (ਜਿਵੇਂ ਕਿ ਫਸਲ ਦੀ ਪੈਦਾਵਾਰ) ਦੇ ਜਵਾਬ ਨੂੰ ਪਛਾਣਨ ਲਈ ਆਪਣੇ ਆਪ' ਸਿੱਖਦਾ ਹੈ। "ਚੈਪਮੈਨ ਨੇ ਕਿਹਾ।"ਸਿੱਖਣ ਦੀ ਪ੍ਰਕਿਰਿਆ ਵਿੱਚ ਵਰਤੀ ਜਾਣ ਵਾਲੀ ਬੁਨਿਆਦੀ ਪ੍ਰਕਿਰਿਆ ਉਹੀ ਪ੍ਰਕਿਰਿਆ ਹੈ ਜੋ ਮਨੁੱਖੀ ਦਿਮਾਗ ਅਸਲ ਜੀਵਨ ਤੋਂ ਵਸਤੂਆਂ ਅਤੇ ਪੈਟਰਨਾਂ ਨੂੰ ਪਛਾਣਨਾ ਸਿੱਖਦਾ ਹੈ।ਇਸ ਦੇ ਉਲਟ, ਸਟੈਂਡਰਡ ਮਾਡਲ ਨੂੰ ਨਕਲੀ ਤੌਰ 'ਤੇ ਤਿਆਰ ਕੀਤੇ ਸਮੀਕਰਨਾਂ ਰਾਹੀਂ ਵੱਖ-ਵੱਖ ਵੇਰੀਏਬਲਾਂ ਦੀ ਦਸਤੀ ਨਿਗਰਾਨੀ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ।
ਹਾਲਾਂਕਿ ਮੌਸਮ ਦੇ ਅੰਕੜਿਆਂ ਦੀ ਅਣਹੋਂਦ ਵਿੱਚ, ਮਸ਼ੀਨ ਸਿਖਲਾਈ ਨਾਲ ਫਸਲਾਂ ਦੀ ਪੈਦਾਵਾਰ ਦੀ ਬਿਹਤਰ ਭਵਿੱਖਬਾਣੀ ਹੋ ਸਕਦੀ ਹੈ, ਜੇਕਰ ਮਸ਼ੀਨ ਸਿਖਲਾਈ ਮਾਡਲ ਸਹੀ ਢੰਗ ਨਾਲ ਕੰਮ ਕਰ ਸਕਦੇ ਹਨ, ਤਾਂ ਵਿਗਿਆਨੀਆਂ (ਜਾਂ ਖੁਦ ਕਿਸਾਨਾਂ) ਨੂੰ ਅਜੇ ਵੀ ਕੁਝ ਉਤਪਾਦਨ ਜਾਣਕਾਰੀ ਨੂੰ ਸਹੀ ਢੰਗ ਨਾਲ ਇਕੱਠਾ ਕਰਨ ਅਤੇ ਇਹ ਡੇਟਾ ਆਸਾਨੀ ਨਾਲ ਉਪਲਬਧ ਕਰਵਾਉਣ ਦੀ ਲੋੜ ਹੈ।
ਇਸ ਅਧਿਐਨ ਵਿੱਚ ਇੰਡੋਨੇਸ਼ੀਆਈ ਕੋਕੋ ਫਾਰਮ ਲਈ, ਕਿਸਾਨ ਇੱਕ ਵੱਡੀ ਚਾਕਲੇਟ ਕੰਪਨੀ ਲਈ ਇੱਕ ਵਧੀਆ ਅਭਿਆਸ ਸਿਖਲਾਈ ਪ੍ਰੋਗਰਾਮ ਦਾ ਹਿੱਸਾ ਬਣ ਗਏ ਹਨ।ਉਹ ਇਨਪੁਟਸ ਜਿਵੇਂ ਕਿ ਖਾਦ ਐਪਲੀਕੇਸ਼ਨ ਨੂੰ ਟਰੈਕ ਕਰਦੇ ਹਨ, ਵਿਸ਼ਲੇਸ਼ਣ ਲਈ ਇਸ ਡੇਟਾ ਨੂੰ ਸੁਤੰਤਰ ਤੌਰ 'ਤੇ ਸਾਂਝਾ ਕਰਦੇ ਹਨ, ਅਤੇ ਖੋਜਕਰਤਾਵਾਂ ਦੀ ਵਰਤੋਂ ਕਰਨ ਲਈ ਸਥਾਨਕ ਸੰਗਠਿਤ ਇੰਟਰਨੈਸ਼ਨਲ ਪਲਾਂਟ ਨਿਊਟ੍ਰੀਸ਼ਨ ਇੰਸਟੀਚਿਊਟ (IPNI) ਵਿਖੇ ਸਾਫ਼-ਸੁਥਰੇ ਰਿਕਾਰਡ ਰੱਖਦੇ ਹਨ।
ਇਸ ਤੋਂ ਇਲਾਵਾ, ਵਿਗਿਆਨੀਆਂ ਨੇ ਪਹਿਲਾਂ ਆਪਣੇ ਖੇਤਾਂ ਨੂੰ ਸਮਾਨ ਭੂਗੋਲ ਅਤੇ ਮਿੱਟੀ ਦੀਆਂ ਸਥਿਤੀਆਂ ਵਾਲੇ ਦਸ ਸਮਾਨ ਸਮੂਹਾਂ ਵਿੱਚ ਵੰਡਿਆ ਸੀ।ਖੋਜਕਰਤਾਵਾਂ ਨੇ ਮਾਡਲ ਬਣਾਉਣ ਲਈ 2013 ਤੋਂ 2018 ਤੱਕ ਵਾਢੀ, ਖਾਦ ਦੀ ਵਰਤੋਂ ਅਤੇ ਉਪਜ ਦੇ ਅੰਕੜਿਆਂ ਦੀ ਵਰਤੋਂ ਕੀਤੀ।
ਕੋਕੋ ਉਤਪਾਦਕਾਂ ਦੁਆਰਾ ਪ੍ਰਾਪਤ ਕੀਤਾ ਗਿਆ ਗਿਆਨ ਉਹਨਾਂ ਨੂੰ ਇਹ ਭਰੋਸਾ ਦਿਵਾਉਂਦਾ ਹੈ ਕਿ ਖਾਦਾਂ ਵਿੱਚ ਕਿਵੇਂ ਅਤੇ ਕਦੋਂ ਨਿਵੇਸ਼ ਕਰਨਾ ਹੈ।ਇਸ ਵਾਂਝੇ ਸਮੂਹ ਦੁਆਰਾ ਹਾਸਲ ਕੀਤੇ ਖੇਤੀ ਵਿਗਿਆਨਕ ਹੁਨਰ ਉਹਨਾਂ ਨੂੰ ਨਿਵੇਸ਼ ਦੇ ਨੁਕਸਾਨ ਤੋਂ ਬਚਾ ਸਕਦੇ ਹਨ, ਜੋ ਆਮ ਤੌਰ 'ਤੇ ਪ੍ਰਤੀਕੂਲ ਮੌਸਮੀ ਹਾਲਤਾਂ ਵਿੱਚ ਹੁੰਦੇ ਹਨ।
ਖੋਜਕਰਤਾਵਾਂ ਦੇ ਨਾਲ ਉਹਨਾਂ ਦੇ ਸਹਿਯੋਗ ਲਈ ਧੰਨਵਾਦ, ਉਹਨਾਂ ਦਾ ਗਿਆਨ ਹੁਣ ਦੁਨੀਆ ਦੇ ਦੂਜੇ ਹਿੱਸਿਆਂ ਵਿੱਚ ਹੋਰ ਫਸਲਾਂ ਦੇ ਉਤਪਾਦਕਾਂ ਨਾਲ ਕਿਸੇ ਨਾ ਕਿਸੇ ਤਰੀਕੇ ਨਾਲ ਸਾਂਝਾ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ।
ਕਾਰਕ ਨੇ ਕਿਹਾ: "ਸਮਰਪਿਤ ਕਿਸਾਨ IPNI ਅਤੇ ਮਜ਼ਬੂਤ ​​ਕਿਸਾਨ ਸਹਾਇਤਾ ਸੰਸਥਾ ਕਮਿਊਨਿਟੀ ਸੋਲਿਊਸ਼ਨ ਇੰਟਰਨੈਸ਼ਨਲ ਦੇ ਸਾਂਝੇ ਯਤਨਾਂ ਤੋਂ ਬਿਨਾਂ, ਇਹ ਖੋਜ ਸੰਭਵ ਨਹੀਂ ਹੋਵੇਗੀ।"ਉਸਨੇ ਬਹੁ-ਅਨੁਸ਼ਾਸਨੀ ਸਹਿਯੋਗ ਦੀ ਮਹੱਤਤਾ 'ਤੇ ਜ਼ੋਰ ਦਿੱਤਾ ਅਤੇ ਹਿੱਸੇਦਾਰਾਂ ਦੇ ਯਤਨਾਂ ਨੂੰ ਸੰਤੁਲਿਤ ਕੀਤਾ।ਵੱਖ-ਵੱਖ ਲੋੜਾਂ.
ਏਪੀਐਨਆਈ ਦੇ ਓਬਰਥੁਰ ਨੇ ਕਿਹਾ ਕਿ ਸ਼ਕਤੀਸ਼ਾਲੀ ਭਵਿੱਖਬਾਣੀ ਕਰਨ ਵਾਲੇ ਮਾਡਲ ਕਿਸਾਨਾਂ ਅਤੇ ਖੋਜਕਰਤਾਵਾਂ ਨੂੰ ਲਾਭ ਪਹੁੰਚਾ ਸਕਦੇ ਹਨ ਅਤੇ ਹੋਰ ਸਹਿਯੋਗ ਨੂੰ ਵਧਾ ਸਕਦੇ ਹਨ।
ਓਬਰਟੂਰ ਨੇ ਕਿਹਾ: "ਜੇ ਤੁਸੀਂ ਇੱਕ ਕਿਸਾਨ ਹੋ ਜੋ ਇੱਕੋ ਸਮੇਂ ਡੇਟਾ ਇਕੱਠਾ ਕਰਦਾ ਹੈ, ਤਾਂ ਤੁਹਾਨੂੰ ਠੋਸ ਨਤੀਜੇ ਪ੍ਰਾਪਤ ਕਰਨ ਦੀ ਲੋੜ ਹੈ।""ਇਹ ਮਾਡਲ ਕਿਸਾਨਾਂ ਨੂੰ ਲਾਭਦਾਇਕ ਜਾਣਕਾਰੀ ਪ੍ਰਦਾਨ ਕਰ ਸਕਦਾ ਹੈ ਅਤੇ ਡਾਟਾ ਇਕੱਠਾ ਕਰਨ ਨੂੰ ਉਤਸ਼ਾਹਿਤ ਕਰਨ ਵਿੱਚ ਮਦਦ ਕਰ ਸਕਦਾ ਹੈ, ਕਿਉਂਕਿ ਕਿਸਾਨ ਇਹ ਦੇਖਣਗੇ ਕਿ ਉਹ ਯੋਗਦਾਨ ਪਾਉਣ ਲਈ ਕਰ ਰਹੇ ਹਨ, ਜਿਸ ਨਾਲ ਉਨ੍ਹਾਂ ਦੇ ਫਾਰਮ ਨੂੰ ਲਾਭ ਮਿਲਦਾ ਹੈ।"

suzy@lstchocolatemachine.com

www.lstchocolatemachine.com