ಇಂಡೋನೇಷ್ಯಾದಲ್ಲಿ ಕಾಲೋಚಿತ ಮಳೆಯು ನಂತರ ಬಂದಾಗ, ರೈತರು ತಮ್ಮ ಬೆಳೆಗಳಿಗೆ ರಸಗೊಬ್ಬರಗಳಲ್ಲಿ ಹೂಡಿಕೆ ಮಾಡಲು ಯೋಗ್ಯವಾಗಿಲ್ಲ ಎಂಬ ಸಂಕೇತವಾಗಿ ಇದನ್ನು ತೆಗೆದುಕೊಳ್ಳುತ್ತಾರೆ.ಕೆಲವೊಮ್ಮೆ ಅವರು ವಾರ್ಷಿಕ ಬೆಳೆಗಳನ್ನು ನೆಡದಿರಲು ನಿರ್ಧರಿಸುತ್ತಾರೆ.ಸಾಮಾನ್ಯವಾಗಿ, ಅವರು ಸರಿಯಾದ ನಿರ್ಧಾರವನ್ನು ತೆಗೆದುಕೊಳ್ಳುತ್ತಾರೆ, ಏಕೆಂದರೆ ಮಳೆಗಾಲದ ತಡವಾದ ಆರಂಭವು ಸಾಮಾನ್ಯವಾಗಿ ಎಲ್ ನಿನೊ ಸದರ್ನ್ ಆಸಿಲೇಷನ್ (ENSO) ಮತ್ತು ಮುಂಬರುವ ತಿಂಗಳುಗಳಲ್ಲಿ ಸಾಕಷ್ಟು ಮಳೆಯ ಸ್ಥಿತಿಗೆ ಸಂಬಂಧಿಸಿದೆ.
"ವಿಜ್ಞಾನ ವರದಿಗಳು" ನಲ್ಲಿ ಪ್ರಕಟವಾದ ಹೊಸ ಸಂಶೋಧನೆಯು ENSO ಎಂಬುದು ಪೆಸಿಫಿಕ್ ಮಹಾಸಾಗರದ ಸಮಭಾಜಕದ ಉದ್ದಕ್ಕೂ ಬೆಚ್ಚಗಾಗುವ ಮತ್ತು ತಂಪಾಗಿಸುವ ಹವಾಮಾನದ ವಿರೂಪ ಚಕ್ರವಾಗಿದೆ ಮತ್ತು ಕೋಕೋ ಮರವನ್ನು ಕೊಯ್ಲು ಮಾಡುವ ಮೊದಲು ಎರಡು ವರ್ಷಗಳವರೆಗೆ ಪ್ರಬಲ ಮುನ್ಸೂಚನೆಯಾಗಿದೆ.
ಸಣ್ಣ ಹಿಡುವಳಿದಾರ ರೈತರು, ವಿಜ್ಞಾನಿಗಳು ಮತ್ತು ಜಾಗತಿಕ ಚಾಕೊಲೇಟ್ ಉದ್ಯಮಕ್ಕೆ ಇದು ಒಳ್ಳೆಯ ಸುದ್ದಿಯಾಗಿರಬಹುದು.ಸುಗ್ಗಿಯ ಗಾತ್ರವನ್ನು ಮುಂಚಿತವಾಗಿ ಊಹಿಸುವ ಸಾಮರ್ಥ್ಯವು ಕೃಷಿ ಹೂಡಿಕೆಯ ನಿರ್ಧಾರಗಳ ಮೇಲೆ ಪರಿಣಾಮ ಬೀರಬಹುದು, ಉಷ್ಣವಲಯದ ಬೆಳೆ ಸಂಶೋಧನಾ ಕಾರ್ಯಕ್ರಮಗಳನ್ನು ಸುಧಾರಿಸಬಹುದು ಮತ್ತು ಚಾಕೊಲೇಟ್ ಉದ್ಯಮದಲ್ಲಿನ ಅಪಾಯಗಳು ಮತ್ತು ಅನಿಶ್ಚಿತತೆಗಳನ್ನು ಕಡಿಮೆ ಮಾಡಬಹುದು.
ರೈತರ ಪದ್ಧತಿಗಳು ಮತ್ತು ಇಳುವರಿಗಳ ಮೇಲೆ ಕಟ್ಟುನಿಟ್ಟಾದ ಅಲ್ಪಾವಧಿಯ ದತ್ತಾಂಶ ಸಂಗ್ರಹದೊಂದಿಗೆ ಸುಧಾರಿತ ಯಂತ್ರ ಕಲಿಕೆಯನ್ನು ಸಂಯೋಜಿಸುವ ಅದೇ ವಿಧಾನವನ್ನು ಕಾಫಿ ಮತ್ತು ಆಲಿವ್ ಸೇರಿದಂತೆ ಇತರ ಮಳೆ-ಅವಲಂಬಿತ ಬೆಳೆಗಳಿಗೂ ಅನ್ವಯಿಸಬಹುದು ಎಂದು ಸಂಶೋಧಕರು ಹೇಳುತ್ತಾರೆ.
ಮೊರೊಕ್ಕೊದಲ್ಲಿ ಆಫ್ರಿಕನ್ ಪ್ಲಾಂಟ್ ನ್ಯೂಟ್ರಿಷನ್ ಇನ್ಸ್ಟಿಟ್ಯೂಟ್ (APNI) ನ ಸಹ-ಲೇಖಕ ಮತ್ತು ವ್ಯವಹಾರ ಡೆವಲಪರ್ ಥಾಮಸ್ ಒಬರ್ಥರ್ ಹೇಳಿದರು: "ಈ ಸಂಶೋಧನೆಯ ಪ್ರಮುಖ ಆವಿಷ್ಕಾರವೆಂದರೆ ನೀವು ENSO ಡೇಟಾದೊಂದಿಗೆ ಹವಾಮಾನ ಡೇಟಾವನ್ನು ಪರಿಣಾಮಕಾರಿಯಾಗಿ ಬದಲಾಯಿಸಬಹುದು."“ಈ ವಿಧಾನವನ್ನು ಬಳಸಿಕೊಂಡು, ನೀವು ENSO ಗೆ ಸಂಬಂಧಿಸಿದ ಯಾವುದನ್ನಾದರೂ ಅನ್ವೇಷಿಸಬಹುದು.ಉತ್ಪಾದನಾ ಸಂಬಂಧಗಳೊಂದಿಗೆ ಬೆಳೆಗಳು."
ಪ್ರಪಂಚದ ಕೃಷಿಯೋಗ್ಯ ಭೂಮಿಯಲ್ಲಿ ಸುಮಾರು 80% ನೇರ ಮಳೆಯ ಮೇಲೆ ಅವಲಂಬಿತವಾಗಿದೆ (ನೀರಾವರಿ ವಿರುದ್ಧವಾಗಿ), ಇದು ಒಟ್ಟು ಉತ್ಪಾದನೆಯ ಸುಮಾರು 60% ನಷ್ಟಿದೆ.ಆದಾಗ್ಯೂ, ಈ ಹಲವು ಪ್ರದೇಶಗಳಲ್ಲಿ, ಮಳೆಯ ಮಾಹಿತಿಯು ವಿರಳವಾಗಿರುತ್ತದೆ ಮತ್ತು ಹೆಚ್ಚು ವ್ಯತ್ಯಾಸಗೊಳ್ಳುತ್ತದೆ, ಇದು ವಿಜ್ಞಾನಿಗಳು, ನೀತಿ ನಿರೂಪಕರು ಮತ್ತು ರೈತ ಗುಂಪುಗಳಿಗೆ ಹವಾಮಾನದಲ್ಲಿನ ಬದಲಾವಣೆಗಳಿಗೆ ಹೊಂದಿಕೊಳ್ಳಲು ಕಷ್ಟವಾಗುತ್ತದೆ.
ಈ ಅಧ್ಯಯನದಲ್ಲಿ, ಸಂಶೋಧಕರು ಅಧ್ಯಯನದಲ್ಲಿ ಭಾಗವಹಿಸುವ ಇಂಡೋನೇಷಿಯಾದ ಕೋಕೋ ಫಾರ್ಮ್‌ಗಳಿಂದ ಹವಾಮಾನ ದಾಖಲೆಗಳ ಅಗತ್ಯವಿಲ್ಲದ ಯಂತ್ರ ಕಲಿಕೆಯ ಪ್ರಕಾರವನ್ನು ಬಳಸಿದ್ದಾರೆ.
ಬದಲಾಗಿ, ಅವರು ರಸಗೊಬ್ಬರ ಅಪ್ಲಿಕೇಶನ್, ಇಳುವರಿ ಮತ್ತು ಕೃಷಿ ಪ್ರಕಾರದ ಡೇಟಾವನ್ನು ಅವಲಂಬಿಸಿದ್ದಾರೆ.ಅವರು ಈ ಡೇಟಾವನ್ನು ಬೇಸಿಯನ್ ನ್ಯೂರಲ್ ನೆಟ್‌ವರ್ಕ್‌ಗೆ (BNN) ಪ್ಲಗ್ ಮಾಡಿದರು ಮತ್ತು ENSO ಹಂತವು ಇಳುವರಿಯಲ್ಲಿನ 75% ಬದಲಾವಣೆಯನ್ನು ಊಹಿಸುತ್ತದೆ ಎಂದು ಕಂಡುಹಿಡಿದಿದೆ.
ಬೇರೆ ರೀತಿಯಲ್ಲಿ ಹೇಳುವುದಾದರೆ, ಅಧ್ಯಯನದಲ್ಲಿ ಹೆಚ್ಚಿನ ಸಂದರ್ಭಗಳಲ್ಲಿ, ಪೆಸಿಫಿಕ್ ಮಹಾಸಾಗರದ ಸಮುದ್ರದ ಮೇಲ್ಮೈ ತಾಪಮಾನವು ಕೋಕೋ ಬೀನ್ಸ್ನ ಸುಗ್ಗಿಯನ್ನು ನಿಖರವಾಗಿ ಊಹಿಸಬಹುದು.ಕೆಲವು ಸಂದರ್ಭಗಳಲ್ಲಿ, ಕೊಯ್ಲು ಮಾಡುವ 25 ತಿಂಗಳ ಮೊದಲು ನಿಖರವಾದ ಮುನ್ಸೂಚನೆಗಳನ್ನು ಮಾಡಲು ಸಾಧ್ಯವಿದೆ.
ಆರಂಭಿಕರಿಗಾಗಿ, ಉತ್ಪಾದನೆಯಲ್ಲಿ 50% ಬದಲಾವಣೆಯನ್ನು ನಿಖರವಾಗಿ ಊಹಿಸುವ ಮಾದರಿಯನ್ನು ಆಚರಿಸಲು ಸಾಮಾನ್ಯವಾಗಿ ಸಾಧ್ಯವಿದೆ.ಬೆಳೆ ಇಳುವರಿಗಳ ಈ ರೀತಿಯ ದೀರ್ಘಾವಧಿಯ ಮುನ್ಸೂಚನೆಯ ನಿಖರತೆ ಅಪರೂಪ.
ಮೈತ್ರಿಕೂಟದ ಸಹ-ಲೇಖಕ ಮತ್ತು ಗೌರವಾನ್ವಿತ ಸಂಶೋಧಕ ಜೇಮ್ಸ್ ಕಾಕ್ ಹೇಳಿದರು: “ಇದು ಫಲೀಕರಣ ವ್ಯವಸ್ಥೆಗಳಂತಹ ಫಾರ್ಮ್‌ನಲ್ಲಿ ವಿಭಿನ್ನ ನಿರ್ವಹಣಾ ಅಭ್ಯಾಸಗಳನ್ನು ಅತಿಕ್ರಮಿಸಲು ಮತ್ತು ಹೆಚ್ಚಿನ ಆತ್ಮವಿಶ್ವಾಸದಿಂದ ಪರಿಣಾಮಕಾರಿ ಮಧ್ಯಸ್ಥಿಕೆಗಳನ್ನು ನಿರ್ಣಯಿಸಲು ನಮಗೆ ಅನುಮತಿಸುತ್ತದೆ.“ಅಂತರರಾಷ್ಟ್ರೀಯ ಜೀವವೈವಿಧ್ಯ ಸಂಸ್ಥೆ ಮತ್ತು CIAT."ಇದು ಕಾರ್ಯಾಚರಣೆಯ ಸಂಶೋಧನೆಗೆ ಒಟ್ಟಾರೆ ಬದಲಾವಣೆಯಾಗಿದೆ."
ಕಾಕ್, ಸಸ್ಯ ಶರೀರಶಾಸ್ತ್ರಜ್ಞ, ಯಾದೃಚ್ಛಿಕ ನಿಯಂತ್ರಿತ ಪ್ರಯೋಗಗಳನ್ನು (RCTs) ಸಾಮಾನ್ಯವಾಗಿ ಸಂಶೋಧನೆಗೆ ಚಿನ್ನದ ಮಾನದಂಡವೆಂದು ಪರಿಗಣಿಸಲಾಗಿದ್ದರೂ, ಈ ಪ್ರಯೋಗಗಳು ದುಬಾರಿ ಮತ್ತು ಆದ್ದರಿಂದ ಉಷ್ಣವಲಯದ ಕೃಷಿ ಪ್ರದೇಶಗಳನ್ನು ಅಭಿವೃದ್ಧಿಪಡಿಸುವಲ್ಲಿ ಸಾಮಾನ್ಯವಾಗಿ ಅಸಾಧ್ಯವೆಂದು ಹೇಳಿದರು.ಇಲ್ಲಿ ಬಳಸಲಾದ ವಿಧಾನವು ಹೆಚ್ಚು ಅಗ್ಗವಾಗಿದೆ, ಹವಾಮಾನ ದಾಖಲೆಗಳ ದುಬಾರಿ ಸಂಗ್ರಹಣೆಯ ಅಗತ್ಯವಿರುವುದಿಲ್ಲ ಮತ್ತು ಬದಲಾಗುತ್ತಿರುವ ಹವಾಮಾನದಲ್ಲಿ ಬೆಳೆಗಳನ್ನು ಹೇಗೆ ಉತ್ತಮವಾಗಿ ನಿರ್ವಹಿಸುವುದು ಎಂಬುದರ ಕುರಿತು ಉಪಯುಕ್ತ ಮಾರ್ಗದರ್ಶನವನ್ನು ಒದಗಿಸುತ್ತದೆ.
ದತ್ತಾಂಶ ವಿಶ್ಲೇಷಕ ಮತ್ತು ಅಧ್ಯಯನದ ಪ್ರಮುಖ ಲೇಖಕ ರಾಸ್ ಚಾಪ್ಮನ್ (ರಾಸ್ ಚಾಪ್ಮನ್) ಸಾಂಪ್ರದಾಯಿಕ ಡೇಟಾ ವಿಶ್ಲೇಷಣಾ ವಿಧಾನಗಳಿಗಿಂತ ಯಂತ್ರ ಕಲಿಕೆಯ ವಿಧಾನಗಳ ಕೆಲವು ಪ್ರಮುಖ ಪ್ರಯೋಜನಗಳನ್ನು ವಿವರಿಸಿದರು.
ಚಾಪ್‌ಮನ್ ಹೇಳಿದರು: “BNN ಮಾದರಿಯು ಪ್ರಮಾಣಿತ ಹಿಂಜರಿತ ಮಾದರಿಗಿಂತ ಭಿನ್ನವಾಗಿದೆ ಏಕೆಂದರೆ ಅಲ್ಗಾರಿದಮ್ ಇನ್‌ಪುಟ್ ವೇರಿಯಬಲ್‌ಗಳನ್ನು ತೆಗೆದುಕೊಳ್ಳುತ್ತದೆ (ಉದಾಹರಣೆಗೆ ಸಮುದ್ರದ ಮೇಲ್ಮೈ ತಾಪಮಾನ ಮತ್ತು ಫಾರ್ಮ್ ಪ್ರಕಾರ) ಮತ್ತು ನಂತರ ಸ್ವಯಂಚಾಲಿತವಾಗಿ ಇತರ ವೇರಿಯಬಲ್‌ಗಳ ಪ್ರತಿಕ್ರಿಯೆಯನ್ನು ಗುರುತಿಸಲು ಕಲಿಯುತ್ತದೆ (ಉದಾಹರಣೆಗೆ ಬೆಳೆ ಇಳುವರಿ), ” ಚಾಪ್ಮನ್ ಹೇಳಿದರು."ಕಲಿಕೆಯ ಪ್ರಕ್ರಿಯೆಯಲ್ಲಿ ಬಳಸುವ ಮೂಲಭೂತ ಪ್ರಕ್ರಿಯೆಯು ಮಾನವನ ಮೆದುಳು ನಿಜ ಜೀವನದಿಂದ ವಸ್ತುಗಳು ಮತ್ತು ಮಾದರಿಗಳನ್ನು ಗುರುತಿಸಲು ಕಲಿಯುವ ಪ್ರಕ್ರಿಯೆಯಂತೆಯೇ ಇರುತ್ತದೆ.ಇದಕ್ಕೆ ವ್ಯತಿರಿಕ್ತವಾಗಿ, ಪ್ರಮಾಣಿತ ಮಾದರಿಯು ಕೃತಕವಾಗಿ ರಚಿಸಲಾದ ಸಮೀಕರಣಗಳ ಮೂಲಕ ವಿವಿಧ ಅಸ್ಥಿರಗಳ ಹಸ್ತಚಾಲಿತ ಮೇಲ್ವಿಚಾರಣೆಯ ಅಗತ್ಯವಿರುತ್ತದೆ.
ಹವಾಮಾನ ದತ್ತಾಂಶದ ಅನುಪಸ್ಥಿತಿಯಲ್ಲಿ, ಯಂತ್ರ ಕಲಿಕೆಯು ಉತ್ತಮ ಬೆಳೆ ಇಳುವರಿ ಮುನ್ನೋಟಗಳಿಗೆ ಕಾರಣವಾಗಬಹುದು, ಯಂತ್ರ ಕಲಿಕೆಯ ಮಾದರಿಗಳು ಸರಿಯಾಗಿ ಕೆಲಸ ಮಾಡಬಹುದಾದರೆ, ವಿಜ್ಞಾನಿಗಳು (ಅಥವಾ ರೈತರು ಸ್ವತಃ) ಇನ್ನೂ ಕೆಲವು ಉತ್ಪಾದನಾ ಮಾಹಿತಿಯನ್ನು ನಿಖರವಾಗಿ ಸಂಗ್ರಹಿಸಿ ಈ ಡೇಟಾವನ್ನು ಸುಲಭವಾಗಿ ಲಭ್ಯವಾಗುವಂತೆ ಮಾಡಬೇಕಾಗುತ್ತದೆ.
ಈ ಅಧ್ಯಯನದಲ್ಲಿ ಇಂಡೋನೇಷಿಯಾದ ಕೋಕೋ ಫಾರ್ಮ್‌ಗಾಗಿ, ರೈತರು ದೊಡ್ಡ ಚಾಕೊಲೇಟ್ ಕಂಪನಿಯ ಅತ್ಯುತ್ತಮ ಅಭ್ಯಾಸ ತರಬೇತಿ ಕಾರ್ಯಕ್ರಮದ ಭಾಗವಾಗಿದ್ದಾರೆ.ಅವರು ರಸಗೊಬ್ಬರ ಅಪ್ಲಿಕೇಶನ್‌ನಂತಹ ಒಳಹರಿವುಗಳನ್ನು ಟ್ರ್ಯಾಕ್ ಮಾಡುತ್ತಾರೆ, ವಿಶ್ಲೇಷಣೆಗಾಗಿ ಈ ಡೇಟಾವನ್ನು ಮುಕ್ತವಾಗಿ ಹಂಚಿಕೊಳ್ಳುತ್ತಾರೆ ಮತ್ತು ಸಂಶೋಧಕರು ಬಳಸಲು ಸ್ಥಳೀಯ ಸಂಘಟಿತ ಇಂಟರ್ನ್ಯಾಷನಲ್ ಪ್ಲಾಂಟ್ ನ್ಯೂಟ್ರಿಷನ್ ಇನ್ಸ್ಟಿಟ್ಯೂಟ್ (IPNI) ನಲ್ಲಿ ಅಚ್ಚುಕಟ್ಟಾಗಿ ದಾಖಲೆಗಳನ್ನು ಇಟ್ಟುಕೊಳ್ಳುತ್ತಾರೆ.
ಇದರ ಜೊತೆಯಲ್ಲಿ, ವಿಜ್ಞಾನಿಗಳು ಹಿಂದೆ ತಮ್ಮ ಜಮೀನುಗಳನ್ನು ಒಂದೇ ರೀತಿಯ ಭೂಗೋಳ ಮತ್ತು ಮಣ್ಣಿನ ಪರಿಸ್ಥಿತಿಗಳೊಂದಿಗೆ ಹತ್ತು ರೀತಿಯ ಗುಂಪುಗಳಾಗಿ ವಿಂಗಡಿಸಿದ್ದಾರೆ.ಸಂಶೋಧಕರು 2013 ರಿಂದ 2018 ರವರೆಗಿನ ಕೊಯ್ಲು, ರಸಗೊಬ್ಬರ ಅಪ್ಲಿಕೇಶನ್ ಮತ್ತು ಇಳುವರಿ ಡೇಟಾವನ್ನು ಮಾದರಿಯನ್ನು ನಿರ್ಮಿಸಲು ಬಳಸಿದರು.
ಕೋಕೋ ಬೆಳೆಗಾರರು ಗಳಿಸಿದ ಜ್ಞಾನವು ರಸಗೊಬ್ಬರಗಳಲ್ಲಿ ಹೇಗೆ ಮತ್ತು ಯಾವಾಗ ಹೂಡಿಕೆ ಮಾಡಬೇಕು ಎಂಬ ವಿಶ್ವಾಸವನ್ನು ನೀಡುತ್ತದೆ.ಈ ಅನನುಕೂಲಕರ ಗುಂಪಿನಿಂದ ಸ್ವಾಧೀನಪಡಿಸಿಕೊಂಡಿರುವ ಕೃಷಿ ಕೌಶಲ್ಯಗಳು ಹೂಡಿಕೆಯ ನಷ್ಟದಿಂದ ಅವರನ್ನು ರಕ್ಷಿಸಬಹುದು, ಇದು ಸಾಮಾನ್ಯವಾಗಿ ಪ್ರತಿಕೂಲ ಹವಾಮಾನ ಪರಿಸ್ಥಿತಿಗಳಲ್ಲಿ ಸಂಭವಿಸುತ್ತದೆ.
ಸಂಶೋಧಕರೊಂದಿಗಿನ ಅವರ ಸಹಯೋಗಕ್ಕೆ ಧನ್ಯವಾದಗಳು, ಅವರ ಜ್ಞಾನವನ್ನು ಈಗ ಪ್ರಪಂಚದ ಇತರ ಭಾಗಗಳಲ್ಲಿನ ಇತರ ಬೆಳೆಗಳ ಬೆಳೆಗಾರರೊಂದಿಗೆ ಕೆಲವು ರೀತಿಯಲ್ಲಿ ಹಂಚಿಕೊಳ್ಳಬಹುದು.
ಕಾರ್ಕ್ ಹೇಳಿದರು: "ಅರ್ಪಿತ ರೈತ IPNI ಮತ್ತು ಪ್ರಬಲ ರೈತ ಬೆಂಬಲ ಸಂಸ್ಥೆ ಸಮುದಾಯ ಪರಿಹಾರಗಳು ಇಂಟರ್ನ್ಯಾಷನಲ್ ಜಂಟಿ ಪ್ರಯತ್ನಗಳಿಲ್ಲದೆ, ಈ ಸಂಶೋಧನೆಯು ಸಾಧ್ಯವಾಗುವುದಿಲ್ಲ."ಅವರು ಬಹುಶಿಸ್ತೀಯ ಸಹಕಾರದ ಮಹತ್ವವನ್ನು ಒತ್ತಿ ಹೇಳಿದರು ಮತ್ತು ಮಧ್ಯಸ್ಥಗಾರರ ಪ್ರಯತ್ನಗಳನ್ನು ಸಮತೋಲನಗೊಳಿಸಿದರು.ವಿವಿಧ ಅಗತ್ಯಗಳು.
ಶಕ್ತಿಯುತ ಭವಿಷ್ಯಸೂಚಕ ಮಾದರಿಗಳು ರೈತರು ಮತ್ತು ಸಂಶೋಧಕರಿಗೆ ಪ್ರಯೋಜನವನ್ನು ನೀಡಬಹುದು ಮತ್ತು ಮತ್ತಷ್ಟು ಸಹಕಾರವನ್ನು ಉತ್ತೇಜಿಸಬಹುದು ಎಂದು APNI ನ ಒಬರ್ಥರ್ ಹೇಳಿದರು.
ಒಬರ್ಟೂರ್ ಹೇಳಿದರು: "ನೀವು ಅದೇ ಸಮಯದಲ್ಲಿ ಡೇಟಾವನ್ನು ಸಂಗ್ರಹಿಸುವ ರೈತರಾಗಿದ್ದರೆ, ನೀವು ಸ್ಪಷ್ಟವಾದ ಫಲಿತಾಂಶಗಳನ್ನು ಸಾಧಿಸುವ ಅಗತ್ಯವಿದೆ.""ಈ ಮಾದರಿಯು ರೈತರಿಗೆ ಉಪಯುಕ್ತ ಮಾಹಿತಿಯನ್ನು ಒದಗಿಸುತ್ತದೆ ಮತ್ತು ದತ್ತಾಂಶ ಸಂಗ್ರಹಣೆಯನ್ನು ಉತ್ತೇಜಿಸಲು ಸಹಾಯ ಮಾಡುತ್ತದೆ, ಏಕೆಂದರೆ ರೈತರು ತಮ್ಮ ಜಮೀನಿಗೆ ಪ್ರಯೋಜನಗಳನ್ನು ತರುವಂತಹ ಕೊಡುಗೆಯನ್ನು ನೀಡುತ್ತಿದ್ದಾರೆ ಎಂದು ನೋಡುತ್ತಾರೆ."

suzy@lstchocolatemachine.com

www.lstchocolatemachine.com