小农谷物作物系统对于发展中国家大多数地区的粮食和营养安全至关重要。然而，大多数水稻、玉米和麦田的生产力远未达到其潜力。根本原因之一与农民无法管理可变性有关。
农民面临着一系列影响产量的因素，这些因素与整个景观中不同的土壤质量以及气候波动引起的作物反应的不可预测性有关。
广义的决策支持系统在响应可变性方面的内在效率较低。就养分应用推荐系统而言，国家或什至地区级推荐系统通常会出现不足，因为它们的整体方法过于僵化，无法适应农民的独特环境。
这些通用系统不仅生产较少的谷物，而且由于养分使用效率低下，它们还倾向于浪费农场的资源。继续依赖这些系统会导致土壤养分失衡，从而增加温室气体排放、地下水污染或土壤退化对环境造成危害的风险。
一个全球研究人员团队专注于为营养应用的通用方法建立可行的替代方案。他们最近在Elsevier杂志农业系统上发表的研究结果描述了一种“特定地点”策略，该策略对改善从尼泊尔大型小型谷物农场网络获得的结果起到了很大作用。
“过去的研究告诉我们，适当的营养管理有可能使小农田的谷物产量翻倍，这在提高其生存能力和恢复力方面具有巨大潜力，”非洲植物营养研究所 (APNI) 的通讯作者兼科学家 Sudarshan Dutta 博士解释说.“我们以农民为中心的方法围绕确定每个农民的最佳营养来源、比例、时间和位置组合，以及移栽水稻或播种玉米和小麦的最佳日期。”
他们的研究基于一种名为 Nutrient Expert (NE) 的农场决策工具。该软件系统已在整个南亚和东南亚、中国和撒哈拉以南非洲地区进行了充分测试，并被证明是实施更精确的养分管理形式的一种适应性方式，能够适应所面临的独特条件组合小农户。
在这项研究中，研究人员将 NE 与常见的通用方法(如常见的农民做法和政府建议)进行了比较，同时还测试了旨在帮助解释该地区谷物作物变异性的高级统计分析。
从接收不同施肥处方的地块中收集数据，并插入基于机器学习的“随机森林”模型，该模型旨在发现一长串潜在作物产量预测因子中的主导模式。结果是对每个测试的养分管理策略控制水稻、小麦和玉米产量的主要因素进行排名。
Dutta 解释说：“我们引入机器学习代表了一项创新，有助于确定任何营养管理方案的关键限制。”
该研究的一个关键发现是对 NE 的进一步验证，它在 600 次农场试验网络中产生了卓越的生产力、盈利能力和养分利用效率。
机器学习数据处理练习清楚地将植物养分吸收确定为谷类作物产量变异性的最佳预测指标。Nutrient Expert 是一种基于植物的方法，它根据植物营养吸收和产量之间的已知关系确定作物特定的营养需求。
深入挖掘，分析使研究团队能够更好地了解哪些主要植物营养素对水稻、玉米和小麦产量的影响最大，以及使用任何推荐系统如何倾向于改变重要性的顺序。
“这项研究的一个主要目标是向决策者展示更清晰的前进道路，”Dutta 博士解释说。“我们需要继续专注于为印度恒河平原及其他地区的小农谷物农户开发可靠、可操作且反应灵敏的营养管理系统。”
