Những cánh đồng trở thành phòng thí nghiệm sống: Dữ liệu đang tái định hình nghiên cứu cây trồng

Nguồn: CC0 Public Domain.

Qua nhiều thế hệ, tri thức nông học chủ yếu được tạo lập tại các trạm nghiên cứu như AU Flakkebjerg, nơi các ô thí nghiệm được thiết kế nhằm giải đáp những câu hỏi khoa học cụ thể. Chính tại đây, nông nghiệp dần trở thành một lĩnh vực mà các kết quả có thể được đo lường, so sánh và tái lập một cách tin cậy. Tuy nhiên, một sự chuyển dịch âm thầm đang diễn ra. Ngày nay, các thí nghiệm đang dần vượt ra khỏi phạm vi của các trạm nghiên cứu, biến những cánh đồng sản xuất thông thường thành các phòng thí nghiệm và người nông dân thành những người tham gia tích cực vào hoạt động nghiên cứu nông nghiệp.

Theo Takashi Tanaka, trợ lý giáo sư thuộc Khoa Nông sinh thái học, Đại học Aarhus: “Trong một thời gian dài, các thí nghiệm nông học chủ yếu được thực hiện tại các trạm nghiên cứu. Tuy nhiên, người nông dân từ lâu vẫn luôn tiến hành những thử nghiệm của riêng mình; chỉ là họ không xem đó là hoạt động nghiên cứu”.

Ngày nay, những thay đổi trong thực hành canh tác như điều chỉnh lượng phân bón, mật độ gieo trồng hay các biện pháp quản lý đồng ruộng đang tạo ra lượng dữ liệu ngày càng lớn. Các thiết bị giám sát năng suất, hệ thống định vị GPS tích hợp trên máy nông nghiệp, công nghệ bón phân biến đổi theo vị trí cùng với điện thoại thông minh hiện cho phép ghi nhận những gì diễn ra trên đồng ruộng trong điều kiện sản xuất thực tế. Theo Tanaka, thách thức hiện nay không còn là việc thu thập dữ liệu, mà là làm thế nào để hiểu và khai thác hiệu quả nguồn dữ liệu ngày càng lớn này.

Thách thức này cũng là trọng tâm của bài tổng quan được mời viết mới đây của Tanaka mang tên Advanced Data Analytics for On-Farm Experimentation (Phân tích dữ liệu nâng cao cho các thí nghiệm tại nông trại). Phân tích dữ liệu nâng cao cho các thí nghiệm tại nông trại. Công trình đã tổng hợp hơn 100 nghiên cứu khoa học nhằm làm rõ cách các phương pháp thống kê hiện đại, học máy và mô hình mô phỏng có thể khai thác hiệu quả tiềm năng của các thí nghiệm trên nông trại (OFE). Bài báo được công bố trên tạp chí Plant Production Science.

Trên hết, nghiên cứu này đặt ra câu hỏi về cách thức tri thức nông học trong tương lai sẽ được tạo lập, phục vụ những đối tượng nào và hướng tới những mục tiêu gì.

Từ các ô thí nghiệm có kiểm soát đến thực tiễn đồng ruộng

Nông học cổ điển được xây dựng dựa trên các thí nghiệm quy mô nhỏ, bố trí cẩn trọng trên các ô thí nghiệm. Trong gần một thế kỷ, các nguyên lý do Ronald Fisher đề xuất – ngẫu nhiên hóa, lặp lại và khối hóa – đã trở thành nền tảng của khoa học nông nghiệp. Những thí nghiệm này, được thực hiện trong điều kiện có kiểm soát, là công cụ mạnh mẽ để tách biệt quan hệ nhân–quả.

Tuy nhiên, chúng cũng tồn tại những hạn chế.

“Các thí nghiệm trên ô nhỏ rất hiệu quả trong việc hiểu các cơ chế”, Takashi Tanaka cho biết. “Nhưng chúng gặp khó khăn về tính khái quát hóa. Nông dân không canh tác trên các trạm nghiên cứu”.

Thực tế đồng ruộng phức tạp hơn nhiều. Tính chất đất biến đổi dần theo không gian. Thời tiết thay đổi qua từng năm. Máy móc di chuyển theo các luống cố định. Các nghiệm thức thường được bố trí theo dạng dải dài thay vì các ô vuông gọn gàng. Vì vậy, dữ liệu từ các thí nghiệm trên nông trại thường không hoàn toàn tuân theo các giả định của thống kê cổ điển.

Nếu một nghiệm thức phân bón cho năng suất cao hơn lại trùng với khu vực đất tốt hơn, thì năng suất tăng là do phân bón hay do điều kiện đất?

Câu hỏi này từ lâu đã khiến các nhà nghiên cứu thận trọng khi sử dụng dữ liệu từ nông trại thực tế. Tuy nhiên, cùng với sự phát triển của các công nghệ nông nghiệp chính xác, các thí nghiệm trên nông trại ngày càng trở nên phổ biến. Nông dân hiện nay thường xuyên kiểm tra các biện pháp canh tác trực tiếp trên đồng ruộng của mình, tạo ra dữ liệu ở những quy mô không gian và độ phân giải mà vài thập kỷ trước đây khó có thể hình dung.

“Điều đã thay đổi”, Tanaka nói, “là hiện nay chúng ta đã có các công cụ có thể xử lý được mức độ phức tạp này, miễn là sử dụng chúng một cách cẩn trọng”.

Các phương pháp phân tích mới cho dữ liệu đồng ruộng

Một trong những thông điệp trung tâm của bài tổng quan của Tanaka là phương pháp phân tích đóng vai trò quyết định. Việc sử dụng sai phương pháp có thể dẫn đến những kết quả tưởng như chắc chắn nhưng thực chất lại mang tính sai lệch.

Ví dụ, các mô hình hỗn hợp tuyến tính đã nổi lên như một công cụ quan trọng trong phân tích dữ liệu đồng ruộng có tính không đồng nhất về không gian. Bằng cách mô hình hóa rõ ràng sự tương quan không gian, các mô hình này có thể, ở một mức độ nhất định, tách biệt hiệu ứng của nghiệm thức khỏi biến động nền.

“Các mô hình hỗn hợp không phải là phép màu”, Tanaka lưu ý. “Chúng không thể sửa một thí nghiệm thiết kế kém. Nhưng khi kết hợp với thiết kế hợp lý, chẳng hạn như các thí nghiệm dải có lặp lại, chúng có thể giảm đáng kể sai lệch”.

Các phương pháp Bayes tiến xa hơn một bước khi lượng hóa trực tiếp sự không chắc chắn. Thay vì đặt câu hỏi liệu một nghiệm thức có tốt hơn một nghiệm thức khác một cách có ý nghĩa thống kê hay không, các mô hình Bayes ước lượng xác suất: Xác suất một biện pháp canh tác cụ thể giúp tăng năng suất hoặc lợi nhuận trong những điều kiện nhất định là bao nhiêu?

Theo Tanaka, cách diễn đạt theo xác suất này thường trực quan hơn đối với nông dân và các nhà tư vấn so với các giá trị p trong thống kê cổ điển.

“Trong nông nghiệp, sự không chắc chắn là điều không thể tránh khỏi”, ông nói. “Thời tiết, giá cả, sâu bệnh – mọi thứ đều thay đổi. Các phương pháp Bayes cho phép chúng ta đưa sự không chắc chắn đó vào mô hình thay vì giả định rằng nó không tồn tại”.

Tiềm năng và rủi ro của học máy (machine learning – ML)

Song song với những tiến bộ trong thống kê, học máy đã nhanh chóng được ứng dụng trong nghiên cứu nông học. Các mô hình như rừng ngẫu nhiên, mạng nơ-ron nhân tạo và nhiều thuật toán khác cho khả năng mô tả hiệu quả các mối quan hệ phi tuyến trong những bộ dữ liệu lớn và phức tạp. Trong lĩnh vực thí nghiệm trên nông trại, chúng mở ra khả năng tối ưu hóa các yếu tố đầu vào như phân đạm ở quy mô không gian chi tiết.

Tuy nhiên, Tanaka cũng nhấn mạnh sự cần thiết của việc thận trọng.

“Phần lớn các mô hình học máy rất tốt trong dự báo”, ông giải thích. “Nhưng các quyết định trong nông học lại liên quan đến quan hệ nhân–quả”.

Một mô hình có thể dự đoán năng suất rất chính xác nhưng lại hoàn toàn không hiểu nguyên nhân khiến năng suất thay đổi. Nếu lượng phân bón có mối tương quan với chất lượng đất giữa các trang trại, mô hình học máy có thể gán sự khác biệt về năng suất cho phân bón, ngay cả khi phân bón không có ảnh hưởng nhân quả đáng kể.

Sự phân biệt này đặc biệt quan trọng khi nông dân sử dụng mô hình để quyết định lượng phân bón cần bón. Việc đánh giá quá cao phản ứng của cây trồng đối với đầu vào có thể dẫn đến lãng phí vật tư và gây tác động tiêu cực đến môi trường.

Các nghiên cứu gần đây, được Tanaka và cộng sự tổng quan, cho thấy các phương pháp học máy mang tính nhân quả có thể cải thiện việc ước lượng hiệu ứng của nghiệm thức. Tuy nhiên, những phương pháp này vẫn đang trong giai đoạn phát triển và chưa có thuật toán nào phù hợp cho mọi bối cảnh.

“Thông điệp không phải là ‘đừng sử dụng học máy’”, Tanaka nói. “Mà là ‘đừng sử dụng nó một cách máy móc’”.

Vượt ra ngoài từng thửa ruộng: Học hỏi liên nông trại

Một thửa ruộng, một mùa vụ, hay một thí nghiệm đơn lẻ thường không đủ để tạo ra các khuyến nghị có độ tin cậy cao. Sự biến động của thời tiết, ngay cả trong một năm, cũng có thể làm lu mờ hoặc lấn át tác động của nghiệm thức.

Chính vì vậy, Tanaka xem tổng hợp dữ liệu liên vùng và liên nông trại là một trong những hướng phát triển quan trọng nhất của thí nghiệm trên nông trại.

Bằng cách kết hợp kết quả từ nhiều nông trại và nhiều năm khác nhau, các nhà nghiên cứu có thể nhận diện những quy luật mà ở cấp độ từng thửa ruộng riêng lẻ không thể quan sát được. Các phương pháp như phân tích tổng hợp, mô hình phân cấp Bayes hay các tiếp cận học máy theo vùng đều cho phép tích hợp các thí nghiệm rời rạc thành một hệ thống bằng chứng thống nhất.

“Những phương pháp này cho phép chúng ta chuyển từ các quan sát mang tính giai thoại sang bằng chứng khoa học”, Tanaka nói.

Đáng chú ý, việc học hỏi liên nông trại cũng mang theo những hàm ý xã hội quan trọng. Khi nông dân nhận thấy các thí nghiệm của họ đóng góp vào một cơ sở tri thức rộng lớn hơn và đồng thời nhận được phản hồi, mức độ tham gia thường có xu hướng tăng lên. Các mạng lưới hợp tác hình thành và quá trình học hỏi được thúc đẩy nhanh hơn.

“Theo nghĩa đó, thí nghiệm trên nông trại không chỉ là một hệ thống kỹ thuật. Đó còn là một hệ thống xã hội”, Tanaka bổ sung.

Tiềm năng của nông nghiệp quy mô nhỏ

Phần lớn các nghiên cứu về nông nghiệp chính xác tập trung vào các trang trại quy mô lớn, được cơ giới hóa cao ở châu Âu, Bắc Mỹ và Australia. Tuy nhiên, trên phạm vi toàn cầu, phần lớn nông dân đang canh tác ở một quy mô rất khác.

Tại Nhật Bản, chẳng hạn, diện tích mỗi thửa ruộng thường nhỏ hơn nửa hecta. Ở nhiều khu vực của châu Phi và châu Á, mức độ cơ giới hóa còn hạn chế và các thiết bị đo năng suất gần như không phổ biến. Trong những bối cảnh như vậy, câu hỏi đặt ra là liệu thí nghiệm trên nông trại có còn phù hợp hay không.

Theo Tanaka, câu trả lời là có, nếu các công cụ được điều chỉnh phù hợp.

“Hệ thống nông hộ quy mô nhỏ thực sự có tiềm năng rất lớn cho học hỏi và cải tiến”, ông cho biết. “Nhưng các công nghệ cần phải có chi phí hợp lý và dễ tiếp cận”.

Trong bối cảnh đó, điện thoại thông minh đang đóng vai trò đáng chú ý. Các nghiên cứu gần đây cho thấy năng suất có thể được ước tính thông qua hình ảnh chụp bằng điện thoại, kỹ thuật thị giác máy tính và các cảm biến chi phí thấp. Nhờ vậy, nông dân có thể thu thập dữ liệu mà không cần các thiết bị đắt tiền, đồng thời thiết kế thí nghiệm phù hợp với điều kiện thực tế tại địa phương.

“Những công cụ này không thể thay thế hoàn toàn các phép đo truyền thống, nhưng chúng giúp giảm đáng kể rào cản tham gia”, Tanaka lưu ý.

Kết quả là có thể hình thành một hình thức nghiên cứu nông học mang tính bao trùm hơn, vượt ra ngoài phạm vi các trạm nghiên cứu được đầu tư lớn và các trang trại thương mại quy mô lớn.

Mô phỏng như công cụ kiểm chứng khoa học

Một trong những yếu tố có phần “ngược trực giác” của nghiên cứu nông học hiện đại là việc sử dụng dữ liệu tổng hợp. Khi các thí nghiệm thực địa không thể quan sát trực tiếp mối quan hệ phản ứng năng suất thực sự – do bản chất của nó không thể đo lường đầy đủ trong mọi điều kiện – mô phỏng trở thành một hướng tiếp cận thay thế.

Bằng cách tạo ra các bộ dữ liệu nhân tạo với các mối quan hệ nhân–quả đã được xác định trước, các nhà nghiên cứu có thể kiểm tra xem phương pháp phân tích có thực sự tái tạo đúng kết quả hay không. Các mô hình cây trồng dựa trên quá trình sinh lý như APSIM hay WOFOST mô phỏng sự sinh trưởng của cây trồng trong các điều kiện khác nhau và có thể tạo ra các dạng phản ứng năng suất có tính không gian không đồng nhất, sát với thực tế.

“Những mô phỏng này giống như buồng mô phỏng bay trong hàng không”, Takashi Tanaka giải thích. “Chúng cho phép chúng ta kiểm tra các phương pháp một cách an toàn trước khi áp dụng ngoài đồng ruộng thực tế”.

Các phương pháp kết hợp, tích hợp giữa dữ liệu mô phỏng và dữ liệu thực từ các thí nghiệm trên nông trại, được đánh giá là đặc biệt tiềm năng. Chúng có thể bù đắp cho hạn chế về cỡ mẫu đồng thời giúp các mô hình có khả năng khái quát hóa tốt hơn theo không gian và thời gian.

Tái định hình bằng chứng trong nông học

Tổng hợp các hướng phát triển được Tanaka đề cập cho thấy một sự chuyển dịch âm thầm trong khoa học nông học. Tri thức không còn chỉ được tạo ra trong các thí nghiệm có kiểm soát rồi chuyển giao cho nông dân như trước đây.

Thay vào đó, tri thức ngày càng hình thành từ các chu trình học hỏi lặp lại, với sự tham gia đồng thời của nông dân, cán bộ tư vấn, nhà khoa học dữ liệu và các nhà nghiên cứu. Tuy nhiên, sự chuyển dịch này cũng đặt ra nhiều câu hỏi không đơn giản.

Mức độ phức tạp đến đâu là hợp lý trước khi mô hình trở nên khó diễn giải? Làm thế nào để truyền đạt sự không chắc chắn một cách phù hợp? Ai là người sở hữu dữ liệu được tạo ra trên đồng ruộng? Và làm thế nào để các khuyến nghị vẫn đáng tin cậy trong bối cảnh các quy trình phân tích ngày càng phức tạp?

“Có nguy cơ dẫn đến sự quá tự tin, các phương pháp phân tích tiên tiến có thể đưa ra những kết quả trông rất chính xác. Nhưng độ chính xác không đồng nghĩa với sự thật”, Tanaka thừa nhận.

Theo ông, giải pháp không nằm ở việc lựa chọn một “phương pháp tối ưu” duy nhất, mà là kết hợp nhiều cách tiếp cận, đối chiếu kết quả và đặt phân tích trong bối cảnh hiểu biết nông học cùng kinh nghiệm thực tiễn của nông dân.

“Cuối cùng, mục tiêu không phải là những mô hình hoàn hảo, mà là những quyết định tốt hơn”, ông nói.

Huỳnh Thị Đan Anh theo Phys.org