Projecting maize yield in the North China Plain under climate extremes: A hybrid crop model-machine learning approach
تُطوّر هذه الدراسة إطار عمل هجين يدمج نموذج APSM القائم على العمليات مع خوارزميات تعلم الآلة وتقنيات اختيار الميزات لتحسين دقة التنبؤ بإنتاجية الذرة بشكل كبير في سهل شمال الصين، كاشفةً أن الظواهر المناخية المتطرفة في المستقبل ستتسبب في خسائر كبيرة في الإنتاج حتى عند أخذ التأثيرات الإيجابية لارتفاع مستويات ثاني أكسيد الكربون في الاعتبار.
المؤلفون الأصليون:Haonan Tan, Dengpan Xiao, Huizi Bai, Yang Lu, Lihua Lv, Peipei Pan, Dandan Ren, Man Zhang, Xiaomeng Yin, Yan Wang, Ying Li, Chen Wang, Maoyuan Sun
تخيل أنك تحاول التنبؤ بكيفية أداء نبات عملاق وجائع في حديقة تزداد حرارةً وجموحاً كل عام. هذه هي مهمة علماء الزراعة الذين يدرسون المحاصيل مثل الذرة. يستخدم هؤلاء أداتين رئيسيتين لتخمين الحصاد المستقبلي. الأداة الأولى هي "كتاب وصفات" يسمى نموذج المحصول. إنه يشبه برنامج كمبيوتر يعرف قواعد البيولوجيا: كمية المياه التي يحتاجها النبات، وكيف تتحول أشعة الشمس إلى غذاء، وكيف تشرب الجذور من التربة. إنه بارع في اتباع القواعد، لكنه يصاب بالارتباك أحياناً عندما يجن جنون الطقس، مثل موجة حر مفاجئة وحارقة أو فيضان هائل. الأداة الثانية هي "المتعلم الخارق" المسمى تعلم الآلة. هذا النوع من الذكاء الاصطناعي ينظر إلى جبال من البيانات الماضية للعثور على أنماط خفية، مثل محقق يلمح أدلة قد تفوت البشر. إنه مذهل في تخمين النتائج بناءً على التاريخ، لكنه لا يفهم حقاً "لماذا" يفعل النبات ما يفعله. السؤال الكبير الذي يطرحه العلماء هو: هل يمكننا دمج قواعد كتاب الوصفات الصارمة مع الحدس الحاد للمتعلم الخارق للحصول على تنبؤ مثالي؟ هذا الأمر مهم بشكل خاص لأن الطقس المتطرف أصبح أكثر شيوعاً، وإذا لم نتمكن من التنبؤ بكمية الغذاء التي سنحصل عليها، فقد يؤثر ذلك على إمداداتنا الغذائية.
الآن، دعونا ننظر إلى ما فعله هذه الدراسة تحديداً. قرر فريق من الباحثين في الصين بناء نظام "هجين" للتنبؤ بإنتاجية الذرة في سهل شمال الصين، وهي منطقة زراعية ضخمة تغذي الملايين. بدأوا بكتاب الوصفات الخاص بهم، وهو نموذج APSIM، الذي يحاكي كيفية نمو ذرة الربيع والصيف. لكنهم أدركوا أن هذا النموذج وحده لم يكن مثالياً في التعامل مع الطقس المتطرف، لذا أضافوا طبقة من تعلم الآلة. لقد علموا محققين مختلفين من الذكاء الاصطناعي — وهما "الغابة العشوائية" (Random Forest) و"آلة تعزيز التدرج الخفيف" (Light Gradient Boosting Machine) — للبحث في نتائج محاكاة الكمبيوتر ثم تصحيحها بناءً على 22 "دليلاً مختلفاً للطقس المتطرف". شملت هذه الأدلة أشياء مثل عدد الأيام التي ظلت فيها درجة الحرارة فوق حد معين، أو مدة استمرار الجفاف، أو عدد العواصف المطرية الغزيرة التي ضربت أجزاء معينة من حياة النبات. ولضمان عدم شعور الذكاء الاصطناعي بالإرهاق بسبب كثرة المعلومات، استخدموا مرشحاً ذكياً (خوارزمية جينية) لاختيار أهم الأدلة فقط.
كانت النتائج أشبه بالعثور على سلاح سري. كان النموذج الهجين، الذي جمع بين قواعد المحصول وعمل المحقق الذكاء الاصطناعي، أفضل بكثير في تخمين الحصاد الفعلي من كتاب الوصفات وحده. في الواقع، بالنسبة لذرة الربيع، فسر النموذج الهجين 94% من التغيرات في الإنتاجية، وبالنسبة لذرة الصيف، فسر 93%. أما النموذج القديم وحده فقد فسر حوالي 64% إلى 68% فقط. وجد الباحثون أن الذكاء الاصطناعي كان بارعاً بشكل خاص في رصد متى يمكن للحرارة الشديدة أو الجفاف أن يؤذيا المحصول حقاً، وهو أمر يميل النموذج القياسي إلى التقليل من شأنه.
عندما استخدموا هذا النموذج الهجين فائق القوة للنظر في المستقبل، كانت الأخبار كئيبة بعض الشيء. لقد قاموا بمحاكاة ما سيحدث تحت سيناريوهات مناخية مختلفة، بما في ذلك مستقبل عالي الانبعاثات حيث يصبح العالم أكثر سخونة بكثير. بدون مساعدة من مستويات ثاني أكسيد الكربون المرتفعة (والتي يمكن أن تساعد النباتات على النمو أحياناً)، توقع النموذج أن إنتاجية ذرة الربيع قد تنخفض بنسبة تصل إلى 43.6% وذرة الصيف بنسبة 26.8% بحلول نهاية القرن. وحتى عند تضمين "تأثير السماد" الناتج عن زيادة ثاني أكسيد الكربون، والذي يساعد النباتات قليلاً، ظل النموذج الهجين يتوقع خسائر كبيرة: 25.0% لذرة الربيع و24.6% لذرة الصيف. تشير الدراسة إلى أنه على الرغم من أن زيادة ثاني أكسيد الكربون تساعد، إلا أنها ليست كافية لإلغاء الضرر الناجم عن الحرارة الشديدة والطقس المتطرف. أظهر النموذج الهيدينا أن خطر فقدان المحاصيل أعلى مما توقعته النماذج القياسية، مما يعني أننا قد نواجه وقتاً أصعب مما اعتقدنا إذا لم نكيف استراتيجياتنا الزراعية.
ملخص تقني: توقع إنتاجية الذرة في سهل شمال الصين تحت تأثير الظواهر المناخية المتطرفة
بيان المشكلة تُعد نماذج المحاصيل القائمة على العمليات، مثل محاكي نظم الإنتاج الزراعي (APSIM)، أدوات راسخة لتقييم آثار تغير المناخ على الزراعة. ومع ذلك، فإنها غالبًا ما تواجه صعوبة في التحديد الكمي الدقيق لآثار الأحداث المناخية المتطرفة (مثل موجات الحر، والجفاف، وهطول الأمطار الغزيرة) على إنتاجية المحاصيل بسبب التمثيلات المبسطة لآليات الإجهاد. وفي المق المقابل، تبرع النماذج الإحصائية ونماذج التعلم الآلي (ML) في التقاط العلاقات المعقدة وغير الخطية بين المناخ والإنتاجية، لكنها تفتقر غالبًا إلى الفهم الفسيولوجي والإيكولوجي للعمليات المتأصلة في النماذج الميكانيكية. ويواجه سهل شمال الصين (NCP)، وهو منطقة حيوية لإنتاج الذرة، زيادة في وتيرة وشدة الطقس المتطرف، مما يستلồi ضرورة وجود إطار عمل قوي يتغلب على قيود النماذج المستقلة لتوقع مخاطر الإنتاجية المستقبلية بدقة.
المنهجية طورت الدراسة إطار محاكاة هجين يدمج نموذج APSIM-maize مع خوارزميات التعلم الآلي (الغابة العشوائية [RF] وآلة تعزيز التدرج الخفيف [LGBM]) وتقنيات اختيار الميزات.
منطقة الدراسة والبيانات: ركز البحث على 51 محطة للأرصاد الجوية الزراعية عبر سهل شمال الصين، تغطي مناطق زراعة الذرة الربيعية والصيفية. تضمنت البيانات التاريخية (1981-2010) متغيرات الأرصاد الجوية، وخصائص التربة، وممارسات إدارة المحاصيل. واستخدمت التوقعات المستقبلية 27 نموذجًا مناخيًا عالميًا (GCMs) من مشروع CMIP6 تحت مسارين اجتماعيين واقتصاديين مشتركين (SSP245 وSSP585) لفترتي الأربعينيات والثمانينيات من القرن الحالي.
مؤشرات المناخ المتطرف (ECIs): تم إنشاء اثنين وعشرين مؤشرًا للمناخ المتطرف عبر ثلاث مراحل نمو رئيسية (من الزراعة إلى مرحلة التواء الساق، ومن التواء الساق إلى مرحلة التزهير، ومن التزهير إلى مرحلة النضج). وصنفت هذه المؤشرات درجات الحرارة المرتفعة المتطرفة، والجفاف (باستخدام SPI وSPEI)، وأحداث هطول الأمطار المتطرفة.
اختيار الميزات: تم استخدام طريقتين لتحديد المتنبئات الأكثر معلوماتية من بين 22 مؤشرًا للمناخ المتطرف:
الانحدار التدريجي (SR): طريقة خطية لاستبعاد المتنبئات الزائدة عن الحاجة.
الخوارزمية الجينية (GA): طريقة تحسين غير خطية مستوحاة من الانتقاء الطبيعي لإيجاد مجموعات فرعية مثالية من المتغيرات.
بناء النموذج الهجين: تم بناء ستة نماذج هجينة من خلال دمج مخرجات APSIM (النمو الظاهري، الكتلة الحيوية، الإنتاجية) مع مؤشرات المناخ المتطرف المختارة كمدخلات لخوارزميات RF وLGBM. وكانت النماذج هي: APSIM+RF+SR، وAPSIM+RF+GA، وAPSIM+RF+All، وAPSIM+LGBM+SR، وAPSIM+LGBM+GA، وAPSIM+LGBM+All.
التقييم: تم تقييم أداء النموذج باستخدام معامل التحديد (R2)، وجذر متوسط مربع الخطأ (RMSE)، ومتوسط الخطأ المطلق (MAE) مقابل بيانات الإنتاجية المرصودة. واستُخدم النموذج الأفضل أداءً لاحقًا لتوقع الإنتاجية المستقبلية في سيناريوهات مع وبدون تأثيرات تسميد ثاني أكسيد الكربون (CO2).
النتائج الرئيسية
أداء النموذج: فسر نموذج APSIM المستقل 64% من تباين الإنتاجية للذرة الربيعية و68% للذرة الصيفية. تفوقت جميع النماذج الهجينة بشكل كبير على نموذج APSIM المستقل. حقق نموذج APSIM+RF+GA أعلى دقة، حيث فسر 94% من تباين إنتاجية الذرة الربيعية و93% من تباين إنتاجية الذرة الصيفية. مقارنة بنموذج APSIM وحده، حسن هذا النهج الهجين دقة المحاكاة بنسبة 30% للذرة الربيعية و31% للذرة الصيفية.
كفاءة اختيار الميزات: حددت الخوارما الجينية (GA) باستمرار مجموعة أصغر من المتنبئات (12 مؤشرًا للمناخ المتطرف) حافظت على دقة تنبؤية عالية، مما أثبت أن اختيار الميزات غير الخطي يقلل بفعالية من "لعنة الأبعاد" دون التضحية بالأداء.
توقعات الإنتاجية المستقبلية:
تحت سيناريو الانبعاثات العالية SSP585 لفترة الثمانينيات، توقع النموذج الهجين خسائر أكبر بكثير في الإنتاجية مقارنة بنموذج APSIM المستقل. بدون تأثيرات تسميد ثاني أكسيد الكربون، قُدرت الخسائر بنسبة 43.6% للذرة الربيعية و26.8% للذرة الصيفية.
عند تضمين تأثيرات تسميد ثاني أكسيد الكربون، لا يزال النموذج الهجين يتوقع خسائر كبيرة بلغت 25.0% (ربيعي) و24.6% (صيفي).
قلل نموذج APSM المستقل باستمرار من تقدير خسائر الإنتاجية مقارنة بالنموذج الهجين، لا سيما في سيناريوهات الانبعاثات العالية، مما يشير إلى فشله في استيعاب شدة آثار المناخ المتطرف بشكل كامل.
الاتجاهات المكانية والزمانية: من المتوقع أن تكون انخفاضات الإنتاجية أكثر حدة في الثمانينيات مقارنة بالأربعينيات، وتحت سيناريو SSP585 مقارنة بـ SSP245. وتشير عدم التجانس المكاني إلى أن السهول الوسطى والجنوبية الشرقية تواجه المخاطر الأكثر شدة.
الأهمية والادعاءات يزعم المؤلفون أن إطار العمل الهجين المطور يعالج القيود المتأصلة في النماذج القائمة على العمليات المستقلة في التقاط التأثيرات غير الخطية والشديدة للأحداث المناخية المتطرفة على إنتاجية المحاصيل. ومن خلال دمج الفهم الميكانيكي (APPSIM) مع التعرف على الأنماط القائم على البيانات (RF/LGBM) واختيار الميزات الأمثل (GA)، توفر الدراسة أداة أكثر موثوقية للتنبؤ بإنتاجية المحاصيل المستقبلية.
وتشمل الاستنتاجات الرئيسية ما يلي:
تقييم المخاطر المتفوق: يكشف النموذج الهجين عن مخاطر أكبر في انخفاض الإنتاجية مقارنة بالنماذج التقليدية، مما يشير إلى أن الاعتماد فقط على النماذج القائمة على العمليات قد يؤدي إلى توقعات متفائلة للغاية بشأن القدرة على الصمود الزراعية في المستقبل.
محدودية تسميد ثاني أكسيد الكربون: بينما يمارس ارتفاع تركيزات ثاني أكسيد الكربون تأثيرًا إيجابيًا على إنتاجية الذرة، تجد الدراسة أن هذه الفائدة غير كافية لتعويض الآثار السلبية لتغير المناخ والظواهر الجوية المتطرفة.
القيمة الاستراتيجية: يوفر إطار العمل أساسًا علميًا لصياغة استراتيجيات التكيف الزراعي الإقليمية، مثل استنباط أصناف مقاومة للإجهاد وتعديل مواعيد الزراعة، المصممة خصيصًا لتهديدات المناخ المتطرف المتميزة التي تواجه الذرة الربيعية والصيفية في سهل شمال الصين.