Evaluating and improving crop-yield forecasting methods during extreme drought

Jeden Sommer blicken Landwirte und Regierungen mit einer Mischung aus Hoffnung und Angst gen Himmel, um zu erraten, wie viel Nahrungsmittel von den Feldern geerntet werden wird. Dieses Raten ist nicht nur eine Angelegenheit der Tradition; es ist eine komplexe Berechnung darüber, wie Wetterlagen, Bodenbedingungen und Pflanzenbiologie interagieren, um eine Ernte hervorzubringen. Wenn sich das Wetter normal verhält, können Computer diese Vorhersagen oft mit angemessener Genauigkeit treffen, indem sie auf vergangene Muster zurückblicken. Doch die Natur folgt nicht immer den Regeln. Wenn ein extremes Ereignis eintritt, wie etwa eine schwere Dürre, die das Land versengt und den Boden austrocknet, brechen die üblichen Muster zusammen. Die Bedingungen, denen Pflanzen während eines solchen Krisenfalls ausgesetzt sind, liegen oft außerhalb des Bereichs von allem, was in der Geschichte gesehen wurde, was dazu führt, dass Standard-Prognosewerkzeuge verwirrt und unwirksam werden. Dies ist ein kritisches Problem, da eine fehlgeschlagene Vorhersage zu wirtschaftlicher Instabilität und Nahrungsmittelknappheit führen kann, wesverfügbar es daher lebensnotwendig ist, Wege zu finden, um Erträge selbst dann vorherzusagen, wenn sich das Wetter auf beispiellose Weise verhält.

Forscher der Boston College machten sich daran, dieses spezifische Rätsel zu lösen, indem sie testeten, wie gut verschiedene Arten von Computermodellen die Maiserträge während der verheerenden Dürre von 2012 im amerikanischen Mittleren Westen vorhersagen konnten. Diese Region, bekannt als der Corn Belt, litt unter einer der schlimmsten Trockenperioden der letzten fünfzig Jahre, was die nationale Maisproduktion um etwa dreizehn Prozent reduzierte. Das Team wollte sehen, ob sie ein System bauen könnten, das aus der Vergangenheit lernt, aber flexibel genug bleibt, um mit den seltsamen, extremen Bedingungen eines Krisenjahres umzugehen. Sie verglichen zwei Hauptansätze: traditionelles maschinelles Lernen, das etablierte statistische Regeln verwendet, und Deep Learning, eine fortgeschrittenere Form der künstlichen Intelligenz, die die Art und Weise nachahmt, wie das menschliche Gehirn Informationen durch Schichten von Verbindungen verarbeitet. Die Herausforderung bestand darin, dass die Daten für das Dürrejahr anders waren als alles, was die Modelle zuvor gesehen hatten, was zu einer Situation führte, in der die Trainingsdaten und die Testdaten grundlegend verschieden waren.

Um dies anzugehen, sammelten die Forscher tägliche Wetterdaten für hunderte von Landkreisen und verfolgten sechzehn verschiedene atmosphärische Faktoren wie Temperatur, Luftfeuchtigkeit, Wind und Sonnenstrahlung. Sie bemerkten, dass die Daten unordentlich waren; einige Landkreise hatten fehlende Aufzeichnungen, und die täglichen Messungen deckten nicht das gesamte Jahr ab, sondern nur die Wachstumsperiode. Um dies sinnvoll zu erfassen, versuchten sie zuerst, das Problem durch eine Technik namens Merkmalsauswahl (Feature Selection) zu vereinfachen. Anstatt dem Computer jede einzelne Wettermessung zuzuführen, nutzten sie eine Methode, um zu identifizieren, welche spezifischen Treiber tatsächlich die Veränderungen beim Maisertrag verurschten. Sie fanden heraus, dass die Modelle, obwohl Menschen oft denken, dass Regen und Temperatur die wichtigsten Faktoren seien, tatsächlich stärker auf das Dampfdruckdefizit und die Evapotranspiration angewiesen waren. Dies sind Maße dafür, wie viel Wasser die Luft aus den Pflanzen und dem Boden zieht, wobei die Effekte von Hitze, Luftfeuchtigkeit und Sonnenlicht in ein einziges, kraftvolles Signal von Pflanzenstress kombiniert werden.

Die Studie offenbarte eine klare Kluft in der Art und Weise, wie die verschiedenen Modelle mit der Krise umgingen. Die traditionellen Modelle des maschinellen Lernens, zu denen Methoden wie lineare Regression und Entscheidungsbäume gehören, hatten mit der extremen Dürre zu kämpfen. Sie schnitten schlecht ab, weil sie auf „normalen“ Jahren trainiert worden waren und die seltsamen Muster von 2012 nicht erkennen konnten. Die Vorhersagen verbesserten sich jedoch signifikant, als die Forscher diese Modelle modifizierten, um sich nur auf die wichtigsten Wettertreiber zu konzentrieren und den wenigen historischen Jahren, die ebenfalls trocken waren, eine größere Bedeutung beimaßen. Dies zeigte, dass für einfachere Modelle das Verständnis darüber, welche spezifischen Wetterfaktoren am wichtigsten sind, der Schlüssel zum Überleben eines Daten-Mismatch ist.

Im Gegensatz dazu schnitt das Deep-Learning-Modell namens VITA hervorragend ab, ohne dass diese spezifischen Anpassungen nötig waren. Dieses Modell war vor dem Test auf den Maisfeldern bereits mit einer massiven Menge an globalen Wetterdaten vortrainiert worden. Da es bereits gelernt hatte, komplexe Wetterlagen aus einer Vielzahl von Quellen zu erkennen, war es in der Lage, sich natürlich an die Dürre von 2012 anzupassen. Es übertraf alle anderen Modelle sowohl im extremen Dürrejahr als auch in einem normalen Jahr und bewies damit, dass ein großes, vortrainiertes System besser generalisieren kann als kleinere, spezialisierte Systeme, wenn die Daten „seltsam“ werden. Die Forscher untersuchten auch, wie das Modell seine Entscheidungen traf, und fanden heraus, dass es seine Aufmerksamkeit korrekt auf die Mitte der Wachstumsperiode lenkte, speziell auf die Wochen im Juni und Juli, in denen Mais besonders anfällig für Hitze und Trockenheit ist. Dies bestätigte, dass das Modell nicht nur rät, sondern tatsächlich die biologische Realität der Nutzpflanze gelernt hat.

Letztendlich legt die Studie nahe, dass fortgeschrittene Deep-Learning-Modelle zwar leistungsstarke Werkzeuge zur Vorhersage von Ernteerträgen bei Extremwetter sind, aber nicht die einzige Lösung darstellen. Für Situationen, in denen große, komplexe Systeme nicht eingesetzt werden können, können auch einfachere Modelle effektiv gemacht werden, indem man die richtigen Daten sorgfältig auswählt und die kritischsten historischen Ereignisse gewichtet. Die Forschung hebt hervor, dass die größte Hürde in der Vorhersage nicht nur der Mangel an Daten ist, sondern die Tatsache, dass extreme Ereignisse so anders aussehen als die Vergangenheit, dass Standardwerkzeuge sie nicht erkennen können. Durch das Verständnis dieser Unterschiede und die Anpassung der Modelle, damit sie auf die richtigen Signale achten, können Wissenschaftler bessere Systeme bauen, um die Ernte vorherzusagen, selbst wenn der Himmel sich gegen die Pflanzen wendet.