Projecting maize yield in the North China Plain under climate extremes: A hybrid crop model-machine learning approach
Diese Studie entwickelt ein hybrides Framework, das das APSIM-prozessbasierte Modell mit Algorithmen des maschinellen Lernens und Techniken der Merkmalsauswahl integriert, um die Genauigkeit der Maisertragsprognose in der Nordchinesischen Tiefebene signifikant zu verbessern, wobei aufgezeigt wird, dass zukünftige Klimaextreme selbst unter Berücksichtigung der positiven Effekte erhöhter CO₂-Konzentrationen erhebliche Ertragseinbußen verursachen werden.
Originalarbeit lizenziert unter CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen
Stellen Sie sich vor, Sie versuchen vorherzusagen, wie eine riesige, hungrige Pflanze in einem Garten zurechtkommt, der jedes Jahr heißer und wilder wird. Das ist die Aufgabe von Agrarwissenschaftlern, die Nutzpflanzen wie Mais untersuchen. Sie nutzen zwei Hauptwerkzeuge, um die zukünftige Ernte zu erraten. Das erste Werkzeug ist ein „Rezeptbuch“ namens Pflanzenmodell. Es ist wie ein Computerprogramm, das die Regeln der Biologie kennt: wie viel Wasser eine Pflanze braucht, wie Sonnenlicht in Nahrung umgewandelt wird und wie Wurzeln aus dem Boden trinken. Es ist großartig darin, den Regeln zu folgen, aber manchmal wird es verwirrt, wenn das Wetter verrückt spielt, wie etwa bei einer plötzlichen, sengenden Hitzewelle oder einer massiven Überschwemmung. Das zweite Werkzeug ist ein „Super-Lerner“ namens maschinelles Lernen. Dies ist eine Art künstliche Intelligenz, die Berge von vergangenen Daten durchforstet, um verborgene Muster zu finden, wie ein Detektiv, der Hinweise entdeckt, die ein Mensch vielleicht übersehen würde. Es ist fantastisch darin, Ergebnisse basierend auf der Geschichte zu erraten, aber es versteht nicht wirklich, warum die Pflanze das tut, was sie tut. Die große Frage, die sich Wissenschaftler stellen, laet: Können wir die strengen Regeln des Rezeptbuches mit der scharfen Intuition des Super-Lerners kombinieren, um eine perfekte Vorhersage zu erhalten? Dies ist besonders wichtig, da extremes Wetter immer häufiger vorkommt, und wenn wir nicht vorhersagen können, wie viel Nahrung wir haben werden, könnte das unsere Nahrungsmittelversorgung gefährden.
Schauen wir uns nun an, was diese spezifische Studie getan hat. Ein Forscherteam in China beschloss, ein „Hybridsystem“ zu bauen, um Maiserträge in der Nordchinesischen Ebene vorherzusagen, einer riesigen Agrarregion, die Millionen Menschen ernährt. Sie begannen mit ihrem Rezeptbuch, dem APSIM-Modell, das simulierte, wie Frühjahrs- und Sommersaisons des Maises wachsen. Aber sie wussten, dass dieses Modell allein nicht perfekt darin war, mit extremem Wetter umzugehen, also fügten sie eine Ebene des maschinellen Lernens hinzu. Sie brachten zwei verschiedene KI-Detektive – Random Forest und Light Gradient Boosting Machine – bei, die Simulationsergebnisse des Computers zu betrachten und diese dann basierend auf 22 verschiedenen „extremen Wetterhinweisen“ zu korrigieren. Diese Hinweise beinhalteten Dinge wie die Anzahl der Tage, an denen die Temperatur über einem bestimmten Limit blieb, wie lange eine Dürre anhielt oder wie viele schwere Regenstürme während spezifischer Phasen im Lebenszyklus der Pflanze auftraten. Um sicherzustellen, dass die KI nicht von zu vielen Informationen überwältigt wird, verwendeten sie einen intelligenten Filter (einen genetischen Algorithmus), um nur die wichtigsten Hinweise auszuwählen.
Die Ergebnisse waren wie das Finden einer Geheimwaffe. Das Hybridmodell, das die Pflanzenregeln mit der KI-Detektivarbeit kombinierte, war viel besser darin, die tatsächliche Ernte zu erraten, als das Rezeptbuch allein. Tatsächlich erklärte das Hybridmodell 94 % der Veränderungen beim Ertrag für den Frühjahrsmais und 93 % für den Sommermais. Das alte Modell allein erklärte nur etwa 64 % bis 68 %. Die Forscher fanden heraus, dass die KI besonders gut darin war, zu erkennen, wann extreme Hitze oder Dürre den Ernteertrag wirklich schädigen würden, etwas, was das Standardmodell dazu neigte, zu unterschätzen.
Als sie dieses superstarke Hybridmodell nutzten, um in die Zukunft zu blicken, waren die Nachrichten etwas ernüchternd. Sie simulierten, was unter verschiedenen Klimaszenarien passieren würde, einschließlich einer Zukunft mit sehr hohen Emissionen, in der die Welt viel heißer wird. Ohne jegliche Hilfe durch steigende Kohlendioxidwerte (die Pflanzen manchmal beim Wachsen helfen können), sagte das Modell voraus, dass die Erträge beim Frühjahrsmais bis zum Ende des Jahrhunderts um bis zu 43,6 % und beim Sommermais um 26,8 % sinken könnten. Selbst wenn sie den „Düngereffekt“ von zusätzlichem Kohlendioxid einbeziehen, der Pflanzen ein wenig hilft, sagte das Hybridmodell immer noch signifikante Verluste voraus: 25,0 % für den Frühjahrsmais und 24,6 % für den Sommermais. Die Studie legt nahe, dass zusätzliches Kohlendioxid zwar hilft, aber nicht ausreicht, um den Schaden durch extreme Hitze und Wetter zu kompensieren. Das Hybridmodell zeigte, dass das Risiko von Ernteverlusten tatsächlich höher ist, als die Standardmodelle vorhersagten, was bedeutet, dass wir es – wenn wir unsere Anbaumethoden nicht anpassen – womöglich schwerer haben werden als gedacht.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.