Projecting maize yield in the North China Plain under climate extremes: A hybrid crop model-machine learning approach
Cette étude développe un cadre hybride intégrant le modèle basé sur les processus APSIM avec des algorithmes d'apprentissage automatique et des techniques de sélection de caractéristiques pour améliorer significativement la précision de la prédiction du rendement du maïs dans la plaine du Nord de la Chine, révélant que les extrêmes climatiques futurs causeront des pertes de rendement substantielles même en tenant compte des effets positifs de l'élévation du CO₂.
Article original sous licence CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète
Imaginez que vous essayiez de prédire comment une plante géante et affamée s'en sortira dans un jardin qui devient plus chaud et plus sauvage chaque année. C'est le travail des chercheurs en agriculture qui étudient des cultures comme le maïs. Ils utilisent deux outils principaux pour deviner la récolte future. Le premier outil est un « livre de recettes » appelé modèle de culture. C'est comme un programme informatique qui connaît les règles de la biologie : de quelle quantité d'eau une plante a besoin, comment la lumière du soleil se transforme en nourriture, et comment les racines boivent dans le sol. Il est excellent pour suivre les règles, mais il est parfois confus lorsque la météo devient folle, comme lors d'une soudaine vague de chaleur accablante ou d'une inondation massive. Le second outil est un « super-apprenant » appelé apprentissage automatique (machine learning). Il s'agit d'un type d'intelligence artificielle qui examine des montagnes de données passées pour trouver des motifs cachés, comme un détective repérant des indices qu'un humain pourrait manquer. Il est incroyable pour deviner les résultats en se basant sur l'histoire, mais il ne comprend pas vraiment pourquoi la plante fait ce qu'elle fait. La grande question que se posent les scientifiques est la suivante : pouvons-nous combiner les règles strictes du livre de recettes avec l'intuition aiguisée du super-apprenant pour obtenir une prédiction parfaite ? C'est particulièrement important car les phénomènes météorologiques extrêmes deviennent plus fréquents et, si nous ne pouvons pas prédire la quantité de nourriture que nous aurons, cela pourrait nuire à notre approvisionnement alimentaire.
Regardons maintenant ce que cette étude spécifique a fait. Une équipe de chercheurs en Chine a décidé de construire un système « hybride » pour prédire les rendements du maïs dans la plaine de Chine du Nord, une région agricole massive qui nourrit des millions de personnes. Ils ont commencé avec leur livre de recettes, le modèle APSIM, qui simulait la croissance du maïs de printemps et d'été. Mais ils savaient que ce modèle seul n'était pas parfait pour gérer la météo extrême, alors ils ont ajouté une couche d'apprentissage automatique. Ils ont enseigné à deux détectives d'IA différents — Random Forest et Light Gradient Boosting Machine — à examiner les résultats de la simulation de l'ordinateur, puis à les corriger en fonction de 22 différents « indices de météo extrême ». Ces indices comprenaient des choses comme le nombre de jours où la température est restée au-dessus d'une certaine limite, la durée d'une sécheresse, ou le nombre de tempêtes de pluie torrentielles ayant frappé durant des périodes spécifiques de la vie de la plante. Pour s'assurer que l'IA ne soit pas submergée par trop d'informations, ils ont utilisé un filtre intelligent (un algorithme génétique) pour ne choisir que les indices les plus importants.
Les résultats ont été comme la découverte d'une arme secrète. Le modèle hybride, qui combinait les règles de la culture avec le travail de détective de l'IA, était bien meilleur pour deviner la récolte réelle que le livre de recettes seul. En fait, pour le maïs de printemps, le modèle hybride expliquait 94 % des variations de rendement, et pour le maïs d'été, il en expliquait 93 %. L'ancien modèle seul n'expliquait qu'environ 64 % à 68 %. Les chercheurs ont constaté que l'IA était particulièrement douée pour repérer quand une chaleur extrême ou une sécheresse nuirait réellement à la culture, ce que le modèle standard avait tendance à sous-estimer.
Lorsqu'ils ont utilisé ce modèle hybride surpuissant pour regarder dans le futur, les nouvelles ont été un peu sombres. Ils ont simulé ce qui se passerait sous différents scénarios climatiques, incluant un futur à hautes émissions où le monde devient beaucoup plus chaud. Sans aucune aide des niveaux croissants de dioxyde de carbone (qui peuvent parfois aider les plantes à pousser), le modèle a prédit que les rendements du maïs de printemps pourraient chuter de pas moins de 43,6 % et ceux du maïs d'été de 26,8 % d'ici la fin du siècle. Même en incluant « l'effet engrais » du dioxyde de carbone supplémentaire, qui aide un peu les plantes, le modèle hybride prédisait toujours des pertes significatives : 25,0 % pour le maïs de printemps et 24,6 % pour le maïs d'été. L'étude suggère que si le dioxyde de carbone supplémentaire aide, il n'est pas suffisant pour annuler les dommages causés par la chaleur extrême et la météo. Le modèle hybride a montré que le risque de perdre des récoltes est en réalité plus élevé que ce que les modèles standards prédisaient, ce qui signifie que nous pourrions être confrontés à une période plus difficile que prévu si nous n'adaptons pas nos stratégies agricoles.
Noyé(e) sous les articles dans votre domaine ?
Recevez des digests quotidiens des articles les plus récents correspondant à vos mots-clés de recherche — avec des résumés techniques, dans votre langue.