Evaluating and improving crop-yield forecasting methods during extreme drought

Ogni estate, agricoltori e governi guardano il cielo con un misto di speranza e ansia, cercando di indovinare quanto cibo verrà raccolto dai campi. Questo indovinare non è solo una questione di tradizione; è un calcolo complesso di come i modelli meteorologici, le condizioni del suolo e la biologia delle piante interagiscano per produrre un raccolto. Quando il tempo si comporta normalmente, i computer possono spesso effettuare queste previsioni con una ragionevole precisione osservando i modelli passati. Tuttavia, la natura non sempre segue le regole. Quando colpisce un evento estremo, come una grave siccità che brucia la terra e secca il suolo, i modelli abituali si interrompono. Le condizioni che le piante affrontano durante una crisi del genere cadono spesso al di fuori dell'intervallo di tutto ciò che è stato visto nella storia, lasciando gli strumenti di previsione standard confusi ed inefficaci. Questo è un problema critico perché una previsione errata può portare a instabilità economica e carenze alimentari, rendendo vitale trovare modi per prevedere le rese anche quando il tempo si comporta in modi senza precedenti.

Ricercatori del Boston College si sono posti l'obiettivo di risolvere questo specifico enigma testando quanto bene diversi tipi di modelli informatici potessero prevedere le rese del mais durante la devastante siccità del 2012 nel Midwest americano. Questa regione, nota come il Corn Belt, ha subito uno dei peggiori periodi di secco in cinquant'anni, riducendo la produzione nazionale di mais di circa il tredici per cento. Il team voleva vedere se fosse in grado di costruire un sistema che impari dal passato ma che rimanga abbastanza flessibile da gestire le strane condizioni estreme di un anno di disastro. Hanno confrontato due approcci principali: il machine learning tradizionale, che utilizza regole statistiche consolidate, e il deep learning, una forma più avanzata di intelligenza artificiale che imita il modo in cui il cervello umano elabora le informazioni attraverso strati di connessioni. La sfida era che i dati per l'anno della siccità erano diversi da tutto ciò che i modelli avevano mai visto prima, creando una situazione in cui i dati di addestramento e i dati di test erano fondamentalmente differenti.

Per affrontare questo compito, i ricercatori hanno raccolto i dati meteorologici giornalieri per centinaia di contee, monitorando sedici diversi fattori atmosferici come temperatura, umidità, vento e radiazione solare. Hanno notato che i dati erano disordinati; alcune contee avevano record mancanti e le misurazioni giornaliere non coprivano l'intero anno, ma solo la stagione di crescita. Per dare un senso a tutto ciò, hanno prima cercato di semplificare il problema utilizzando una tecnica chiamata selezione delle caratteristiche (feature selection). Invece di alimentare il computer con ogni singola misurazione meteorologica, hanno utilizzato un metodo per identificare quali driver specifici stessero effettivamente causando i cambiamenti nella resa dei raccolti. Hanno scoperto che, sebbene le persone pensino spesso che la pioggia e la temperatura siano i fattori più importanti, i modelli si affidavano maggiormente al deficit di pressione del vapore e all'evapotraspirazione. Questi sono parametri che misurano quanta acqua l'aria sta sottraendo alle piante e al suolo, combinando gli effetti di calore, umidità e luce solare in un unico, potente segnale di stress vegetale.

Lo studio ha rivelato una netta divisione nel modo in cui i diversi modelli hanno gestito la crisi. I modelli di machine learning tradizionale, che includono metodi come la regressione lineare e gli alberi decisionali, hanno faticato di fronte alla siccità estrema. Hanno performato male perché erano stati addestrati su anni "normali" e non riuscivano a riconoscere i modelli insoliti del 2012. Tuttavia, quando i ricercatori hanno modificato questi modelli per concentrarsi solo sui driver meteorologici più importanti e hanno dato un'importanza extra ai pochi anni storici che erano stati anch'essi secchi, le previsioni sono migliorate significativamente. Ciò ha dimostrato che, per i modelli più semplici, comprendere quali specifici fattori meteorologici siano rilevanti è la chiave per sopravvivere a un disallineamento dei dati.

Al contrario, il modello di deep learning, noto come VITA, si è comportato in modo straordinario senza necessitare di queste specifiche modifiche. Questo modello era stato pre-addestrato su una enorme quantità di dati meteorologici globali prima di essere testato sui campi di mais. Poiché aveva già imparato a riconoscere modelli meteorologici complessi da una vasta gamma di fonti, è stato in grado di adattarsi naturalmente alla siccità del 2012. Ha superato tutti gli altri modelli, sia nell'anno di siccità estrema che in un anno normale, dimostrando che un sistema ampio e pre-addestrato può generalizzare meglio di sistemi più piccoli e specializzati quando i dati diventano insoliti. I ricercatori hanno anche esaminato come il modello prendesse le sue decisioni e hanno scoperto che si è concentrato correttamente sulla metà della stagione di crescita, specificamente nelle settimane di giugno e luglio, quando il mais è più vulnerabile al calore e alla siccità. Ciò ha confermato che il modello non stava solo tirando a indovinare, ma stava effettivamente imparando la realtà biologica della coltura.

In definitiva, lo studio suggerisce che, sebbene i modelli avanzati di deep learning siano strumenti potenti per prevedere le rese dei raccolti durante eventi meteorologici estremi, non sono l'unica soluzione. Per situazioni in cui non possono essere utilizzati sistemi grandi e complessi, i modelli più semplici possono comunque essere resi efficaci selezionando attentamente i dati giusti e dando peso agli eventi storici più critici. La ricerca evidenzia che l'ostacolo maggiore nelle previsioni non è solo la mancanza di dati, ma il fatto che gli eventi estremi appaiono così diversi dal passato che gli strumenti standard non riescono a riconoscerli. Comprendendo queste differenze e regolando i modelli affinché prestino attenzione ai segnali corretti, gli scienziati possono costruire sistemi migliori per prevedere il raccolto, anche quando il cielo si volta contro le colture.