NeuralCrop: Combining physics and machine learning for improved crop yield projections

Dit artikel introduceert NeuralCrop, een hybride model dat process-gebaseerde gewasmodellen combineert met machine learning om nauwkeurigere en computerefficiëntere opbrengstprojecties te genereren, vooral onder extreme klimaatcondities.

De kern

NeuralCrop: De Slimme Boer die de Natuur begrijpt

Stel je voor dat je een voorspelling wilt doen over hoe goed het gewas dit jaar gaat groeien. Dit is cruciaal voor onze voedselvoorziening, zeker nu het klimaat steeds onvoorspelbaarder wordt met extreme droogte en overstromingen.

Vroeger hadden we twee soorten "boeren" (modellen) die dit probeerden te voorspellen:

1. De Theorie-Boer (GGCM): Deze kent alle natuurwetten uit zijn hoofd. Hij weet precies hoe fotosynthese werkt en hoe water door de grond trekt. Maar hij is een beetje star. Hij volgt de regels heel strikt, waardoor hij soms de echte, chaotische natuur niet goed begrijpt. Hij negeert bijvoorbeeld soms hoe extreem droogte een gewas echt kan verpletteren.
2. De Data-Boer (Machine Learning): Deze kijkt alleen naar de cijfers van de afgelopen jaren. Hij is heel goed in het herkennen van patronen ("als het regent, groeit het"). Maar hij begrijpt de waarom niet. Als het klimaat verandert naar iets dat we nog nooit hebben gezien, raakt deze boer in paniek en maakt hij rare voorspellingen. Hij kan niet goed extrapoleren.

NeuralCrop: De Perfecte Mix

De onderzoekers van dit papier hebben een nieuwe, hybride boer bedacht: NeuralCrop.

Je kunt je NeuralCrop voorstellen als een meesterkok die werkt in een supermoderne keuken:

• De keuken zelf is gebouwd volgens de strenge natuurwetten (het fysieke model). De gaskachels, de koelkasten en de afzuigkappen werken precies zoals de natuur het voorschrijft.
• Maar de kok (het kunstmatige intelligentie-deel) is een genie dat de recepten van de meesterkok heeft aangepast. Waar de oude kok soms een recept te simpel hield ("als het droog is, dan groeit het minder"), heeft de nieuwe kok geleerd van echte ervaringen (observaties) om te weten hoeveel minder het precies groeit, zelfs in extreme situaties.

Hoe werkt het? (De Twee-Fasen Training)

De onderzoekers hebben NeuralCrop niet zomaar op de wereld losgelaten. Ze hebben hem in twee stappen getraind, net zoals een leerling die eerst theorie leert en dan praktijk doet:

1. Fase 1: De Theorie (Pre-training): Eerst leerden ze NeuralCrop om na te doen wat de oude, strenge "Theorie-Boer" zou doen. Hierdoor leerde de AI de basisregels van de natuurwetten. Hij leerde dat water nodig is en dat de zon energie geeft. Dit zorgt ervoor dat hij niet gaat "dromen" of foute dingen zegt die fysiek onmogelijk zijn.
2. Fase 2: De Praktijk (Fine-tuning): Vervolgens kregen ze echte data binnen van boeren en meetstations over de hele wereld (hoeveel CO2 planten eten, hoeveel water ze drinken). Nu mocht de AI de "recepten" van de oude theorie-Boer aanpassen om beter te passen bij de echte wereld. Hij leerde: "Oh, in de praktijk is het effect van droogte nog veel erger dan de theorie zegt!"

Waarom is dit zo geweldig?

• Hij is sneller: De oude modellen waren als een oude, zware vrachtwagen die langzaam over de weg reed. NeuralCrop is als een Formule 1-auto die op een krachtige computer (GPU) rijdt. Hij is tot wel 82 keer sneller. Dit betekent dat we nu duizenden scenario's tegelijk kunnen simuleren, iets dat voorheen te lang duurde.
• Hij ziet de noodsituaties: Bij extreme droogte (zoals in 2018 in Europa of 2012 in de VS) faalden de oude modellen vaak. Ze zeiden: "Het gaat wel een beetje minder," terwijl het in werkelijkheid een ramp was. NeuralCrop ziet de ramp aankomen en voorspelt de schade veel nauwkeuriger.
• Hij is betrouwbaar: Omdat hij de natuurwetten nog steeds in zijn hoofd heeft, kan hij ook voorspellingen doen voor klimaten die we nog niet hebben gezien (bijvoorbeeld in de toekomst of in gebieden waar we weinig data hebben). Pure AI-modellen zouden daar vaak fouten maken, maar NeuralCrop blijft logisch.

Kortom:
NeuralCrop is de toekomst van landbouwvoorspellingen. Het combineert de wijsheid van de natuurwetten met de leergierigheid van moderne kunstmatige intelligentie. Het is alsof we een superboer hebben die zowel de natuurkunde als de statistiek perfect beheerst, zodat we beter kunnen voorbereiden op de klimaatverandering en onze voedselvoorziening veilig kunnen stellen.

Technische samenvatting

Probleemstelling

Wereldwijde rastergewasmodellen (GGCMs) zijn essentieel om de impact van klimaatverandering op de landbouwproductiviteit te projecteren en risico's voor de voedselzekerheid te beoordelen. Ondanks decennia van ontwikkeling vertonen geavanceerde GGCMs echter nog steeds aanzienlijke onzekerheden, voornamelijk door vereenvoudigde representaties van fysische processen. Een kritiek punt is dat deze modellen vaak de opbrengstverliezen tijdens extreme weersomstandigheden (zoals droogte en overstromingen) onderschatten.

Aan de andere kant bieden machine learning (ML) benaderingen, getraind op observationele data, een alternatief. Pure ML-modellen kunnen echter complexe, niet-lineaire interacties leren, maar missen fysische mechanismen. Dit leidt tot slechte generalisatie naar ongeziene toekomstige klimaatscenario's (out-of-distribution generalization) en neigt naar overmatige gladstrijking van projecties, waardoor extreme gebeurtenissen niet goed worden vastgelegd. Bestaande hybride modellen gebruiken ML vaak slechts als een post-processing stap of om GGCMs te emuleren, in plaats van deze diep te integreren in de interne processen.

Methodologie: NeuralCrop

De auteurs introduceren NeuralCrop, een differentieerbaar hybride GGCM dat de sterke punten van een geavanceerd procesgebaseerd model combineert met data-gedreven ML-componenten.

1. Architectuur en Differentieerbaarheid:

   • NeuralCrop is gebaseerd op LPJmL (Lund-Potsdam-Jena managed Land), een toonaangevend procesgebaseerd GGCM.
   • Om ML naadloos te integreren en end-to-end training mogelijk te maken, is het model herschreven in Julia, een programmeertaal die geschikt is voor zowel wetenschappelijk rekenen als automatische differentiatie (via Zygote.jl).
   • Traditionele GGCMs (vaak geschreven in Fortran of C) zijn niet differentieerbaar, wat gradient-based optimalisatie verhindert. NeuralCrop maakt dit mogelijk door alle processen differentieerbaar te maken.
   • ML-componenten (volledig verbonden neurale netwerken en Neural Ordinary Differential Equations - NODEs) vervangen of verrijken specifieke biologische processen die onzeker of vereenvoudigd zijn, zoals fotosynthese, koolstofallocatie, en bodemwaterdynamiek.

2. Tweestaps Trainingsstrategie:
   Vanwege de schaarste aan hoogwaardige landbouwobservaties wordt een tweestapsstrategie toegepast:

   • Fase 1: Pre-training: NeuralCrop wordt eerst getraind om het gedrag van het procesgebaseerde LPJmL te emuleren. Hierdoor leert het ML-componenten fysisch consistente representaties van latente variabelen, wat de convergentie stabiliseert.
   • Fase 2: Fine-tuning: Het voorgeprogrammeerde model wordt vervolgens fijngesleuteld (fine-tuned) met echte observationele data van eddy-covariantie-netwerken (zoals FLUXNET, AmeriFlux, ICOS). Hierbij worden de ML-componenten geoptimaliseerd om de waargenomen koolstof- en waterstromen (GPP, RECO, SWC) beter te reproduceren, terwijl de fysische structuur behouden blijft.

3. Online Training:
   In tegenstelling tot "offline" training (waarbij ML los van het model wordt getraind), maakt NeuralCrop gebruik van end-to-end online training. De ML-componenten worden continu geoptimaliseerd in samenwerking met de modeldynamica, wat zorgt voor numerieke stabiliteit en fysieke consistentie over lange simulaties.

Belangrijkste Bijdragen

• Eerste End-to-End Differentieerbare GGCM: NeuralCrop is, voor zover bekend, het eerste hybride GGCM dat volledig differentieerbaar is en ML-componenten direct integreert in de dynamische kern van het model.
• Computationele Efficiëntie: Door gebruik te maken van GPU-versnelling is NeuralCrop ordes van grootte sneller dan traditionele CPU-gebaseerde GGCMs. In tests was het tot 82 keer sneller dan LPJmL bij het uitvoeren van globale simulaties.
• Verbeterde Generalisatie: Het hybride ontwerp zorgt voor robuuste generalisatie naar ongeziene klimaatscenario's, wat een groot probleem is bij pure ML-modellen.

Resultaten

De prestaties van NeuralCrop werden geëvalueerd voor tarwe in Europa en maïs in de Amerikaanse Corn Belt (2000-2016) en vergeleken met LPJmL en het AgMIP-ensemble (8 GGCMs).

1. Inter-jaarlijkse Variabiliteit:

   • NeuralCrop toont een ruimtelijk consistentere en sterkere correlatie met waargenomen opbrengsten dan LPJmL en het AgMIP-ensemble.
   • Voor tarwe in Europa verbeterde NeuralCrop de correlatie in 66% van de subnationale regio's ten opzichte van LPJmL.
   • Voor maïs in de VS verbeterde het de correlatie in 71,5% van de county's.

2. Prestaties onder Extreme Omstandigheden:

   • Droogte: Traditionele GGCMs onderschatten vaak opbrengstverliezen tijdens droogte. NeuralCrop reproduceert deze verliezen nauwkeuriger, met name tijdens extreme droogte-jaren (bijv. 2018 in Europa en 2012 in de VS).
   • Overvloedige regen: GGCMs falen vaak bij het modelleren van opbrengstverliezen door wateroverlast (waterlogging). NeuralCrop corrigeert deze fouten en reproduceert de negatieve impact van natte extremen beter.
   • Combinatie van stress: NeuralCrop presteert beter in het vastleggen van gecombineerde effecten van droogte en hitte.

3. Efficiëntie:

   • De GPU-versnelling maakt het mogelijk om grote ensemble-simulaties uit te voeren die voorheen computationeel onhaalbaar waren.

Significantie

De studie toont aan dat hybride modellering een veelbelovende weg is om de onzekerheid in GGCMs te verminderen. Door de fysieke wetten van procesmodellen te combineren met de leercapaciteit van machine learning, kan NeuralCrop:

• Betrouwbare opbrengstprojecties leveren onder veranderende klimaatomstandigheden.
• Specifiek de impact van extreme weersomstandigheden (die steeds frequenter worden) nauwkeuriger voorspellen.
• Een robuustere basis bieden voor voedselrisico-beoordelingen en het ontwikkelen van aanpassingsstrategieën.

De methode biedt een schaalbaar kader dat kan worden toegepast op andere GGCMs en regio's, zelfs waar observationele data schaars is, door te vertrouwen op de fysische consistentie van het onderliggende procesmodel.