Evaluating and improving crop-yield forecasting methods during extreme drought

Elke zomer kijken boeren en overheden met een mengeling van hoop en angst naar de hemel, in een poging te raden hoeveel voedsel er geoogst zal worden van de velden. Dit gokwerk is niet slechts een kwestie van traditie; het is een complexe berekening van hoe weerpatronen, bodemomstandigheden en plantbiologie met elkaar interageren om een oogst te produceren. Wanneer het weer zich normaal gedraagt, kunnen computers deze voorspellingen vaak met redelijke nauwkeurigheid doen door naar het verleden te kijken. Wanneer de natuur echter niet aan de regels voldoet, treden er extreme gebeurtenissen op, zoals een hevige droogte die het land verschroeit en de bodem uitdroogt, waardoor de gebruikelijke patronen doorbroken worden. De omstandigheden waaraan planten tijdens een dergelijke crisis worden blootgesteld, vallen vaak buiten het bereik van alles wat historisch gezien bekend is, waardoor standaard voorspellingsinstrumenten in de war raken en ineffectief worden. Dit is een cruciaal probleem, omdat een mislukte voorspelling kan leiden tot economische instabiliteit en voedseltekorten, wat het essentieel maakt om manieren te vinden om opbrengsten te voorspellen, zelfs wanneer het weer zich op ongekende manieren gedraagt.

Onderzoekers aan Boston College zetten zich in om dit specifieke puzzelstuk op te lossen door te testen hoe goed verschillende soorten computermodellen de maïstopbrengsten tijdens de verwoestende droogte van 2012 in het Amerikaanse Midwesten konden voorspellen. Deze regio, bekend als de Corn Belt, leed onder een van de ergste droge periodes in vijftig jaar, wat de nationale maïsproductie met ongeveer dertien procent verminderde. Het team wilde zien of ze een systeem konden bouwen dat leert van het verleden, maar flexibel genoeg blijft om de vreemde, extreme omstandigheden van een rampjaar aan te kunnen. Ze vergeleken twee hoofdaanpakken: traditionele machine learning, die gebruikmaakt van gevestigde statistische regels, en deep learning, een geavanceerdere vorm van kunstmatige intelligentie die de manier nabootst waarop het menselijk brein informatie verwerkt via lagen van verbindingen. De uitdaging was dat de gegevens voor het droogtejaar anders waren dan alles wat de modellen eerder hadden gezien, wat leidde tot een situatie waarin de trainingsdata en de testdata fundamenteel van elkaar verschilden.

Om dit aan te pakken, verzamelden de onderzoekers dagelijkse weergegevens voor honderden graafschappen, waarbij zestien verschillende atmosferische factoren zoals temperatuur, vochtigheid, wind en zonnestraling werden bijgehouden. Ze merkten op dat de gegevens rommelig waren; sommige graafschappen hadden ontbrekende records, en de dagelijkse metingen besloegen niet het hele jaar, maar alleen het groeiseizoen. Om dit begrijpelijk te maken, probeerden ze eerst het probleem te vereenvoudigen met behulp van een techniek genaamd 'feature selection'. In plaats van de computer elke enkele weerwaarneming te voeden, gebruikten ze een methode om te identificeren welke specifieke drijfveren daadwerkelijk de veranderingen in de maïstopbrengst veroorzaakten. Ze ontdekten dat hoewel mensen vaak denken dat regen en temperatuur de belangrijkste factoren zijn, de modellen juist zwaarder leunden op dampdruktekort (vapor pressure deficit) en evapotranspiratie. Dit zijn maten voor hoeveel water de lucht uit de planten en de bodem trekt, waarbij de effecten van hitte, vochtigheid en zonlicht worden gecombineerd in één krachtig signaal van plantstress.

De studie onthulde een duidelijke kloof in hoe de verschillende modellen met de crisis omgingen. De traditionele machine learning-modellen, waaronder methoden zoals lineaire regressie en beslissingsbomen, hadden moeite met de extreme droogte. Ze presteerden slecht omdat ze getraind waren op "normale" jaren en de vreemde patronen van 2012 niet konden herkennen. Echter, toen de onderzoekers deze modellen aanpasten door zich te concentreren op de belangrijkste weerfactoren en extra gewicht toe te kennen aan de weinige historische jaren die ook droog waren, verbeterden de voorspellingen aanzienlijk. Dit toonde aan dat voor eenvoudigere modellen het begrijpen van welke specifieke weerfactoren het belangrijkst zijn de sleutel is tot het overleven van een datamismatch.

In contrast hiermee presteerde het deep learning-model, bekend als VITA, opmerkelijk goed zonder dat er specifieke aanpassingen nodig waren. Dit model was vooraf getraind op een enorme hoeveelheid wereldwijde weergegevens voordat het werd getest op de maïsvelden. Omdat het al had geleerd om complexe weerpatronen te herkennen uit een grote verscheidenheid aan bronnen, was het in staat om zich op natuurlijke wijze aan te passen aan de droogte van 2012. Het presteerde beter dan alle andere modellen, zowel in het extreme droogtejaar als in een normaal jaar, wat bewees dat een groot, vooraf getraind systeem beter kan generaliseren dan kleinere, gespecialiseerde systemen wanneer de data afwijkend wordt. De onderzoekers keken ook naar hoe het model zijn beslissingen nam en ontdekten dat het zijn aandacht correct richtte op het midden van het groeiseizoen, specifweg de weken in juni en juli wanneer maïs het meest kwetsbaar is voor hitte en droogte. Dit bevestigde dat het model niet simpelweg gokte, maar daadwerkelijk de biologische realiteit van het gewas leerde.

Uiteindelijk suggereert de studie dat hoewel geavanceerde deep learning-modellen krachtige instrumenten zijn voor het voorspellen van landbouwopbrengsten tijdens extreem weer, zij niet de enige oplossing zijn. Voor situaties waarin grote, complexe systemen niet kunnen worden gebruikt, kunnen eenvoudigere modellen nog steeds effectief worden gemaakt door zorgvuldig de juiste gegevens te selecteren en de meest kritieke historische gebeurtenissen te wegen. Het onderzoek benadrukt dat de grootste hindernis in de voorspelling niet alleen het gebrek aan data is, maar het feit dat extreme gebeurtenissen er zo anders uitzien dan het verleden dat standaardinstrumenten ze niet meer herkennen. Door deze verschillen te begrijpen en de modellen aan te passen zodat ze op de juiste signalen letten, kunnen wetenschappers betere systemen bouwen om de oogst te voorspellen, zelfs wanneer de hemel zich tegen de gewassen keert.