Projecting maize yield in the North China Plain under climate extremes: A hybrid crop model-machine learning approach
Deze studie ontwikkelt een hybride raamwerk dat het procesgebaseerde APSIM-model integreert met machine learning-algoritmen en technieken voor kenmerkselectie om de nauwkeurigheid van de voorspelling van maïsopbrengst in de Noord-Chinese Vlakte aanzienlijk te verbeteren, waarbij wordt onthuld dat toekomstige klimaatextremen aanzienlijke opbrengstverliezen zullen veroorzaken, zelfs wanneer rekening wordt gehouden met de positieve effecten van verhoogde CO₂.
Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer
Stel je voor dat je probeert te voorspellen hoe een reusachtige, hongerige plant het zal doen in een tuin die elk jaar heter en wilder wordt. Dit is het werk van landbouwwetenschappers die gewassen zoals maïs bestuderen. Ze gebruiken twee belangrijke hulpmiddelen om de toekomstige oogst te raden. Het eerste hulpmiddel is een "receptenboek" genaamd een gewasmodel. Het is als een computerprogramma dat de regels van de biologie kent: hoeveel water een plant nodig heeft, hoe zonlicht in voedsel wordt omgezet, en hoe wortels drinken uit de bodem. Het is geweldig in het volgen van de regels, maar soms raakt het in de war wanneer het weer extreem wordt, zoals tijdens een plotselinge, verzengende hittegolf of een enorme overstroming. Het tweede hulpmiddel is een "superleerling" genaamd machine learning. Dit is een vorm van kunstmatige intelligentie die naar bergen aan historische gegevens kijkt om verborgen patronen te vinden, zoals een detective die aanwijzingen opmerkt die een mens zou missen. Het is geweldig in het raden van uitkomsten op basis van de geschiedenis, maar het begrijpt niet echt waarom de plant doet wat hij doet. De grote vraag die wetenschappers stellen is: Kunnen we de strikte regels van het receptenboek combineren met de scherpe intuïtie van de superleerling om een perfecte voorspelling te krijgen? Dit is vooral belangrijk omdat extreem weer steeds gebruikelijker wordt, en als we niet kunnen voorspellen hoeveel voedsel we zullen hebben, kan dit onze voedselvoorziening schaden.
Kijk nu naar wat deze specifieke studie deed. Een team van onderzoekers in China besloot een "hybride" systeem te bouwen om maïsopbrengsten te voorspellen in de Noord-Chinese Vlakte, een enorme landbouwregio die miljoenen mensen voedt. Ze begonnen met hun receptenboek, het APSIM-model, dat simuleerde hoe voorjaars- en zommaïs groeien. Maar ze wisten dat dit model alleen niet perfect was in het omgaan met extreem weer, dus voegden ze een laag machine learning toe. Ze leerden twee verschillende AI-detectives — Random Forest en Light Gradient Boosting Machine — om naar de simulatieresultaten van de computer te kijken en deze vervolgens te corrigeren op basis van 22 verschillende "extreme weerclues". Deze aanwijzingen omvatten zaken als het aantal dagen dat de temperatuur boven een bepaalde limiet bleef, hoe lang een droogte duurde, of hoeveel zware regenstormen er tijdens specifieke delen van het leven van de plant plaatsvonden. Om ervoor te zorgen dat de AI niet overweldigd werd door te veel informatie, gebruikten ze een slim filter (een genetisch algoritme) om alleen de belangrijkste aanwijzingen te selecteren.
De resultaten waren alsof men een geheim wapen had gevonden. Het hybride model, dat de gewasregels combineerde met het AI-detectivewerk, was veel beter in het raden van de werkelijke oogst dan het receptenboek alleen. Sterker nog, voor voorjaarsmaïs verklaarde het hybride model 94% van de veranderingen in de opbrengst, en voor zommaïs 93%. Het oude model alleen verklaarde slechts ongeveer 64% tot 68%. De onderzoekers ontdekten dat de AI bijzonder goed was in het herkennen van momenten waarop extreme hitte of droogte de gewassen echt zouden schaden, iets wat het standaardmodel de neiging had om te onderschatten.
Toen ze dit superkrachtige hybride model gebruikten om in de toekomst te kijken, was het nieuws een beetje somber. Ze simuleerden wat er zou gebeuren onder verschillende klimaatscenario's, inclusief een toekomst met zeer hoge emissies waarin de wereld veel heter wordt. Zonder hulp van stijgende koolstofdioxideniveaus (die planten soms kunnen helpen groeien), voorspelde het model dat de opbrengst van voorjaarsmaïs tegen het einde van de eeuw met maar liefst 43,6% en die van zommaïs met 26,8% zou kunnen dalen. Zelfs toen ze het "mesteleffect" van extra koolstofdioxide meenamen, wat planten een beetje helpt, voorspelde het hybride model nog steeds aanzienlijke verliezen: 25,0% voor voorjaarsmaïs en 24,6% voor zommaïs. De studie suggereert dat hoewel extra koolstofdioxide helpt, het niet genoeg is om de schade veroorzaakt door extreme hitte en het weer te compenseren. Het hybride model toonde aan dat het risico op het verlies van gewassen eigenlijk groter is dan de standaardmodellen voorspelden, wat betekent dat we een moeilijkere tijd tegemoet kunnen gaan dan we dachten als we onze landbouwstrategieën niet aanpassen.
Verdrinkt u in papers in uw vakgebied?
Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.