Evaluating and improving crop-yield forecasting methods during extreme drought

每年夏天，农民和政府都会带着希望与焦虑交织的心情仰望天空，试图猜测田间将收获多少粮食。这种猜测不仅仅是传统的惯例，更是一种复杂的计算，旨在研究天气模式、土壤条件和植物生物学如何相互作用以产生收成。当天气表现正常时，计算机通过观察过去的模式，通常可以较为准确地做出这些预测。然而，大自然并不总是遵循规则。当极端事件袭来，例如一场导致土地焦灼、土壤干涸的严重干旱时，常规模式就会崩溃。植物在危机期间面临的情况往往超出了历史上所见过的任何范围，使得标准的预测工具变得困惑且失效。这是一个关键问题，因为预测失败可能导致经济不稳定和粮食短缺，因此寻找即使在天气表现出前所未有的方式下也能预测产量的途径至关重要。

波士顿学院的研究人员致力于解决这个特定的难题，他们通过测试不同类型的计算机模型在预测美国中西部 2012 年毁灭性干旱期间玉米产量方面的表现，来开展这项研究。该地区被称为“玉米带”，遭受了五十年来最严重的干旱之一，导致全国玉米产量减少了约 13%。该团队希望建立一个既能从过去学习，又能保持足够的灵活性以应对灾年奇特极端条件的系统。他们比较了两种主要方法：一种是使用既定统计规则的传统机器学习，另一种是深度学习——一种更先进的人工智能形式，它模仿人类大脑通过层级连接处理信息的方式。挑战在于，干旱年份的数据与模型之前见过的任何数据都截然不同，造成了一种训练数据与测试数据存在根本差异的情况。

为了解决这个问题，研究人员收集了数百个县的每日天气数据，追踪了包括温度、湿度、风速和太阳辐射在内的 16 种不同的大气因素。他们注意到数据是杂乱的：一些县存在记录缺失，且每日测量并未覆盖整个年份，仅涵盖了生长季节。为了理清思路，他们首先尝试通过一种称为“特征选择”的技术来简化问题。他们并没有将每一个天气测量值都输入计算机，而是使用了一种方法来识别哪些特定的驱动因素实际上引起了作物产量的变化。他们发现，虽然人们通常认为降雨和温度是最重要的因素，但模型实际上更依赖于饱和蒸气压差（VPD）和蒸散发量。这些是衡量空气从植物和土壤中抽取水分程度的指标，将热量、湿度和阳光的影响结合成一个强大的植物压力信号。

研究结果显示，不同模型在应对危机时表现出了明显的差异。传统的机器学习模型（包括线性回归和决策树等方法）在面对极端干旱时显得力不从心。它们的表现很差，因为它们是在“正常”年份进行训练的，无法识别 2012 年那种奇怪的模式。然而，当研究人员修改这些模型，使其仅关注最重要的天气驱动因素，并给予历史上那些同样干燥的年份更高的权重时，预测效果显著改善。这表明，对于较简单的模型而言，理解哪些特定的天气因素至关重要，是应对数据失配的关键。

相比之下，名为 VITA 的深度学习模型在不需要这些特定调整的情况下，表现得非常出色。该模型在接受针对玉米地的测试之前，已经在大量的全球天气数据上进行了预训练。由于它已经学会了从各种来源识别复杂的天气模式，因此能够自然地适应 2012 年的干旱。它的表现优于所有其他模型，无论是在极端干旱年还是在正常年份，这证明了一个大型预训练系统在数据变得异常时，比小型专门化系统具有更好的泛化能力。研究人员还观察了该模型是如何做出决策的，发现它能够正确地将注意力集中在生长季中期，特别是 6 月和 7 月这些玉米对热量和干燥最为脆弱的周数。这证实了该模型并非仅仅在瞎猜，而是在学习作物的生物学现实。

最终，这项研究表明，虽然先进的深度学习模型是预测作物产量的强大工具，但它们并非唯一的解决方案。对于无法使用大型复杂系统的场景，通过仔细选择正确的数据并加重关键历史事件的权重，简单的模型仍然可以变得有效。研究强调，预测中的最大障碍不仅是数据的缺乏，而是极端事件看起来与过去如此不同，以至于标准工具无法识别它们。通过理解这些差异并调整模型以关注正确的信号，科学家们可以构建出更好的系统，即使在天空背离农作物时也能预测收成。