Projecting maize yield in the North China Plain under climate extremes: A hybrid crop model-machine learning approach
本研究开发了一种将 APSIM 基于过程的模型与机器学习算法及特征选择技术相结合的混合框架，以显著提高华北平原玉米产量的预测精度，并揭示了即使在考虑二氧化碳浓度升高带来的积极影响时，未来的气候极端事件仍会导致大幅度的产量损失。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
想象一下，试图预测一株巨大的、饥肠辘辘的植物在逐年变得更热、更狂野的花园里表现会如何。这就是研究玉米等作物的农业科学家们所从事的工作。他们使用两种主要工具来预估未来的收成。第一个工具是一个被称为“作物模型”的“食谱”，它就像一个知道生物学规则的计算机程序：植物需要多少水、阳光如何转化为食物，以及根部如何从土壤中吸水。它非常擅长遵循规则，但当天气变得疯狂时——比如突如其来的酷热或大规模洪水时——它有时会感到困惑。第二个工具是一个被称为“机器学习”的“超级学习者”。这是一种人工智能，通过观察海量的历史数据来寻找隐藏的模式，就像侦探发现人类可能会错过的线索一样。它在根据历史进行结果预测方面表现惊人，但它并不真正理解植物为什么会那样生长。科学家们提出的重大问题是：我们能否将“食谱”的严格规则与“超级学习者”的敏锐直觉结合起来，从而获得完美的预测？这尤其重要，因为极端天气正变得越来越普遍，如果我们无法预测粮食产量，可能会危害我们的粮食供应。
现在，让我们来看看这项具体研究做了什么。中国的一个研究小组决定建立一个“混合”系统，来预测华北平原（一个养活了数百万人次的巨大农业区）的玉米产量。他们首先使用了他们的“食谱”——APSIM模型，该模型模拟了春玉米和夏玉米的生长过程。但他们知道，仅靠这个模型在处理极端天气方面并不完美，因此他们加入了一层机器学习。他们教了两个不同的“AI侦探”——随机森林（Random Forest）和轻量级梯度提升机（Light Gradient Boosting Machine）——去观察计算机模拟的结果，然后根据22个不同的“极端天气线索”对其进行修正。这些线索包括温度超过特定限值的天数、干旱持续的时间，或者在植物生命周期的特定阶段发生了多少场强降雨。为了确保AI不会被过多的信息淹没，他们使用了一种聪明的过滤器（遗传算法）来挑选出最重要的线索。
结果就像是找到了一个秘密武器。这种结合了作物规则与AI侦探工作的混合模型，在预测实际收成方面比单纯使用“食谱”要好得多。事实上，对于春玉米，该混合模型解释了94%的产量变化；对于夏玉米，它解释了93%。而旧模型本身只能解释约64%到68%的变化。研究人员发现，AI特别擅长识别极端高温或干旱何时会对作物造成严重伤害，而标准模型往往会低估这些影响。
当他们使用这个“超级强化版”的混合模型来展望未来时，情况变得有些令人忧虑。他们模拟了在不同气候情景下的情况，包括一个全球变暖程度极高的极高排放未来。在没有任何二氧化碳水平带来的帮助（二氧化碳有时可以促进植物生长）的情况下，该模型预测，到本世纪末，春玉米的产量可能会下降多达43.6%，夏玉米下降26.8%。即使计入了二氧化碳的“施肥效应”（这确实对植物有一定帮助），混合模型仍然预测了显著的损失：春玉米下降25.0%，夏玉米下降24.6%。这项研究表明，虽然额外的二氧化碳会有所帮助，但这不足以抵消极端高温和天气造成的破坏。混合模型显示，作物减产的风险实际上比标准模型预测的更高，这意味着如果我们不调整农业策略，我们面临的局面可能会比预想的更加艰难。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。