Предсказательные модели оценки влияния изменения климата на производительность сельского хозяйства

Изменение климата уже меняет сельскохозяйственные ландшафты по всему миру, с повышением температуры, изменением моделей осадков и более частыми экстремальными погодными явлениями, создающими беспрецедентный стресс для систем производства продуктов питания. Понимание того, как эти изменения повлияют на урожайность сельскохозяйственных культур, производительность животноводства и общую продовольственную безопасность, имеет решающее значение для фермеров, агрономов и политиков. Для удовлетворения этой потребности исследователи разработали набор прогнозных моделей, которые оценивают влияние изменения климата на производительность сельского хозяйства в рамках ряда будущих сценариев. Эти модели сочетают исторические наблюдения, прогнозы климата из моделей глобального обращения и передовые вычислительные методы для обеспечения действенной информации. В этой статье рассматриваются типы, приложения, проблемы и будущие направления прогнозных моделей в оценке климатических рисков сельского хозяйства.

Роль прогнозных моделей в адаптации сельского хозяйства к изменению климата

Предиктивные модели служат инструментами поддержки принятия решений, которые преобразуют сложные климатические данные в ощутимые прогнозы для сельскохозяйственных результатов. Они позволяют заинтересованным сторонам предвидеть изменения производительности, выявлять уязвимые регионы и культуры и разрабатывать адаптивные стратегии, такие как корректировка сроков посадки, выбор устойчивых сортов или изменение ирригационных практик. Без таких моделей управление неопределенностью изменяющегося климата становится реактивным, а не проактивным. Эффективность этих моделей зависит от качества входных данных, реализма базовых предположений и способности фиксировать нелинейные взаимодействия между климатом, почвой и биологическими процессами.

Основные типы прогнозных моделей

Статистические модели

Статистические модели уже давно являются рабочей лошадкой оценки воздействия на сельское хозяйство. Эти модели используют исторические данные о урожайности наряду с наблюдаемыми климатическими переменными - температурой, осадками, солнечным излучением - для статистической корреляции прошлых климатических условий с урожайностью. Методы варьируются от простых линейных регрессий до более сложных методов, таких как обобщенные аддитивные модели, квантильная регрессия и байесовские иерархические подходы. Например, широко используемая статистическая модель связывает урожайность кукурузы в США с температурой и осадками в период роста сезона, показывая, что каждое повышение градуса Цельсия выше оптимальных порогов снижает урожайность на 5-10%. В то время как вычислительно эффективные и простые для интерпретации статистические модели предполагают, что исторические отношения остаются действительными в будущих климатах, которые могут не сохраняться, когда условия выходят за рамки исторических границ. Они также изо всех сил пытаются захватить динамические биологические реакции, такие как адаптация через изменение сортов или методы управления.

Процессно-ориентированные модели

Процессные (или механистические) модели имитируют основные физиологические и биофизические процессы роста, развития и формирования урожайности. Они включают уравнения для фотосинтеза, дыхания, транспирации, поглощения питательных веществ и баланса почвенных вод, обусловленные ежедневными или почасовыми погодными затратами. Примеры включают набор DSSAT (система поддержки принятия решений для передачи агротехнологий) и модель APSIM (симулятор сельскохозяйственных производственных систем) и модель ФАО AquaCrop. Эти модели могут представлять сложные взаимодействия, такие как влияние удобрения CO2 на фотосинтез или влияние теплового стресса на заполнение зерна. Однако они требуют обширной калибровки для конкретных регионов, сортов и методов управления, и их высокие требования к данным часто ограничивают применение в регионах с дефицитом данных. Несмотря на эти проблемы, основанные на процессах модели являются золотым стандартом для изучения биофизических механизмов, лежащих в основе климатических воздействий, и для тестирования стратегий адаптации в силико.

Модели машинного обучения

Рост машинного обучения ввел мощные новые инструменты для прогнозирования моделирования в сельском хозяйстве. Алгоритмы, такие как случайные леса, усиление градиента, машины с опорными векторами и глубокие нейронные сети, могут автоматически изучать сложные, нелинейные отношения из больших наборов данных без явного указания уравнений процесса. Модели машинного обучения часто превосходят как статистические, так и основанные на процессах подходы с точки зрения предиктивной точности, особенно когда обучены на больших объемах исторических данных о урожайности, изображений дистанционного зондирования и сетчатых климатических продуктов. Например, недавнее исследование, использующее случайные леса для прогнозирования урожайности пшеницы в Индии, достигло значений R2 выше 0,85, включив в себя такие предикторы, как индексы растительности, температура поверхности земли и влажность почвы. Тем не менее, модели машинного обучения часто критикуются как «черные ящики», которые не имеют интерпретируемости, что затрудняет придание изменений урожайности конкретным климатическим драйверам. Гибридные подходы, которые объединяют машинное обучение с технологическими структурами, появляются для решения этого ограничения.

Применение прогнозных моделей в сельском хозяйстве

Прогнозирование урожайности и планирование продовольственной безопасности

Точные прогнозы урожайности за месяцы до сбора урожая имеют важное значение для управления цепочками поставок, стабилизации цен на продовольствие и инициирования ранних гуманитарных мер реагирования в регионах, подверженных продовольственным кризисам. Предсказательные модели, которые интегрируют сезонные климатические прогнозы со статусом урожая в реальном времени из спутниковых данных, в настоящее время работают во многих странах. Например, Министерство сельского хозяйства США использует смесь статистических и технологических моделей для получения ежемесячных оценок производства сельскохозяйственных культур для основных товаров. Аналогичным образом, Сеть систем раннего предупреждения голода (FEWS NET) использует модели для прогнозирования доступности продовольствия в Восточной Африке и Сахеле, помогая предотвратить голод до их развития.

Выявление чувствительных к климату регионов и культур

Предсказательные модели используются для картирования уязвимости в разных географических регионах, подчеркивая, где сельскохозяйственная производительность наиболее подвержена риску в будущих климатических сценариях. Такие оценки уязвимости обычно сочетают прогнозы климата с смоделированными ответами на урожайность для выявления «горячих точек», где производительность может резко снизиться. Например, основанные на процессах моделирования предполагают, что без адаптации урожайность кукурузы в странах Африки к югу от Сахары может снизиться на 20-40% к 2050 году по пути с высоким уровнем выбросов. Модели также показывают, что некоторые культуры более чувствительны, чем другие: маниока показывает относительную устойчивость к повышению температуры, в то время как пшеница и кукуруза очень чувствительны к жаре во время цветения. Эти идеи направляют инвестиции в программы разведения и инфраструктуру.

Руководство по развитию устойчивых к изменению климата сортов

Селекционные культуры, способные выдерживать жару, засуху или наводнения, требуют конкретных целевых показателей, которые могут помочь определить прогнозные модели. Путем моделирования характеристик различных виртуальных сортов в условиях будущего климата исследователи могут выявить оптимальные комбинации таких признаков, как теплостойкость, эффективность использования воды и ранняя зрелость. Например, исследования моделирования показали, что адаптация сортов риса к выдерживанию более коротких вегетационных периодов и более высоких ночных температур может компенсировать потери урожая в Южной Азии до 30%. Модели урожая все чаще интегрируются с геномными селекционными структурами для ускорения циклов размножения.

Информирование о политике и распределении ресурсов

Правительства и международные организации полагаются на прогностическое моделирование для разработки планов адаптации к изменению климата, выделения финансирования исследований и разработки схем страхования. В докладах МГЭИК по оценке в значительной степени используются многомодельные ансамбли для прогнозирования глобального предложения продовольствия в соответствии с различными сценариями выбросов. Национальные планы адаптации часто включают пространственно выраженные модели производства для приоритизации инвестиций в ирригацию, дренаж или диверсификацию сельскохозяйственных культур. Страховые продукты на основе индекса, которые выплачиваются, когда климатический индекс (например, кумулятивный дефицит осадков) пересекает порог, разрабатываются с использованием калибровки по исторической модели для обеспечения того, чтобы выплаты хорошо коррелировали с фактическими потерями урожайности.

Источники данных и интеграция

Точность любой прогностической модели зависит от качества и разрешения входных данных.

Интеграция этих разнообразных потоков данных остается основным направлением исследований. Взаимодействие данных, контроль качества и заполнение пробелов в регионах с разреженными сетями мониторинга являются текущими проблемами, которые требуют совместных усилий по всем дисциплинам.

Проблемы и ограничения

Доступность и качество данных

Во многих частях развивающегося мира отсутствуют долгосрочные, высококачественные метеорологические данные и надежная статистика урожайности. Без достаточных исторических данных статистические модели и модели машинного обучения не могут быть должным образом подготовлены, а модели на основе процессов не могут быть откалиброваны. Спутниковые данные помогают преодолеть некоторые пробелы, но могут иметь ограниченный временной охват или грубое пространственное разрешение для систем мелкого фермерства. Дефицит данных особенно остро ощущается в системах животноводства и смешанного земледелия, для которых прогнозные модели гораздо менее развиты, чем для основных зерновых культур.

Модель неопределенности и структурные ограничения

Все прогностические модели страдают от неопределенностей, возникающих из-за неполного научного понимания, ошибок оценки параметров и структурных упрощений. Процессные модели могут опускать критические процессы, такие как динамика вредителей и болезней, повреждение озона или истощение подземных вод. Модели машинного обучения могут перестраиваться на исторические тенденции, которые могут не сохраняться - например, если будущие технологические достижения изменяют соотношение урожайности и климата. Кроме того, различные модели часто дают разные прогнозы для одного и того же региона и сценария, что затрудняет интерпретацию результатов. Подходы к сборке, которые в среднем по многим моделям могут уменьшить неопределенность, но все еще полагаются на предположение, что ансамбль охватывает весь спектр правдоподобных результатов.

Масштабное несоответствие

Климатические прогнозы обычно доступны при более грубых разрешениях (10-200 км), чем уровень фермы (метры до гектаров). Методы масштабирования добавляют мелкие детали, но вводят свои собственные неопределенности. Аналогичным образом, модели сельскохозяйственных культур, откалиброванные в экспериментальных масштабах участка, могут не представлять разнообразие фактических методов фермеров, таких как поперечное скрещивание, пошатнувшаяся посадка или зависимость от систем, которые могут значительно изменить ответы на производительность. Достижение действенных прогнозов в местном масштабе остается постоянным препятствием.

Ограничения вычислительных и емкостных возможностей

Многие исследовательские учреждения и службы распространения информации в развивающихся странах не имеют вычислительной инфраструктуры и обученного персонала для реализации этих моделей. Облачные вычисления и платформы с открытым исходным кодом снижают барьеры, но пробелы в навыках анализа данных и моделирования препятствуют широкому распространению.

Будущие направления и новые тенденции

Интеграция искусственного интеллекта и больших данных

Достижения в области глубокого обучения, особенно сверточные нейронные сети и трансформаторы, обученные спутниковым изображениям, позволяют сквозное прогнозирование урожайности с беспрецедентным разрешением. Новые источники данных, такие как мониторинг здоровья сельскохозяйственных культур на основе смартфонов и сети датчиков IoT, будут поступать в обновления моделей в режиме реального времени. Федеративные подходы к обучению позволяют модели обучаться в распределенных наборах данных без централизации чувствительных данных фермы, сохраняя конфиденциальность при одновременном улучшении прогнозной мощности.

Гибридные моделирующие рамки

Сочетание механистического понимания моделей на основе процессов с сильными сторонами распознавания образов машинного обучения предлагает многообещающий путь вперед. Например, нейронные сети могут использоваться для эмуляции дорогостоящих моделей моделирования процессов (суррогатное моделирование) или для исправления предубеждений в выводах моделей процессов. Альтернативно, физические ограничения могут быть встроены в архитектуры машинного обучения, чтобы гарантировать, что предсказания остаются биологически правдоподобными - область, известная как машинное обучение с физической информацией.

Локализованное и совместное моделирование

Предпринимаются усилия по разработке подходов к моделированию на основе широкого участия, которые включают местные знания и обратную связь с заинтересованными сторонами в проектирование и калибровку моделей. При участии фермеров и агентов по распространению модели могут лучше отражать реальные ограничения и процессы принятия решений. Инициативы в области науки для граждан, которые собирают фенологию и дают наблюдения с помощью мобильных приложений, предоставляют ценные данные о достоверности данных для проверки и улучшения моделей.

Включение социально-экономических и политических аспектов

Будущие прогностические модели будут все больше интегрировать экономические факторы, такие как рыночные цены, доступность рабочей силы и политические стимулы, наряду с климатическими и агрономическими переменными. Модели комплексной оценки, которые сочетают модели сельскохозяйственных культур с моделями экономического равновесия, могут имитировать петли обратной связи между воздействием климата и адаптационными реакциями, предлагая более полную картину уязвимости продовольственной системы.

Достижения в области количественной оценки неопределенности

Для укрепления доверия к результатам моделирования необходимы более эффективные методы количественной оценки и передачи информации. Байесовская калибровка, вероятностные методы ансамбля и интерактивные инструменты визуализации помогают передать диапазон возможных результатов, а не представлять единый детерминированный прогноз. Принятие решений в рамках подходов с глубокой неопределенностью, таких как надежное принятие решений или теория информационного разрыва, адаптируется для сельскохозяйственного планирования для выявления стратегий, которые хорошо работают во многих вероятных фьючерсах.

Заключение

Предсказательные модели оценки воздействия изменения климата на производительность сельского хозяйства эволюционировали от простых статистических корреляций до сложных, многомасштабных рамок, которые используют большие данные и машинное обучение. Они необходимы для прогнозирования рисков, направления инвестиций в адаптацию и обеспечения глобальной продовольственной безопасности в эпоху ускорения изменения климата. Однако их полезность ограничена нехваткой данных, неопределенностью моделей и несоответствиями масштабов, особенно в регионах с низкими широтами, где продовольственная безопасность является наиболее острой. Постоянные инвестиции в наблюдательные сети, открытый обмен данными, наращивание потенциала и междисциплинарное сотрудничество необходимы для повышения надежности и актуальности этих моделей. Следующее поколение инструментов прогнозирования, сочетающих понимание процессов с ИИ и местными знаниями, позволит фермерам и политикам ориентироваться во все более неопределенном сельскохозяйственном будущем.

Для дальнейшего чтения см. IPCC Шестой оценочный доклад о воздействии, адаптации и уязвимости , Работа ФАО по изменению климата и Программа прикладных наук НАСА по сельскому хозяйству .