پیش‌بینی دقیق‌تر برداشت محصولات کشاورزی با مدل هوش مصنوعی NeuralCrop؛ ثبت عملکردی ۸۰ درصد بهتر از روش‌های سنتی

تیمی از پژوهشگران دانشگاه فنی مونیخ، مؤسسه تحقیقات تأثیرات اقلیمی پوتسدام و مراکز علمی همکار، از سامانه NeuralCrop رونمایی کرده‌اند که ترکیبی مشتق‌پذیر از مدل شبیه‌سازی محصولات کشاورزی LPJmL و چندین شبکه عصبی کوچک است. در ارزیابی‌های انجام‌شده بر اساس داده‌های تاریخی گندم در اروپا و ذرت در آمریکا، محققان این پروژه اعلام کرده‌اند که مدل جدید برآوردهای بسیار دقیق‌تری نسبت به مدل فرآیندمحور اولیه ارائه می‌دهد و نتایجی کاملاً رقابتی در برابر مدل‌های مبتنی بر داده و مجموعه‌ای از مدل‌های ترکیبی ثبت می‌کند. این پژوهش پیش‌انتشار بر تحلیل پیامدهای اقلیمی و شبیه‌سازی ریسک محصولات تمرکز دارد و هدف آن اعتبارسنجی یک سامانه عملیاتی برای پیش‌بینی فصل زراعی آینده نیست.

چرا شبیه‌سازی‌های برداشت محصول با یکدیگر اختلاف دارند؟

مدل‌های جهانی شبکه‌بندی‌شده محصولات کشاورزی که با نام اختصاری GGCM شناخته می‌شوند، فرآیندهایی هم‌چون فتوسنتز، تنفس، رطوبت خاک، تعرق و رشد گیاهان را در سراسر سیاره و معمولاً با دقتی نزدیک به ۰.۵ درجه (حدود ۵۰ کیلومتر) شبیه‌سازی می‌کنند. دولت‌ها و پژوهشگران از خروجی این مدل‌ها استفاده می‌کنند تا واکنش احتمالی محصولات کشاورزی را نسبت به خشکسالی، گرمایش زمین، تغییر الگوهای بارش و تصمیمات مدیریتی برآورد کنند.

در چارچوب پروژه مقایسه و بهبود مدل‌های کشاورزی موسوم به AgMIP، تاکنون ۱۴ گروه مدل‌سازی شبیه‌سازی‌های تاریخی خود را برای ذرت، گندم، برنج و سویا ارائه کرده‌اند. مدل‌های آن‌ها در بازتولید تغییرات سال‌به‌سال میزان برداشت و الگوهای جغرافیایی محصول، عملکردهای متفاوتی از خود نشان می‌دهند. این اختلاف‌نظرها در نهایت به برآوردهای مربوط به خسارات خشکسالی، مزایای سازگاری با محیط و تولید آینده مواد غذایی نیز سرایت می‌کند.

مدل‌های فرآیندمحور، مکانیسم‌های زیستی را از طریق معادلات ساده‌شده و پارامترهای کالیبره‌شده شبیه‌سازی می‌کنند و به همین دلیل، برخی از واکنش‌های گیاه به تنش‌های گرمایی و کم‌آبی را به‌درستی بازنمایی نمی‌کنند. از سوی دیگر، مدل‌های صرفاً داده‌محور می‌توانند روابط تاریخی را به‌خوبی یاد بگیرند، اما شرایط اقلیمی آینده ممکن است خارج از توزیع داده‌های آموزشی آن‌ها قرار بگیرد. سامانه NeuralCrop ساختار فرآیندمحور مدل LPJmL را حفظ می‌کند و در عین حال، محاسبات منتخب و دارای عدم قطعیت را به توابع قابل آموزش می‌سپارد.

شبکه‌های عصبی کجای این ساختار قرار می‌گیرند؟

مدل NeuralCrop کار خود را بر پایه LPJmL آغاز می‌کند؛ یک مدل پویای پوشش گیاهی جهانی که پوشش گیاهی طبیعی، زمین‌های زراعی مدیریت‌شده، مراتع و چرخه آب در خشکی را در قالب یک شبیه‌سازی واحد بازنمایی می‌کند. پژوهشگران بخش‌های مرتبط این مدل را بازنویسی کرده‌اند تا از قابلیت مشتق‌گیری خودکار پشتیبانی کند؛ قابلیتی که نقش هر محاسبه را در خطای نهایی ردیابی کرده و به سیگنال‌های آموزشی اجازه می‌دهد در طول یک فصل کامل رشد گیاه جریان پیدا کنند.