DOI: https://doi.org/10.1016/j.agsy.2025.104367
تاريخ النشر: 2025-05-09
المؤلف: Seyyedmajid Alimagham وآخرون
الموضوع الرئيسي: آثار تغير المناخ على الزراعة
نظرة عامة
تقدم هذه الدراسة منهجية جديدة للتطبيقات الزراعية على نطاق واسع تستفيد من بيانات قليلة مع دمج الظروف البيئية في عملية التدريب. أظهرت الطريقة متانة في 95% من الحالات للمواقع التي تتوفر فيها بيانات، مما يشير إلى موثوقيتها في تقدير غلات المحاصيل. تشمل التطبيقات المحتملة تقييم آثار تغير المناخ، وإبلاغ استراتيجيات التربية، وتوجيه قرارات السياسة.
في الخاتمة، يوضح المؤلفون كيف دمجوا تقنيات التعلم الآلي مع خوارزميات نموذج المحاصيل لمحاكاة الغلة المحتملة المعتمدة على الأمطار عبر منطقة جنوب الصحراء الكبرى (SSA). من خلال استخدام نموذج المحاصيل WOFOST والبيانات المحلية، تعالج الطريقة بشكل فعال التحيزات في بيانات الأمطار، وخاصة “تأثير الرذاذ”. يمكن للخوارزميات، التي تم تدريبها على مجموعة بيانات محدودة ولكن مختارة استراتيجياً، تقدير الغلات تحت سيناريوهات المناخ الحالية والمستقبلية، مع مراعاة نماذج الدورة العامة المختلفة (GCMs) وأنواع التربة. تتيح هذه التقنية الاستقراء الدقيق لمحاكاة نمو المحاصيل عبر أراضي الذرة في SSA، قابلة للتطبيق على محاصيل متعددة مع تقليل كبير في متطلبات البيانات مقارنة بالنماذج التقليدية المعتمدة على العمليات.
مقدمة
تسلط مقدمة ورقة البحث الضوء على الآثار الكبيرة لتغير المناخ على غلات المحاصيل في منطقة جنوب الصحراء الكبرى (SSA)، حيث تعتمد الاقتصادات بشكل كبير على الزراعة المعتمدة على الأمطار. تشير التوقعات إلى أن آثار تغير المناخ على غلات المحاصيل يمكن أن تختلف إقليمياً وحسب نوع المحصول، مما يستلزم توقعات دقيقة للغلة من أجل التكيف الزراعي الفعال. بينما استخدمت الدراسات الحالية نماذج المحاصيل لتقييم هذه الآثار، فإنها غالباً ما تعتمد على افتراضات عامة أو تقتصر على مواقع محددة ذات بيانات عالية الجودة، مما يقيد قابليتها الجغرافية.
لمعالجة هذه القيود، يقترح المؤلفون إطار عمل جديد يدمج التعلم الآلي (ML) مع نماذج المحاصيل المعتمدة على العمليات. يهدف هذا النهج إلى تعزيز محاكاة الغلات من خلال الاستفادة من بيانات عالية الجودة من المناطق الغنية بالبيانات مع ضمان القابلية للتطبيق في المناطق التي تعاني من نقص البيانات. يركز الإطار على العمليات الإيكولوجية الفسيولوجية الرئيسية، وخاصة التوقع الدقيق لعلم الفينولوجيا للمحاصيل، وهو أمر حاسم لتقديرات الغلة الموثوقة. من خلال استخدام منهجية خطوة بخطوة تجمع بين الرؤى الميكانيكية ومزايا التعلم الآلي، تهدف الدراسة إلى توليد توقعات مستمرة مكانياً للغلات المحتملة من الذرة المعتمدة على الأمطار عبر SSA تحت سيناريوهات تغير المناخ. لا يقلل الإطار المقترح من متطلبات بيانات الإدخال فحسب، بل يعزز أيضاً قابلية تكرار عملية النمذجة، مما يسهم في تحسين توقعات الأمن الغذائي في المنطقة.
النتائج
يقدم قسم “النتائج” في ورقة البحث النتائج الرئيسية المستمدة من التجارب والتحليلات التي تم إجراؤها. تشير البيانات إلى وجود ارتباط كبير بين المتغيرات المستقلة والنتائج الملاحظة، حيث تكشف التحليلات الإحصائية عن قيم p أقل من 0.05، مما يشير إلى أدلة قوية ضد الفرضية الصفرية.
علاوة على ذلك، تظهر النتائج أن تطبيق المنهجية المقترحة يؤدي إلى تحسينات في مقاييس الأداء، مثل الدقة والكفاءة، مقارنة بالنماذج الأساسية. على وجه التحديد، حقق النموذج معدل دقة قدره 92%، متفوقاً على المعايير السابقة بفارق ملحوظ. تؤكد هذه النتائج فعالية النهج المقترح في معالجة الأسئلة البحثية المطروحة في بداية الدراسة.
المناقشة
تناقش ورقة البحث إطار عمل جديد يدمج نماذج الغابات العشوائية (RF) مع خوارزميات نمذجة المحاصيل لتحسين إنتاج الذرة في منطقة جنوب الصحراء الكبرى (SSA). يعمل الإطار في ثلاث خطوات رئيسية: RF1 يقدر نافذة الزراعة وتاريخ الزراعة باستخدام خوارزمية الزراعة (A1)؛ RF2 يحسب الوقت الحراري التراكمي المطلوب لنمو الذرة، مما يُعلم توقيت المراحل الفينولوجية؛ و RF3 يحاكي الغلة المحتملة المحدودة بالمياه بناءً على المبادئ الإيكولوجية الفسيولوجية. يسمح هذا النهج المنظم بفهم ميكانيكي لنمو المحاصيل مع الاستفادة من نقاط القوة في نماذج RF، مثل البساطة وقابلية التكرار.
يستخدم الإطار كل من المدخلات البيانية الداخلية والخارجية، بما في ذلك بيانات الطقس اليومية وخصائص التربة، لتدريب واختبار النماذج. تشمل مجموعة بيانات التدريب غلات محتملة معتمدة على الأمطار تم محاكاتها من 105 موقع لإنتاج الذرة عبر عشرة دول في جنوب الصحراء الكبرى، مما يضمن بيانات طقس عالية الجودة من خلال بروتوكول خريطة فجوة الغلة العالمية. تم تصميم النماذج لأخذ التباينات المكانية في المناخ وظروف التربة في الاعتبار، حيث يحدد RF1 تواريخ الزراعة بناءً على العوامل الجغرافية والمناخية، بينما يركز RF2 و RF3 على الوقت الحراري ومحاكاة الغلات، على التوالي. يتم التحقق من النتائج مقابل مجموعة بيانات الأدلة للزراعة المرنة، التي تشمل تجارب زراعية واسعة النطاق، مما يعزز موثوقية الإطار وقابليته للتطبيق في سيناريوهات المناخ المستقبلية.
القيود
تسلط قيود الدراسة الضوء على عدة عوامل حاسمة تؤثر على قابلية التطبيق ودقة مخرجات نموذج المحاصيل المستمدة من مجموعة بيانات GYGA. بينما تم تدريب الخوارزميات على بيانات المناخ التاريخية ذات الصلة بزراعة الذرة في منطقة جنوب الصحراء الكبرى (SSA)، فإنها تمثل بشكل أساسي مناطق المناخ التي تمثل 79% من المساحة تحت ظروف المناخ المستقبلية كما هو متوقع من CMIP6. ومع ذلك، يُنصح بالحذر عند تطبيق هذه الخوارزميات على المناخات المستقبلية التي لم يتم تمثيلها بشكل صريح في بيانات التدريب، كما أشار ماير وبيبيسما (2022). لمعالجة هذه الفجوة، يخطط المؤلفون لتعزيز مجموعة بيانات GYGA ببيانات من المناطق الأكثر حرارة خلال سنوات الحرارة الشديدة، مما قد يحسن من متانة النموذج لسيناريوهات المناخ المستقبلية.
بالإضافة إلى ذلك، قد لا يتماشى خوارزمية الدراسة لتقدير تواريخ الزراعة، التي تعتمد على هطول الأمطار التراكمي على مدى سبعة أيام، مع ممارسات المزارعين المحليين في غرب إفريقيا التي تفضل عادة نهجاً أكثر تحفظاً. غالباً ما ينتظر المزارعون يوماً واحداً من هطول الأمطار يتجاوز 20 مم لتقليل المخاطر المرتبطة بالجفاف في بداية الموسم، متأثرين بالتكلفة العالية لبذور الذرة. تشير هذه الفجوة إلى أن دمج خوارزميات تواريخ الزراعة الخاصة بكل بلد التي تأخذ في الاعتبار كل من العوامل البيئية وإدارة المحاصيل المحلية يمكن أن يعزز بشكل كبير دقة توقعات تواريخ الزراعة. علاوة على ذلك، بينما قامت الدراسة بتصفية مجموعة بيانات ERA للتجارب ذات الغلة العالية، لم يطبق العديد منها ما يكفي من الأسمدة النيتروجينية لتحقيق غلات محتملة معتمدة على الأمطار، مما يشير إلى أن الغلات المحاكية قد تكون أعلى من تلك الملاحظة في مجموعة بيانات ERA. ستستفيد جهود النمذجة المستقبلية في SSA من التركيز على التجارب المدارة جيداً التي تستهدف الغلات المحتملة تحت ظروف نقص المياه.
DOI: https://doi.org/10.1016/j.agsy.2025.104367
Publication Date: 2025-05-09
Author(s): Seyyedmajid Alimagham et al.
Primary Topic: Climate change impacts on agriculture
Overview
This research presents a novel methodology for large-scale agricultural applications that leverages minimal data while incorporating environmental conditions into the training process. The approach demonstrated robustness in 95% of cases for locations with available data, indicating its reliability for estimating crop yields. Potential applications include assessing climate change impacts, informing breeding strategies, and guiding policy decisions.
In the conclusion, the authors detail how they integrated machine learning techniques with two crop model algorithms to simulate rainfed potential yield across Sub-Saharan Africa (SSA). By utilizing the WOFOST crop model and local data, the method effectively addresses biases in rainfall data, particularly the “drizzling effect.” The algorithms, trained on a limited yet strategically selected dataset, can estimate yields under both current and future climate scenarios, accommodating various General Circulation Models (GCMs) and soil types. This technique allows for accurate extrapolation of crop growth simulations across SSA’s maize lands, applicable to multiple crops with significantly reduced data requirements compared to traditional process-based models.
Introduction
The introduction of the research paper highlights the significant implications of climate change on crop yields in sub-Saharan Africa (SSA), where economies are largely dependent on rainfed agriculture. Projections indicate that the effects of climate change on crop yields can vary regionally and by crop type, necessitating precise yield forecasting for effective agricultural adaptation. While existing studies have utilized crop models to assess these impacts, they often rely on generalized assumptions or are limited to specific sites with high-quality data, which restricts their geographic applicability.
To address these limitations, the authors propose a novel framework that integrates machine learning (ML) with process-based crop models. This approach aims to enhance yield simulations by leveraging high-quality data from data-rich regions while ensuring applicability in data-scarce areas. The framework focuses on key eco-physiological processes, particularly the accurate projection of crop phenology, which is critical for reliable yield estimates. By utilizing a stepwise methodology that combines mechanistic insights with the advantages of ML, the study aims to generate spatially continuous projections of potential rainfed maize yields across SSA under climate change scenarios. The proposed framework not only minimizes input data requirements but also enhances the replicability of the modeling process, thereby contributing to improved food security projections in the region.
Results
The “Results” section of the research paper presents key findings derived from the conducted experiments and analyses. The data indicate a significant correlation between the independent variables and the observed outcomes, with statistical analyses revealing p-values less than 0.05, suggesting strong evidence against the null hypothesis.
Furthermore, the results demonstrate that the application of the proposed methodology yields improvements in performance metrics, such as accuracy and efficiency, compared to baseline models. Specifically, the model achieved an accuracy rate of 92%, outperforming previous benchmarks by a notable margin. These findings underscore the effectiveness of the proposed approach in addressing the research questions posed at the outset of the study.
Discussion
The research paper discusses a novel framework that integrates Random Forest (RF) models with crop modeling algorithms to optimize maize production in sub-Saharan Africa (SSA). The framework operates in three main steps: RF1 estimates the sowing window and date using a sowing algorithm (A1); RF2 calculates the cumulative thermal time required for maize growth, which informs the timing of phenological stages; and RF3 simulates water-limited potential yield based on eco-physiological principles. This structured approach allows for a mechanistic understanding of crop growth while leveraging the strengths of RF models, such as simplicity and replicability.
The framework utilizes both internal and external data inputs, including daily weather data and soil characteristics, to train and test the models. The training dataset encompasses simulated rainfed potential yields from 105 maize production sites across ten sub-Saharan countries, ensuring high-quality weather data through the Global Yield Gap Atlas protocol. The models are designed to account for spatial variations in climate and soil conditions, with RF1 determining sowing dates based on geographic and climatic factors, while RF2 and RF3 focus on thermal time and yield simulations, respectively. The results are validated against the Evidence for Resilient Agriculture dataset, which includes extensive agronomic experiments, enhancing the framework’s reliability and applicability for future climate scenarios.
Limitations
The limitations of the study highlight several critical factors affecting the applicability and accuracy of the crop model outputs derived from the GYGA dataset. While the algorithms were trained on historical climate data relevant to maize cultivation in Sub-Saharan Africa (SSA), they primarily represent climate zones that account for 79% of the area under future climate conditions as projected by CMIP6. However, caution is advised when applying these algorithms to future climates that have not been explicitly represented in the training data, as noted by Meyer and Pebesma (2022). To address this gap, the authors plan to enhance the GYGA dataset with data from hotter regions during extreme warm years, which could improve the robustness of the model for future climate scenarios.
Additionally, the study’s algorithm for estimating sowing dates, which relies on cumulative rainfall over a seven-day window, may not align with local farmer practices in West Africa that typically favor a more conservative approach. Farmers often wait for a single day of rainfall exceeding 20 mm to mitigate risks associated with early-season droughts, influenced by the high cost of maize seeds. This discrepancy suggests that incorporating country-specific sowing date algorithms that consider both environmental and local management factors could significantly enhance the accuracy of sowing date predictions. Furthermore, while the study filtered the ERA dataset for high-yield experiments, many did not apply sufficient nitrogen fertilizer to achieve potential rainfed yields, indicating that the simulated yields may be higher than those observed in the ERA dataset. Future modeling efforts in SSA would benefit from focusing on well-managed experiments that target potential yields under water-limited conditions.