《Frontiers in Climate》：Deep learning model anticipates climate change induced reduction in major commodity crop yields for Canada in 2050
编辑推荐：
为应对气候变化对农业可持续性的威胁，本研究运用深度学习模型（DeepS3），整合历史土壤、气候和产量数据，评估并预测了加拿大在RCP 4.5和8.5情景下至2050/2100年的耕地适宜性变化。结果显示，草原省份的油菜、豌豆、春小麦和大豆适宜性下降，而大麦和燕麦则有所上升。油菜和春小麦的净损失预计将超过其他作物的增益，凸显了采取作物多样化、培育耐热品种等适应性管理策略的紧迫性，对保障全球粮食安全具有重要参考价值。
想象一下，在不久的将来，餐桌上来自加拿大的菜籽油、面粉或豆制品变得稀缺且昂贵。这并非危言耸听，一项最新的科学研究为我们敲响了警钟。加拿大作为全球重要的粮食出口国，其农业生产正面临着气候变化带来的严峻挑战。气温升高、降水模式改变、极端天气事件频发，这些因素如何具体影响不同作物的收成？未来的农田布局是否需要重新规划？为了回答这些关乎“饭碗”的问题，一项发表在《Frontiers in Climate》上的研究，利用前沿的人工智能技术，为我们描绘了未来几十年加拿大农业的潜在图景。
为了精准预测气候变化对农业的影响，研究人员摒弃了传统方法的局限，转而采用一种名为“深度同步适宜性评分”（Deep Simultaneous Suitability Scoring, DeepS3）的深度学习模型。这项研究的核心是训练一个多层感知机（MLP），其输入是16个关键的土壤-气候-景观变量，包括坡度、坡向、土壤pH值、有机碳含量、不同生长季（3-4月、5-6月、7-9月）的平均降水量、日最高温和日较差（昼夜温差）等。这些数据来源于谷歌地球引擎（Google Earth Engine）的全球空间图像。模型的“学习材料”是加拿大统计局2013-2020年间，针对油菜、豌豆、春小麦、大豆、大麦、燕麦等九种主要一年生作物的县级普查产量数据。通过这种“半监督”学习，模型能够从历史数据中找出环境条件与作物产量之间的复杂关系。随后，研究人员利用IPSL-CM5A-MR气候模型在RCP4.5和RCP8.5两种代表性浓度路径下的未来气候预测数据，驱动训练好的DeepS3模型，生成了加拿大2050年和2100年的耕地适宜性变化地图。模型的可解释性通过SHAP（SHapley Additive exPlanations）值分析来实现，以确定哪些环境变量对预测各种作物产量最为重要。
3.1 坡度、昼夜温差、土壤pH值和降水是影响未来土地适宜性的关键因素
通过SHAP值分析，研究人员量化了各环境变量对作物产量预测的重要性。结果发现，对于除燕麦外的大多数作物，坡度、7-9月日较差和土壤pH值是排名前三的最重要预测变量。坡度影响水土流失和排水，进而导致产量波动。7-9月的日较差可能与生长季长度相关，但过大的日较差也可能通过增加水分胁迫或降低光合速率而损害产量。土壤pH值作为最重要的土壤变量，直接影响土壤生态系统、植物养分和微生物活性。此外，3-4月的平均降水量对所有作物产量预测也至关重要，因为早期降水为作物生长提供了必要的水分储备。相比之下，春季或初夏的最高气温、土壤有机碳和土壤含水量对任何作物的预测重要性都不高。
3.2 预测当前耕作区油菜和春小麦产量将大幅下降
基于DeepS3的预测生成了详细的土地适宜性变化地图。结果显示，在草原省份（普雷里地区）、安大略省中部和不列颠哥伦比亚省中部，油菜和春小麦的预测相对减产幅度最高，可达20%左右。这些地区恰好也是7-9月日较差预计会增加的地区。豌豆和大豆的预测趋势与油菜和春小麦相似。与此形成鲜明对比的是，大麦和燕麦在这些地区的预测相对产量则会增加，燕麦的增幅可达20%。魁北克省南部预计将经历与草原省份类似的土地适宜性变化。研究还发现，在所有作物的适宜性地图上，不列颠哥伦比亚省、育空地区和西北地区出现了适宜性增加的集群。其中，油菜、豌豆、春小麦和大豆在沿不列颠哥伦比亚-阿尔伯塔省边界、魁北克省北部和拉布拉多地区的预测产量相对增加，而这些地区恰好是3-4月降水量预计会增加的区域。
3.3 加拿大对全球粮食供应的贡献可能无法满足需求
研究进一步将预测的适宜性变化与2013-2020年的实际历史种植模式相结合，估算了全国范围的产量变化。尽管燕麦的产量增幅百分比可能最大，但由于油菜和春小麦的历史基准产量极高，它们的预期净损失将远远超过燕麦等作物带来的增益。假设全球饮食习惯和加拿大农业实践不变，研究人员预测，到2050年，油菜和春小麦的合计产量将减少约800万公吨，而大麦和燕麦的合计产量仅增加约200万公吨。考虑到加拿大是全球油菜、豌豆、燕麦等作物的主要出口国（分别占全球出口的40%、53%和51%），这些作物减产可能导致全球食品价格上涨，影响农民及相关产业的收入，并加剧全球粮食不安全状况。
3.4 模型可靠性及未来情景下的外推评估
为评估模型在预测远期（如2100年）时的可靠性，研究比较了未来气候状态与历史训练数据范围之间的差异。他们采用“超出百分比”指标，来衡量未来数据范围有多少落在了历史最小-最大边界之外。分析发现，外推程度在RCP8.5情景下的2100年早期季节变量中最为显著。具体而言，3-4月最高气温预测范围有47%超出了历史边界，3-4月降水量预测范围有32%超出。而在同一情景下，7-9月日较差的范围仅有5%超出历史最大值，生长季后期的降水量预测则完全在历史范围内。这表明，对于某些高重要性的预测变量（如夏季日较差），模型在预测期末的推断可能仍在一定程度上受到历史多变量关系的约束，但早期季节变量的显著外推意味着世纪末的预测图应谨慎解读，它们更应被视为在当今耕作方法不变下的潜在趋势示意。
研究的讨论部分首先承认了模型的局限性。DeepS3没有明确模拟农业技术、作物遗传学、管理实践或社会经济条件的未来变化，其预测应被解释为在固定技术和管理基线下的气候驱动适宜性变化。此外，土壤变量在预测中被假定为恒定，这忽略了气候变化可能通过改变土壤湿度、温度、微生物活动和有机质分解等途径对土壤性质产生的影响。气候输入数据被聚合为季节平均值，因此未明确捕捉可能导致额外减产的热浪或干旱等极端事件。模型的不确定性来源于排放情景、气候模型结构差异、内部气候变率以及模型预测误差等多个方面。
尽管存在局限，但研究结论明确指出，基于同步多作物土地适宜性评分，研究得出的变量重要性排名与该领域专家的认知基本一致。数据驱动的未来土地适宜性图表明，在草原省份，豌豆、春小麦、油菜和大豆的适宜性将下降，而大麦和燕麦的适宜性将上升。然而，仅依赖燕麦和大麦可能不可持续，因此探索能够适应更高日较差温度的新作物品种可能是有益的。气候变化将使加拿大北部的农业扩张成为可能，这虽可能为当地经济带来就业和食物可及性方面的好处，但必须仔细权衡无节制扩张对当地社区和环境的潜在负面社会环境影响。所有农业扩张计划都必须听取当地社区和环保组织的意见。
总而言之，这项研究利用深度学习模型，首次在全国尺度上对加拿大多种主要作物的未来适宜性进行了连续、空间明确的预测。它不仅揭示了气候变化下作物生产地理格局的重大转变，量化了主要出口作物的潜在减产风险，也为制定前瞻性的适应性战略（如作物育种方向、灌溉管理、土地利用规划）提供了至关重要的科学依据。研究强调，在气候变化背景下，保障粮食安全需要科技创新、可持续管理以及与社区协同规划的多管齐下。
