Explicar el aprendizaje automático explicativo para mapear el impacto del clima y el suelo en el rendimiento y los ingresos del trigo en el cinturón de granos del este de Australia
Autores: Filippi, Patrick; Whelan, Brett M.; Bishop, Thomas F. A.
Idioma: Inglés
Editor: MDPI
Año: 2024
Acceso abierto
Artículo científico
Categoría
Ciencias Agrícolas y Biológicas
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 12
Citaciones: Sin citaciones
Comprender las causas de la variación espacio-temporal en los rendimientos de los cultivos en áreas extensas es importante para cerrar las brechas de rendimiento y producir más alimentos para la creciente población mundial. Aunque ha habido mucho enfoque en el uso de modelos basados en datos para predecir el rendimiento de los cultivos, también existe la oportunidad de utilizar estos modelos empíricos para comprender qué factores están impulsando las variaciones en el rendimiento y cuantificar sus contribuciones. Este estudio utiliza una gran base de datos de 625 mapas de rendimiento de trigo de secano de 14 temporadas diferentes (2007-2020) en la región oriental del cinturón de granos de Australia. Se utilizaron modelos XGBoost, con predictores que incluyen mapas de atributos del suelo (por ejemplo, pH y sodicidad), junto con índices climáticos (lluvia, heladas, calor, días de grado de crecimiento). El modelo y los predictores pudieron predecir con precisión el rendimiento a escala de campo, con un coeficiente de correlación de concordancia de Lin (LCCC) de 0,78 con validación cruzada de 10 pliegues. Luego, se utilizaron los valores de SHapley Additive exPlanation (SHAP), una forma de aprendizaje automático interpretativo (IML), para evaluar el impacto de las variables en el rendimiento. Los valores de SHAP para cada predictor también se mapearon en una cuadrícula del área de estudio para la temporada 2020, lo que mostró el impacto de cada predictor en el rendimiento de trigo (t/ha) y los ingresos (AUD ($)/ha) en unidades interpretables. Variables climáticas, como la lluvia y los eventos de calor, tuvieron el mayor impacto en el rendimiento. Aunque generalmente menos significativas, las limitaciones del suelo como la sodicidad del suelo aún eran importantes para impulsar el rendimiento. Los resultados también mostraron que, a pesar de su naturaleza generalmente estable temporalmente, las limitaciones del suelo impactan el rendimiento de manera diferente, dependiendo de las condiciones estacionales. En general, los modelos basados en datos y el IML resultaron valiosos para comprender el impacto de variables climáticas y del suelo importantes en el rendimiento y los ingresos del trigo en el cinturón de granos del este de Australia. Esto podría utilizarse para determinar la magnitud e impacto económico de las limitaciones del suelo y el clima extremo en los cultivos en diferentes regiones y para informar políticas y decisiones de manejo agrícola.
Descripción
Comprender las causas de la variación espacio-temporal en los rendimientos de los cultivos en áreas extensas es importante para cerrar las brechas de rendimiento y producir más alimentos para la creciente población mundial. Aunque ha habido mucho enfoque en el uso de modelos basados en datos para predecir el rendimiento de los cultivos, también existe la oportunidad de utilizar estos modelos empíricos para comprender qué factores están impulsando las variaciones en el rendimiento y cuantificar sus contribuciones. Este estudio utiliza una gran base de datos de 625 mapas de rendimiento de trigo de secano de 14 temporadas diferentes (2007-2020) en la región oriental del cinturón de granos de Australia. Se utilizaron modelos XGBoost, con predictores que incluyen mapas de atributos del suelo (por ejemplo, pH y sodicidad), junto con índices climáticos (lluvia, heladas, calor, días de grado de crecimiento). El modelo y los predictores pudieron predecir con precisión el rendimiento a escala de campo, con un coeficiente de correlación de concordancia de Lin (LCCC) de 0,78 con validación cruzada de 10 pliegues. Luego, se utilizaron los valores de SHapley Additive exPlanation (SHAP), una forma de aprendizaje automático interpretativo (IML), para evaluar el impacto de las variables en el rendimiento. Los valores de SHAP para cada predictor también se mapearon en una cuadrícula del área de estudio para la temporada 2020, lo que mostró el impacto de cada predictor en el rendimiento de trigo (t/ha) y los ingresos (AUD ($)/ha) en unidades interpretables. Variables climáticas, como la lluvia y los eventos de calor, tuvieron el mayor impacto en el rendimiento. Aunque generalmente menos significativas, las limitaciones del suelo como la sodicidad del suelo aún eran importantes para impulsar el rendimiento. Los resultados también mostraron que, a pesar de su naturaleza generalmente estable temporalmente, las limitaciones del suelo impactan el rendimiento de manera diferente, dependiendo de las condiciones estacionales. En general, los modelos basados en datos y el IML resultaron valiosos para comprender el impacto de variables climáticas y del suelo importantes en el rendimiento y los ingresos del trigo en el cinturón de granos del este de Australia. Esto podría utilizarse para determinar la magnitud e impacto económico de las limitaciones del suelo y el clima extremo en los cultivos en diferentes regiones y para informar políticas y decisiones de manejo agrícola.