Bovenaan de lijst van de belangrijkste gewassen van Australië, tarwe wordt verbouwd op meer dan de helft van het land en is een belangrijk exportproduct. Met zoveel rijden op tarwe, nauwkeurige opbrengstprognoses zijn nodig om regionale en mondiale voedselzekerheid en grondstoffenmarkten te voorspellen. Een nieuwe studie gepubliceerd in Landbouw- en bosmeteorologie laat zien dat machinale leermethoden de tarweopbrengst voor het land nauwkeurig kunnen voorspellen, twee maanden voordat het gewas rijpt.

"We hebben verschillende benaderingen voor machinaal leren getest en grootschalige klimaat- en satellietgegevens geïntegreerd om tot een betrouwbare en nauwkeurige voorspelling van de tarweproductie voor heel Australië te komen, " zegt Kaiyu Guan, assistent-professor bij de afdeling Natuurlijke Hulpbronnen en Milieuwetenschappen aan de Universiteit van Illinois, Blue Waters-hoogleraar bij het National Center for Supercomputing Applications, en hoofdonderzoeker van het onderzoek. "Het ongelooflijke team van internationale medewerkers dat aan deze studie heeft bijgedragen, heeft ons vermogen om de tarweopbrengst voor Australië te voorspellen aanzienlijk verbeterd."

Mensen hebben geprobeerd de oogstopbrengst te voorspellen bijna net zo lang als er gewassen zijn. Met toenemende rekenkracht en toegang tot verschillende gegevensbronnen, voorspellingen worden steeds beter. In recente jaren, wetenschappers hebben vrij nauwkeurige schattingen van de gewasopbrengst ontwikkeld met behulp van klimaatgegevens, satellietgegevens, of allebei, maar Guan zegt dat het niet duidelijk was of de ene dataset nuttiger was dan de andere.

"In dit onderzoek, we gebruiken een uitgebreide analyse om de voorspellende kracht van klimaat- en satellietgegevens te identificeren. We wilden weten wat elk bijdraagt, " zegt hij. "We ontdekten dat klimaatgegevens alleen al behoorlijk goed zijn, maar satellietgegevens bieden extra informatie en brengen de prestaties van de opbrengstvoorspelling naar een hoger niveau."

Met behulp van zowel klimaat- als satellietdatasets, de onderzoekers konden twee maanden voor het einde van het groeiseizoen de tarweopbrengst voorspellen met een nauwkeurigheid van ongeveer 75 procent.

"Specifiek, we ontdekten dat de satellietgegevens geleidelijk de variabiliteit van de gewasopbrengst kunnen vastleggen, die ook de verzamelde klimaatinformatie weerspiegelt. Klimaatinformatie die niet kan worden vastgelegd door satellietgegevens, dient als een unieke bijdrage aan de voorspelling van de tarweopbrengst gedurende het hele groeiseizoen, " zegt Yaping Cai, promovendus en hoofdauteur van het onderzoek.

Co-auteur David Lobell van Stanford University voegt toe:"We hebben ook de voorspellende kracht van een traditionele statistische methode vergeleken met drie machine-learning-algoritmen, en machine-learning-algoritmen presteerden in alle gevallen beter dan de traditionele methode." Lobell startte het project tijdens een sabbatical in 2015 in Australië.

De onderzoekers zeggen dat de resultaten kunnen worden gebruikt om de voorspellingen over de Australische tarweoogst in de toekomst te verbeteren, met mogelijke rimpeleffecten op de Australische en regionale economie. Verder, ze zijn optimistisch dat de methode zelf kan worden vertaald naar andere gewassen in andere delen van de wereld.

Het artikel, "Het integreren van satelliet- en klimaatgegevens om de tarweopbrengst in Australië te voorspellen met behulp van machine learning-benaderingen, " is gepubliceerd in Landbouw- en bosmeteorologie .