İklim Değişikliği ve Tarım (Climate Change and Agriculture)

İklim değişikliği, tarımın faaliyet gösterdiği koşulları yeniden şekillendirmektedir -- büyüme mevsimlerini kaydırmakta, yağış örüntülerini değiştirmekte, aşırı olayların sıklığını artırmakta ve zararlı ile hastalık dinamiklerini dönüştürmektedir. Makine öğrenmesi, bu etkileri eyleme dönüştürülebilir uzamsal ve zamansal ölçeklerde tahmin etmek için analitik kapasite sağlayarak, çiftçilerin, politika yapıcıların ve tedarik zincirlerinin kayıplar gerçekleşmeden önce uyum sağlamasına olanak tanır.

Gelecek Senaryolar Altında Ürün Uygunluk Haritalama

Küresel iklim modelleri, Paylaşılan Sosyoekonomik Yollar (SSP1-2.6'dan SSP5-8.5'e) ve eski Temsili Konsantrasyon Yolları (RCP) kapsamında gelecek koşulları projekte eder. Makine öğrenmesi modelleri, bu kaba çözünürlüklü projeksiyonları ürüne özgü uygunluk haritalarına çevirir:

• Rastgele orman ve gradyan artırma, mevcut bitki dağılım verileri ve biyoiklimsel değişkenler üzerinde eğitilerek, gelecek sıcaklık ve yağış rejimleri altında bitkilerin nerede uygulanabilir şekilde yetişebileceğini tahmin eder
• Tür dağılım modelleri, makine öğrenmesi sınıflandırıcılarıyla güçlendirilerek, temel gıda bitkileri (buğday, mısır, pirinç, soya) ve yüksek değerli bitkilere (kahve, kakao, şarap üzümü) yönelik değişen uygunluk bölgelerini haritalar
• Topluluk yaklaşımları, tahmin belirsizliğini nicelleştirmek için birden fazla iklim modeli ve makine öğrenmesi algoritmasının çıktılarını birleştirerek ikili haritalar yerine uygunluk olasılığı yüzeyleri üretir

Bu analizler, sıcaklığa duyarlı bitkiler için uygun bölgelerin kutuplara doğru göçünü ve tropikal yetiştirme alanlarının daralmasını tutarlı biçimde göstermekte olup, uzun vadeli arazi kullanım planlaması ve ıslah programı önceliklerini bilgilendirmektedir.

Kuraklık ve Sel Tahmini

Makine öğrenmesi modelleri, kuraklık başlangıcını, şiddetini ve süresini tahmin etmek için uydu gözlemlerini, hava tahminlerini ve toprak nemi verilerini birleştirir:

• LSTM ve transformer ağları, kuraklık indekslerini (SPEI, PDSI, SPI) haftalar ila aylar öncesinden tahmin etmek için yağış, sıcaklık ve bitki örtüsü indeksi zaman serilerindeki zamansal bağımlılıkları yakalar
• Evrişimli mimariler, uzamsal kuraklık örüntülerini tespit etmek ve yayılımı tahmin etmek için ızgaralı uydu verilerine (Remote Sensing Agriculture) uygulanır
• Sel tahmini, tarımsal sel hasarı için erken uyarı sağlamak amacıyla hidrolojik modelleri makine öğrenmesi tabanlı yağış anlık tahmini, topografik özellikler ve toprak doygunluk tahminleriyle entegre eder

Bu tahminler, zamanında ve doğru tetikleyicilerin ödeme zamanlamasını belirlediği Smart Irrigation planlaması ve ürün sigortası indeks tasarımına beslenir.

Büyüme Mevsimi Kayması Modellemesi

Isınan sıcaklıklar fenolojik zamanlamayı değiştirir -- daha erken ilkbahar başlangıcı, daha uzun dondan arınmış periyotlar, kayan muson varışı. Geçmiş fenoloji kayıtları ve iklim verileri üzerinde eğitilmiş makine öğrenmesi modelleri:

• Isınma senaryoları altında ekim ve hasat tarihi kaymalarını tahmin eder
• Bitki olgunlaşmasını etkileyen büyüme derece günü birikimindeki değişimleri tahmin eder
• Geleneksel dondan arınmış pencerelerin daraldığı veya genişlediği bölgeler için don riski olasılığını modeller
• Değişen yağış zamanlaması altında bitki gelişim aşamaları ile su mevcudiyeti arasındaki uyumsuzluğu nicelleştirir

Bu çıktılar, bitki büyümesi ile kaynak mevcudiyeti arasındaki zamansal hizalamayı ayarlayarak Crop Yield Prediction modellerini doğrudan bilgilendirir.

Makine Öğrenmesi ile İklim Modeli Ölçek Küçültme (Downscaling)

Genel Sirkülasyon Modelleri (GCM'ler) 50-250 km çözünürlükte çalışır; bu, çiftlik düzeyinde karar alma için çok kaba kalır. Makine öğrenmesi ile istatistiksel ölçek küçültme bu boşluğu doldurur:

• Süper çözünürlük CNN'leri kaba GCM çıktısı ile ince çözünürlüklü gözlemlenen iklim arasındaki ilişkiyi öğrenerek, 1-10 km ızgaralı projeksiyonlar üretir
• Koşullu GAN'lar, basit enterpolasyondan daha iyi aşırı değer istatistiklerini koruyan fiziksel olarak makul yüksek çözünürlüklü iklim alanları üretir
• Transfer Learning, veri zengini bölgelerde eğitilmiş ölçek küçültme modellerini veri kıt bölgelere uyarlayarak, gelişmekte olan tarımsal bölgelere kapsamı genişletir

Makine öğrenmesi tabanlı ölçek küçültme, özellikle tarım için en çok önem taşıyan yağış aşırılıkları konusunda geleneksel istatistiksel yöntemlere göre önemli iyileşmeler sağlamaktadır.

Karbon Ayak İzi Tahmini

Makine öğrenmesi, emisyon ve karbon tutumunu tahmin ederek tarımsal karbon muhasebesine katkıda bulunur:

• Toprak organik karbon tahmini, uzaktan algılama ve Soil Analysis verilerinden peyzajlar genelinde tutum potansiyelini nicelleştirir
• Metan emisyonu modellemesi, pirinç tarlaları ve hayvancılık için yönetim uygulamaları, hava durumu ve toprak koşullarını entegre eder
• Yaşam döngüsü değerlendirmesi otomasyonu, literatürden emisyon faktörlerini çıkarmak için doğal dil işleme (NLP) kullanır ve çiftlik düzeyinde karbon hesaplayıcılarındaki veri boşluklarını makine öğrenmesi ile doldurur

Bu araçlar, karbon kredi piyasalarını ve iklim akıllı tarım sertifikasyon programlarını destekler.

İklim Akıllı Tarım ve Adaptasyon Stratejileri (Climate-Smart Agriculture)

İklim akıllı tarım (CSA), verimliliği artırmayı, dayanıklılığı güçlendirmeyi ve emisyonları eş zamanlı olarak azaltmayı hedefler. Makine öğrenmesi, CSA'yı şu yollarla destekler:

• Adaptif yönetim önerileri: Mevsimsel iklim tahminlerine dayalı olarak ekim tarihlerini, çeşit seçimini ve girdi zamanlamasını ayarlar
• Strese toleranslı çeşit belirleme: Sıcaklık ve kuraklık stresi altında çok ortamlı deneme verilerinde eğitilmiş genomik tahmin modelleri aracılığıyla
• Örtü bitkisi ve ekim nöbeti optimizasyonu: Karlılığı korurken uzun vadeli toprak sağlığını ve karbon depolamayı maksimize eden Reinforcement Learning tabanlı yaklaşımlar kullanılarak
• Sigorta ürün tasarımı: Makine öğrenmesi ile kalibre edilmiş hava indekslerinin gerçek ürün kayıplarını doğru yansıtan ödemeleri tetikleyerek

Bağlantılar

İklim etki tahmini, doğru kalabilmesi için durağan olmayan iklimi hesaba katması gereken Crop Yield Prediction ile sıkı bir şekilde bağlantılıdır. Kuraklık izleme, Remote Sensing Agriculture veri akışlarından yararlanırken, adaptasyon stratejileri genellikle su kıtlığı altında Smart Irrigation optimizasyonunu içerir. Toprak karbon tahmini, Soil Analysis metodolojileri üzerine inşa edilir ve fenolojik modelleme, Precision Agriculture karar destek sistemlerinin zamansal yönlerini bilgilendirir.

Ingest Edilen Makalelerden Bulgular

[Lesk et al., 2016] — NOT: Bu makale (W2927413391, 815 atıf) dosyası bozuk olduğu için (indirme sırasında CAPTCHA sayfası kaydedilmiş, gerçek PDF elde edilememiş) doğrudan okunamadı. Yeniden indirilip ingest edilmesi gerekmektedir. Makale başlığı: "The effects of climate extremes on global agricultural yields." Makalenin bilinen temel bulgusu: Kuraklık ve aşırı sıcakların küresel tarımsal verimler üzerindeki olumsuz etkilerini nicelleştirmiştir; kuraklık ve aşırı sıcaklıklar ulusal ölçekte ürün verimlerinde %9-10 oranında düşüşe yol açmaktadır.

[Mora et al., 2018] — NOT: Bu makale (W2901776594, 683 atıf) dosyası bozuk olduğu için (indirme sırasında CAPTCHA sayfası kaydedilmiş, gerçek PDF elde edilememiş) doğrudan okunamadı. Yeniden indirilip ingest edilmesi gerekmektedir. Makale başlığı: "Broad threat to humanity from cumulative climate hazards intensified by greenhouse gas emissions." Makalenin bilinen temel bulgusu: Sera gazı emisyonlarının yoğunlaştırdığı kümülatif iklim tehlikelerinin insanlık için geniş çaplı tehdit oluşturduğunu sistematik olarak değerlendiren bu çalışma, iklim değişikliğinin tarım dahil birçok sektör üzerindeki eş zamanlı ve birleşik etkilerini analiz etmiştir.

İklim-Ekonomi İlişkisi Üzerine Yeni Literatür

[Dell et al., 2014] — NOT: Bu makale (W2104834906, 2.154 atıf) dosyası bozuk olduğu için (indirme sırasında CAPTCHA sayfası kaydedilmiş, gerçek PDF elde edilememiş) doğrudan okunamadı. Yeniden indirilip ingest edilmesi gerekmektedir. Makale başlığı: "What Do We Learn from the Weather? The New Climate-Economy Literature." Bu çalışma, hava durumu ve iklim değişkenliğinin ekonomik çıktılar üzerindeki etkilerini inceleyen yeni ampirik literatürü kapsamlı biçimde derlemektedir. Tarımsal verimlilik, işgücü üretkenliği, enerji talebi ve politik istikrar dahil olmak üzere iklim-ekonomi bağlantısının birçok boyutunu ele almaktadır. Özellikle hava durumu şoklarının tarımsal çıktıya doğrudan etkisi ve bu etkilerin ülke ekonomilerine yansıması konusundaki ampirik kanıtları sistematize etmesiyle öncü niteliğindedir.

İklim Değişkenliği ve Küresel Ürün Verimi Dalgalanması

[Ray et al., 2015] — Küresel düzeyde yaklaşık 13.500 siyasi birimden derlenen detaylı ürün istatistikleri zaman serisi kullanılarak, iklim değişkenliğinin mısır, pirinç, buğday ve soya fasulyesi verimlerindeki yıllar arası dalgalanmaya etkisi incelenmiştir. Küresel olarak iklim değişkenliği, gözlenen verim değişkenliğinin yaklaşık %32-39'unu açıklamaktadır. Bu etki, büyük küresel tahıl kuşaklarında %60'ın üzerine çıkabilmektedir: ABD Ortabatı'sında ve Çin Mısır Kuşağı'nda mısır verim değişkenliğinin %42'si iklim kaynaklıdır. İklim kaynaklı yıllık üretim dalgalanması mısırda yaklaşık 22 milyon ton, pirincte yaklaşık 3 milyon ton, buğdayda yaklaşık 9 milyon ton ve soya fasulyesinde yaklaşık 2 milyon tondur. Mısır hasat alanlarının %70'inde, buğday hasat alanlarının %79'unda ve pirinç hasat alanlarının %53'ünde iklim değişkenliğinin istatistiksel olarak anlamlı etkisi saptanmıştır. ABD Ortabatı'sının üst ve doğu bölgelerinde aşırı sıcaklık değişkenliği daha belirleyiciyken, batı ve orta Ortabatı'da aşırı yağış değişkenliği mısır verimini daha çok etkilemektedir. Avustralya buğday kuşağında iklim değişkenliği verim değişkenliğinin %43'ünü, Japonya'da pirinç verim değişkenliğinin %79'unu açıklamaktadır. Bu çalışma, önceki analizlere göre uzamsal detayda 50 kattan fazla artış sağlayarak, iklim-verim ilişkisinin ülke içi ve bölgeler arası mekansal örüntülerini benzersiz biçimde ortaya koymuştur. (1.904 atıf)

Küresel Kara Evapotranspirasyon Eğiliminde Son Düşüş

[Jung et al., 2010] — NOT: Bu makale (W1979723077, 2.276 atıf) dosyası bozuk olduğu için (indirme sırasında CAPTCHA sayfası kaydedilmiş, gerçek PDF elde edilememiş) doğrudan okunamadı. Yeniden indirilip ingest edilmesi gerekmektedir. Makale başlığı: "Recent decline in the global land evapotranspiration trend due to limited moisture supply." Bu çalışma, 1998'den itibaren küresel kara evapotranspirasyonundaki yükseliş eğiliminin tersine dönerek düşüşe geçtiğini raporlamış, bunun nedenini sınırlı toprak nemi arzına bağlamıştır. Özellikle Güney Yarıküre'deki kara alanlarında belirgin olan bu eğilim, tarımsal su döngüsü ve kuraklık riskleri açısından önemlidir. Azalan evapotranspirasyon, bitki büyümesinin sınırlanması ve bölgesel su dengelerinin bozulmasıyla ilişkilendirilebilir; bu da tarımsal verimlilik üzerinde baskı yaratabilir.