Paper rough reading(二)

作者: 画长空_yin | 来源:发表于2018-11-09 23:39 被阅读183次

多模式集合改进了作物 - 环境 - 管理交互的预测

Wallach, D., et al. 2018 Multimodel ensembles improve predictions of crop-environment-management interactions Global change biology. 24 5072-5083
目前在评价气候变化对农业生产的影响的一个创新是采用作物多种模型集成(MMEs)。这些研究通常发现单个模型间具有很大的变异性,但集成的均值或中值常常预测的很好。然而,很少研究特别关注这些集成预测指标的预测质量。本文询问何为集成均值或中值的预测质量,这些预测质量是如何取决于集成特征的。我们的实证结果基于应用于小麦的五项MME研究,使用不同的数据集,但使用相同的25种作物模型。结果表明,集合预测器具有相当高的技能,并且比大多数环境和大多数响应变量的大多数,有时甚至是所有单个模型都要好。如果随机添加模型,则e均值的均方误差随着集合的大小单调减小,但如果首先添加最佳拟合模型,则通常具有2-6个模型的最小值。我们的理论结果使用四个参数来描述集合:平均偏差,模型效应方差,环境影响方差和交互方差。我们在分析上表明,如果平方偏差小于相互作用方差,则e均值的预测平均误差(MSEP)总是小于模型上的平均MSEP,并且将小于最佳模型的MSEP。如果模型随机地添加到集合中,则e-mean的MSEP将作为集合大小的倒数减小,最小等于平方偏差加交互方差。该最小值不一定很小,因此评估每个目标环境群体的e均值的预测质量很重要。这些结果提供了关于集合预测器的优点的新信息,但也显示了它们的局限性。以下是25个作物模型:

QQ截图20181104204911.jpg
QQ截图20181104205001.jpg
QQ截图20181104205036.jpg
http://apps.webofknowledge.com/InboundService.do?customersID=Alerting&mode=FullRecord&IsProductCode=Yes&product=CCC&Init=Yes&Func=Frame&DestFail=http%3A%2F%2Fwww.webofknowledge.com&action=retrieve&SrcApp=Alerting&SrcAuth=Alerting&SID=5E3R1q7hSa4811Vc4dx&UT=CCC%3A000447760300007

温度增加降低全球小麦产量

Asseng, S., et al. 2015 Rising temperatures reduce global wheat production. Nature Climate Change. 5 143-147
作物模型是评估气候变化对区域或全球食物生产的威胁的关键工具。当模拟作物如何响应温度时,目前用来预测小麦产量的模型会有很高的不确定性。我们系统的测试了30个不同的小麦模型,温度范围从15到32度,包括一些人工加热实验。许多模型模拟产量很好,但在更高的温度上精度度降低。相比单个模型,模型集成树中值被认为更加精确。结果表明在大多数的小麦种植地点,气候变暖已经降低了产量的增加。估计全球小麦温度每升高1度降低6%,并在空间和时间上更加可变

三种独立的方法相似的估计了温度对全球玉米产量的影响

Liu, B., et al. 2016 Similar estimates of temperature impacts on global wheat yield by three independent methods Nature Climate Change.
近期不同的方法被用于评估了全球温度变化对全球作物产量的潜在影响。 在这里,我们表明,基于网格和基于点的模拟和统计回归(来自历史记录),没有经过适当的适应或二氧化碳施肥效应,产生类似的温度对全球和国家尺度小麦产量影响的估计。 随着全球温度升高1°C,全球小麦产量预计将下降4.1%至6.4%。三种方法表明温度高的区域随着温度升高小麦产量相比寒冷地区下降更多。

QQ截图20181104214618.jpg
https://www.nature.com/articles/nclimate3115

1981-2014年中国北方不同气候带和陆地生物群落的植被生长对气象干旱的多种响应

Xu H J, Wang X P, Zhao C Y, et al. Diverse responses of vegetation growth to meteorological drought across climate zones and land biomes in northern China from 1981 to 2014[J]. Agricultural & Forest Meteorology, 2018, 262:1-13.
提高我们对目前和未来干旱对中国北方植被的影响被专家高度重视,因为干旱能够增加脆弱性并随着加速陆地退化。植被活动对干旱的反应和潜在的机制还没有被完全理解。通过使用第三代NDVI和SPEI,我们研究了不同气候带和土地覆盖类型的NDVI和SPEI之间的关系,并确定了1981 - 2014年期间不同生物群落类型对干旱作出反应的主导时间尺度。我们的结果显示在中国北方大部分地区生物响应与干旱趋势是耦合的。在不同时间尺度上的月NDVI和SPEI的最高相关系数评估了干旱对植被的影响,并且引起最高相关性的时间尺度是一个有效的干旱抵抗力指标,该指标是和平均水循环与多样的干旱生存特点和策略有关。植被对干旱的多样性反映取决于时间尺度特征和不同的生长环境。本研究强调了目前气候下最易受到干旱发生影响的生态系统,包括了温带草原,温带荒漠草原,暖温灌木和干旱森林。考虑到干旱在未来的气候情景下回更加的频繁和强烈,它可能威胁到中型的的生态系统,例如温带草甸,高山草原,矮灌木和通常不被认为处于干旱风险的湿润森林。我们提出未来的研究应该关注干旱-半干旱系统,其中干旱对植被的影响最大,并且对早期预警干旱系统的需求日益迫切。
https://www.sciencedirect.com/science/article/pii/S0168192318302181?via%3Dihub#fig0005

发展和分析1km分辨率的连续36年的美国春季植被物候产品

Development and analysis of spring plant phenology products: 36 years of 1-km grids over the conterminous US
物候产品的时间序列提供了关于复发性生物事件的时间及其时间趋势的信息。这些信息对于研究气候变化对我们星球的影响以及管理自然资源和农业生产至关重要。在这里,我们开发和分析新的长期物候产品:1980年至2015年期间美国的1公里网格的扩展春季指数(SIx)。这些新产品(基于Daymet日常温度网格并使用云计算创建) )允许分析两个主要变量(第一叶和第一次绽放)和两个衍生产品(损伤指数和最后冻结日),其空间分辨率比以前的网格化或插值产品更精细。此外,我们的产品提供足够的时间深度,可靠地分析大陆尺度弹簧到达时间的趋势和变化。验证结果证实我们的产品在很大程度上与丁香和金银花叶片和开花观察结果一致。空间分析显示美国北部的春季开始显着延迟,而在西部和大湖地区,春季开始进展。分析了美国九个主要气候区域的指数的平均时间变异性,结果显示明显划分为三个主要群体:早期,平均和晚春发病。这些例子表明我们的四种物候产品有可能提高对生态系统对气候变化的响应的理解。

机器学习方法的作物预测和气候变化对农业影响的评估

Machine learning methods for crop yield prediction and climate change impact assessment in agriculture
作物产量关键取决于天气。越来越多的实证文献对模拟这种关系,以预测气候变化对该部门的影响。我们描述了一种使用深度神经网络的半参数变量的产量建模方法,该方法可以同时解释高维数据集中的复杂非线性关系,以及已知的参数结构和未观察到的横截面异质性。本文使用来自美国中西部的玉米产量数据进行验证,我们表明这种方法优于经典统计方法和完全非参数神经网络预测模型训练期间保留的年份产量。 使用来自一系列气候模型的情景,我们显示气候变化对玉米产量的巨大负面影响,但不如使用经典统计方法预测的影响严重。 特别是,在最温暖的地区和最温暖的情景中,我们的方法不那么悲观。
http://iopscience.iop.org/article/10.1088/1748-9326/aae159/meta
以下是模型应用时的输入变量

QQ截图20181109192744.jpg 。
该文的文末附上了代码及数据来源
QQ截图20181109193832.jpg
【思考】机器学习方法在农业方面的应用,一种新的预测粮食产量的方法。统计资料的正确性会影响到该方法的精确度。

干旱陆地和灌溉陆地上作物产量对气候变量的响应

Lu, W., W. Adamowicz, S. R. Jeffrey, G. G. Goss and M. Faramarzi (2018). "Crop Yield Response to Climate Variables on Dryland versus Irrigated Lands." Canadian Journal of Agricultural Economics-Revue Canadienne D Agroeconomie 66(2): 283-303.
农业被认为是气候变化最脆弱的经济部门之一。 在评估气候条件的影响时,作物生产一直是一个重点。很少研究检测了气候变化对灌溉农业及粮食产量的影响。这可能归结于研究者的假设,灌溉管理能够抵消气候变化的影响。我们研究了这个问题,通过使用乡镇尺度上的1983-2007年的面板数据检测了加拿大Alberta的南部的干旱和灌溉陆地上大麦、油菜和春小麦产量对一套气候变量的影响。 我们的结果显示变暖和降水增加会倾向于增加干旱陆地的作物产量,然后7月和8月降水量的增加会对灌溉陆地上的粮食产量起到相反的作用即降低粮食产量。 基于区域预测的气候变化情景,我们发现气候变化降低干旱陆地上三种作物的作物产量,然而,油菜和春小麦的产量在灌溉陆地上会轻微增加。
【思考】切入点较为特殊,分析了以往研究中忽视的气候变化对灌溉农田的影响。

干旱的加剧会消除二氧化碳升高对大豆产量的预期效益。

Gray, S. B., et al. 2016 Intensifying drought eliminates the expected benefits of elevated carbon dioxide for soybean Nat Plants. 2
人们普遍预计,大气二氧化碳浓度([CO 2])对C 3作物产量的刺激将抵消本世纪干旱加剧造成的作物损失。但这些期望来自稀疏的田间试验,这些试验偏向于中间生长条件。这项为期8年的研究使用了一个独特的露天野外设施的降水处理和天气条件的逐年变化,表明随着干旱的加剧,[CO 2]升高对大豆产量的刺激减少到零。与文献中普遍的期望相反,上升[CO 2]没有抵消强干旱对光合作用和产量的影响,因为[CO 2]升高与干旱相互作用以改变气孔功能和冠层能量平衡。这种在炎热和干燥条件下进行实地试验的新见解将在未来几十年中日益普及,这突出了全球主要变化因素对其主要生产区域主要全球商品作物产生负面影响的可能性。
【思考】可以用到干旱对粮食产量影响的引言中或讨论中。

SMAP土壤水分提高全球蒸散发的估算

Purdy, A. J., J. B. Fisher, M. L. Goulden, A. Colliander, G. Halverson, K. Tu, and J. S. Famiglietti 2018 SMAP soil moisture improves global evapotranspiration Remote Sensing of Environment. 219 1-14
精确评估全球蒸散发对于理解地球系统的水文循环和陆地-大气反馈是至关重要的。基于卫星的ET模型提供了全球估算,但许多的ET算法设计的时候是独立于观测的土壤水分。由于ET是来自于土壤,将土壤水分融入到全球遥感ET算法在理论上能够提高精确度,尤其是水分限制区。 本文介绍了广泛使用的Priestley Taylor-Jet推进实验室(PT-JPL)ET算法的更新,该算法将空间明确的日表面土壤湿度控制纳入土壤蒸发和冠层蒸腾。使用14个AmeriFlux涡动协方差塔与COsmic-ray土壤湿度观测系统(COSMOS)土壤水分观测资料共同评估更新的算法。新的PT-JPLSM模型显示减少误差和增加方差解释,在水分限制区域有最大的改进。土壤水分与土壤蒸发相结合改善ET估算,降低偏差29.9%和RMSE22.7%,而土壤水分与蒸腾作用相结合可以通过将偏差降低30.2%,RMSE降低16.9%来改善ET估算。我们在全球上使用来自SMAP的土壤水分观测来应用该算法。这些新的ET全球估算显示,在更精细的空间分辨率下误差减少,并提供丰富的数据集来评估陆地表面和气候模型,植被对水资源可用性和环境条件变化的响应,以及对水循环的人为扰动。
https://www.sciencedirect.com/science/article/pii/S0034425718304401
【思考】土壤水分数据的新应用,提高全球蒸散发的估算。

使用Landsat和广义分类器进行大范围农田范围制图

Large area cropland extent mapping with Landsat data and a generalized classifier
准确和最新的农田地图在粮食安全研究中发挥着重要作用。使用涉及“一次性,一地”方法的中等分辨率(10-100m)遥感图像的传统农田绘图需要大量的计算和劳动力资源。尽管使用这种方法可以实现高映射精度,但是收集参考信息以在每个位置训练分类器并且应用于诸如大陆的大区域是繁琐且昂贵的。此外,大面积农田绘图带来了额外的挑战,包括广泛的农业管理实践,气候条件和作物类型。为了克服这些挑战,我们在此报告用于绘制农田范围的广义图像分类器,其使用来自一个位置和时间段的训练数据建立分类模型,应用于其他时间和位置而无需额外的训练数据。该研究使用2009年至2011年期间获得的Landsat数据在欧洲,中东和北非的8个农业生态区(AEZ)进行了演示。结果表明,广义分类器成功地识别和绘制了农田,并且在所有三个概括水平上以最小的成本获得了可比较的成功:从个体水平的平均精度损失(以总体准确度衡量)(平均总体准确度为80±5%) )到区域水平(平均总体准确度为74±10%)取决于位置在2到10%之间。结果还表明,泛化对分类算法的选择不敏感 - 线性判别分析(LDA)模型与文献中的许多流行的机器学习算法相比表现同样出色。这项工作表明,泛化/特征扩展框架具有很大的潜力,可以使用容易计算的植被指数,只需很少的用户输入和地面信息要求,在大面积上快速识别和绘制具有合理精度的农田。
https://www.sciencedirect.com/science/article/pii/S0034425718304449
【思考】后期如果研究中耕地数据特别重要,可利用该方法来进行耕地的制图

相关文章

网友评论

    本文标题:Paper rough reading(二)

    本文链接:https://www.haomeiwen.com/subject/nildxqtx.html