基于機器學習和未來氣候變化模式的埃塞俄比亞糧食產量預測*

徐 寧 ,李發東 ,張秋英 ,艾治頻 ,冷佩芳 ,舒 旺 ,田 超,李 兆,陳 剛,喬云峰**

(1.中國科學院地理科學與資源研究所生態系統網絡觀測與模擬重點實驗室 北京 100101;2.中國科學院大學中丹學院北京 100049;3.中國環境科學研究院 北京 100012;4.美國佛羅里達州立大學 塔拉哈西 32306)

盡管全球綠色革命取得了成功,糧食產量提高了100%～200%[1],但全球仍有超過10 億人面臨饑餓和營養不良的困境[2]。在非洲,糧食缺乏尤為嚴重,21.5%的人口處于高度糧食不安全狀態,高于全球平均水平的9.2%[3-5]。埃塞俄比亞是糧食不安全情況最嚴重的國家之一[6],因此農業對于埃塞俄比亞人民的生活至關重要,在嚴酷的氣候條件下糧食產量的變化也嚴重影響著該國的糧食安全。

氣候變化影響下的全球糧食安全問題是21 世紀最重要的挑戰之一[7-11]。通過研究氣候變化對玉米(Zea mays)、小麥(Triticum aestivum)和水稻(Oryza sativa)等作物生產的影響[12-21],以及氣候變化對流域水資源[22-23]、森林[24]、工業和自然景觀的影響[25],學界發現氣候變化是影響作物年產量的最重要因素之一,氣候變化的不確定性將大大增加糧食生產的不確定性。

氣候變化情景是基于一系列氣候關系和輻射強迫假設對未來氣候的合理描述[26-29]。第六次國際耦合模式比較計劃(CMIP6)應用了最新的共享社會經濟路徑-代表性濃度路徑情景(SSP-RCP)模擬不同的未來發展情景,并通過全球氣候模式(GCM)[28]進行氣候變化預測。GCM 是模擬當前和未來氣候變化的重要工具,可以使研究人員更 好地了解氣候變化在區域尺度上對作物生產的影響[30]。

近年來,隨著人工智能的快速發展,機器學習逐漸被引入各個應用領域的研究中。機器學習應用于產量預測的主要優勢是能夠基于復雜的非線性農業數據建立作物產量預測模型[31]。Gonzalez-Sanchez等[32]選擇了10 種作物,利用5 種機器學習模型構建了作物產量預測模型并評估了每種機器學習算法的表現。Filippi 等[33]結合多屬性數據劃分生長期,并構建隨機森林產量預測模型。Khanal 等[34]采集了土壤樣本,結合多光譜影像數據,構建了玉米產量預測模型。綜合來看,機器學習在作物產量預測方面的精度優于一般統計方法,通過選取適當算法、合理添加關鍵參數、精準調參等優化后的機器學習可勝任數據稀缺地區(如埃塞俄比亞)糧食產量預測。

埃塞俄比亞約有9100 萬人口,位居非洲第二[35],其主要糧食作物有玉米、苔麩(Eragrostis tef)、大麥(Hordeum vulgare)、小麥、高粱(Sorghum bicolor)及各種豆類[35]。該國農業產業規模較小、作物生產力不高,同時糧食生產結構較為單一,這就直接導致了該地區農業敏感性較高,抵御氣候波動的能力較差[36]。與此同時,嚴重的水土流失和干旱也對其農業生產造成不良影響[37-38]。自“一帶一路”倡議中明確把非洲納入“21 世紀海上絲綢之路”以來,東非國家在“一帶一路”合作中所處的地位愈發重要[19],其中埃塞俄比亞的發展對“一帶一路”倡議在非洲的推進發揮著重要作用。糧食安全作為保障埃塞俄比亞健康發展的重點抓手,是我國國家戰略推進的關鍵制衡因素,也是實現聯合國可持續發展目標的國際研究熱點。

鑒于此,本研究擬以埃塞俄比亞為研究區,基于歷年作物產量數據、未來氣候變化模式模擬數據和其他農業相關的環境及社會經濟數據,針對埃塞俄比亞產量排名前五的糧食作物(即苔麩、玉米、高粱、小麥和大麥),利用多種機器學習算法訓練產量預測模型并進行預測,通過多種模型結果的分析對比,確定表現最佳的機器學習算法,進一步結合CMIP6 中提供的SSP-RCP 情景,預測研究區2050 年之前不同未來情景下糧食產量的變化,并對研究區未來糧食生產情況進行分析。

1 材料與方法

1.1 研究區概況

埃塞俄 比亞位 于非洲 東北部(3°～15°N,33°～48°E),國土面積112.68 萬km2,北部、南部、東北部的沙漠和半沙漠約占領土面積的28%。65%的國土為可耕地,實耕13.2 萬km2,其中糧食耕地占3/4[36-37]。埃塞俄比亞地區海拔主要分布在2500～3000 m。國家劃分3 級行政區級別,分別是州(Region)、區(Zone)、縣(Woreda),行政區劃如圖1 所示。埃塞俄比亞分布有7 種氣候類型,兼有熱帶氣候、溫帶氣候以及干旱氣候。高海拔地區年平均氣溫約為15℃,低海拔地區年平均氣溫約為25 ℃。此外,埃塞俄比亞平均年降雨量在西部出現極大值(＞2000 mm·a-1),在東北低海拔地區以及東南部出現極小值(＜200 mm·a-1)[5-6]。

圖1 埃塞俄比亞行政區劃Fig.1 Administrative division of Ethiopia

1.2 數據準備

1.2.1 糧食產量數據

通過檢索聯合國糧食及農業組織統計數據庫(https://www.fao.org/faostat/en/#home)、埃塞俄比亞中央統計局數據庫(http://www.csa.gov.et/),獲取1995—2020 年埃塞俄比亞市級5 種主要糧食作物(即苔麩、玉米、小麥、大麥和高粱)單位面積產量數據,其原始數據的產量單位均為t·hm-2。

埃塞俄比亞全年糧食生產活動主要劃分為兩個主要生產季: 梅赫季(Meher season)和貝爾格季(Belg season)。梅赫季(每年的4—12 月)糧食產量約占全年糧食產量的90%以上,其糧食的主要生長時間為7—9月;貝爾格季為每年的2—9 月,糧食的主要生長時間為4—5 月。研究中所使用的作物產量數據包含該作物當年梅赫季產量和貝爾格季產量。由于貝爾格季作物產量較低,且部分地區不適宜糧食作物種植,該季數據在時間和空間尺度上的缺失均較為嚴重。

1.2.2 GCM 數據

本研究所使用的未來氣候變化模式數據是CMIP6 中參與模式比較的GCM 模擬結果數據。從CMIP6 項目官方網站的下載通道(https://esgf-node.llnl.gov/search/cmip6/)收集了37 個數據較為完整的常用GCM,附表1 中為所選取的GCM 列表及相關信息(見文后電子版鏈接)。選取GCM 中數據相對較全的9 個變量: 近地面比濕度(huss)、降水量(pr)、近地面氣壓(ps)、地面下行短波輻射量(rsds)、近地面氣溫(tas)、近地面日最高氣溫(tasmax)、近地面日最低氣溫(tasmin)、近地面東向風速(uas)和近地面北向風速(vas)。變量信息如表1 所示。

表1 研究初步選用的未來氣候變化模式氣候參數列表及信息Table 1 List and information of preliminarily selected Global Climate Model (GCM) variables

本研究所選取的全球氣候模型 GCM 變量均源自于統一的實驗場景設置,即在模型運行次數(Run)、初始條件(Initialization)、物理方案(Physics)以及強迫數據(Forcing) 4 個方面均采用第1 個方案(均標記為1),即r1i1p1f1。具體而言,本研究包括歷史情景(historical)以及3 個代表性濃度路徑(Shared Socioeconomic Pathways,SSPs),分別為SSP1-2.6 (SSP-126)、SSP2-4.5 (SSP245)和SSP5-8.5 (SSP585)。這些情景將被分別應用于歷史及未來氣候變化數據的計算與分析中。此方法論的應用旨在確保模型輸出的一致性與可比性,為評估不同氣候情景下的潛在變化提供了堅實的基礎。

1.2.3 格點化再分析數據

GCM 輸出結果是基于大尺度(比如大陸尺度)的氣候數據,空間分辨率較低,一般在百公里尺度以上。統計降尺度方法是提高GCM 預測精度的常用方法,該方法可以通過使用真實或近似真實的高分辨率歷史氣候數據作為參考,將低分辨率的GCM 輸出數據轉化為較為準確的高分辨率氣候數據[39]。

本研究選擇ERA5 (歐洲中期天氣預報中心)數據作為高分辨率歷史氣候數據參與GCM 降尺度。ERA5 提供了大量大氣、陸地和海洋氣候變量的每小時估計值[40-41]。具體使用的數據集為ERA5-land的月平均數據,它與ERA5 的其他部分相比分辨率更高,為0.1°(≈9 km)。選取的變量為1995—2020 年2 m空氣溫度、總降水量、地面下行短波輻射量、10 m東向風速、10 m 北向風速作為降尺度輸入數據。

1.2.4 土壤性質數據

土壤屬性分布情況在空間尺度上極大程度地影響了糧食種植和產量分布。本研究將土壤屬性參數作為不隨時間變化的空間分布屬性參與模型計算。

選取國際土壤參考和資料中心(ISRIC)土壤信息數據庫中的SoilGrids250m 2.0[42]數據集作為土壤屬性參數數據(https://soilgrids.org/)。SoilGrids 的輸出結果是6 個標準深度間隔的全球土壤屬性地圖,空間分辨率為250 m。本研究中首批參數選擇5～15 cm 深度土壤的容重、陽離子交換量、總氮、pH、有機質含量作為土壤參數。為縮減運算量,選擇SoilGrids 中低分辨率(5 km)子數據庫。

1.3 原始數據優化

1.3.1 GCM 模型評價和篩選

使用泰勒圖和技能得分進行37 個GCM 表現的比較,泰勒圖是氣候模式評價中應用較為廣泛的一種方法[43-46],它主要通過相關系數、均方根誤差和標準差對GCM 的表現進行綜合評判。對于給定的N個散點數據的相關系數(R)、模擬場(Xmi)的標準差(dm)、觀測場(Xoi)的標準差(dg)和均方根誤差(RMSE)的計算方法分別如下:

此外量化指標技能得分(S)[43]可以量化模擬場與觀測場之間的相關系數以及兩者的標準差,以評估模型模擬能力的強弱。技能得分的計算方式如下:

式中:R為模擬場與觀測場的相關系數;R0為所有模擬場和觀測場所能達到的最大相關系數,即所有模型相關系數中的最大值;σf為模擬場標準差dm與實測場標準差dg之比,即 σf=dm/dg。

從37 個GCM 中選取降水量(pr)和近地面氣溫(tas)兩個變量參與評價。計算各模型技能得分,統計各個GCM 的pr 和tas 技能得分,并分別按照兩個變量對GCM 進行排名并打分。打分原則是技能得分最低(第37 名)的GCM 獲得1 分,技能得分最高(第1 名)的GCM 獲得37 分,以此類推,最終將每個GCM 兩個變量的分數平均值作為最終得分。

在氣候模式評估及其應用的相關研究中,極少直接將表現最優的模型作為唯一選擇,往往同時選取表現較為優秀的多個模型組成最優模型集合(MME)[47],并將MME 的加權平均值輸出為最終變量值。因此本研究選取模型表現平均得分最高且數據完整的5 個GCM 組成MME,并以其得分作為分配權重的依據,計算5 個GCM 中各個變量的加權平均值,得到各個變量的最優模型集合平均值(MMME),并作為機器學習模型的輸入數據。MMME的計算方法如下:

式中:N為最優模型集中的模型個數,即為5;Tn為第n個模型的得分; Modn為第n個模型的模擬結果。

1.3.2 變量的相關性分析和篩選

初步選擇的9 個GCM 氣候變量以及5 個土壤變量都是基于其在過往文獻中的使用頻率,并沒有判斷這些變量是否適用于研究區。因此,本研究需要先判斷它們是否對研究區糧食作物產量具有足夠影響,以及它們之間是否存在共線性過高的問題。通過去除高相關性變量以及數據降維處理等方式可以降低變量之間的共線性,去除冗余的特征變量,使機器學習模型具有更高的魯棒性以及更強的可解釋性[48-50]。

使用斯皮爾曼相關系數進行變量之間的相關性分析。對于樣本容量為n的兩個樣本,其相關系數ρ的計算方法如下:

式中:xi、yi為兩個變量中的第i項數據。

1.4 GCM 模型降尺度

利用機器學習降尺度方法對GCM 數據進行空間降尺度。采用隨機抽樣一致算法、K 近鄰回歸算法(K-neighbors)和線性回歸算法(LR)訓練以重采樣GCM 數據和ERA5 格點化數據為自變量的數據集,訓練集與驗證集的數據比為3∶1。進一步利用投票回歸算法(VR)將這3 個回歸器打包為投票機制下的多模型加權融合機器學習模型,即集成學習模型,將這種集成學習算法的輸出數據作為GCM 的降尺度數據。這種集成學習的機器學習方法可以顯著提高GCM 數據的偏差修正效果,研究表明該方法可將大部分參數修正值相對于觀測值的R2提升至0.85 以上[51]。

降尺度后的GCM 數據與ERA5 數據分辨率相同,均高于土壤和作物產量數據的分辨率。因此,在輸入模型前使用KD-Tree 算法將土壤和作物產量因子重采樣到GCM 數據分辨率上,從而保證輸入模型的數據點一一對應。

1.5 模型訓練

對MMME進行變量篩選后,利用選出的變量計算年平均值,并對4—5 月(貝爾格季作物的主要生長期)和7—9 月(梅赫季作物的主要生長期)的上述數據取平均值,以保證每種情景下各參數均具有年平均、貝爾格季平均和梅赫季平均作為氣候自變量,與土壤變量共同組成自變量數據集。分別將10 個糧食作物產量數據集(5 種作物梅赫季產量和貝爾格季產量)作為因變量進行預處理,與自變量數據形成數據庫,用于訓練機器學習模型。

初步選取了3 類共6 種機器學習模型進行訓練,分別為: 1)梯度提升算法(Boosting),包括直方圖梯度提升回歸(HGB)、極端梯度提升隨機森林(XGBRF)算法以及輕梯度提升樹(LGBM)算法;2)隨機森林算法,包括隨機森林(RF)以及極限樹(ET)算法;3) K 近鄰(K-neighbors)算法。

將上述6 種算法分別基于梅赫季苔麩產量數據進行訓練后,使用統計指標評價模型表現。然后采用集成學習的思想,取表現較好的3 個算法進行打包訓練。這里采用的集成學習方法是堆疊,即在3個算法的基礎上再使用一個線性回歸模型進行二次計算。

參與訓練的數據被分為訓練集(75%)和驗證集(25%),其中訓練集用于模型訓練,驗證集用于和模型結果比對以判定模型表現。使用模型判決系數(R2)、平均絕對誤差(MAE)和解釋方差評分(EVS)作為評價模型效果和判斷模型可信度的依據。同時繪制每種模型在驗證過程中對真實產量和模型預測產量的散點圖,從而為模型精度的評價提供直觀判斷。由于數據量較大,為方便觀察僅隨機選取了驗證集中的10 000 個數據點進行散點圖的繪制。

在6 種機器學習模型的橫向比較中,使用梅赫季苔麩產量數據對6 個模型進行訓練和驗證,選擇表現較高的3 個模型進行堆疊訓練,將訓練完成后的最終模型分別應用于10 個因變量糧食數據集,進行針對10 個不同作物數據模型精度的驗證和評價,方法與模型橫向比較方法相同。

1.6 產量預測

使用訓練完成的堆疊模型對自變量數據集進行預測,并輸出預測結果。共輸出30 個產量預測結果,即10 個作物數據在3 個未來情景下的不同產量結果。進一步計算每個未來情景下各作物類別的產量變化,并交叉引用同一作物在不同未來情景下的產量,分析2021—2050 年埃塞俄比亞主要糧食作物產量趨勢以及氣候變化對其的影響。

2 結果與分析

2.1 GCM 模型評價結果

37 個GCM 的pr 和tas 變量泰勒圖如圖2 所示,附表2 提供了37 個GCM 兩個變量下的技能得分、表現評分以及綜合評分(見文后電子版鏈接)。

表2 6 種不同機器學習模型的模擬梅赫季苔麩產量的表現Table 2 Prediction performance of teff yield (Meher season) of 6 different machine learning models

從圖2 可以看出在研究區范圍內,GCM 之間的表現具有較大差距,這也符合區域尺度全球氣候模式表現的一般情況。有研究顯示CMCC-CM2-SR5、AWI-ESM-1-1-LR 兩種模式在東非地區表現優良[52],這與本研究結論一致;EC-Earth系列、MPI-EMS 系列模型在非洲、東亞中亞等地都被證明具有較好的預測表現[53],在本研究區范圍內也呈現出相同結果。FIO-ESM-2-0 模型在非洲以及中亞地區的模型比較研究中表現并不優秀,這與本研究結論相反,原因可能在于時間范圍劃定以及用于比對的數據庫準確度等不同,ERA5 作為再分析數據與眾多研究中使用的實際觀測數據不同,出現離群值的概率較低,方差分布更平均,但會與觀測值有所偏差。

同一GCM 在兩個變量中的表現也不盡相同。如AWI-CM-1-1-MR、NorESM2-MM、MPI-ESM-1-2-HAM 等模型在兩個參數下的排名相差甚至超過20,在綜合加權評分機制的影響下,這種變量間表現差異較大的GCM 也不在研究考慮選取的范圍內。

最終選擇的最優模型集合包括以下5 個GCM:CMCC-CM2-SR5、MPI-ESM1-2-LR、EC-Earth3-Veg-LR、EC-Earth3-Veg 和MPI-ESM1-2-HR,其綜合得分在37 個GCM 中分別排名2、3、4、8 和9,一些GCM 排名高于上述GCM 但并未入選,原因是在它們設定的實驗情景、初始場以及時間分辨率下不包含全部的9 個變量,無法參加后續變量相關性分析和模型訓練。

2.2 變量篩選結果

14 個變量和5 種梅赫季作物數據的斯皮爾曼相關性熱圖如圖3 所示。在氣候變量中,近地面壓強與3 項氣溫指標之間呈現強正相關關系,這是由于大氣壓強與氣溫線性相關。在土壤變量中,各變量之間的相關性明顯高于氣候變量,高相關性出現在與容重以及土壤有機碳相交叉的行列中,例如容重與有機碳相關系數為-0.84,呈高度負相關;容重與總氮和pH 相關系數的絕對值均在0.7 以上,土壤有機碳與總氮和pH 相關系數的絕對值也均高于0.7,且呈高度負相關。

圖3 14 個變量和5 種梅赫季作物產量的斯皮爾曼相關性熱圖Fig.3 Spearman correlation heat map with 14 variables and yield of 5 crops in Meher season

從不同變量組之間的關系來看,降水量與土壤pH 之間有較強的負相關性,原因是土壤中微生物分解以及根系呼吸作用會產生CO2等酸性物質,而降水會將參與中和酸性的鹽離子通過淋溶作用帶走,使得土壤pH 降低。作物對于以上全部變量的相關性反應較為穩定,相關系數范圍在0.13～0.56 之間,未呈現出明顯的趨勢。這同樣表明作物產量與上述各因子間具有復雜的內在聯系,但目前理論無法充分解釋這種關系。

通過變量之間的相關性分析,決定剔除氣候變量中的近地面氣壓、近地面平均日最高與最低氣溫、土壤變量中的容重和土壤有機碳含量。

2.3 機器學習模型評價

2.3.1 不同機器學習模型的比較結果

對6 種不同的機器學習模型針對同一作物的模擬結果進行評價,糧食產量數據選擇梅赫季的苔麩產量。評價指標的結果如表2 所示。

從結果中可以看出綜合表現較好的模型為極端梯度提升隨機森林、隨機森林以及極限樹模型。在6 個模型中表現較差的是直方圖梯度提升和K 近鄰,其中K 近鄰是應用最為廣泛且最簡單的機器學習模型之一,其計算路徑較短,善于求解線性問題,但在面對復雜問題時解釋性不足;直方圖梯度提升作為梯度提升決策樹模型,雖然其R2和EVS 表現最差,但卻有較低的MAE,說明該模型雖然盡量逼近了因變量變化范圍,但是對因變量變化趨勢的把握較差,其預測結果幾乎不能解釋因變量方差變化規律。

整體來看,在糧食產量長期預測方面,較為復雜、運算量大的機器學習模型的模擬能力占優勢。本研究最終選擇參與堆疊的模型是極端梯度提升隨機森林、隨機森林以及極限樹模型。

2.3.2 不同作物模型的比較結果

將上述3 種模型使用線性回歸模型進行堆疊,針對10 種作物產量數據分別進行訓練,最終得出10 個作物產量模型,對它們的模擬能力分別進行評價,評價指標結果如表3 所示。

表3 最終模型對不同作物產量的模擬表現Table 3 Prediction performance of the stacked model for yields of different crops

整體來看,機器學習模型的預測結果較為準確,除貝爾格季大麥模型外,所有模型的R2均在可信范圍內,且與實際值的誤差都控制在了1 t·hm-2以內。其中梅赫季的小麥和玉米產量表現較為突出,R2在0.8 以上。此外,堆疊后模型的表現明顯優于單一模型,說明集成學習的方法將不同模型的優點進行了整合,顯著提升了模型表現。對于不同種類作物,梅赫季作物模型表現要明顯優于貝爾格季作物模型表現,這是由于貝爾格季因變量作物產量數據質量較差,缺失數據較多,經預處理后參與訓練的數據量僅為梅赫季的60%左右。

貝爾格季大麥模型表現較差,其R2、EVS 均低于0.4～1.0 的可信范圍,同時MAE 高達20,甚至超出2020 年產量的兩倍。因此,在后續分析中不再考慮貝爾格季大麥模型。

2.4 糧食產量預測結果及分析

2.4.1 埃塞俄比亞1995—2020 年糧食產量情況

本研究分析了埃塞俄比亞地區1995—2020 年糧食產量變化情況(圖4),結果表明,研究區中部地區種植的作物品種最為全面,但單一作物產量低于周邊地區。這是由于中部地區氣候條件較好,氣候帶適宜種植,降水條件優渥,鮮有干旱發生,因此多數作物都可以在此地種植。但是由于中部地區地勢較高,多見山地丘陵地形,使適宜種植作物的區域變得碎片化,因此限制了糧食總產量的增加。研究區外圍地區具有各自的作物種植特色,其中苔麩多種植于西北部地區,玉米多種植于東南及東北部地區,大麥及小麥在除了極東部和極西部地區均有種植,高粱種植則較為分散。

圖4 2020 年埃塞俄比亞5 種主要糧食作物產量(統計數據)Fig.4 Yields of 5 main staple crops in 2020 in Ethiopia (statistical data)

玉米是埃塞俄比亞種植最為廣泛的作物,也是全國總產量最高的糧食作物,這是由于玉米相較于其他糧食作物較為耐旱,在非洲充足的光熱條件下,玉米生長和種植也相較于其他作物更為容易。反觀小麥,雖然保證了充足的光熱,但干旱導致的水分不足嚴重影響了小麥的生長發育,因此,小麥在埃塞俄比亞主要糧食作物中總產量最低。這種情況也出現在其他的東非國家,它們都重度依賴小麥進口。

1995—2020 年埃塞俄比亞糧食產量變化如圖5所示,整體來看梅赫季糧食產量整體呈緩慢上升的趨勢,部分地區有所下降;貝爾格季苔麩、玉米、小麥、大麥平均增長約0.6 t·hm-2,高粱則有所下降。所有作物在梅赫季產量增減最為不均,中西部地區增長近3 t·hm-2,而在北方和南方則出現了近2 t·hm-2左右的下降,這可能是由于自20 世紀80 年代起東非地區流行的干旱所致,在干旱較為嚴重且降水不足的北方和南方,其直接展現出對作物生長的抑制[54]。在中西部地區,氣候條件變暖以及高種植密度帶來的耕作技術提升緩和了這種狀況。

圖5 1995—2020 年間埃塞俄比亞5 種主要糧食作物產量變化(統計數據)Fig.5 Changes of yield of 5 main staple crops in Ethiopia from 1995 to 2020 (statistical data)

2.4.2 埃塞俄比亞2021—2050 年作物產量預測

從梅赫季產量變化(圖6)可以看出,苔麩產量增減在0.6 t·hm-2之內,增長主要發生在中西部,大幅減產出現在東南沙漠地區。玉米的強烈波動主要出現在東南沙漠地區,其大部分區域都出現了2 t·hm-2以內的產量增長。在絕大多數地區小麥產量波動幅度都在2 t·hm-2以內,但SSP126 情景下東南地區產量下降而另外兩種情景下卻在上升。大麥的產量變化情況在空間上類似于苔麩,但其產量變化集中在1.5 t·hm-2以內,劇烈變化出現在中部地區。對于高粱來說,SSP126 和SSP585 情景下的變化情況相似,以東南部1.5 t·hm-2左右的增產為主,SSP245 情景下的產量變化則較為平均。

圖6 2021—2050 年SSP126、SSP245、SSP585 情景下梅赫季5 種主要糧食作物產量變化量Fig.6 Yield changes of 5 main staple crops under SSP126,SSP245 and SSP585 scenarios in Meher season from 2021 to 2050

總的來看,未來30 年梅赫季5 種主要糧食作物產量增幅以＜2 t·hm-2為主(圖6),不同作物產量變化的空間特征呈現出一定的互補性,例如東南地區苔麩和大麥產量的下降與小麥和高粱產量的上升。

貝爾格季產量變化可以看出(圖7),苔麩產量變化與梅赫季極為相似,但是其變化量為梅赫季的1/2左右,這與貝爾格季本身產量較低有關。對于玉米來 說,SSP245 和SSP585情景出現了全國范圍 內1 t·hm-2左右的增產,唯有阿法爾地區出現大幅減產,但在SSP126 情景下中南部地區將出現0.5～0.8 t·hm-2左右的減產。小麥增產集中在中部地區,但中東部和南部地區在SSP126 情景下出現了0.4 t·hm-2左右的減產。SSP126 情景下的減產情況同樣延續到了高粱的產量: 全國大規模出現＞1 t·hm-2的減產,中部地區的1 t·hm-2的增產發生在其他兩個情景中。

圖7 2021—2050 年SSP126、SSP245、SSP585 情景下貝爾格季4 種主要糧食作物產量變化量Fig.7 Yield changes of 4 main staple crops under SSP126,SSP245 and SSP585 scenarios in Belg season from 2021 to 2050

貝爾格季糧食變化情況反映出SSP126 情景與其他兩種情景下的較大差異,即明顯減產的趨勢。這與部分前人研究結果類似[2,55],一般是由于環境條件改變使作物脫離原有適宜生長范圍。貝爾格季主要播種時間為夏季,干旱區夏季種植習慣和作物生長規律與SSP126 情景提供的良好生態條件不符,可能會導致部分作物減產。SSP245 情景下作物在中部及南部地區的產量將普遍增加,這符合過去26 年作物產量發展趨勢,進一步驗證了SSP245 情景與現今社會發展情況的一致性。

進一步分析往年貝爾格季結果可以發現主要糧食作物種植主要集中在中部和南部地區,只有小麥種植范圍向東南方向延伸,而在實際情況中,相對于梅赫季存在大量零散種植的情況,貝爾格季糧食種植基本局限于中部和南部地區。雖然模型給出了貝爾格季其他區域的預測產量,但與實際情況不符,其參考性較差。因此,具有較高參考性的變化趨勢應該主要在中部和南部地區,這些地區的產量將隨著未來情景從SSP585 到SSP126 的轉變而減少。

3 討論

總體來看,2050 年SSP245 情景下作物產量普遍低于SSP126 情景,而SSP585 情景作物產量相較于SSP245 情景則更高。這在梅赫季作物產量變化中較為明顯,即SSP126 情景下作物增產占主導,而在另外兩種情景下作物減產規模有所升高。這說明在3個情景中,SSP245 情景可能是糧食產量增長最為緩慢的情景。這種現象意味著SSP245 情景對于糧食作物生產來說,表現出情景變化間的拐點特征。本研究認為,這種情景間產量先減后增的過程是由情景所代表的氣候原因造成的。對于地處干旱區的埃塞俄比亞來說,SSP245 和SSP126 情景下生態環境的改善(即干旱的緩解)意味著各種作物的生存環境都將得到改善,從而帶來增產的結果。SSP585 情景中人為活動帶來的溫室氣體排放將加快全球變暖的進程,大量研究表明一定程度下的全球變暖可以為作物生長提供更充足的光合作用原料,這在一定程度上會帶來作物的增產,這也是SSP245 情景糧食產量相較于另外兩種情景增長更慢的原因。

有研究曾提出SSP585 情景下的農業發展會受到社會發展壓力的影響,未來社會形勢從優質和諧社會向復雜矛盾社會轉變時,作物產量增減趨勢將會變得更加突出[56],這與本研究結果相同。這是由于在社會復雜化的過程中,社會對糧食供給結構的優化程度需求更大,這不僅僅意味著人們對糧食需求量的增加,同時代表著人們希望糧食生產結構更加合理化,在最優的田間管理條件下,盡可能地利用自然條件的便利最大化生產,以對沖日益加深的社會矛盾。出于上述原因,在SSP585 情景下,多數作物呈現出的變化趨勢與SSP245 情景大致相同,但幅度更大,即在相同地區更劇烈地增產或減產;而相比之下,SSP126 情景中糧食生產結構性改革和社會生產能力的再分配似乎不那么緊迫,這使得極端值在相應圖像中出現的頻率更低。

4 結論

本文利用機器學習算法將埃塞俄比亞糧食產量統計數據與CMIP6 未來氣候模式數據相結合,訓練模型并預測了2021—2050 年不同未來社會情景下埃塞俄比亞兩個主要生產季的5 種糧食作物產量,得出以下結論:

1)本研究選取的37 個GCM 中,CMCC-CM2-SR5、MPI-ESM1-2-LR、EC-Earth3-Veg-LR、ECEarth3-Veg、MPI-ESM1-2-HR 在埃塞俄比亞地區的模擬效果較好,且數據完整。采用泰勒圖和技能得分結合排序評分和加權平均算法可以方便快捷地評價GCM 的表現,綜合多個優秀模型可以進一步減少誤差。

2)在使用氣候變量和土壤變量預測糧食產量的機器學習模型訓練過程中,極端梯度提升隨機森林、隨機森林、極限樹3 種模型的表現要優于直方圖梯度提升、輕梯度提升以及K 近鄰。

3)未來30 年間,梅赫季5 種主要糧食作物產量變化以＜2 t·hm-2為主,不同作物空間變化存在一定程度互補;在SSP126 情景下貝爾格季出現減產較多,其他兩種情景則以增產為主,這可能與SSP126 情景下的生態環境改善與生產季種植習慣的不匹配有關。

4)從SSP126 情景到SSP585 情景,隨著社會矛盾加劇和人為環境惡化,糧食作物生產結構改革和生產資源再分配的需求增加,導致各種作物的生產力向新出現的適宜地區轉移。研究區在SSP126 和SSP585 情景下分別會因為免于干旱和溫室效應加劇獲得更高的糧食作物生產力。