Topplistan över Australiens största grödor, vete odlas på mer än hälften av landets odlingsland och är en viktig exportvara. Med så mycket ridning på vete, korrekt avkastningsprognos är nödvändig för att förutsäga regionala och globala livsmedelsförsörjnings- och råvarumarknader. En ny studie publicerad i Jordbruks- och skogsmeteorologi visar maskininlärningsmetoder kan exakt förutsäga veteutbytet för landet två månader innan grödan mognar.

"Vi testade olika metoder för maskininlärning och integrerade storskaliga klimat- och satellitdata för att komma med en tillförlitlig och korrekt förutsägelse av veteproduktion för hela Australien, "säger Kaiyu Guan, biträdande professor vid Institutionen för naturresurser och miljövetenskap vid University of Illinois, Blue Waters professor vid National Center for Supercomputing Applications, och huvudutredare på studien. "Det otroliga teamet av internationella samarbetspartners som bidrar till denna studie har väsentligt avancerat vår förmåga att förutsäga veteutbytet för Australien."

Människor har försökt att förutsäga skördeutbytet nästan lika länge som det har skett grödor. Med ökande beräkningskraft och tillgång till olika datakällor, förutsägelserna fortsätter att förbättras. Under de senaste åren har forskare har tagit fram ganska exakta uppskattningar av grödorna med hjälp av klimatdata, satellitdata, eller båda, men Guan säger att det inte var klart om den ena datamängden var mer användbar än den andra.

"I den här studien, Vi använder en omfattande analys för att identifiera förutsägbar kraft för klimat- och satellitdata. Vi ville veta vad var och en bidrar med, "säger han." Vi fann att klimatdata ensam är ganska bra, men satellitdata ger extra information och ger avkastningsprognosprestanda till nästa nivå. "

Med hjälp av både klimat- och satellitdatauppsättningar, forskarna kunde förutse veteutbytet med ungefär 75 procents noggrannhet två månader före slutet av växtsäsongen.

"Specifikt, vi fann att satellitdata gradvis kan fånga variationer i skördeavkastningen, vilket också speglar den ackumulerade klimatinformationen. Klimatinformation som inte kan fångas upp av satellitdata fungerar som ett unikt bidrag till förutsägelser av veteavkastningen under hela växtsäsongen, "säger Yaping Cai, doktorand och huvudförfattare på studien.

Medförfattare David Lobell från Stanford University tillägger, "Vi jämförde också förutsägelsekraften för en traditionell statistisk metod med tre maskininlärningsalgoritmer, och algoritmer för maskininlärning överträffade i alla fall den traditionella metoden. "Lobell initierade projektet under en sabbatsår 2015 i Australien.

Forskarna säger att resultaten kan användas för att förbättra förutsägelser om Australiens veteskörd framöver, med potentiella ringverkningar på den australiensiska och regionala ekonomin. Vidare, de är optimistiska att själva metoden kan översättas till andra grödor i andra delar av världen.

Artikeln, "Integrering av satellit- och klimatdata för att förutsäga veteutbytet i Australien med hjälp av maskininlärningsmetoder, "publiceras i Jordbruks- och skogsmeteorologi .