Cybernetics And Systems Analysis logo
Інформація редакції Аннотації статей Автори Архів
Кібернетика та Системний Аналіз
Міжнародний Науково-Теоретичний Журнал
Том 59 >>> № 5 ВЕРЕСЕНЬ — ЖОВТЕНЬ 2023
-->

УДК 330.115

T. Єрмольєва
Міжнародний інститут прикладного системного аналізу, Лаксенбург, Автсрія,
 ermol@iiasa.ac.at

П. Гавлик
Міжнародний інститут прикладного системного аналізу, Лаксенбург, Автсрія,
 havlik.petr@gmail.com

A. Лесса-Дерсі-Аугустинчик
Міжнародний інститут прикладного системного аналізу, Лаксенбург, Автсрія,
 augustynczik@iiasa.ac.at

Е. Бор
Міжнародний інститут прикладного системного аналізу, Лаксенбург, Автсрія,
 boere@iiasa.ac.at

С. Франк
Міжнародний інститут прикладного системного аналізу, Лаксенбург, Автсрія,
 frank@iiasa.ac.at

T. Кахіл
Міжнародний інститут прикладного системного аналізу, Лаксенбург, Автсрія,
 kahil@iiasa.ac.at

Г. Ванг
Китайський сільськогосподарський університет, Пекін, Китай,
 gangwang@cau.edu.cn

Ю. Балкович
Міжнародний інститут прикладного системного аналізу, Лаксенбург, Автсрія,
 balkovic@iiasa.ac.at

Р. Скальські
Міжнародний інститут прикладного системного аналізу, Лаксенбург, Автсрія,
 skalsky@iiasa.ac.at

К. Фолберт
Міжнародний інститут прикладного системного аналізу, Лаксенбург, Автсрія,
 folberth@iiasa.ac.at

Н. Комендантова
Міжнародний інститут прикладного системного аналізу, Лаксенбург, Автсрія,
 komendan@iiasa.ac.at

П.С. Кнопов
Інститут кібернетики ім. В.М. Глушкова НАН України, Київ, Україна,
 knopov1@yahoo.com, knopov1@gmail.com


НОВА НАДІЙНА СТРУКТУРА МЕТАМОДЕЛІ ДЛЯ ПРОГНОЗУВАННЯ РОЗПОДІЛУ
ЙМОВІРНОСТІ ВРОЖАЙНОСТІ З ВИКОРИСТАННЯМ ДАНИХ ІЗ БАГАТЬОХ ДЖЕРЕЛ

Анотація. Зазначено, що є нагальна потреба у кращому розумінні та прогнозуванні впливу погодних явищ (зокрема, екстремального характеру, як-от, сильних опадів, посух та теплових хвиль) на врожайність сільськогосподарських культур. Це дасть змогу покращити майбутні прогнози виробництва сільськогосподарських культур в умовах мінливості погоди, екстремальних явищ та зміни клімату. Розроблено квантильні регресійні моделі для оцінювання розподілу ймовірності врожайності сільськогосподарських культур залежно від місячних значень температури та опадів та якісних характеристик ґрунту, які можуть бути доступні для різних прогнозів зміни клімату. Врожайність сільськогосподарських культур, історичну та синтезовану моделлю EPIC, аналізують та розрізняють відповідно до їхніх рівнів, тобто середніх та критичних квантилів. Далі квантилі врожайності сільськогосподарських культур апроксимують, налаштовуючи окремі моделі регресії на основі квантилів. Розроблена статистична метамодель врожайності сільськогосподарських культур дає змогу аналізувати врожайність сільськогосподарських культур залежно від таких екзогенних параметрів, як температура та опади, а також ендогенних параметрів (наприклад, характеристик ґрунту), які можуть змінюватися у результаті практик землекористування. Статистичні та машинні моделі навчання можна використовувати як генератори сценаріїв зменшеної розмірності та структури (метамоделі) стохастичних подій (сценаріїв), як підмодель більш складних моделей, наприклад, моделі інтегрованої оцінки (IAM) GLOBIOM.

Ключові слова: екстремальні події, зміна клімату, продовольча безпека, прогнози врожайності, розподіл імовірностей, квантильні регресії, надійна оцінка та машинне навчання, двоетапна задача стохастичної оптимізації (STO).


повний текст

СПИСОК ЛІТЕРАТУРИ

  1. Clarke B., Otto F., Stuart-Smith R., Harrington L. Extreme weather impacts of climate change: An attribution perspective. Environmental Research: Climate. 2022. Vol. 1, Iss. 1. 012001. https://doi.org/10.1088/2752-5295/ac6e7d .

  2. Hatfield J.L., Boote K.J., Kimball B.A., Ziska L.H., Izaurralde R.C., Ort D., Thomson A.M., Wolfe D.W. Climate impacts on agriculture: Implications for crop production. Agron. J. 2011. Vol. 103, Iss. 2. P. 351–370.

  3. Hatfield J.L., Prueger J.H. Temperature extremes: Effect on plant growth and development. Weather and Climate Extremes. 2015. Vol. 10, Part A. P. 4–10.

  4. Pareek N. Climate change impact on soils: adaptation and mitigation. MOJ Eco. Environ. Sci. 2017. Vol. 2, Iss. 3. P. 136–139. https://doi.org/10.15406/mojes.2017.02.00026.

  5. Jagermeyr J., van der Velde M., SkalskН R., Xiong W., Folberth C., Khabarov N., Smirnov A., Mueller N.D., Obersteiner M. Global wheat production potentials and management flexibility under the representative concentration pathways. Global and Planetary Change. 2014. Vol. 122. P. 107–121. https://doi.org/10.1016/j.gloplacha.2014.08.010 .

  6. Jagermeyr J., Velde M., Schmid E., SkalskН R., Khabarov N., Obersteiner M., Strmer B., Xiong W. Pan-European crop modelling with EPIC: Implementation, up-scaling and regional crop yield validation. Agric. Syst. 2013. Vol. 120. P. 61–75.

  7. Jones C.A., Dyke P.T., Williams J.R., Kiniry J.R., Benson V.W., Griggs R.H. EPIC: An operational model for evaluation of agricultural sustainability. Agric. Syst. 1991. Vol. 37, Iss. 4. P. 341–350.

  8. Williams J.R. The erosion productivity impact calculator (EPIC) model: A case history. Philosophical Transactions: Biological Sciences. 1990. Vol. 329, Iss. 1255. P. 421–428.

  9. Drummond S.T., Sudduth K.A., Joshi A., Birrell S.J., Kitchen N.R. Statistical and neural methods for site-specific yield prediction. Transactions of the ASAE. 2003. Vol. 46, Iss. 1. P. 5–14. https://doi.org/10.13031/2013.12541.

  10. Van Klompenburg T., Kassahun A., Catal C. Crop yield prediction using machine learning: A systematic literature review. Computers and Electronics in Agriculture. 2020. Vol. 177. 105709. https://doi.org/10.1016/j.compag.2020.105709.

  11. Muller C., Elliott J., Chryssanthacopoulos J., Arneth A., Balkovic J., Ciais P. et al. Global gridded crop model evaluation: benchmarking, skills, deficiencies and implications. Geosci. Model Dev. 2017. Vol. 10, Iss. 4. P. 1403–1422. https://doi.org/10.5194/gmd-10-1403-2017 .

  12. Van der Goot E., Supit I., Boogaard H. L., van Diepen K., Micale F., Orlandi S., Otten H., Geuze M., Schulze D. Methodology of the MARS crop yield forecasting system. Vol. 1: Meteorological data collection, processing and analysis. Luxembourg: European Commission (EC), 2004. 100 p.

  13. Li X., Ren J., Niu B., Wu H. Grain area yield index insurance ratemaking based on time-space adjustment in China. Sustainability. 2020. Vol. 12, Iss. 6. 2491. https://doi.org/10.3390/su1206249 .

  14. Okhrin O., Odening M., Xu W. Systemic weather risk and crop insurance: The case of China. J. Risk Insur. 2013. Vol. 80, N 2. P. 351–372.

  15. Ermoliev Y.M., Ermolieva T.Y., MacDonald G.J., Norkin V.I. Insurability of catastrophic risks: the stochastic optimization model. Optimization. 2000. Vol. 47, N 3. P. 251–265.

  16. Ermoliev Y.M., Ermolieva T.Y., MacDonald G.J., Norkin V.I. Stochastic optimization of insurance portfolios for managing exposure to catastrophic risks. Annals of Operations Research. 2000. Vol. 99, N 1. P. 207–225.

  17. Havlik P., Schneider U.A., Schmid E., Boettcher H., Fritz S., Skalsky R., Aoki K., de Cara S., Kindermann G., Kraxner F., Leduc S., McCallum I., Mosnier A., Sauer T., Obersteiner M. Global land-use implications of first and second generation biofuel targets. Energy Policy. 2011. Vol. 39. P. 5690–5702.

  18. Ermolieva T., Havlik P., Ermoliev Y., Mosnier A., Obersteiner M., Leclere D., Khabarov N., Valin H., Reuter W. Integrated management of land use systems under systemic risks and security targets: A Stochastic Global Biosphere Management Model. Journal of Agricultural Economics. 2016. Vol. 67, Iss. 3. P. 584–601.

  19. Ermolieva T., Havlik P., Ermoliev Y., Khabarov N., Obersteiner M. Robust management of systemic risks and food-water-energy-environmental security: Two-stage strategic-adaptive GLOBIOM model. Sustainability. 2021. Vol. 13, Iss. 2. 857. https://doi.org/10.3390/su13020857 .

  20. Ermolieva T., Havlik P., Frank S., Kahil T., J., SkalskН R., Ermoliev Y., Knopov P.S., Borodina O.M., Gorbachuk V.M. A risk-informed decision-making framework for climate change adaptation through robust land use and irrigation planning. Sustainability. 2022. Vol. 14, Iss. 3. 1430. https://doi.org/10.3390/su14031430.

  21. Ermolieva T., Ermoliev Y., Obersteiner M., Rovenskaya E. Two-stage nonsmooth stochastic optimization and iterative stochastic quasigradient procedure for robust estimation, machine learning and decision making. In: Resilience in the Digital Age. Roberts F.S., Sheremet I.A. (Eds). Cham: Springer, 2021. P. 45–74 https://doi.org/10.1007/978-3-030-70370-7_4 .

  22. Ermolieva T., Ermoliev Y., Havlik P., Lessa-Dersi-Augustynczik A., Komendantova N., Kahil T., Balkovic J., Skalsky R., Folberth C., Knopov P.S., Wang G. Connections between robust statistical estimation, robust decision making withtwo-stage stochastic optimization, and robust machine learning problems. Cybernetics and Systems Analysis. 2023. Vol. 59, N 3. P. 385–397. https://doi.org/10.1007/s10559-023-00573-3 .

  23. Ermoliev Y. Stochastic quasigradient methods. In: Encyclopedia of Optimization. Pardalos P.M. (Ed.). New York: Springer Verlag, 2009. P. 3801–3807.

  24. Ermoliev Y. Two-stage stochastic programming: Quasigradient method. In: Encyclopedia of Optimization. Pardalos P.M. (Ed.). New York: Springer Verlag, 2009. P. 3955–3959.

  25. Ermoliev Y. Stochastic quasigradient methods in minimax problems. In: Encyclopedia of Optimization. Pardalos P.M. (Ed.). New York: Springer Verlag, 2009. P. 3813–3818.

  26. Ermoliev Y.M., Wets R.J.-B. Numerical Techniques for Stochastic Optimization. Heidelberg: Springer Verlag, 1988. URL: https://pure.iiasa.ac.at/id/eprint/3065/.

  27. Ermoliev Y.M., Gaivoronski A.A. Stochastic quasigradient methods for optimization of discrete event systems. Annals of Operation Research. 1992. Vol. 39. P. 1–39. https://doi.org/10.1007/ BF02060934.

  28. Ermoliev Y., Hordijk L. Global changes: Facets of robust decisions. In: Coping with Uncertainty: Modeling and Policy Issue. Marti K., Ermoliev Y., Makowski M., Pflug G. (Eds.). Berlin: Springer Verlag, 2003.

  29. Jagermeyr J., Gerten D., Heinke J., Schaphoff S., Kummu M., Lucht W. Water savings potentials of irrigation systems: global simulation of processes and linkages. Hydrol. Earth Syst. Sci. 2015. Vol. 19, Iss. 7. P. 3073–3091.

  30. Folberth C., Baklanov A., Balkovic J., Skalsky R., Khabarov N., Obersteiner M. Spatio-temporal downscaling of gridded crop model yield estimates based on machine learning. Agricultural and Forest Meteorology. 2019. Vol. 264. P. 1–15. https://doi.org/10.1016/j.agrformet.2018.09.021 .

  31. Williams J.R., Jones C.A., Dyke P.T. A modelling approach to determining the relationship between erosion and soil productivity. Trans. ASAE. 1984. Vol. 27, Iss. 1. P. 129–144.

  32. Rosenzweig C., Jones J.W., Hatfield J.L., Ruane A.C., Boote K.J., Thorburn P., Antle J.M., Nelson G.C., Porter C., Janssen S., Asseng S., Basso B., Ewert F., Wallach D., Baigorria G., Winter J.M. The Agricultural Model Intercomparison and Improvement Project (AgMIP): Protocols and pilot studies. Agric. For. Meteorol. 2013. Vol. 170. P. 166–182.

  33. Kahil M.T., Dinar A., Albiac J. Modeling water scarcity and droughts for policy adaptation to climate change in arid and semiarid regions. Journal of Hydrology. 2015. Vol. 522. P. 95–109.

  34. Kahil M.T., Connor J.D., Albiac J. Efficient water management policies for irrigation adaptation to climate change in Southern Europe. Ecol. Econ. 2015. Vol. 120(C). P. 226–233.

  35. Golodnikov A.N., Ermoliev Y.M., Ermolieva T.Y., Knopov P.S., Pepelyaev V.A. Integrated modeling of food security management in Ukraine. II. Models for structural optimization of agricultural production under risk. Cybernetics and Systems Analysis. 2013. Vol. 49, N 2. P. 217–228. https://doi.org/10.1007/s10559-013-9503-6.

  36. Zhu K., Ran H., Wang F., Ye X., Niu L., Schulin R., Wang G. Conservation tillage faclitated soil carbon sequestration through diversified carbon conversions. Agriculture, Ecosystems and Environment. 2022. Vol. 337. 108080.

  37. Genovese G., Bettio M. (Eds.). Methodology of the MARS Crop Yield Forecasting System. Vol. 4 Statistical Data Collection, Processing and Analysis. Luxembourg: European Commision (EC).

  38. Werner M. Shuttle Radar Topography Mission (SRTM), Mission overview. J. Telecom (Frequenz). 2001. Vol. 55. P. 75–79.

  39. SkalskН R., Z., J., Schmid E., Fuchs M., Moltchanova E., Kindermann G., Scholtz P. GEO-BENE Global Database for Bio-Physical Modeling v. 1.0 (Concepts, Methodologies and Data). 2008. URL: https://geo-bene.project-archive.iiasa.ac.at/files/ Deliverables/Geo-BeneGlbDb10(DataDescription).pdf .

  40. Klein J.A., Harte J., Zhao X.-Q. Experimental warming, not grazing, decreases rangeland quality on the Tibetan plateau. Ecol. Appl. 2007. Vol. 17, Iss. 2. P. 541–557.

  41. Sacks W.J., Kucharik C.J. Crop management and phenology trends in theU.S. corn belt: Impacts on yields, evapotranspiration and energy balance. Agric. For. Meteor. 2011. Vol. 151, Iss. 7. P. 882–894.




Інформація редакції Аннотації статей Автори Архів
Журнал Тематичні Розділи Редакція Редакційна колегія Приклади документів Передплата Контакти
© 2023 Kibernetika.org. All rights reserved.