21世纪面临的重大挑战:作物模型能和不能(还不能)做什么

2021-09-26 10:16 irripro
179


João Vasco Silva1,2    and Ken E. Giller1


[1] Plant Production Systems, Wageningen University, Wageningen, Netherlands and [2] Sustainable Intensification   Program, CIMMYT-Zimbabwe, Harare, Zimbabwe


原文发表在:《The Journal of Agricultural   Science 》,cambridge.org/ags 在这里以连载的形式陆续发表。


摘要

作物生产是一场“完美风暴”的核心,它包括在面对气候变化时实现所有人的粮食 和营养安全的重大挑战,同时避免农业自然栖息地的,进一步转变和生物多样性丧失的进一步挑战。在这里,我们通过总结并反思在第二届国际作物建模研讨会 Second International Crop Modelling Symposium (iCropM2020)上提出的研究,探讨与这些重大挑战相关的作物建模的当前趋势。研讨会摘要中的关键词搜索显示,人们非常关注“气候变化”、“适应性”和“影 响评估”,而不是关注“食品安全”或“政策”。大多数研究集中在地块层面的调查上,而更少于整个农场系统水平——农民做出管理决策的水平。实验是作物模型开发和测试的关键,但“模拟”这个术语迄今为止超过了“实验”和“试验”术语,而且对模型改进的贡献很少。当前对谷物的研究很深入,而根、块茎和热带多年生植物的研究却不足。除了氮或病虫害外,很少注意营养限制方面的研究。上述不足方面为未来的研究提供了机会,其中作物模型可以帮助设计假设和推动新的实验。我们还必须确保作物模式符合其预期目的,特别是当它们要向决策者提供建议时。后者需要在利益攸关方直接参与的情况下进行跨规模和跨学科的努力,以解决下个世纪粮食和农业系统所面临的重大挑战。


Abstract

Crop production is at the core of a ‘perfect storm’ encompassing the grand challenges of   achieving food and nutrition security for all, in the face of climate change, while avoiding further conversion of natural habitats for agriculture and loss of biodiversity. Here, we explore current trends in crop modelling related to these grand challenges by reflecting on research presented at the Second International Crop Modelling Symposium (iCropM2020). A keyword search in the book of abstracts of the symposium revealed a strong focus on ‘climate change’, ‘adaptation’ and ‘impact assessment’ and much less on ‘food security’ or ‘policy’. Most research focused on field-level investigations and far fewer on farm(ing) systems levels–the levels at which management decisions are made by farmers. Experimentation is key to development and testing of crop models, yet the term ‘simulation’ outweighed by far the terms ‘experiments’ and ‘trials’, and few contributions dealt with model improvement.


Cereals are intensively researched, whereas roots, tubers and tropical perennials are underresearched. Little attention is paid to nutrient limitations apart from nitrogen or to pests and diseases. The aforementioned aspects represent opportunities for future research where crop models can help in devising hypotheses and driving new experimentation. We must also ensure that crop models are fit for their intended purposes, especially if they are to provide advice to policymakers. The latter, together with cross-scale and interdisciplinary efforts with direct engagement of stakeholders are needed to address the grand challenges faced by food and agricultural systems in the next century.

引言
人类正面临着所谓的“完美风暴”:面对气候变化,为所有人实现粮食和营养安全的巨大挑战,同时避免农业土地利用变化以及生物多样性和其他生态系统服务的损失。这可能是有史以来面临的最具挑战性的完美风暴,其中作物生产扮演着核心作用。因此,作物模型和作物模型在解决重大挑战方面的作用是什么?
作物模型在发展我们基本的理论和潜在的过程中发挥了重要作用,这些过程揭示了所面临的挑战的程度。例如,作物模型已被用来量化作物产量差距的大小(vanIttersum等人,2016年;Schils等人,2018年)、粮食需求和利用率之间的差距(Keiten等人,2014年)以及现在和未来养活人口所需的土地面积(Gerten等人,2020年),以及如果产量差距没有缩小,将农业扩展到自然栖息地的潜在需求(Stehfest等人,2019年)。作物模型在评估和选择全球最有前途的适应气候变化的决策方面也被证明是不可或缺的(Nnox等人,2012;Rosenzweig等人,2014;Webber等人,2015)。然而,仍存在巨大的知识差距。虽然模拟水和氮利用率对作物生长限制的方法已经确立(例如Shibu等人,2010),但很少关注磷或钾限制或病虫害导致的产量减少(Donatela等人,2017;Rotter等人,2018)。此外,作物模型的开发和应用主要集中在主要谷类作物,而不是根茎作物或热带多年生植物(Rosenzweig等人,2014;Beza等人,2017)。
作物模型有多种形式,设计目的不同,从对生理过程的理解(Yin等,2003;Chenu 等,2009 )到模拟田间作物行为(Jonen 等,2003 ;Keinn等,2003 ;Steduto等,2009)。作物模型在农学领域也被用于,为水和营养管理的操作决策提供信息,确定最佳播种日期,并探索新种植系统的可行性(例如,Asseng等人,2014;Silva等人,2017b)。将作物模型与定量遗传学联系起来已经取得了显著进展(Yin等人,2003;Chenu等人,2009)、主要遗传位点(Messina等人,2006;White等人,2008)或遥感(Huang等人,2019),并在扩大模型的模拟能力方面取得了重大进展产品质量(Nuttalletal.,2017)和极端天气事件对作物生长的影响(Rotteretal.,2018)等等。人们普遍认为,构建所有可能的过程和集成级别是不可能的,因为它倾向于会放大错误和不确定性。然而,要解开这些重大挑战,就需要了解不同水平上作物生产的相互制约、协同效应和权重(vanIttersumetal.,2003)。农业系统的分析需要关注作物、种植系统、农场系统(包括牲畜)、农业系统(Giller等,2006年)和区域规模(vanIttersum等al.,2003年)。我们越来越多地被要求在一个更广泛的“食物系统”框架内进行思考 (Brouweretal.,2020),并且相当多的思考已经开始理解如何实现不同的整合水平
链接(Ewert等人,2011年;Passioura,2020)。
本文不打算提供作物模型及其优势和缺点进行详尽回 顾——为此,读者将参考Boote作物模型概要(2019)和“下一代模型”特刊(Antleetal.,2017)。我们的目标是反思作物建模如何有助于应对下个世纪农业部门面临的重大挑战。为了做到这一点,我们利用瓦赫宁根大学早期作物建模的经验,并在2020年2月3日至5日在法国蒙彼利埃举行的“第二次国际作物建模研讨会”(iCropM2020)摘要书中对关键字搜索。iCropM2020是作物建模者的中心国际科学研讨会,尽管我们承认我们的分析主要限制在这次会议上,我们可能错过了相关领域的重要研究。因此,我们还强调了我们考虑的研究例子,以说明问题和未来研究应关注的潜在领域。

关于关键词搜索的详细信息见表1。关键字搜索涵盖了“第二届国际作物建模研讨会”的全部摘要,包括摘要、标题、致谢、参考文献和附属文献。如果在摘要中发现了多个关键字,这些将被记录为单独的命题中。我们认识到所采取的方法的局限性,例如在解释图时应该考虑出现假阳性。图1和表1。尽管如此,我们认为这些发现表明了当前的研究活动。



图1 iCropM2020摘要书中关键词搜索的摘要结果:(a) 研究主题,(b)模拟和实验,(c)模型应用,(d)重点作物,(e)所研究的作物性状和(f)核心学科。表S1提供了关于关键字搜索的进一步信息。

表1 在模拟作物产量和应用作物模型的层次水平时,作物模型可以或不能解释的生长因素的概述


21世纪面临的重大挑战
联合国的可持续发展目标(可持续发展目标)构成了未来几十年的重大挑战(联合国,2015年)。根据可持续发展目标,农业部门有助于终结饥饿,通过可持续农业实现粮食安全(可持续发展目标2)改善粮食营养,同时保护、恢复和促进可持续利用和停止生物多样性丧失(可持续发展目标15),同时采取行动应对气候变化(可持续发展目标13)。在未来的几年里,关于在哪里以及如何生产的不同范式是农业研究界面临的第四个大挑战。
确保所有人的食物和营养安全
对“食物安全”的分析表明,即使通过改变饮食方式避免了食物损失,减少食物需求,2050年也至少有46%的未来食物需求必须来自增加了粮食产量(Keitin等人,2014年)。毫无疑问,未来的粮食需求将因不同地区而异,这取决于预计的人口增长速度和经济福祉的改善。例如,非洲的人口预计在本世纪末之前呈指数级增长,而亚洲的人口预计在2050年趋于稳定,并在之后下降(联合国,2019年)。为了满足满足未来粮食需求所需的额外生产,需要了解潜在或限水产量与目前做到的实际农场产量之间的差距(vanIttersumetal.,2013)。田间潜在产量(Y)p)和限水产量(Yw)分别表示在灌溉和雨养条件下可以达到的最大产量。绘制主要作物和种植区绘制这些产量上限实际上为可能生产出的最大粮食产量提供了一个最大边界。越来越多的证据表明,非洲小农的作物产量仅达到ca。占Yw的20%或更少(泰顿内尔和Giller,2013),而在欧洲和北美的实际收益率接近Yp的80%或Yw(Silva,2017;Shils等人,2018;详见 www.yieldgap.org)。这些产量差距的原因,因各地区而不同,缺乏投入是非洲小农的关键决定因素(桑切斯,2002年;Silva等人,2019年),所付出的投入的及时性和空间分布在欧洲更为重要(Silva等人,2017a)。产品质量、健康和营养在对食品系统的分析中也受到了越来越多的关注(Brouweretal.,2020年)。这对于将粮食安全辩论扩大到仅限于主要(谷物)作物之外,以及评估营养多样性作为农业系统的一个关键组成部分的作用非常重要。它还有助于将健康和营养与其他宏观经济转型相结合,如收入不断增长和中产阶级不断增长。
避免土地利用变化和生物多样性丧失
缩小产量差距对于防止未来的粮食需求仅仅通过扩大现有农田而得到满足至关重要(Foleyetal.,2011)。考虑到相关的生物多样性丧失(Zabel等人,2019年)和温室气体排放(vanLoon等人,2019年),单独依靠农田扩张是不可取的。事实上,在2002-2004年期间,全球主要作物下的农田面积以12.6百万公顷/年的速度扩大,这是人类历史上从未见过的变化速度(Cass曼和Grassini,2020年)。超过一半增加的农田归属于水稻、玉米、小麦和大豆面积的增加,它们取代了非洲、南美和亚洲的自然生态系统。面积扩张确实是增加非洲主要作物产量的关键途径,而在欧洲和亚洲,谷物产量的增加是通过缩小产量差距来实现的(数据未显示)。尽管大量的土地资源被认为适合非洲的农业(Chamberlin等人,2014),但将土地用于自然,避免与土地清理相关的温室气体排放很重要。尤其如此,因为大多数生物多样性出现在人们管理的保护区之外,农业扩张构成严重威胁(Baudron和Giller,2014)。土地节约和土地共享都是增加农业生产,同时尽量减少对生物多样性的负面影响的现实选择,但首选的途径在很大程度上取决于当地环境。
适应和缓解气候变化
气候变化预计将使全球粮食供应对作物产量产生负面影响(罗森茨威格等人,2014年),以及未来热带地区适合农业的土地面积减少(拉美基等年,2002年)。CO2的稳步增加而过去几十年大气中的其他温室气体是气温上升和降雨模式的变化以及气候变化和极端天气事件频率增加的主要驱动因素。作物模型已被广泛用于气候变化影响评估,大多数证据表明,气温上升预计将对未来的谷物产量产生负面影响(Bassu等人,2014;Asseng等人,2015;Li等人,2015),这可以被二氧化碳抵消在一定程度上的“生殖效应”(Longetal.,2006)。通过“FACE”实验(例如Longetal.,2006)对于了解作物对变化的生理反应至关重温度和CO2浓度。鉴于实验不能可靠地重现未来气候的影响,作物模型是理解和探索气候变化对粮食生产的潜在影响的关键工具。为了成为可信的工具,作物模型必须基于对作物如何对环境信号作出反应的坚实的生理学理解——这些知识只能通过详细的实验才能获得。
在iCropM2020年的摘要书中,关键词“气候变化”、“适应”和“影响评估”分别出现了482次、383次和204次,( 1a)。上述数字远远大于粮食安全(n=75)、保险(n=67)、气候变化(n=38)或政策(n=47)。这些数据确实证实了大量处理气候变化适应能力的作物模型应用,并显示出与其他主题的不平衡,这些主题也将受益于作物模型提供的见解。后者的例子包括绘制给定的适用性的探索性研究区域引进新作物(Nendel等人,2020年)或区域规模的资源利用效率评估(Silva等人,2020年)。我们还注意到,目前大多数作物模型应用的目标是田间规模的种植系统 (n=276)(n=405;表1),研究结果往往被直接外推到区域一级。从地块到各地区的推断简单而有吸引力,但它们没有考虑到农场层面的解释因素,而这是最重要的决策层面。 为了克服这一限制,我们将空间明确的作物模型与农业系统模型相结合,以评估在考虑农业系统的异质性的同时,考虑管理选择的权重(Capalbo 等 ,2017 ; Antll 等 , 2018;20 cecemker等,2020)。
目前的农业系统需要适应并做出贡献,以减轻未来的气候变化影响,而农民是做出推动这一过程的关键管理决策的人。因此,在“系统层面”和农民更广泛的生计中确定适应和缓解选择至关重要(例如沙漠者等人,2020年)。我们的关键字搜索表明相对较高频率的单词与术语“农场规模”(n=314),但我们注意到超过三分之二的记录指的是“农民(s)”或“农业”(数据未显示),而术语“农业系统”收到相当少的关注(n=18、表1)。荷兰和津巴布韦的案例研究清楚地表明,需要进行农业和农业系统水平分析(deschemeaeker等,2020)。研究结果表明,大型农场比小型农场更有可能受益于气候对应的智能农业技术,价格变化或土壤肥力差与气候变化在解释未来的农场表现方面一样重要(Descheemaeaeker 等, 2020)。
农业未来的不同范式
农业科学家面临的第四个大挑战是什么,应该在哪里,以及如何生产达成共识(Foranetal.等,2014)。人们提出了不同的范式来解决这 些问题 , 它们都有利弊(Wezeletal.,2014)。我们面临着滥用的方法和定义—— 生态强化、可持续强化、农业生态学、农业生态强化、有机农业、保护性农业、循环农业、再生农业——每一种方法都有自己的角度和标准。“替代”方法通常与未定义的 “传统”或工业农业并列。我们认为,尽管这种两极分化可能有助于获得政治层面支持,但它对解决人类面临的问题几乎没有帮助——教条主义在农学和整个科学中都没有地位 (Gilleretal.,2017)。 研究资金被有效地使用,并避免人类被推向中长期可能的、不可持续的、短视的解决方案。
作物模型能和不能(还不能)做什么
用作物模型来生成和检验假设作物建模的方法建立在三个基本概念之上:系统、模型和模拟(deWit,1993)。“系统”被定义为现实中包含相关元素的有限的部分,系统内关系的整体被称为“系统结构”。一个“模型”是一个系统的简化表示,并且两个定义,模型和系统都有同一个结构。解释性模型特别感兴趣的原因是它们建立在不同层次的组织和知识之上。解释性模型可以被定义为动态的或静态的,这取决于它们是否代表了随时间变化的系统。仿真模型是一种动态模型,它考虑状态和速率随时间的变化,而优化模型或统计模型是静态模型的例子。最后,“模拟”是指的是数学模型的建立和参照其所代表的、系统的数学模型行为的研究。
模型只有在测试了它们的有效性,以及其误差和不确定性被量化后,才能用于解决实际问题。模型输出和现实之间的概念化和模型的概念化,包括简化和假设(C. T. de Wit,1993)。这种分歧和模型缺陷(不足)是模型改进的起点。模型本质上是复杂的假设,模型的测试和改进涉及到识别模型中,相关联的不可接受的现实表示的解释过程,以及它们的修改。
在这方面,使用模型和系统的实验验证是至关重要的,作为一种产生新回馈信息的手段,可用于测试和改进模型的重要方法。因此,随着新的问题和假设的产生和测试,模型的开发和改进是一个模拟和实验的连续循环(见Rotter等人,2018年,关于极端天气的示例)。“没有实验就没有模拟”通常归因于C.T的校训。智慧这个命题虽然缺乏正式的文献,但已知它已经被C.T使用过了。具有“典型信念”的(vanKeulen,2008)。后来的版本由Leffelaar(1987)扩展重新表述为“没有实验就没有模拟”和“没有模拟就没有实验”。(罗特等,2018)将这个命题重新定义为“没有实验就没有建模,没有建模就没有实验”;然而,“模拟”是一个比“ 单独 “ 建模 ” 更 广泛的概念 (de Wit , 1993) 。 在iCropM2020,命题“如果你不理解你不能建模,如果你不建模你不能理解”(哈默,2020)和“我们当模型不工作时的学习”(米勒,2020)也提出强调作物模型的作用,生成和测试假设(Loomisetal.,1979)。
C.T. de Wit的主张仍然与农业研究界高度相关,以提醒我们,模拟和实验一样重要,这两者应该在研究周期的核心上是携手并进的。然而,这似乎并没有反映在iCropM2020的摘要书中(图1b和1c)。首先,具有关键字的记录的数量“模拟”(n=1143)远远超过那些与“现场试验”(n=93)或“现场实验”(n=303,图1b).其次,“模型参数化”(=469)或“模型校准”(=439)的记录数量也远远超过“模型评估”(=284)、“模型验证”(=124)或“模型改进”(=18)的记录数量,(图1c)。第三,“模型预测”(n=比“模型探索”更常见(n=12,图1c)。实地研究成本昂贵、费力,而且无法测试多种基因型×环境×管理的交互作用(G×E×M),作物模型可以以一种非常具有成本效益的方式实现。然而,尽管有上述局限性,实验为模型的开发提供了基础,并对重新校准模型或测试模型的改进仍然至关重要。
“被遗忘了”的作物、生长因子和性状
许多作物模型都是专门为谷类作物开发的,大多数建模训练都集中在谷类作物上。考虑到谷物的大面积份额以及在大多数地区它们作为主食的重要性,这是合理的。iCropM2020也不例外(图1d)。如“小麦”(n=498)、“玉米”(n=379)和“水稻”(=121)比“土豆”(=46)、“香蕉”(=19)或“木薯”(=16)更突出,见图1d。高原香蕉、根茎和块茎作物是非洲小农的重要主食(泰顿内尔和吉勒,2013年),这在粮食安全评估中不应被忽视。这仍然具有挑战性,因为可用于根和根茎作物的作物模型缺乏适当的田间测试(Raymundoetal.,2014)。咖啡和可可等热带多年生植物是重要的经济作物,与主要谷物在实验和建模方面的最近进展相比,它们也很少受到关注(Rozendaaletal.,2020)。气候变化对未来咖啡生产适宜性区域的预测影响(Ovalle-Riveraetal,2015)和可可(Schrothetal,2016)的影响最初是基于当前产区的农业生态特征,并将其叠加在预测的未来气候地图上。在缺乏稳健的作物模型的情况下,这种方法高度相关,在两种作物的情况下都表明了重大的地理变化,由于气候变化导致土地适宜性下降。事实上,由于气候变暖的增加导致的最低温度上升,在东非已经观察到阿拉比卡咖啡产量的显著下降(Craparoetal.,2015)。咖啡作物模型的发展允许干旱、温度上升和一氧化碳的相互作用需要考虑的施肥(Rahnetal.,2018),这应该对气候变化影响的预测提供更大的信心。最近在巴西进行的实验表明,CO2的产量提高效应,施肥可能会抑制和补偿温度上升和干旱对咖啡产量的负面影响(DaMattaetal.,2019)。瓦赫宁根大学目前的研究重点是改进现有的可可模拟模型(Zuidemaetal.,2005),用于气候变化研究。气候变化对未来产量和产量的威胁,在咖啡和可可生产的领域非常真实,对这些商品的生产商、贸易商和加工商具有商业利益。这些公司也有相当多的经验和观察,研究可以建立出模型,这似乎违背了我们目前对这些作物的生理学理解。在控制条件下的研究表明,阿拉比卡咖啡的花在33°C以上的温度下是无菌的(Drinnan和Menzel,1995),但目前在巴西巴伊亚通过灌溉种植,生产在开花期间最高温度超过35°C的地区,也产量极好,峰值高达39°C(PietvanAsten,个人通讯,2020)。同样,可可的产量也非常高。2kg/tree/year),在印度南部的安得拉邦进行灌溉,那里的温度通常超过46°C,有时甚至达到50°C(尼古拉斯·Cryer,个人交流,2020)。根据目前对咖啡和可可的生理理解,我们多数预测作物不应该种植。在农民领域的这些观察为公共机构和私营部门之间的合作提供了一个完美的基础,以扩大我们对这些作物的气候反应的知识。这种合作如果建立适当,以确保公开分享数据和结果,将是理解适应气候变化的、选择的关键。生长生态学的概念有助于确定生长定义、限制和减少因素对实际产量的相对贡献(vanἧ和拉宾格,1997年)。生长定义因子对模拟潜在产量至关重要,它们对作物生产的影响在作物模型中得到了很好的捕获。定义因素的重要性也反映在 iCropM2020 中 , 如 “ 辐 射 ”(n=84) 、 “ 温度”(n=284)、“多样性”(n=446)和“播种”(n=172,表 1)的记录数量。需要生长限制因子来模拟可达到的产量,作物模型可以很好地模拟水和氮限制对作物生产的影响。
迄今目前为止,对iCropM2020的贡献受到关注最多的限制因素,与“水”和“营养”相关的术语在摘要中分别记录了1226次和406次(表1)。生长定义和限制因素(特别是水)是大多数气候变化影响评估的重点。1a)。相比之下,大多数作物模型无法处理减少生长的因素、害虫、疾病和杂草,这些因素导致了可获得的产量和实际产量之间 的差距(Donatellietal.,2017)。这在iCropM2020中也很明显,关于“害虫”(n=77)、“疾病”(n=63)和“杂 草”(n=90,表1)等术语的记录相对较少。对于所研究的性状,目前最关注的是作物产量(n=1787),其次是地上生物量(n=398)、叶片动态(n=383)和作物物候(n=328,图1e)。尽管需要对最近的品种进行重新校准(例如Den等人) 校准,但分配系数几乎没有受到关注(2020)。
层次和农场(工程)系统研究
整个农业系统涉及大量的组成部分和这些组成部分之间的相互作用。因此,将农业系统划分为模块化嵌套层次以更好地理解其复杂性是很有用的(Ewertetal.,2011)。对于这种分析,假设每个嵌套级别共享相同的时间和空间维度,以便将给定级别中的组件嵌套到它们上面的组件中。不同系统组件之间的交互作用发生在层次之间(例如田间与整个农场或农场和整个地区的农场之间)以及每个层次中的组件之间(例如农场内的多个地块)。浏览不同的层次,结构的层次需要更新空间和时间维度,并涉及到不同程度的复杂性。
农业系统的另一个关键特征是生物机理和社会经济维度的重要性(vanIttersumetal.,2008)。在整个农场范围的情况下,生物机理维度扮演作用的层面中,水和营养物用于生产的量和可能泄漏到环境中的量,而从社会经济维度考虑时,控制决策过程的资源如何分配在整个农场的体量(即作物和农场管理)。后者包括战略、战术或农技操作决策(de Koeijer等人,2003年),由于土地、劳动力和资本的可用性是有限,这些决策受到农民的目标和资源的限制。不同嵌套级别之间的升级需要在每个维度内和不同维度之间的信息传输(Ewertetal.,2011)。例如,从地块扩大到区域一级需要扩大在地块一级处理作物生长的生物机理过程,以及在农场一级控制决策过程的,社会经济方面的因素。错过后者是不可取的,因为它意味着错过了农民经营的背景要求。
作物模型是农业系统中最常用的升级生物机理过程的引擎,因此为多尺度的综合评估提供了基础。这在欧洲农场和区域一级的早期政策评估中是正确的,其中作物模型被嵌入到上述多种和多层方法中(vanIttersumetal.等人,2008年)。这同样也适用于早期对撒哈拉以南非洲资源限制下,农民决策的影响进行建模的努力(vanWijk等,2009年),其中部署了一个缩减版的作物模型来模拟可获得的产量(Tittonell等人,2010年)。最近,作物模型与育种和实验相结合的,以探索澳大利亚发展较慢的小麦品种的,早期播种系统的整个农场效益(Huntetal.,2019)。作者不是简单地假设适应作物管理的全部收益和效益可以在小麦生产的整个领域实现,而是考虑了所需的播种时间和占地数千公顷的农场。通过纳入这些经营限制,可以利用早期播种的、发育缓慢的品种和及时大面积种植的快速成熟品种,计算出整个农场的整体产量优势。这些适应策略增加了小麦产量0.54吨/公顷,相当于每年7.1吨,在国家层面规模的面积内是农民,育种家、田间农学家和作物建模者在十多年的密切合作的研究:“系统农艺的例子”(吉勒和 Ewert,2019)。
使用作物模型来理解农场级别问题的基本理念,如上面三个对比农业(环境)系统的例子所示,在iCropM2020中提出的大多数气候变化影响评估中并不存在(表1和图1c)。作物模型能否帮助我们理解适应并有助于减轻气候变化的负面影响对农场水平的影响?如何将这些模型在具体农场(工程)系统应用中的背景落地?
核心学科和新兴技术
大多数作物模型的应用是在农学和作物改良领域,其次是植物生物学和生理学(图1f),这些确实是模型开发的学科,并已被证明是有用的研究工具(Jonesetal.,2017)。
在iCropM2020期间,还报道了将作物模型与遥感、机器学习等技术和模型参数化的大数据分析相结合(图1f)。这种应用程序通常需要新类型的模型或用新的编程语言重新包装旧的模型,以促进它们与新类型和大量的数据(例如:de Wit等的模型整合,2019年)。新兴技术将有助于提高未来作物模型的效率和准确性,以便在整个农场和大面积尺度上设计可持续的农业系统(Basso和Antle,2020年)。
新的来源和大量的数据正在被用于作物建模,允许在更大的空间和时间分辨率下应用作物模型。例如,将遥感图像的空间数据与作物模型相结合,可以更好地估计作物产量、水分利用和氮吸收(Huangetal.,2019),这有助于规划物流和分析预测整个大型农场或地区的作物市场。机器学习已经被证明有助于建立基于大量的表型数据来校准特定基因型的作物模型(Chapmanetal.,2020)。在另一个更精细的尺度上,植物成分的详细模型,例如根系形态与养分吸收以及叶片与气体交换和光合作用的详细模型,可以在理解植物与环境变化相关的可塑性方面发挥重要作用。功能结构植物模型也是如此(Vosetal.,2009),这进一步允许研究作物之间的资源竞争或为操纵植物结构的操作设计管理选项,如修剪(Tostoetal.,2020)。作物模型现在也被用于CGIAR研究项目,以为育种计划提供信息(拉米雷斯- Villegas等人,2020年),并分析社会经济影响因素以改善政策建议(Kruseman等人,2020年)。
政策建议和科学的信誉
(作物)模型的质量保证,对于尽量减少有关数据和模型质量的公共争议,风险评估非常重要,特别是当研究旨在提供政策建议或指导公众意见时。模型(和数据)质量是对所做的研究和所提供的建议的可信度的关键,并作为讨论模型显著性和合法性的切入点。可信度是指模型的科学逻辑和所使用的知识的可靠性(事情做得对了吗?),突出了使用该模型的社会和政治相关性(这是正确的事情吗?)以及所使用模型中利益相关者的观点、价值观和担忧的合法性(是否有权利这样做?;vanVoorn等人,2016)。
在瓦赫宁根大学和研究中心里,模型以各种方式被使用,通常是专门根据荷兰政府的合同提供政策支持。这引出了一个内部的模型质量控制系统的发展,该系统评估了在提供建议时所涉及的潜在风险(de Bie,2019)。对于每个模型,风险评估都是根据问题是否可能出现的概率和问题是否确实出现的潜在影响来进行风险评估的(图2)。大多数学术研究都位于图的左侧。重点关注在同行评审论文中发表的探索性研究。研究专门为支持对需要监管的棘手和有争议的问题的决定,位于数字的右上方,不正确的政策建议可能会对社会产生强烈的影响。 因此,专门为政策建议产生的结论,在发给决策者之前受到仔细审查和详细审查。符合这样的政策支持的目的,研究人员必须提供模型的代码和详细的文档,执行敏感性分析研究模型行为,开放模型的能力和已经(没有)测试和提供指导如何解释模型输出。只有这样,该模型才能用于政策建议,因为这些步骤应该确保该模型的可信度、显著性和合法性。 即使有了这样的保障措施,问题仍然会不时出现。 2020年,一家法院裁定,政府没有采取足够的措施来控制大气氮沉积,这导致了自然界生物多样性的丧失。这导致成千上万的农民扰乱了首都市中心的交通和抗议,全国各地的建筑项目被迫停止,并改变了高速公路上允许的最高速度。它也导致了对用于计算氮沉积的模型的详细审查和批评(Hordijketal.,2020)。作为这个问题背后的科学辩论的一部分,很明显,这些模型足够稳健,可以在国家或地区规模上使用,但在评估地方干预措施所需的更精细规模上也太不确定(de弗里斯,2020年;Hordijk等人,2020 年)。这引发了关于如何设计正确的政策和干预措施来减少氮沉积的、相当大的争议。
气候变化理应成为研究和制定政策发力的中心焦点,因为它无疑是人类面临的重大挑战之一。然而,目前使用作物模型对气候变化影响评估涉及不同建模方法产生的巨大不确定性(Bassu等人,2014;Asseng等人,2015)、作物对环境条件的生理反应(Allen等人,2020)、校准协议(Seidel等人,2018)或输入数据(日产等人,2019)。
事实上,模拟极端天气对作物生长的影响及其与未来气候变化的相互作用具有挑战性(Rotteretal.,2018),而作物模型没有能力模拟此类事件。此外,广泛用于气候变化影响评估的气候变化预测在捕捉当地条件方面存在错误,将全球估计数据缩小到更精细的解决方案方面存在问题,并具有严重的不确定性,这使得它们不适合当地范围内的决策(Nissanetal.,2019)。特别令人关注的是,对气候变化对作物生产的影响的研究往往集中在更长的时间尺度上(几十年)。在这样的时间尺度上,气候预测是高度不确定的,管理选择在短期内可能存在的确不适应性。例如,预计从长远来看,东非将变得更加湿润,但在未来十年将更加干燥 , 需 要 立 即 采 取 行 动 以 减 少 作 物 歉 收 的 风 险(Nissanetal.,2019)。
如图2所示,尽管研究人员经常在研究探索性研究。在图的左边,总是有一种诱惑去暗示这对政策意味着什么。这意味着,结果经常需要从新闻界和政客中获取,并用于其它目的(即图的右侧),尽管这些模型及其结果没有受到通常在政策支持过程中预期的审查。日产汽车等人。(2019)建议,在提出研究与政策的相关性主张之前,是否为了适应或减缓气候变化,建模者应参与利益相关者的参与性研究,关注与其决策相关的时间尺度,重新制定长期决策或更短的时间框架,或在假设的天气情景下强调系统,以确定对天气微小变化的高敏感性。这种方法将意味着将气候变化影响评估与作物模型纳入早期综合评估的多层和多维方法特征(vanIttersumetal.,2008),当然,当目标是得出政策影响或为农民提出适应和缓解方案时。作物模型将在确定地球上目前和未来气候变化下可以生产多少食物方面发挥重要作用。然而,为了做到这一点,需要改进模型来模拟其它生长限制和减少因素对作物生长的影响(cf。表1),并扩展到其他重要的主食,如根和块茎作物和高地香蕉(图1d)。此外,粮食生产评估不能依赖于全球网格的作物模型,因为这些模型在解释作物生理过程和农艺管理方面并不严格(vanIttersumetal.,2013)。因此,全球产量差距图集(www.yieldgap.org)采用了自下而上的协议来绘制区域范围内的产量上限和产量差距。然而,在更广泛的整个农场和农业系统方面的评估仍然很重要。只有这样,人们才能根据管理决策和农民的个人目标,掌握提高产量和资源使用效率的范围(Silva,2017)。
我们希望上面突出显示的例子将用来提醒作物建模者,模型模拟需要嵌入到一个描述良好的内容中。后者包括在模型改进的情况下进行彻实的实验,以给出模拟目的所使用的模型的质量保证,以及在探索适应和减轻未来气候变化的选择时与利益攸关者进行参与性工作。比以往任何时候都更需要严格和高质量的研究,记录其局限性和不确定性,为政策和整个社会提供信息,并避免不同利益攸关方滥用科学证据。


图2. 在瓦赫宁根大学和研究中心的模型质量保证的风险评估框 架(cf. de Bie,2019)。风险计算为问题发生的概率和问题发生的影响的乘积。未知的概率被列为高风险。使用类型显示为问题发生的潜在影响的指导。读者可以参考全文来获得对这个数字的完整解释。

结论

21世纪面临的重大挑战包括确保所有人的食物和营养,同时避免土地利用的变化和生物多样性的丧失,并适应和减轻气候变化的负面影响。关于这场完美风暴在哪里,以及如何产生它的另一个重要特征是不同农业范式。作物模型是探索粮食安全和气候变化适应的,合适的和未来的核心工具,它加深了我们对作物如何应对非生物和生物胁迫的理解。尽管它们被证明很有用,但也很明显,目前的作物模型需要改进,并且需要一个持续的,需要时间研究的模拟和实验。未来的研究应优先为谷物以外的作物来开发作物模型(例如根和块茎作物和热带多年生作物)的作物模型,并扩大目前作物模型的能力(即模拟潜力、限水和氮有限产量),以模拟磷和钾的限制以及由害虫和疾病造成的产量减少。此外,还应注意在种植系统层面模拟过程,并将更广泛的整个农场系统和食品系统方面的模型应用落地。

为了确保作物模型实现其支持政策和决策的承诺,必须扩大模拟和实验的研究时间。需要不同部门之间的密切合作,需要私营部门和决策者的积极参与,并适当注意确保模型质量符合这一目的。只有这样,作物模型才能充分为解决我们的粮食和整个农业系统所面临的重大挑战作出贡献。
材料
https://doi.org/10.1017/S0021859621000150 上找到。
在此承诺,这篇讨论论文受益于肯·吉勒在森索尔德·阿森(佛罗里达大学)的iCropM2020上的发言贡献的尖锐批评,我们对此表示非常感谢。我们感谢吉尔滕·亨格维尔德(瓦赫宁根大学)对模型质量保证的建议,皮特·范·阿斯滕(奥兰国际)和尼古拉斯·克里尔(亿滋)对热带多年生植物的见解,以及两位审稿人对提交的手稿的仔细阅读和建设性的建议。所有的错误和遗漏都是我们的责任。
利益冲突,作者声明没有其它利益冲突。
参考文献(英文)