Anticipatory Understanding of Resilient Agriculture to Climate

要約

何十億人もの人々が中程度または重度の食料不安に直面しているため、気候変動や地政学的な出来事の影響により、世界の食料供給の回復力に対する懸念がますます高まっています。
この論文では、リモートセンシング、ディープラーニング、作物収量モデリング、食品流通システムの因果モデリングを組み合わせて、食品安全保障のホットスポットをより適切に特定するためのフレームワークについて説明します。
この手法は世界の他の地域にも適用できると考えていますが、分析の焦点は、世界人口の大部分を供給するインド北部の小麦穀倉地帯です。
フランスからの厳選されたリモートセンシングデータに基づいて、小麦農場を識別するためのディープラーニングドメイン適応手法の定量的分析を紹介します。
私たちは、既存の作物収量モデリング ツール WOFOST を使用して作物収量に対する気候変動の影響をモデル化し、縦方向のペナルティ付き関数回帰を使用して作物シミュレーション エラーの主な要因を特定します。
インドの食料流通システムのシステムダイナミクスモデルの説明と、予測される作物収量をこのモデルに適用することに基づく食料不安の特定の結果も紹介されています。

要約(オリジナル)

With billions of people facing moderate or severe food insecurity, the resilience of the global food supply will be of increasing concern due to the effects of climate change and geopolitical events. In this paper we describe a framework to better identify food security hotspots using a combination of remote sensing, deep learning, crop yield modeling, and causal modeling of the food distribution system. While we feel that the methods are adaptable to other regions of the world, we focus our analysis on the wheat breadbasket of northern India, which supplies a large percentage of the world’s population. We present a quantitative analysis of deep learning domain adaptation methods for wheat farm identification based on curated remote sensing data from France. We model climate change impacts on crop yields using the existing crop yield modeling tool WOFOST and we identify key drivers of crop simulation error using a longitudinal penalized functional regression. A description of a system dynamics model of the food distribution system in India is also presented, along with results of food insecurity identification based on seeding this model with the predicted crop yields.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google