Последние модели мейзу 2019: Рейтинг лучших смартфонов Meizu / Мейзу 2019-2020. Топ-5

Содержание

обзор топовых и не только телефонов


Смартфоны Meizu в 2019 году: какой лучше

Смартфоны от Meizu пользуются хорошим спросом в России и странах СНГ, они предоставляют качественную продукцию за адекватную стоимость. На данный момент они не являются лидерами на рынке, но стараются производить новые и интересные модели. В этой статье мы рассмотрим лучшие смартфоны Meizu на 2019 год.


Советы по выбору смартфона Meizu



Смартфоны от Мейзу подходят для работы, развлечений и повседневных задач. Перед покупкой определитесь со сферой применения и отталкивайтесь от ваших потребностей, последние модели компании отличаются качественными экранами и мощными процессорами, которые востребованы в современном мире.

За последние годы производитель пересмотрел свой подход к дизайну, если раньше модели мало чем отличались между собой по внешнему виду, то сейчас они уникальны и имеют индивидуальные особенности. Если вам необходимо устройство с крутым дизайном, то рассматривайте последние обновления компании.

Перед покупкой учитывайте важную особенность, все смартфоны работают с фирменной оболочкой Flyme, относиться к ней можно по-разному, но после чистого Android вам понадобится время, чтобы к ней привыкнуть.


Флагманы Meizu 2018 — 2019 года


Флагманские смартфоны Мейзу оснащены мощными процессорами, имеют большой объём оперативной и встроенной памяти. У них качественные и большие экраны с минимальными рамками, но есть один минус — слабенькие аккумуляторы.

Смартфон Meizu 16th 8/128GB


Процессор: Qualcomm Snapdragon 845
Оперативная память: 8 Гб
Основная память: 128 Гб
Размер экрана: 6 дюймов
Основная камера: 12 + 20 Мп
Фронтальная камера: 20 Мп
Батарея: 3010 mAh
Операционная система: Android 8.1

Лучший флагманский смартфон Meizu, он получил уникальный и яркий дизайн. 6-дюймовый дисплей занимает более 91% передней области, рамки действительно минимальные, соотношение сторон — 18:9. AMOLED отлично передаёт цвета и имеет достаточный уровень яркости, высокое разрешение в 2К позволит рассмотреть мельчайшие детали каждого кадра.

Камеры тоже соответствуют уровню смартфона, основная получила двойной модуль на 12 + 20 Мп, она способна снимать видео в 4К и делать качественные снимки при любом освещении. Из других «плюшек» камеры: 2-кратный зум, лазерный автофокус, 4-осевая стабилизация. Фронталка на 20 Мп получила диафрагму ƒ/2.0, она работает под управлением искусственного интеллекта и способна автоматически регулировать настройки кадра, ваш снимок не потребует дополнительной обработки.

За производительность отвечает мощный процессор Snapdragon 845 и 8 Гб оперативной памяти, их с головой хватит для современных игр и работы с любыми приложениями. Батарея на 3010 mAh способна выдержать день умеренного использования, но при активных нагрузках она потребует подзарядки.

Плюсы:

— Дизайн
— Дисплей
— Камеры
— Производительность

Минусы:

— Батарея
— Нет NFC

Обзор смартфона Meizu 16th



Цены

Лучшие смартфоны Meizu по соотношению цена \ качество


Сюда мы внесли модели, которые полностью соответствуют своей стоимости, у них хорошие дисплеи, неплохое железо и камеры. Иными словами, тут мы рассмотрим самые сбалансированные устройства.

Смартфон Meizu X8 6/128GB


Процессор: Qualcomm Snapdragon 710
Оперативная память: 6 Гб
Основная память: 128 Гб
Размер экрана: 6,2 дюйма
Основная камера: 12 + 5 Мп
Фронтальная камера: 20 Мп
Батарея: 3210 mAh
Операционная система: Android 8.1

Meizu X8 стал первым смартфоном компании получившим вырез сверху, у него 6,2-дюймовый безрамочный дисплей с соотношением сторон 19:9. Его высокое разрешение в 2220х1080 пикселей позволяет рассмотреть мельчайшие детали каждого кадра. Основная камера получила модуль на 12 и 5 Мп, она умеет снимать в 4К и делать крутые снимки с различными режимами. Автофокус Dual PD full-pixe не допустит упустить важные моменты, он срабатывает максимально быстро.

Из-за того, что из смартфона убрали привычную кнопку, навигация может осуществляться с помощью специальных жестов, это упрощает и ускоряет использование смартфона. Но если вас не устраивает такой вариант управления, то вы всегда можете использовать Super mBack и классическую панель навигации Android.

За производительность X8 отвечает 8-ядерный Snapdragon 710 с видеопроцессором Adreno 616. Модель получила 6 Гб оперативной и 128 Гб встроенной памяти. Такой технической части хватит для времяпровождения за любимой игрой, сёрфинга в интернете и работе с разными приложениями. Батарея на 3210 mAh не потребует зарядки на протяжении целого дня.


Плюсы:

— Производительность
— Дизайн
— Камеры

Минусы:

— Сырая разблокировка по лицу

Обзор смартфона Meizu X8



Цены

Смартфон Meizu 15 Lite 4/32GB


Процессор: Qualcomm Snapdragon 626
Оперативная память: 4 Гб
Основная память: 32 Гб
Размер экрана: 5,46 дюйма
Основная камера: 12 Мп
Фронтальная камера: 20 Мп
Батарея: 3000 mAh
Операционная система: Android 7. 0 Nougat

Этот смартфон получил тонкий и изящный корпус, 5,46-дюймовый дисплей занимает практически всю переднюю часть и имеет соотношение сторон 16:9. Meizu 15 Lite имеет встроенный вибромоторчик, который реагирует на прикосновение к сенсорам. Основная камера оснащена сенсором Sony IMX362 на 12 Мп и имеет диафрагму f/1.9. Автофокусировка способна срабатывать за 0,026 сек, с ней вы не упустите момент.

Фронтальная камера получила модуль на 20 Мп с диафрагмой f/2.0, она работает под управлением искусственного интеллекта, который самостоятельно улучшает снимок опираясь на ряд факторов: возраст, пол, освещение и т.д. Смартфон имеет утончённый дизайн, он получил скруглённые края и продуманное расположение всех составляющих.

Внутри установлен 8-ядерный процессор Qualcomm Snapdragon 626 с максимальной тактовой частотой 2,2 ГГц. Объём оперативной памяти — 4 Гб, встроенной — 32 Гб. Внутреннюю память можно расширить с помощью microSD до 256 Гб. Батарея получила маленький ресурс, но правильная оптимизация устраняет этот недостаток.


Плюсы:

— Дизайн
— Камера
— Экран

Минусы:

— Скользкий корпус

Обзор смартфона Meizu 15 Lite



Цены

Бюджетные телефоны Мейзу 2018 — 2019 года


Пришло время рассмотреть лучшие телефоны мейзу из бюджетного сегмента. За доступные деньги вы сможете получить современный смартфон, который легко справится с выполнением любой работы и не разочарует своим качеством.

Смартфон Meizu Note 8 4/64GB


Процессор: Qualcomm Snapdragon 632
Оперативная память: 4 Гб
Основная память: 64 Гб
Размер экрана: 6 дюймов
Основная камера: 12 + 5 Мп
Фронтальная камера: 8 Мп
Батарея: 3600 mAh
Операционная система: Android 8. 0

Корпус смартфона изготовлен из прочного металла, он хорошо переносит падения и приятно ощущается в руке. Meizu M8 Note получил безрамочный 6-дюймовый дисплей с разрешением FHD+, он яркий и чёткий, радуют и углы обзора. Модель работает на операционной системе Android Oreo с фирменной оболочкой Flyme 7, вы можете использовать его так, как захочется вам, с этим поможет масса разных настроек.

В качестве процессора выступает Snapdragon 632 с тактовой частотой 1,8 ГГц, его нельзя назвать топовым, но это твёрдый «среднячок». 4 Гб оперативной памяти с головой хватит для работы в многозадачном режиме и различных игр. Основная камера получила два модуля: основной на 12 Мп (Sony IMX362), вспомогательный на 5 Мп (Samsung 5E9), они делают качественные снимки с различными эффектами, за камеру не стыдно.

Фронтальная камера получила сенсор на 8 Мп, она поддерживает функцию Face AE. Аккумулятор получил ёмкость в 3600 mAh, вдобавок к этому смартфон хорошо оптимизирован и поддерживает технологию быстрой зарядки, его легко хватит на сутки использования.


Плюсы:

— Экран
— Операционная система
— ОЗУ
— Батарея

Минусы:

— Фронтальная камера
— Качество звука

Обзор смартфона Meizu Note 8



Цены

Смартфон Meizu M6s 32GB


Процессор: Samsung Exynos 7872
Оперативная память: 3 Гб
Основная память: 32 Гб
Размер экрана: 5,7 дюйма
Основная камера: 16 Мп
Фронтальная камера: 8 Мп
Батарея: 3000 mAh
Операционная система: Android

Это самый большой и красивый Мейзу в «М» линейке, он получил безармочный 5,7-дюймовый дисплей со скруглёнными краями и крепкий металлический корпус. Смартфон работает на основе 6-ядерного процессора Samsung Exynos 7872 и имеет 3 Гб оперативной памяти, этого мало для современных игр, но хватит для повседневных задач и сёрфинга в интернете.

Сканер отпечатков пальцев расположился на боковой грани корпуса, он срабатывает за 0,2 секунды и на него удобно ложится палец. Основная и фронтальная камера оборудована сенсором Samsung CMOS, он позволяет делать неплохие фотографии с множеством эффектов.

Батарея на 3000 mAh поддерживает технологию быстрой зарядки mCharge и позволит использовать источник питания в 18 Вт, при умеренном использовании она разрядится только к позднему вечеру. Зарядка с 0 до 100% займёт где-то 1,5 часа. У пользователей этот смартфон вызывает только позитивные эмоции, на различных площадках он получает множество хороших отзывов.


Плюсы:

— Экран
— Производительность
— Звук в наушниках

Минусы:

— Камеры в плохом освещении

Обзор смартфона Meizu M6s



Цены


Заключение


В этой статье мы рассмотрели лучшие смартфоны Meizu для покупки в 2019 году. Если вы знакомы с моделями прошлых поколений, то могли заметить, насколько сильно отличаются последние смартфоны компании. Они получают совсем иной дизайн, новые процессоры и модули камеры. Каждый из рассмотренных смартфонов заслуживает оказаться в топе лучших. Если вы хотите недорогое, но мощное и красивое устройство, то стоит присмотреться к смартфонам от Мейзу.

ТОП 7 телефонов Meizu 2018 – 2019 года – популярные Мейзу телефоны

Meizu 16th

И именно так, без приставки указывающей на порядковый номер, это будет уже совсем другая модель, также выпущена в этом году.

«Шестнадцатый» позиционируется как флагманский, максимально быстрый смартфон компании. При этом он обладает премиальным дизайном, очень легкий и тонкий.

Для многих данный смартфон по новому открыл компанию Meizu, ведь вместо того, чтобы копировать А-бренды с готовыми дизайнами, вездесущей «монобровью» и одинаковыми модулями камер, маленькая компания выпустила свое, уникальное детище, которое к слову сказать, имеет большой успех.

Экран выглядит уникально, это широкий 6 дюймовый Super AMOLED без каких-либо челок, приложения и контент масштабируются правильно и без потери функциональности.

Процессор для построения смартфона выбран самый производительный на рынке, это Qualcomm Snapdragon 845 с последним графическим ускорителем и оперативной памятью от 6 до 8 ГБ (в зависимости от версии).

Не менее интересно для современных пользователей – это камеры, в качестве основной использован сдвоенный модуль Sony IMX380 (12МП, f/1.8, размер пикселя 1,55 мкм) + Sony IMX350 (20МП, f/2,6) с гибридным 3-х кратным зумом. Показатели действительно впечатляющие, однако как мы все знаем, еще очень многое зависит от алгоритмов обработки. Ведь не даром любители мобильной фотографии часто используют кастомные программы для получения лучшего результата. Нужно развеять переживания рядовых пользователей, штатная программа камеры справляется на отлично, а благодаря работе искусственного интеллекта, смартфон отлично определяет что в кадре и моментально подстраивает камеру.

Добавьте ко всему вышесказанному отличный стереозвук, идеальное сочетание матового металла и каленного стекла, а также идеальную сборку без малейших зазоров и вы будете удивляться не высокой цене смартфона.

И конечно же в Украине вы сможете выбрать все аксессуары для данной модели с бесплатной доставкой.

Чехлы и защитные стекла для Meizu 16th

Meizu 15 Lite

Как и можно понять из названия, это своего рода облегченная версия топового смартфона, можно так выразиться «нижний премиум сегмент». Смартфон представляет собой стильное, быстрое устройство с уникальным дизайном и не плохими показателями производительности.

В аппарате используется 5,46 дюймовый IPS дисплей с разрешением FullHD, цветопередача высокого качества, картинка насыщенная и яркая. Выглядит экран практически безрамочным по бокам и с одинаковыми полосками снизу и сверху, на которых соответственно расположены фронтальная камера и сенсорная кнопка.

Корпус смартфона выполнен из металла с пластиковыми вставками, а финишная окраска приятная на ощупь и стойкая.

Процессор, используемый в устройстве, Snapdragon 626, это современный 14-нанометровый 8-ядерный процессор с тактовой частотой каждого ядра до 2200 МГц. Его достаточно для выполнения всех возможных задач на долгое время. Оперативная память в базовой версии имеет объем 4 ГБ.

Отдельного внимания в современном смартфоне заслуживает камера, и здесь она хоть и одна, но весьма хороша. Это модуль Sony IMX362 Exmor RS на 12МП с апертурой F/1.9 и размером пикселя 1,4 мкм (по технологии Dual pixel).

На это устройство можно сделать потрясающие снимки при должном умении, а автоматический режим упростит эту задачу для большинства пользователей.

Проблем с аксессуарами в Украине так же нет, доступны все варианты защитных чехлов и стекол.

Чехлы и защитные стекла для Meizu 15 Lite

Meizu X8

Первый смартфон компании Meizu, который позаимствовал монобровь в свой дизайн передней панели.

По факту это крепкий «середнячек» с достаточно неплохими характеристиками на конец 2018 года и вполне приемлемой ценой.

В центре всей производительной системы процессор Snapdragon 710, это не самый последний вариант ЦП от компании Qualcomm. Однако на конец 2018 года еще нет приложения или игры, которые могли бы заставить данный процессор тормозить. Кроме того ему помогает сопроцессор искусственного интеллекта Hexagon 685 AI, который способен учитывать все привычки пользователя и ускорять запуск и работу часто используемых приложений.

Данный аппарат имеет 4 или 6 ГБ оперативной памяти в зависимости от версии, а в качестве интерфейса используется Flyme 7, в которой уже реализована разблокировка экрана по лицу.

Так же как и в модели 15 Lite, на данном смартфоне установлен сенсор основной камеры Sony IMX362 Exmor RS на 12МП с апертурой F/1.9 и размером пикселя 1,4 мкм (по технологии Dual pixel) + 5МП модуль для измерения глубины резкости.И это при его демократичной цене.

Данная камера способна вас удивить приятными снимками как в дневное время, так и при недостаточном освещении.

Сюрпризом для многих стал выход Type C на смартфоне средне бюджетного класса.

В целом аппарат приятный на вид и тактильно, смотрится дорого и качественно, однозначно стоит своих денег. А сохранить его внешний вид и работоспособность помогут защитные аксессуары, которые уже представлены в изобилии.

Чехлы и защитные стекла для Meizu X8

Meizu M8

Недорогая и лаконичная модель, в которой присутствует все необходимое для современного человека, разве что нет NFC.

Смартфон выполнен в привычном стиле компании и уже имеет широкоформатный IPS дисплей с разрешением HD+. Рамки вокруг него минимальные и смотрится это очень красиво, а главное что большая часть передней панели является полезной. И в корпусе сравнимом по размерам с 5 дюймовым смартфоном, поместился экран размером 5,7 дюймов.

В сердце устройства находится процессор Helio P22, это не дорогой, но в то же время производительный чип, с возможностью разгона частоты каждого ядра до 2 ГГц.

В базовой версии установлен модуль оперативной памяти на 4 ГБ, и производительности смартфона вам точно хватит для любых повседневных задач.

Камера устройства имеет сдвоенный модуль 12МП (f/1.9) + 5МП (f/2.2), производитель матрицы не заявлен, однако качество снимков высокое и для повседневного использования камера достойная.

Металлический тонкий корпус, выпускаемый в нескольких цветах, стильно выглядит и приятно ощущается в руке. А чтобы сохранить его первозданный вид, обязательно присмотрите для него хороший чехол.

Чехлы и защитные стекла для Meizu M8

Meizu M8c

Бюджетный и весьма простой аппарат, однако он однозначно найдет своих ценителей за свою надежность и довольно неплохой функционал для своего сегмента.

Как и все смартфоны конца 2018 года, он имеет широкоформатный экран с соотношением сторон 18:9, что позволяет задействовать с пользой больше места на передней панели смартфона, при этом аппарат получается не громоздкий и легко управляется одной рукой.

Разрешение экрана не высокое и составляет всего 1440×720 пикселей, однако в ежедневном использовании это вовсе не заметно, а на энергонезависимость смартфона влияет положительно.

Модуль основной камеры хоть и бюджетного класса, однако вполне может делать отличные снимки с разрешением 13 МП, при этом успех на прямую зависит от количества света, попадаемого на объект съемки.

За быстродействие отвечает процессор Qualcomm Snapdragon 425, проверенный в моделях предыдущего поколения и весьма надежный.

Основная версия смартфона имеет 2 ГБ оперативной памяти и 16 ГБ встроенной. Этого достаточно для пользователей, которые не играют в игры и довольствуются минимумом приложений. При желании можно использовать карту памяти, однако в таком случае вы сможете поставить только одну сим-карту.

Корпус смартфона выполнен из пластика и представлен в довольно ярких расцветках, для любителей непримечательности и классики, подойдет черный.

Добавить изюминки устройству и защитить его от повреждений вы сможете, купив защитный чехол и стекло, которые в ассортименте доступны в Украине.

Чехлы и защитные стекла для Meizu M8c

Meizu M6T

Одна из самых продаваемых бюджетных моделей компании Meizu, которая сочетает в себе неплохой функционал, двойную основную камеру и при этом демократичную цену.

Как и у всех одноклассников модели, в данном смартфоне установлен широкоформатный дисплей размером 5,7 дюймов с разрешением HD+.

Рамки вокруг экрана маленькие и устройство в целом компактное.

В отличие от предыдущей модели, в данном аппарате использован чип MediaTek MT6750, и его вполне хватает для всех задач.

Объем оперативной памяти может быть 2 или 3 ГБ в зависимости от версии, а накопитель 16 или 32 ГБ соответственно.

Неоспоримым достоинством данной модели является камера, для бюджетного сегмента она имеет впечатляющие характеристики. Это модуль от Sony IMX 278 Exmor RS, с размером пикселя 1,12 мкм и апертурой f/2,2, ее разрешение 13 МП, а вспомагательный модуль для определения глубины кадра Super Pix SP2509 на 2 МП с апертурой f/2,4.

При должном умении с этой камерой уже можно получить отличные снимки при достаточном освещении, а благодаря второму модулю, аппарат довольно точно определяет главный предмет съемки и размывает фон в портретном режиме.

Так как модель популярна и распространённая, у вас не будет проблем с выбором аксессуаров, все они доступны в Украине и вы сможете получить их уже на следующий день с бесплатной доставкой.

Чехлы и защитные стекла для Meizu M6T

Meizu M8 Note

Среднебюджетный металлический смартфон с производительным железом и сдвоенной основной камерой.

В конце 2018 года представлено немало интересных недорогих моделей с размером экрана 5,99 дюймов и соотношением сторон 18:9, это такая себе золотая средина между удобством пользования и большим и вместительным экраном. Не стал исключением и Meizu M8 Note, аппарат максимально заточен под работу и имеет большой экран с разрешением Full HD+, которое в цифрах составляет 2160 x 1080 пикселей.

Радует и то, что аппарат построен на довольно свежем и производительном процессоре Qualcomm Snapdragon 632, это 8-ядерный чип с тактовой частотой каждого ядра до 1,8 ГГц.

В паре с 4 ГБ оперативной памяти, они способны решить любую задачу поставленную перед современным смартфоном.

Основная камера может быть представлена в двух вариантах ( в зависимости от рынка назначения устройства).

  1. Sony IMX362 (12 МП, апертура f/1.9) + Samsung 5E9 (5 МП, апертура f/1.9) – это вариант ориентированный на европейские страны и считается многими пользователями наиболее предпочтительным.
  2. Samsung S5K2L7 (12 МП, апертура f/1.9, размер пикселя 1,4 мкм с функцией Dual Pixel) + Samsung 5E9 (5 МП, апертура f/1.9) – второй вариант так же делает отличные снимки, однако народной популярности не взыскал.

Не зависимо от того, какая версия достанется пользователю, даже в автоматическом режиме смартфон справится на отлично и порадует яркими и детальными фото.

В целом смартфон выглядит и ощущается приятно и создает впечатление качественного аппарата, а для того, чтобы дополнить его внешний вид и сохранить от неприятных повреждений, сразу после покупки позаботьтесь о защитных аксессуарах на эту модель.

Чехлы и защитные стекла для Meizu M8 Note

Комментарии

Рейтинг материала 4. 5 из 5, оценок • 1

☆ ☆ ☆ ☆ ☆

Добавить

Смартфоны Meizu | Каталог смартфонов Meizu. Технические характеристики смартфонов Meizu. Отзывы, обзоры, новинки смартфонов Meizu.

11-11-2019 Hits:1367

  Китайская компания Meizu не столь успешна, как ведущие китайские вендоры Huawei и Xiaomi. Тем не менее производитель держится на плаву и старается предложить потребителю достойные продукты.

22-09-2019 Hits:1570

  Менее месяца назад состоялся официальный дебют смартфона Meizu 16s Pro. Неизвестно, когда будет готов аппарат следующего поколения, но в Сети уже появилась первая информация о модели Meizu 17.

29-08-2019 Hits:1304

  Веб-информаторы опубликовали ряд официальных рендеров, демонстрирующих смартфон Motorola One Zoom с тыльной квадрокамерой.

16-07-2019 Hits:1128

5G-технология только начинает развиваться, поэтому смартфонов с поддержкой сетей 5-го поколения пока не слишком много. В настоящий момент 5G-смартфон есть в ассортименте компании Xiaomi.

03-06-2019 Hits:1324

  В последние годы компания Meizu завоевала у пользователей высокий уровень доверия. Ее продукция ценится за качество исполнения, стильный дизайн и хорошую производительность. Недовольство потребителей вызывает фирменный софт. Он не отличается стабильностью в работе. Кроме того, обновления с исправлением ошибок и…

27-05-2019 Hits:1245

  В наше время информация является определяющим фактором, и для ее хранения требуется все больший объем памяти. Это касается электронных книг, музыки, фильмов и фотографий. Поэтому компания Meizu решила помочь пользователям ранее приобретенных смартфонов и предложила им увеличить объем встроенного флэша…

01-04-2019 Hits:1088

  В апреле ожидается презентация топового смартфона от китайской компании Meizu. Скорей всего, на рынок гаджет выйдет под именем Meizu 16s. На днях в базу данных бенчмарка Geekbench были внесены некоторые данные о новинке.

29-03-2019 Hits:998

  В дополнение к многочисленным фото лицевой панели смартфона под названием Meizu 16s в Сети, наконец, появились и рендеры тыльной стороны этого флагмана.

21-03-2019 Hits:962

  К своему 16-летию компания Meizu приурочила выпуск обновленной и улучшенной версии представленного в прошлом году флагмана Meizu 16. Новинка получила название «Meizu 16s». Китайский регулятор 3C, в котором изделие проходило сертификацию под модельным номером M971Q, подтвердил, что анонс аппарата уже близок.

01-03-2019 Hits:1268

  Компания Meizu намерена выпустить в 2019 году флагманы Meizu 16s и 16s Plus. «Живые» фото последнего недавно были опубликованы в Сети.

23-02-2019 Hits:1181

  Аппарат Meizu Note 9 прошел сертификацию во многих организациях, принимающих решение о допуске устройства в продажу. Значительная часть параметров новинки опубликована в различных интернет-источниках.

12-02-2019 Hits:929

  В Сети появилось фото готовящегося к выпуску смартфона под названием Note 9 от Meizu. Автором публикации стал сертификационный центр TENAA (Китай).

03-02-2019 Hits:1222

  Опубликовано «живое» фото прототипа смартфона Note 9 компании Meizu (кодовое название модели – Mikuho).

16-01-2019 Hits:1475

  Опубликованы рендеры и возможные спецификации смартфона Meizu Note 9. Ожидается, что анонс новинки состоится до конца текущего квартала.

09-01-2019 Hits:1332

  Не так давно прошла презентация модели Meizu Note 8. Однако инженеры компании разрабатывают следующий смартфон серии Note. Представитель Meizu в Интернете J.Wong поделился на своей страничке некоторыми подробностями, связанными с подготовкой Meizu Note 9.

Почему мне не жалко Meizu?

Вспомните, давно ли вы слышали про смартфоны или аксессуары от Meizu? От компании слышно только то, что оттуда уходят сотрудники, менеджмент. В 2019 году компания ушла из России, хотя еще за пару лет до этого стала титульным спонсором футбольного клуба «Краснодар» — логотип Meizu красовался на игровых футболках и мне, как футбольному болельщику, казалось, что это всерьез и надолго, ведь абы кто не будет размещать логотип на спортивной форме. Оказалось, что все совсем наоборот: дела уже были не очень. Сегодня я поделюсь с вами мыслями, почему, несмотря на местами интересные решения, мне совершенно не жаль Meizu.

Есть компании, по которым ты скучаешь, но Meizu таковой не является

Вы скажете: «А кто из китайцев не копирует iPhone?». Просто Meizu делал это слишком фанатично и убого: смартфоны были похожи внешне, но начинка даже близко не была похожа на смартфоны Apple. Meizu экономила на производстве не только перед своим крахом — она делала это всегда, даже когда дела были более-менее в порядке. Я знал людей, которые пользовались Meizu и недоумевал: как можно себя не уважать, пользуясь таким отсталым смартфоном? Почему ты не купишь себе iPhone? Где твое самоуважение?

Почти у всех Meizu устаревший дизайн, за который в 2021 году стыдно

Какой телефон Meizu самый лучший

Я стараюсь развивать кругозор, часто поглядывая обзоры смартфонов на YouTube — стараюсь не пропускать ничего. Но за все годы я не запомнил ни одного смартфона от Meizu, кроме Pro 7. Задний мини-дисплей выглядел нестандартно — на него можно было выводить необходимую информацию, например погоду, с помощью него можно было делать селфи. Это был огромный шаг для Meizu, но не для индустрии. Кстати, о последних трендах индустрии смартфонов мы регулярно пишем в нашем канале Google News.

Meizu Pro 7 — исключение из правил. Мини-дисплей очень крут, но никто этого не оценил

Удобный дисплей на задней панели Meizu Pro 7 — это отличное решение, казалось, слишком инновационное для компании, но индустрия его не поддержала, и смартфон канул в лету. И это не единичный случай, когда компания игнорировала тренды, пытаясь завоевать исключительно уважение и любовь тех, кто искал необычные решения в смартфонах. У компаний здорового человека эксперименты с дизайном — это разовая акция. К сожалению, Meizu оказалась компанией курильщика, сделав ставку на слишком смелые дизайнерские решения.

Сравнение Meizu и Xiaomi

Причем по всем фронтам. В то время, когда Xiaomi штамповала несколько смартфонов в год, создавала линейки устройств на любой кошелек, свою экосистему, Meizu выпускала по 1-2 смартфона в год. Логично, что в нашу эпоху — это залог провала, а не успеха. Выпускать 1-2 смартфона в год может позволить себе только Apple. Менеджмент Meizu оказался в пролёте не по той причине, что скопировал Apple — в компании не учли, что у Apple огромная аудитория фанатов.

У Meizu была самая слабая рекламная кампания из всех, что приходят на ум

Если у других компаний была своя философия по поводу своих устройств, то у Meizu ее не было. Не считая того, чтобы не следовать трендам и плыть против течения. Также у Meizu не было и коннекта со своими фанатами. О Meizu не слышали и простые обыватели — если ты не смотришь обзоры на YouTube, то даже не узнаешь, что была такая компания. Из года в год компания выпускала новые поколения своих устройств и не исправляла ошибки предыдущих поколений, несмотря на жалобы пользователей.

Читайте у моих коллег: Вот как изменилось отношение OnePlus к ее смартфонам за последние годы

Почему смартфон Meizu тормозит

Смартфоны Meizu не было желания держать в руках. Это устаревший дизайн с шероховатым корпусом, все выглядело максимально дешево и убого — очень похоже на Samsung Galaxy S3. А начинка? Снова MediaTek.

Ну хорошо, может быть, оптимизировать, чтобы не позориться? Конечно нет, это же Meizu. Он должен лагать, тормозить, греться. Основная философия Meizu — выпускать сырые смартфоны с ужасной оболочкой Flyme и продавать их втридорога.

Смартфоны Meizu — серая масса

Напомню, что Qualcomm Snapdragon использовали впервые в M6 Note, но было уже поздно.

Я рад, что Meizu разваливается — это компания-пустышка. До сих пор непонятно, для кого она выпускала свои бесполезные, лагающие, безликие смартфоны. Это та компания, о которой совершенно нечего сказать хорошего. Компания была антагонистом для других производителей и пыталась устанавливать собственные правила и тренды. Но когда ты — никто, у тебя нет последователей, нет идеологии и обратной связи с пользователями, то ты лишний на этом празднике жизни.

Новости по тегу meizu, страница 1 из 27

22.09.2021 [14:04], Сергей Карасёв

Официально представлен флагманский смартфон Meizu 18X, продажи которого начнутся 26 сентября. Аппарат будет поставляться с операционной системой Android 11, дополненной фирменной надстройкой Flyme 9.2.

Здесь и ниже изображения fonearena.com

«Сердце» новинки — восьмиядерный процессор Qualcomm Snapdragon 888+ с тактовой частотой до 3,0 ГГц. В состав чипа входит графический ускоритель Adreno 660. Объём оперативной памяти достигает 12 Гбайт.

Смартфон оборудован 6,67-дюймовым дисплеем AMOLED формата Full HD+ с разрешением 2400 × 1080 точек. Эта панель обладает частотой обновления 120 Гц, поддержкой HDR10+ и пиковой яркостью 700 кд/м2. Использовано защитное стекло  Corning Gorilla Glass 6.

Фронтальная камера, расположенная в небольшом экранном отверстии, имеет разрешение 13 млн пикселей. Сзади находится тройная камера в конфигурации 64 + 8 + 2 млн пикселей.

В оснащение входят адаптеры Wi-Fi 6 802.11ax (2,4/5 ГГц) и Bluetooth 5.2, контроллер NFC, порт USB Type-C, экранный дактилоскопический сканер. Аккумулятор ёмкостью 4300 мА·ч поддерживает быструю 30-ваттную подзарядку Super mCharge. Габариты составляют 165,1 × 76,35 × 7,99 мм, вес — 189 г. В продажу поступят следующие варианты Meizu 18X:

  • 8 Гбайт оперативной памяти и флеш-накопитель ёмкостью 128 Гбайт — $400;
  • 8 Гбайт оперативной памяти и флеш-накопитель ёмкостью 256 Гбайт — $430;
  • 12 Гбайт оперативной памяти и флеш-накопитель ёмкостью 256 Гбайт — $465. 
17.09.2021 [16:18], Сергей Карасёв

Компания Meizu анонсировала полностью беспроводные наушники погружного типа mblu Blus, которые будут предлагаться в единственном белом цвете по ориентировочной цене 30 долларов США.

Здесь и ниже изображения Gizmochina

Вкладыши имеют довольно оригинальное исполнение с овальной «ножкой». Применены 12-миллиметровые излучатели. Заявленный диапазон воспроизводимых частот простирается от 20 Гц до 20 кГц.

Наушники получили систему активного шумоподавления ANC (Active Noise Cancellation). За беспроводную связь со смартфоном отвечает контроллер Bluetooth 5.2.

На модулях расположены сенсорные площадки управления. Кроме того, упомянута сертификация IPX4, указывающая на защиту от пота и влаги.

В каждый из наушников встроена батарея ёмкостью 43 мА·ч, а футляр оснащён аккумулятором на 520 мА·ч. Время автономной работы на одной подзарядке составляет до 5,5 часа с активированным шумоподавлением и до 6,5 часа с отключенным. Футляр даёт возможность довести эти значения до 25 и 30 часов соответственно.

Подзарядка может осуществляться двумя способами: посредством беспроводной технологии Qi или через проводной интерфейс USB Type-C. 

31.05.2021 [13:19], Сергей Карасёв

Сегодня, 31 мая, состоялась официальная презентация умных наручных часов Meizu Watch, функционирующих под управлением операционной системы Flyme OS for Watch. Продажи гаджета стартуют уже завтра, 1 июня.

Устройство оборудовано 1,78-дюймовым дисплеем AMOLED с защитным стеклом 2.5D Corning Gorilla Glass. Разрешение экрана составляет 368 × 448 точек, пиксельная плотность — 326 PPI (точек на дюйм), максимальная яркость — 500 кд/м2.

В основу положен процессор Qualcomm Snapdragon Wear 4100, который содержит четыре вычислительных ядра ARM Cortex A53 с тактовой частотой до 1,7 ГГц, а также графический ускоритель Adreno 504.

Новинка несёт на борту 1 Гбайт оперативной памяти, флеш-модуль вместимостью 8 Гбайт, адаптеры беспроводной связи Wi-Fi и Bluetooth 4.2, контроллер NFC. Заявленное время автономной работы на одной подзарядке аккумуляторной батареи ёмкостью 420 мА·ч достигает 36 часов.

Гаджет поддерживает технологию eSIM (встроенная SIM-карта), что позволяет подключаться к сотовым сетям. Датчики способны отслеживать частоту сердечных сокращений и уровень содержания кислорода в крови, анализировать качество сна и регистрировать другие стандартные показатели. Ориентировочная цена Meizu Watch — 235 долларов США. 

26.05.2021 [00:01], Максим Шевченко

Meizu наконец-то объявила дату запуска своих первых умных часов, слухи о которых ходят в Сети уже некоторое время. Сообщается, что Meizu Watch будут запущены 31 мая. Кроме даты запуска, китайская компания поделилась тизерами устройства, которые проливают свет на его дизайн и раскрывают ключевые характеристики.

Как и предполагалось ранее, Meizu Watch получат квадратный корпус с закруглёнными краями и силиконовый ремешок. Кроме того, стало известно, что смарт-часы Meizu будут основаны на актуальной платформе Snapdragon Wear 4100 и получат поддержку eSIM. Благодаря этому часы можно будет использовать для совершения телефонных звонков без привязки к смартфону. Meizu ничего не рассказала о программном обеспечении носимого устройства, однако предполагается, что они будут работать под управлением Flyme for Watch на основе Wear OS.

Пока неизвестно, выйдут ли Meizu Watch на глобальный рынок, или будут продаваться только в Китае. Также не известна и ориентировочная цена устройства. Тем не менее, это и многое другое о Meizu Watch мы узнаем уже в следующий понедельник.

17.05.2021 [18:31], Руслан Авдеев

Государственное управление интеллектуальной собственности КНР сообщило о провальной попытке компании Xiaomi зарегистрировать торговую марку MIX. Пекинский Суд по вопросам интеллектуальной собственности указал на то, что аналогичное обозначение уже используется для маркировки электроники другой компании.

По данным китайских СМИ, в заявке № 29673851, поданной ещё в 2018 году, компания претендовала на регистрацию торговой марки MIX для таких классов гаджетов, как «компьютеры, педометры, мобильные телефоны, сенсоры и т. д.» Суд постановил, что марка не только уже давно используется, но и зарегистрирована другим китайским производителем смартфонов — компанией Meizu.

Более того, суд также отметил, что аналогичная торговая марка применяется и многими другими компаниями. Примечательно, что одной из главных причин отклонения иска стало то, что «термин» MIX применяется для обозначения продуктов «аналогичной природы» как Xiaomi, так и Meizu.

Известно, что Xiaomi впервые представила экспериментальный флагманский смартфон серии Mi MIX в октябре 2016 года. При этом продукт Meizu MIX появился за два месяца до этого. Но, в отличие от своего конкурента, Meizu представила не смартфон, а «гибридные» механические часы с некоторыми умными функциями. Инновационные смартфоны Xiaomi выпускаются под торговой маркой Mi MIX до сих пор.

14.05.2021 [16:53], Сергей Карасёв

Интернет-ресурсы опубликовали пресс-изображения новых умных часов Meizu, которые компания, как ожидается, представит в текущем году. Источником рендеров, как утверждается, стал сайт китайской государственной телекоммуникационной компании China Telecom.

Как можно видеть на изображениях, внешне гаджет в значительной степени напоминает смарт-часы Apple Watch. Готовящееся устройство оборудовано цветным сенсорным дисплеем прямоугольной формы, плавно переходящим на боковые грани корпуса.

О характеристиках Meizu Watch, к сожалению, пока известно немного. Упомянута поддержка технологии eSIM, которая позволяет подключаться к сотовым сетям, не используя физическую SIM-карту. Таким образом, владельцы смогут совершать телефонные звонки и обмениваться данными через мобильный интернет-доступ.

В одной из боковых частей корпуса просматривается кнопка управления. Кроме того, виден выступающий блок сенсоров на тыльной стороне: можно предположить, что новинка сможет отслеживать изменения частоты сердечных сокращений в течение дня и измерять уровень содержания кислорода в крови.

Судя по изображениям, гаджет будет доступен в различных вариантах цветового исполнения. Сведений о цене и сроках начала продаж на данный момент нет.  

30.04.2021 [19:01], Максим Шевченко

Meizu Technology только что объявила о партнёрстве с автомобильной маркой Mini JCW, известной, в первую очередь, благодаря семейству Mini Cooper. Напомним, что вчера в своём официальном Weibo-аккаунте Meizu объявила, что сегодня поговорит со своими поклонниками об автомобилях. Компания, с целью привлечь пользователей, опубликовала рекламный постер своей грядущей операционной системы Flyme for Car, о которой ничего важного сегодня сказано не было.

Meizu также поделилась рекламным изображением, на котором показан автомобиль Mini JCW, который будет участвовать в гонках Master Challenge Asia 2021. На правом переднем крыле гоночного болида можно рассмотреть логотип китайского производителя смартфонов. Meizu считает, что совместный брендинг автомобиля — это примечательное событие.

Ожидалось, что сегодня компания расскажет о своей операционной системе Flyme for Car, но эти надежды не оправдались. Meizu лишь заявила, что её разработка неуклонно продвигается вперёд. Учитывая тот факт, что Meizu заключила соглашение с Mini JCW, стоит ожидать, что именно Mini станут первыми автомобилями с Flyme for Car.

29.04.2021 [23:29], Максим Шевченко

Похоже, что разработка программного обеспечения для автомобилей стала новой тенденцией в китайской мобильной индустрии. Huawei стала одним из пионеров, представив программное решение HiCar, которое помогает обеспечить качественную интеграцию между смартфоном и автомобилем. Теперь, судя по всему, подобный продукт запустит и Meizu.

Официальный Weibo-аккаунт компании поделился тизерным изображением, на котором виден силуэт автомобиля. Надпись гласит «Первое партнёрство ______, давайте поговорим завтра». Основываясь на втором изображении, можно с уверенностью сказать, что завтра состоится анонс первого автомобиля, работающего с программным обеспечением Meizu Flyme for Car.

О Flyme for Car не было ничего слышно с тех пор, как Meizu впервые объявила о разработке этой ОС в прошлом месяце. Ожидается, что на завтрашнем мероприятии Meizu расскажет всё, что нужно знать об этой операционной системе.

03.03.2021 [14:13], Сергей Карасёв

Компания Meizu сегодня официально представила флагманские смартфоны нового поколения: дебютировали аппараты Meizu 18 и Meizu 18 Pro под управлением операционной системы Android 11 с фирменной надстройкой Flyme 9. Устройства уже доступны для заказа.

Обе модели несут на борту мощный процессор  Snapdragon 888 с восемью ядрами (до 2,84 ГГц), графическим ускорителем Adreno 660 и модемом 5G. Объём оперативной памяти достигает 12 Гбайт, вместимость флеш-накопителя — 256 Гбайт.

Аппарат Meizu 18 получил 6,2-дюймовый дисплей S-AMOLED E4 формата QHD+ с разрешением 1440 × 3200 точек, частотой обновления 120 Гц, частотой опроса сенсорного слоя 240 Гц и пиковой яркостью 1300 кд/м2.

В отверстии по центру в верхней области экрана установлена 20-Мп селфи-камера. Тройная тыльная камера вобрала в себя 64-Мп блок с датчиком Sony IMX682 и максимальной диафрагмой f/1,6, 16-Мп модуль с широкоугольной оптикой и 8-Мп телефотоблок. За питание отвечает аккумулятор ёмкостью 4000 мА·ч с поддержкой 36-ваттной подзарядки.

Более мощный смартфон Meizu 18 Pro оборудован 6,7-дюймовым экраном: характеристики этой панели, за исключением размера, идентичны версии Meizu 18.

Фронтальная камера способна формировать 44-Мп снимки. Основная камера имеет четырёхмодульную конфигурацию: это 50-Мп датчик Samsung GN1 (f/1,9), блок с 32-Мп сенсором Sony IMX616 и широкоугольной оптикой (130 градусов), 8-Мп компонент с трёхкратным зумом и сенсор 3D ToF. Батарея на 4500 мА·ч поддерживает 40-ваттную подзарядку.

Аппараты наделены экранным сканером отпечатков пальцев, адаптерами Wi-Fi 6E и Bluetooth 5.2, контроллером NFC, портом USB Type-C. Доступны следующие версии Meizu 18 / Meizu 18 Pro:

  • 8 Гбайт оперативной памяти и накопитель на 128 Гбайт — $680 / $770;
  • 8 Гбайт оперативной памяти и накопитель на 256 Гбайт — $710 / $850;
  • 12 Гбайт оперативной памяти и накопитель на 256 Гбайт — $770 / $930.  
01.03.2021 [14:46], Сергей Карасёв

В интернете опубликованы фотографии упаковки флагманского смартфона Meizu 18 Pro, который будет официально представлен на этой неделе вместе с базовой моделью Meizu 18.

Как можно видеть на снимках, аппарат оснащён дисплеем с небольшим отверстием по центру в верхней области: здесь установлена одинарная фронтальная камера. По имеющейся информации, экран имеет размер 6,2 дюйма по диагонали и обладает разрешением 2К.

В тыльной части можно видеть камеру, содержащую в общей сложности шесть компонентов. Это четыре датчика изображений, вспышка и дополнительный элемент, по всей видимости являющийся ToF-сенсором. В качестве основного модуля задействован 1/1,3-дюймовый сенсор с разрешением 50 млн пикселей; имеется система оптической стабилизации изображения.

В оснащение входит флагманский мобильный процессор Qualcomm Snapdragon 888, работающий в связке с оперативной памятью стандарта LPDDR5. За хранение данных отвечает быстрый флеш-накопитель стандарта UFS 3.1.

Известно, что питание обеспечит аккумуляторная батарея ёмкостью 4500 мА·ч с поддержкой 40-ваттной подзарядки. Операционная система — Android 11.

Презентация Meizu 18 Pro и Meizu 18 состоится послезавтра, 3 марта. 

26.02.2021 [11:29], Владимир Мироненко

Компания Meizu в преддверии анонса смартфонов серии Meizu 18, намеченного на 3 марта, опубликовала несколько тизеров, которые раскрывают некоторые характеристики моделей Meizu 18 и 18 Pro.

Теперь уже официально подтверждено, что Meizu 18 Pro будет отличаться высокой производительностью благодаря использованию флагманского чипа Qualcomm Snapdragon в связке с оперативной памятью стандарта LPDDR5 и флеш-накопителем с интерфейсом UFS 3.1.

В ещё одном тизере компания сообщила об использовании в новой серии смартфонов программного обеспечения One Mind 8XX, которое, как сообщается, позволит оптимизировать потребление энергии и производительность устройств.

Что касается модели Meizu 18, то, как ожидается, она будет поставляться с чипсетом Snapdragon 870 и тройной основной камерой. В её состав войдёт сенсор на 64 мегапикселя, сверхширокоугольный 12-мегапиксельный датчик и 5-Мп сенсор, возможно, для макросъёмки или определения глубины сцены.

Как утверждают инсайдеры, Meizu 18 получит батарею ёмкостью 4000 мА·ч с поддержкой 36-Вт подзарядки, а старшая модель будет оснащена аккумулятором на 4500 мА·ч с 40-ваттной подзарядкой. Диагональ экрана обеих моделей равна 6,2 дюйма, разрешение экрана Meizu 18 равно Full HD+, у Meizu 18 Pro — 2К.

Все остальные подробности о новинках станут известны на следующей неделе.

25.02.2021 [10:50], Сергей Карасёв

Китайская компания Meizu обнародовала несколько тизер-изображений, демонстрирующих флагманские смартфоны нового поколения: речь идёт об устройствах Meizu 18 и Meizu 18 Pro.

Аппараты, как сообщается, получат 6,2-дюймовый дисплей, загибающийся на боковые части корпуса. При этом модель Meizu 18 будет наделена матрицей Full HD+, а Meizu 18 Pro — панелью 2К.

Как можно видеть на тизерах, по центру в верхней части экрана предусмотрено небольшое отверстие для одинарной селфи-камеры. Известно, что в оснащение Meizu 18 Pro войдёт четверная тыльная камера с двумя сенсорами на 48 млн пикселей, 8-Мп модулем и датчиком ToF.

Нажмите для увеличения

Смартфоны будут оборудованы разными процессорами. Так, базовой версии приписывают наличие чипа Snapdragon 870, а старшему варианту — решения Snapdragon 888. Оба устройства смогут функционировать в сетях 5G.

По слухам, в оснащение Meizu 18 войдёт аккумулятор ёмкостью 4000 мА·ч с поддержкой 36-ваттной подзарядки. Версия Meizu 18 Pro будет получать питание от батареи на 4500 мА·ч с 40-ваттной подзарядкой.

Официальная презентация новинок состоится уже на следующей неделе — 3 марта. 

22. 02.2021 [17:58], Сергей Карасёв

Компания Meizu распространила информацию о том, что завтра, 23 февраля, сделает некий анонс: наблюдатели полагают, что речь пойдёт о новой фирменной надстройке для операционной системы Android.

По слухам, Meizu представит оболочку Flyme 9. Она получит ряд существенных улучшений и дополнений по сравнению с предыдущей версией.

Сообщается, что Flyme 9 будет применяться поверх операционной системы Android 11. Именно такую связку должны получить флагманские смартфоны семейства Meizu 18, официальная презентация которых может состояться до конца текущего квартала.

Ранее говорилось, что в серию войдут как минимум две модели — базовая версия Meizu 18 и более дорогая модификация Meizu 18 Pro. Аппаратам приписывают наличие процессора Qualcomm Snapdragon 888.

Но, возможно, выйдет и третье устройство. Утверждается, что его основой может послужить чип Snapdragon 870, объединяющий восемь ядер Kryo 585 с тактовой частотой до 3,2 ГГц, графический ускоритель Adreno 650 и сотовый модем Snapdragon X55 5G. Аппарату приписывают наличие 8 Гбайт оперативной памяти и флеш-накопителя вместимостью 256 Гбайт. Упомянута тройная камера с датчиками на 64, 12 и 5 млн пикселей. 

08.02.2021 [12:48], Василий Шкодник

Сегодня китайский производитель мобильной техники разослал своим сотрудникам письма о кадровой перестановке. В компании избрали нового генерального директора (CEO) без каких-либо пресс-релизов или публичных заявлений. Впервые об этом стало известно от портала Sohu.

Хуан Чжипань младший

Новым генеральным директором стал Хуан Чжипань-младший (Huang Zhipan jr.) — брат и тёзка предыдущего генерального директора и сооснователя бренда Хуана Чжипаня. Как отмечает издание Gizmochina, Meizu таким образом ищет новую молодую кровь, которая могла бы взять на себя бразды правления и внести своё уникальное видение в развитие компании.

Тем более что в последние годы Meizu переживала не самые лучшие времена. В 2019 году стало известно, что Meizu уволила 30 % своего штата. Увольнения затронули даже ключевых сотрудников — инженера Луна Ханьшена (Hong Hansheng), который занимался разработкой графической оболочки Flyme OS и сооснователь компании Ли Наня (Li Nan). За этим последовало закрытие фирменных магазинов. В 2016 году у компании было более 2700 розничных точек продаж, а к 2019 году их количество сократилось до 5-6 в каждой провинции Китая. Несмотря на определённые трудности, компания продолжает существовать и строить планы на будущее.

3 февраля 2021 года из опубликованного пресс-релиза стало известно, что Meizu сфокусируется на выпуске исключительно флагманских смартфонов. По словам компании, выпущенные в прошлом году Meizu 17 и 17 Pro позволили выйти на стабильную прибыль. В ближайшее время должно быть представлено семейство смартфонов Meizu 18. И такие кадровые перестановки должны благостно сказаться на дальнейшем развитии бренда.

06. 02.2021 [20:15], Константин Ходаковский

Среди нишевых производителей смартфонов многие назовут Meizu Technology. Компания в прошлом году выпустила только два продукта. Но уникальный дизайн её решений по-прежнему привлекает покупателей. В китайской социальной сети Weibo опубликована реклама серии Meizu 18, которая раскрывает вертикальное расположение тыльной камеры и дату выпуска.

Согласно информации на постере, серия Meizu 18, которая должна получить однокристальную систему Snapdragon 888, выйдет на рынок 26 марта. Ранее утверждалось, что Meizu 18 будет использовать дизайн с вертикальным прямоугольным выступающим блоком камер — и изображение подтверждает, что аппараты действительно получат именно такой блок с четырьмя фотомодулями.

Meizu 16 предлагали схожий дизайн блока камеры, но по центру, а Meizu 17 имели горизонтальный блок — в обоих случаях использовалась кольцевая вспышка. У Meizu 18 в общей сложности четыре модуля тыльной камеры, один из которых, по слухам, будет перископным, с 5-кратным оптическим зумом. Согласно рекламе, Meizu 18 по-прежнему использует кольцевую вспышку — вокруг основной камеры. Видно, Meizu 18 будут доступны, как минимум, в белом и синем цветовых исполнениях.

В серии будут доступны, по меньшей мере, базовая модель Meizu 18 и более дорогая Meizu 18 Pro. Среди характеристик указывается Snapdragon 888, экран OLED FHD+ 120 Гц с вырезом под камеру. Meizu 18 Pro будет оснащён аккумулятором ёмкостью 4500 мА·ч и поддерживать скоростную зарядку на 100 Вт и 40-Вт беспроводную. Ожидается версия, в которой лицевая камера будет спрятана под экраном:

Топ-10 лучших смартфонов Meizu 2019 года в рейтинге Zuzako

*Обзор лучших по мнению редакции Zuzako.com. О критериях отбора. Данный материал носит субъективный характер, не является рекламой и не служит руководством к покупке. Перед покупкой необходима консультация со специалистом.

Несмотря на то, что компания Meizu не занимает лидирующих позиций по количеству продаж, ее смартфоны можно назвать одними из лучших на отечественном рынке. А все потому, что китайский производитель не опасается смелых экспериментов и стремится идти в ногу со временем. Так что в модельном ряду этого бренда можно найти немало удачных девайсов, да еще и по разумной цене. Именно такие устройства мы и собрали в рейтинге лучших смартфонов Meizu 2019 года.

Обзор топа самых хороших смартфонов Мейзу

И пускай Meizu далек от вершин мобильного «олимпа», задних он тоже не пасет. Смартфоны китайского бренда стабильно пользуются спросом благодаря адекватным ценам и топовым характеристикам. Производителю удалось покорить аудиторию своим индивидуальным дизайном, инновационными технологиями и достойным качеством. Притом все это применимо не только к флагманским моделям, но и к простым бюджетникам. В доказательство тому представляем вашему вниманию топ-10 лучших смартфонов Мейзу 2019 года. В обзор вошли самые перспективные новинки сезона, покорившие пользователей отличным сочетанием качества, цены и функционала.

КатегорияМестоНаименованиеРейтингХарактеристикаСсылка
Недорогие модели1Note 8

9.9 / 10

Самая сильная модель Meizu в бюджетном ценовом сегментеПодробнее
2M6T

9.7 / 10

Простой и вместе с тем надежный телефон по демократичной ценеПодробнее
3M8

9.6 / 10

Хороший недорогой смартфон в металлическом корпусеПодробнее
4C9 Pro

9.5 / 10

Практичный недорогой телефон с неплохими параметрамиПодробнее
Модели с лучшим соотношением цена/качество1Note 9

9.9 / 10

Девайс с лучшим соотношением цены и качества в модельном ряду MeizuПодробнее
2Pro 7

9. 9 / 10

Самая продаваемая модель 2019 года в линейке МейзуПодробнее
3X8

9.8 / 10

Лучший игровой аппарат в бюджетном сегментеПодробнее
Флагманы1Meizu 15

9.9 / 10

Самый крутой флагман в модельном ряду MeizuПодробнее
2Meizu 16Xs

9.9 / 10

Облегченный флагман на базе Snapdragon нового поколенияПодробнее
3Meizu 16

9.9 / 10

Самая популярная модель Meizu 2019 годаПодробнее

Недорогие модели

Если вы хотите купить недорогой смартфон с достойными характеристиками, продукция компании Meizu — это первое, на что вам стоит обратить внимание. Ведь китайский бренд регулярно радует пользователей выпуском новых бюджетников с отличным функционалом, которому могут позавидовать многие конкуренты.

Поводом для выпуска первого в истории компании смартфона послужил релиз знаменитого Apple, представленного Стивом Джобсом в 2006 году.

Самая сильная модель Meizu в бюджетном ценовом сегменте. Новинка 2019 года выделяется крутым безрамочным дизайном и свежим усовершенствованным процессором на борту — Snapdragon 632. Только этого уже вполне достаточно для того, чтобы успешно конкурировать с бюджетниками от других известных производителей. Оформлен девайс в старый добрый металлический корпус, без единого намека на инновации, вроде стекла. Но зато выглядит он довольно-таки стильно. А все благодаря компактным габаритам, в частности, толщине в 7,9 мм. А еще передняя панель лишена «трендовых» вырезов — вместо ненавистной моноброви здесь симметричные рамки. Кроме того, новинка может похвастаться еще одной особенностью — IGZO-экраном, которому свойственно низкое энергопотребление, высочайшая плотность пикселей и безупречный баланс белого. Довольно неожиданное решение, которое оказалось удачным. А вот процессор особого впечатления не производит — 8-ядерный середнячок с посредственными характеристиками. Хотя даже его хватает для требовательных современных игр.

Плюсы

  • Тонкий стильный корпус из металла
  • Оптимальная производительность
  • Качество исполнения
  • Крутой уникальный экран
  • Много памяти
  • Хорошие камеры
  • Опция FaceID
  • Стабильно быстро работает

Минусы

  • Быстро разряжается
  • Сканер отпечатков неудобно расположен

Простой и вместе с тем надежный телефон по демократичной цене. Всего за 5 тысяч вы получаете качественный аппарат с крутым ярким экраном, достойной камерой, сканером отпечатков и даже лица. Согласитесь, совсем недурно для такой стоимости. Корпус девайса выполнен из поликарбоната, который не пачкается и устойчив к износу. Телефон получил вытянутую форму, благодаря которой им удобно пользоваться даже одной рукой. На борту установлена двойная основная камера, позволяющая делать хорошие четкие фото. А экран, оснащенный Full View-матрицей, идеально передает все оттенки и детали. Что же касается аппаратной платформы, то здесь все стандартно: 8-ядерный MediaTek с 3 Гб ОЗУ. В целом, смартфон очень даже неплох для своей цены.

Плюсы

  • Приличное качество съемки
  • Приятная фирменная оболочка
  • Отличная сборка
  • Превосходный экран с отменной детализацией
  • Наличие FaceID
  • Быстродействие и отзывчивость
  • Красивый легкий корпус

Минусы

  • Памяти всего 32 Гб
  • Автономность оставляет желать лучшего

Хороший недорогой смартфон в металлическом корпусе. Новый бюджетник Мейзу получил надежно защищенный экран с диагональю 5,7″ и разрешением HD+. Экран дает качественное изображение и не искажает оттенки даже под углом, да и яркость у него более чем достойная. Основных камер здесь две — 5 и 12 Мп. Предусмотрен режим панорамы, портрета и замедленной съемки. Интеллектуальные настройки помогают делать качественные снимки при помощи автораспознавания лиц. На борту установлено 4 Гб ЗОУ и 64 Гб встроенной памяти. А за производительность устройства отвечает 8-ядерный Helio P22 с частотой 2 Гц. Тяжелые игры телефон вытягивает только на минимальных настройках, но свою стоимость он все же оправдывает.

Плюсы

  • Добротно собран
  • Большой дисплей с отличной детализацией и приятной цветопередачей
  • Быстро заряжается
  • Количество памяти
  • Достойная основная камера
  • Удобный сканер отпечатков
  • Приличная производительность
  • Привлекательный дизайн

Минусы

  • Сырая прошивка
  • Мощность процессора

топ лучших

Рейтинг лучших смартфонов Samsung 2019 года – топ крутых новинок на любой вкус и кошелек

Практичный недорогой телефон с неплохими параметрами. C9 Pro — одна из последних моделей компании Meizu. Телефон обладает 5,45-дюймовым ярким IGZO-экраном без всяческих вырезов и широких рамок. Установленный внутри 4-ядерный процессор особо ничем не блещет, но для выполнения простых повседневных задач вполне годится. Камера тоже не представляет собой ничего особенного. Но вряд ли вы станете покупать такой телефон для фото- и видеосъемки, а для того, чтобы изредка запечатлевать важные моменты, 13 Мп будет вполне достаточно. По отзывам, в характеристиках этой модели нет ничего выдающегося, но ее функциональность более чем оправдана стоимостью.

Плюсы

  • Демократичный ценник
  • Достаточно памяти
  • Прочный корпус
  • Компактные габариты
  • Чистый Андроид
  • Неплохая автономность
  • Приличная скорость работы
  • Нет моноброви

Минусы

  • Отсутствие сканера отпечатков
  • Нет NFC
  • Не предусмотрена быстрая зарядка
  • Посредственный дисплей

Модели с лучшим соотношением цена/качество

Привлекательный дизайн, отличный функционал, надежность и разумная стоимость — все это объединяют в себе лучшие смартфоны из среднего ценового сегмента. Если вы не знаете, какой лучше купить телефон, чтобы не пожалеть потраченных средств, один из представленных вариантов станет прекрасным решением для вас.

Девайс с лучшим соотношением цены и качества в модельном ряду Meizu. Хотя, в целом, аппарат звезд с неба не хватает: обычный дизайн без узнаваемых элементов, средняя мощность и стандартный набор функций. Переднюю панель смартфона украшает IPS-матрица с 6,2-дюймовой диагональю и каплевидным вырезом сверху. Экран обладает сдержанной приятной цветопередачей, прекрасными углами обзора и Full HD разрешением. А вот эргономика здесь на высоте: удобное расположение всех кнопок, модулей и разъемов. Да и интерфейс тоже радует приятной оболочкой, которая не перегружена ненужными приложениями. За производительность отвечает свежий Snapdragon 675 вкупе с Adreno 612 и 6 Гб ОЗУ. Что касается камеры, по отзывам, она отлично справляется со своими функциями днем, но при плохом освещении качество съемки оставляет желать лучшего.

Плюсы

  • Стабильная работа
  • Восхитительный дисплей
  • Достойная камера
  • Сканер отпечатков и лица
  • Свежий интерфейс
  • Звучание
  • Съемка в 4К формате

Минусы

  • Дизайн не впечатляет
  • Фронтальная камера

Самая продаваемая модель 2019 года в линейке Мейзу. Главная особенность смартфона, которая сделала его узнаваемым, заключается в наличии сразу двух экранов. Такая фишка пришлась по вкусу многим пользователям и была высоко оценена экспертами. Но не дизайном единым — на борту аппарата стоит мощный 10-ядерный процессор нового поколения, дополненный 4 Гб ОЗУ. Такое сочетание обеспечивает девайсу шуструю беспроблемную работу. В своих отзывах пользователи особенно подчеркивают вместительность хранилища и качество обоих экранов.

Плюсы

  • Потрясающая мощность
  • 128 Гб встроенной памяти
  • Легкий симпатичный корпус
  • Узнаваемый уникальный дизайн
  • Компактные габариты
  • Практичность
  • Удобный интерфейс
  • Достойная камера

Минусы

  • Не особо впечатляет автономность

Лучший игровой аппарат в бюджетном сегменте. Благодаря 8-ядерному чипсету Snapdragon 710 с частотой 2,2 Гц смартфон отлично справляется даже с современными играми и тяжелым софтом. Такие характеристики очень редко встречаются среди бюджетников. Аппарат наделен 6,2-дюймовой матрицей с маленькой монобровью сверху. Отдельного внимания заслуживает камера устройства, которая позволяет делать крутые детализированные кадры и записывать видео в 4К формате. Притом речь идет как об основном, так и о фронтальном модуле. А дополняет столь радужную картину батарея на 3200 мАч, обеспечивающая гаджету непрерывную работу в течение 8 часов активного использования.

Плюсы

  • Мощный чипсет
  • Первоклассный экран
  • Качественное исполнение
  • Отменные камеры
  • Хороший экран с шикарной цветопередачей
  • Быстрый удобный сканер отпечатков
  • Достаточно памяти
  • Наличие разъема под наушники
  • Быстрая зарядка

Минусы

  • Посредственный звук
  • Отсутствие NFC

Флагманы

Премиальные устройства китайского бренда успешно конкурируют с большинством мировых производителей. Продуманная эргономика, современный дизайн, высокая производительность, фантастический экран и оптимизированная оболочка — все этой свойственно всем флагманам Meizu. Единственным серьезным их недостатком является упрямое нежелание производителя наделить свои смартфоны модулем NFC.

Аппараты Мейзу не устойчивы к падениям, зато могут похвастаться мощным ПО.

Самый крутой флагман в модельном ряду Meizu. Да и неудивительно, ведь камера этого смартфона способна делать такие же качественные снимки, как и премиальные модели Samsung и даже Apple. Да и по остальным характеристикам китайский флагман ничуть не уступает топовым устройствам своих конкурентов. Практически безрамочная конструкция, облаченная в керамический корпус, смотрится очень стильно и современно. Внутри установлен свежий Snapdragon 660, 4 Гб ОЗУ и скромная батарея на 3000 мАч. Не обошлось здесь и без таких полезных опций, как сканер отпечатков, FaceID и быстрая зарядка. Но все это меркнет перед главным достоинством аппарата — двойной камерой на 20 и 12 Мп, оснащенной трехкратным оптическим зумом, нереально крутой оптической стабилизацией и лазерным автофокусом. Именно от качества камеры многие покупатели приходят в восторг. Но есть у этой модели и серьезный недостаток — отсутствие NFC, из-за которого многие эксперты относятся к ней скептически.

Плюсы

  • Качество исполнения
  • Непревзойденные камеры
  • Первоклассный экран
  • Стильно выглядит
  • Удобные габариты
  • Громкое чистое звучание
  • Керамический корпус
  • Отсутствие моноброви
  • Быстрый сканер отпечатков
  • Наличие FaceID

Минусы

  • Отсутствие NFC
  • Батарея

Облегченный флагман на базе Snapdragon нового поколения. Новый девайс получил производительный процессор, крутой сканер отпечатков, встроенный прямо в экран, и емкую батарею с опцией быстрой зарядки. В устройстве реализована Super AMOLED-матрица с 6,2-дюймовой диагональю и FHD разрешением. Платформа девайса построена на базе Snapdragon 675 и Adreno 612, дополненного 6 Гб ОЗУ. Приятно удивляет тройная камера новинки, состоящая из модулей на 5,8 и 48 Мп. Для селфи предусмотрено всего 16 Мп, но снимки получаются очень качественными. По отзывам, главные достоинства смартфона заключаются в его автономности, умении делать потрясающие фото и производительности.

Плюсы

  • Батарея на 4000 мАч
  • Фантастическая для такой цены камера
  • Высокая производительность
  • Нереально крутой экран
  • Встроенный в дисплей сканер отпечатков
  • Оптимизированная фирменная оболочка
  • Быстрая зарядка
  • Богатый функционал
  • Адекватный ценник

Минусы

  • Отсутствие разъема под наушники

Самая популярная модель 2019 года в линейке Meizu. Шустрый надежный флагман завоевал много положительных отзывов. В продаже можно найти две модификации устройства: в стандартном металлическом корпусе и в керамической оболочке с матовым оформлением. И тот, и другой вариант смотрится просто шикарно. Конструкция у смартфона практически безрамочная — экран занимает примерно 91% всей панели. В устройстве реализован хороший сканер, который быстро и четко распознает отпечатки, и современная опция FaceID. За производительность аппарата отвечает мощный Snapdragon 710, который с легкостью справляется с любым софтом.

Плюсы

  • Современный интерфейс
  • Фирменная оболочка
  • Мощное железо
  • Качество сборки
  • Сканер отпечатков и лица
  • Крутое звучание
  • Отличные камеры
  • Разные модификации
  • Роскошный дизайн

Что нужно знать о телефонах Мейзу по мнению редакции Zuzako

Официально компания Meizu появилась на свет еще в далеком 1998 году. А свой первый девайс она представила миру в 2003 году, сделав ставку на портативные плееры. И лишь в 2007 году на рынке появился первый смартфон китайского производителя.

В России телефон Мейзу был впервые презентован только в 2016 году. Хотя к этому времени подпольные продавцы уже вовсю продавали топовые смартфоны на отечественном рынке.

Модельные ряды

До выхода смартфона Pro 7 линейка Pro представляла собой чисто флагманский модельный ряд. Но с релизом этой модели граница между премиум-классом и средним сегментом стерлась. Главное достоинство этой серии заключается в качественном мощном звучании. Модели, входящие в серию Pro, универсальны в использовании, но обладают исключительным звуком.

Линейка MX объединила в себе самые производительные аппараты, ключевой особенностью которых является качество видео и фото.

Золотая середина у Мейзу представлена телефонами, оснащенными богатым функционалом и современным интерфейсом. Все модели из этого класса принадлежат к линейке М. Сюда же попали и простенькие бюджетники.

Новинки

Выбирая новый телефон от Meizu, конечно же, лучше всего обратить внимание на последние новинки в линейке бренда. Правда, здесь многое зависит от вашего бюджета. Если никаких ограничений в средствах у вас нет, отдайте предпочтение одному из флагманов — 16 Xs либо 15. В пределах 20 тысяч можно поближе присмотреться к уникальному Pro 7. А самой популярной новинкой 2019 года в бюджетном сегменте стала мощная игровая модель X8.

Поделитесь с друзьями в социальных сетях

Справочная статья, основанная на экспертном мнении автора.

Оцените публикацию Загрузка…

Представлены флагманские смартфоны Meizu 17 и Meizu 17 Pro

Написал Роман Ковалев — 08.05.2020

1550 просмотров 0 комментариев

Спустя несколько долгих недель ожидания, полных самых разных слухов и утечек, компания Meizu наконец-то представила новые флагманские смартфоны из линейки Meizu 17, куда помимо базовой модели также вошел мобильный телефон Meizu 17 Pro.

Основные параметры

В целом Meizu 17 и Meizu 17 Pro получились достаточно схожими аппаратами. Оба устройства обладают одинаковым экраном с матрицей Super AMOLED, диагональю 6,6″, разрешением Full HD+, частотой развертки 90 Герц и миниатюрным отверстием под фронтальную камеру на 20 мегапикселей. Заявлена поддержка технологии HDR10+ и наличие подэкранного дактилоскопического датчика Super mTouch.

В качестве аппаратной основы новинок выступает флагманский чип Qualcomm Snapdragon 865 при поддержке 8/12 Гб оперативной памяти. На выбор будут представлены конфигурация с объемом хранилища 128 и 256 Гб. Не забыли разработчики и про модем Snapdragon X55 с опцией mSMart 5G для энергоэффективной работы в сетях нового поколения.

Каждый из представленных смартфонов оборудован модулям Wi-Fi 6, Bluetooth 5.1, NFC для бесконтактных платежей. Работать новинки будут под управлением ОС Android 10, в дополнение которой установлена фирменная надстройка Flyme OS 8.1.

Отличия между моделями

Базовый Meizu 17 оснащен батареей емкостью 4500 мАч с поддержкой функции быстрой зарядки mCharge мощностью 30 Ватт. В Meizu 17 Pro установлен аналогичный аккумулятор, но помимо быстрой проводной он также поддерживает беспроводную зарядку Super Wireless mCharge на 27 Ватт. Для пополнения запасов АКБ в обоих случаях используется порт USB Type-C.

Другим отличием между Meizu 17 и Meizu 17 Pro стало использование различных фотомодулей. Так, в базовом флагмане установлены следующие датчики:

  • Главный объектив на 64 Мп;

  • Широкоугольная линза на 8 Мп;

  • Макрообъектив на 5 Мп;

  • Датчик анализа глубины сцены на 12 Мп.

В Meizu 17 Pro широкоугольная камера получила разрешение 32 мегапикселя, вместо макролинзы используется телеобъектив с трехкратным оптическим зумом на 8 Мп, а в качестве четвертого сенсора выступает ToF-модуль на 3 Мп.

Дата выхода Meizu 17 и ориентировочная цена

Смартфон Meizu 17 уже поступил в официальную продажу на территории Китая по цене 522 доллара за конфигурацию 8/128 Гб и 565 долларов за вариант 8/256 Гб.

Meizu 17 Pro окажется на полках китайских магазинов уже 11 мая. Стоимость новинки составит 607 долларов (8/128 Гб) и 664 доллара (12/256 Гб).

Выйдут ли новые флагманы за пределами КНР, пока не сообщается.

Модель CERES-кукурузы для моделирования взаимодействия генотипа и окружающей среды кукурузы и ее стабильности в сухих и влажных саваннах Нигерии

https://doi.org/10.1016/j.fcr.2020.107826 Получить права и контент

Основные моменты

Генотип по взаимодействию с окружающей средой (GEI) затрудняет селекционерам и производителям выбор стабильных, высокоурожайных сортов в различных средах, что снижает эффективность процесса отбора.

Определение величины GEI и стабильности сортов может быть сложной задачей, поэтому модели культур могут использоваться для дополнения этого процесса.

Динамические модели, которые могут моделировать реакцию роста и развития сельскохозяйственных культур на различные абиотические факторы окружающей среды, могут объяснить различия в урожайности из-за временной и пространственной изменчивости.

Имитационные модели культур использовались для дополнения испытаний в нескольких средах (MET) с целью улучшения отбора высокоурожайных сортов в нескольких местах.

Моделирование соответствовало фактическим наблюдениям и давало аналогичное ранжирование, что указывает на то, что правильно откалиброванная и оцененная модель CERES-Maize может дополнять MET.

Реферат

При правильной калибровке и оценке динамические имитационные модели сельскохозяйственных культур могут дать представление о различных компонентах генотипа в зависимости от взаимодействий с окружающей средой (GEI). Смоделированные выходные данные можно использовать для дополнения данных испытаний в различных средах. Полевые эксперименты проводились в дождливые и засушливые сезоны 2015 и 2016 годов в четырех местах в регионах выращивания кукурузы в Северной Нигерии с использованием 16 сортов кукурузы, посаженных в условиях, близких к оптимальным по влажности и почвенному азоту.Модель CERES-Maize была откалибрована с использованием данных из трех мест и двух сезонов (дождливый и засушливый) и оценена с использованием данных из одного места и двух сезонов в 2015 году. Наблюдаемые данные из четырех мест и двух сезонов в 2016 году были использованы для создания восьми разные среды. В каждом месте были выкопаны две профильные ямы, которые использовались отдельно при моделировании для каждой среды, чтобы получить реплицированные данные для анализа стабильности в комбинированном ANOVA. Влияние окружающей среды, генотипа и GEI было очень значительным (p = 0.001) как для наблюдаемой, так и для моделируемой урожайности зерна. Окружающая среда объяснила 67% и 64% вариаций наблюдаемой и смоделированной урожайности зерна соответственно. Компонент дисперсии GEI (13% для наблюдаемых и 15% для смоделированных) был ниже, но все же значительным по сравнению с таковым для генотипов (19% для наблюдаемых и 21% для смоделированных). По результатам анализа стабильности наблюдаемой и смоделированной урожайности зерна с использованием шести различных моделей стабильности, три модели (ASV, Ecovalence и Sigma) оценили Ife Hybrid как наиболее стабильный сорт.Наклон регрессионной (би) модели оценивает Саммаз 11 как самый стабильный сорт, в то время как модель Шукла оценивает Саммаз 28 как самый стабильный сорт. Долгосрочный сезонный анализ с использованием модели CERES-кукурузы показал, что сорта с ранним и средним сроком созревания дают высокие урожаи как во влажных, так и в сухих саваннах, ранние и экстраранние сорта дают высокие урожаи только в сухих саваннах, в то время как позднеспелые сорта дают высокие урожаи. только во влажных саваннах. При правильной калибровке и оценке модель CERES-Maize может использоваться для получения данных для GEI и исследований стабильности генотипа кукурузы в отсутствие наблюдаемых полевых данных.

Ключевые слова

Модель ЦЕРЕС-кукуруза

Генотип по взаимодействию с окружающей средой

Анализ стабильности

Рекомендуемые статьиЦитирующие статьи (0)

© 2020 Авторы. Опубликовано Elsevier BV

Рекомендуемые статьи

Ссылки на статьи

Изменения земельных площадей, используемых для выращивания кукурузы в Центральной Европе, в связи с прогнозируемым изменением климата

Региональные биогеографические модели считаются важными инструментами для поддержки решений, касающихся устойчивого сельскохозяйственного планирования для изменения климата.Эти модели полезны для лучшего понимания воздействия изменения климата на отдельные виды сельскохозяйственных культур из-за их чувствительности к региональным экологическим условиям. В данной статье рассматривается применение региональной биогеографической модели для прогнозирования воздействия изменения климата на условия выращивания кукурузы на зерно в Центральной Европе. Модель основана на детальном знании взаимосвязей климатических характеристик зон растительности в ландшафтах с экологическими условиями выращивания кукурузы на зерно в исследуемом регионе.Результаты, полученные при использовании модели, указывают на существенное увеличение общей площади, пригодной для выращивания кукурузы на зерно в исследуемом регионе. Ожидается, что к 2070 году эта площадь втрое больше, чем сегодня. Специальные карты используются для визуализации сценариев прогнозирования с целью поддержки принятия решений при региональном планировании в изучаемом регионе, где кукуруза на зерно является важной сельскохозяйственной культурой. Эта биогеографическая модель может быть использована в других европейских регионах, где доступны основные данные, относящиеся к зонам растительности.

1. Введение

Повышение средних глобальных температур и изменение характера осадков за последние 100 лет вызвали изменение растительности и вызвали нарушение экосистем во всем мире [1]. Моделирование глобального изменения растительности с использованием моделей общей циркуляции [2] было полезным для получения обзора глобальных изменений в распределении растительности [3]. Однако глобальные модели растительности не могут моделировать все виды и теории, касающиеся воздействия изменения климата на растительность, и, следовательно, не могут включать процессы миграции и сукцессии на уровне видов [4].Лучше всего изучать эти процессы в региональном масштабе [5]. Региональный масштаб также удобен для лучшего понимания колебаний и изменения климата и важен для оценки чувствительности климата к множеству факторов, как человеческих, так и природных [6]. Более того, изменение климата имеет тенденцию влиять на определенные экосистемы в данном географическом регионе в синергии с другими конкретными региональными воздействиями, такими как фрагментация ландшафта [7]. В региональном масштабе влияние изменения климата на экосистемы проявляется в смещении зон растительности как к северу, так и к более высоким высотам [8].Таким образом, региональные модели изменений растительности считаются фундаментальными для понимания воздействия изменения климата на экосистемы [9].

В умеренном поясе Европы исследования смещения растительных зон обычно ограничиваются отдельными странами, и в основном сосредоточены на странах альпийского региона [10]. Опубликованные региональные исследования о влиянии изменения климата на изменение растительности в Центральной Европе по-прежнему встречаются редко. Из них в одном исследовании [11] сообщается о смещении вверх линии деревьев в Татрах (Словакия), а в другом [12] прогнозируется смещение вверх растительных поясов в лесных экосистемах Словении.Основываясь на дифференциации зон растительности в Чешской Республике, мы опубликовали прогноз воздействия изменения климата на будущие климатические условия роста сахарной свеклы [13]. В этом исследовании мы использовали региональную модель биогеографического прогнозирования для создания алгоритма определенных климатических требований для конкретных видов, на которые влияет прогнозируемый сдвиг климатических условий при различных сценариях изменения климата [14]. Эта модель [15] обеспечивает прогнозы будущих изменений климатических условий, влияющих на ряд видов на региональном уровне.Эта биогеографическая модель особенно подходит для моделирования сельскохозяйственных культур, поскольку их экологические требования к климатическим условиям хорошо известны [16].

Известно, что прогнозируемые изменения климатических условий потенциально могут иметь значительное влияние как на количество, так и на качество сельскохозяйственной продукции [17]. Вот почему пристальное внимание уделяется изучению возможных воздействий изменения климата на сельское хозяйство в течение последних 25 лет [18]. Более частые засухи в сочетании с более высокими температурами увеличивают риск снижения урожайности сельскохозяйственных культур и угрожают общей стабильности сельскохозяйственного производства, как это было в 2000 году в зоне умеренного климата Западной и Центральной Европы [19].Тем не менее, предполагается, что технологически хорошо защищенные сельскохозяйственные системы Западной и Центральной Европы будут относительно хорошо приспособлены для противодействия изменению климата [20]. Модельные оценки будущих урожаев тех, что в настоящее время являются основными культурами Центральной Европы (пшеница и ячмень), могут указывать на увеличение урожайности из-за более высокой фотосинтетической эффективности, вызванной более высокими концентрациями CO 2 ; тем не менее, изменение климатических условий как таковых приведет к падению урожайности (лучший сценарий) и более низкой стабильности урожайности, чем сегодня (согласно наиболее реалистичному сценарию) [17].Сравнение стабильности урожайности и ее связи с климатическими условиями в конце 19-го века и в конце 20-го века подтверждает эти сценарии, поскольку сегодняшние европейские агросистемы (подверженные повышенным температурам и учащению засух) так же зависят от погоды в данном вегетационном сезоне, как и Так было в конце 19 века. Подсчитано, что в следующие 50–100 лет климат может испытать самый масштабный сдвиг агроклиматических условий с начала земледелия, что выходит за рамки нашего исторического опыта [21].

Сочетание повышения температуры воздуха и изменений общего и годового цикла осадков, прогнозируемых на следующие десятилетия, вызовет значительный сдвиг в размере и расположении отдельных агроклиматических зон [22]. Во всех случаях размеры посевов зерновых и картофеля, а также кормовых и пастбищных зон будут значительно сокращены к 2050 году и будут заменены зонами выращивания сахарной свеклы и зерновой кукурузы. Аналогичные утверждения были сделаны в исследовании [23], в котором анализировалось расширение площадей, пригодных для выращивания кукурузы на зерно, в Центральной и Северной Европе в соответствии с прогнозами изменения климата.Но все еще существует серьезный пробел в знаниях о будущих региональных последствиях изменения климата для производства кукурузы во многих сельскохозяйственных регионах по всему миру. Это может ограничить применение систем почвозащитного земледелия, которые стали потенциально успешным средством устойчивого поддержания и увеличения производства кукурузы на зерно [24]. Таким образом, представляется очень важным изучить географические сценарии будущего воздействия изменения климата на площади производства кукурузы в различных сельскохозяйственных регионах.В этой статье мы стремимся оценить будущие изменения климатических условий для выращивания кукурузы на зерно ( Zea mays L.) в исследуемой зоне Чешской Республики (Центральная Европа). Производство кукурузы на зерно в исследуемой области в настоящее время, как ожидается, будет более важным в ближайшие годы из-за долгосрочной тенденции к снижению других зерновых культур (пшеницы, ячменя и овса). Согласно последним оценкам Чешского статистического управления, общий урожай зерновых (без кукурузы) был в 2017 году на 13,2 процента ниже, чем в 2016 году.Точно так же урожай рапса в 2017 году снизился на 11,8 процента по сравнению с 2016 годом. Основная причина снижения урожайности — снижение урожайности, так как общая посевная площадь в 2017 году практически не изменилась по сравнению с 2016 годом. Урожайность снизилась по всем основным зерновым культурам (кроме кукурузы на зерно) и рапсу из-за неблагоприятных погодных условий. Морозы в январе 2017 года привели к сокращению посевов озимых, а в мае и июне 2017 года посевы пострадали от засухи. Несмотря на это, урожай кукурузы на зерно на исследуемой территории свидетельствует о стабильной долгосрочной тенденции урожайности.Производство кукурузы на зерно в 2017 году на исследуемой территории составило 533 тысячи тонн зерна. Посевные площади кукурузы на зерно в 84 тыс. Га в 2017 году незначительно сократились по сравнению с прошлогодними убранками (−3,1%). Общее потребление кукурузы на зерно в Чешской Республике (в 2017 г.) оценивалось Министерством сельского хозяйства Чехии в 493 000 метрических тонн, из которых 830 000 метрических тонн будут использованы в кормовой промышленности и примерно 80 000 тонн в качестве сырья для производства биоэтанола. Это свидетельствует о высоком экономическом потенциале производства кукурузы на зерно в исследуемой области.

Ожидаемые изменения климата в сельском хозяйстве Европы указывают на беспрецедентные изменения в растениеводстве [25]; таким образом, мы можем выдвинуть гипотезу о том, что площади производства кукурузы на зерно в Центральной Европе увеличатся в географическом масштабе. Эта гипотеза проверяется в данной статье с применением региональной биогеографической модели.

2. Материалы и методы

Зоны растительности [26] отражают высотные градиенты климатических условий в масштабе ландшафта [27].Изменение климата может вызвать высотные сдвиги растительной зоны. Таким образом, изменения зон растительности могут быть использованы в качестве основы для применения биогеографического моделирования для прогнозирования воздействия изменения климата на условия выращивания сельскохозяйственных культур в региональном масштабе [28, 29]. В этом исследовании мы применили биогеографическую модель, основанную на процессах [30], основанную на равновесных реакциях растительности на изменение климата [31, 32]. Модель основана на идее, что общие экологические взаимосвязи между климатическими условиями и зонированием растительности сохранятся в будущем [33].

В качестве входных климатологических данных для модели использовалась проверенная база данных Чешского гидрометеорологического института (годовые осадки, среднегодовая относительная влажность воздуха, среднесуточная глобальная радиация, среднегодовая температура воздуха и среднегодовая скорость ветра). Эта база данных рассчитана для выбранного сценария региональных выбросов RCP8.5. Этот сценарий предсказывал наиболее значительные изменения климата и соответствовал естественной изменчивости климата. Он показал высочайшую точность стандартизированных сценариев изменения климата для повышения глобальной температуры на 1 ° C.На основе стандартизированного сценария в биогеографической модели были выведены климатологические значения для будущих временных горизонтов. Климатологические данные тесно связаны с регулярной сетью трапеций из 131 точки, равномерно распределенной в Чешской Республике.

Входные геобиоценологические данные для зонирования растительности берутся из базы данных Регистра биогеографии (РБ). Эта база данных описывает точный диапазон зонирования растительности в Чешской Республике с целью создания Национальной экологической сети [34].В РБ представлены зональность растительности, трофический ряд и гидрологический ряд почв. Это соответствует 13 000 кадастровых полигонов как пространственных единиц административно-территориальной классификации Чешской Республики. Кадастровая территориальная система зародилась в 19 веке, и кадастровые полигоны окаймлены естественными векторными образованиями в ландшафте (ручьи, опушки леса и т. Д.).

Биогеографическая модель применяет определенные программные приложения (с использованием языка программирования FORTRAN) и приложение ГИС (см. Схему модели на рисунке 1).Климатологические характеристики кадастровых полигонов были получены аналитико-геометрическим методом путем построения сети точек с высоким разрешением 250 м. Климатические данные этих новых точек рассчитываются с использованием метода градиента на основе климатических переменных их четырех ближайших соседей в исходной базе данных климатологических данных. Прогнозируемые климатологические данные для определения точек соответствовали определенным зонам растительности в алгоритмах модели для целевой сельскохозяйственной культуры (т.э., кукурузное зерно). Алгоритмы использовали коэффициент осадков Ланга в качестве коэффициента взаимосвязи (объединяя общее годовое количество осадков и среднегодовую температуру в одно значение) с помощью метода пространственно-временных аналогий. После анализа существующих экологических условий в регионах выращивания кукурузы в Чешской Республике (таблица 1), модель алгоритмизировала существующие условия производства кукурузы по зонам растительности и геобиоценологическим характеристикам гидрологических и трофических рядов почв.Климатические рамки для условий выращивания кукурузы на зерно были разделены на три категории: «неподходящие условия», «среднеоптимальные условия» и «оптимальные условия». Эта классификация была визуализирована на картах. Модель выявила региональный сценарий прогнозируемых будущих климатических условий для производства кукурузы на зерно.



Годовая сумма температур (° C) Годовая сумма осадков (мм)

Диапазон значений 9-10 500 –600

3.Результаты и обсуждение

Результаты проведенной алгоритмизации современных условий выращивания зерновой кукурузы в зонах растительности и геобиоценологические характеристики гидрологических и трофических рядов показаны на Рисунке 2 в качестве базового сценария. Определение территорий с неподходящими климатическими условиями для кукурузы на зерно охватывает те зоны растительности, а также трофические и гидрологические ряды (например, гидрированные почвы в аллювии рек), которые совершенно не подходят для сегодняшних потребностей выращивания кукурузы на зерно.


Карта на Рисунке 3 показывает диапазон площадей, пригодных для выращивания кукурузы на зерно в период 2011–2030 годов, а на Рисунке 4 то же самое в период 2031-2050 годов. Рисунки 5 и 6 четко указывают на временную тенденцию к значительному расширению площадей, пригодных для выращивания кукурузы на зерно. К периоду 2051–2070 годов общая площадь участков, пригодных для выращивания кукурузы в Чешской Республике, должна втрое превышать ее размер сегодня (Рисунок 5). Эта тенденция сохраняется на прогнозный период 2071–2090 гг. (Рисунок 6).Этот результат указывает на то, что прогнозируемое изменение климата может оказать положительное влияние на сельскохозяйственное производство теплолюбивых культур, таких как кукуруза на зерно, на исследуемой территории (увеличение общей площади производства).





Подробные модельные прогнозы временных и пространственных тенденций развития территорий, климатически подходящих для будущего выращивания кукурузы на зерно в Чешской Республике, показаны на графиках на Рисунке 7 (в относительных единицах) и Рисунок 8 (в абсолютных единицах).Оба графика соответствуют картографическому изображению тенденций развития на рисунках 2–6. Выдвинутая гипотеза об увеличении площадей выращивания кукурузы на зерно подтвердилась — результаты биогеографической модели показывают, что общая площадь, пригодная для выращивания кукурузы на зерно, на исследуемой территории, как ожидается, утроится к 2070 году.



Графики (Рисунки 7 и 8) демонстрируют потенциал модели, используемой с временным горизонтом 2090 года, который является предельным значением ее объема прогноза, как определено входными данными климатологического прогноза.Однако данные, относящиеся к модели, которые выходят за временной горизонт 2050 г., должны рассматриваться как чисто ориентировочные, поскольку они подвержены высокой степени неопределенности климатологического прогноза.

Климат влияет на географическое распределение организмов в экосистемах, а также на деятельность человека, такую ​​как сельское хозяйство. По практическим причинам сельскохозяйственного планирования в региональном масштабе ищутся модели, которые предсказывают сценарии, касающиеся воздействия изменения климата на условия выращивания сельскохозяйственных культур.Зерновая кукуруза — одна из старейших сельскохозяйственных культур в мире [35], и ее производство чрезвычайно важно в глобальном контексте [36]. Ряд исследований показал, что на урожай кукурузы на зерно негативно влияет изменение климата в глобальном масштабе. Пристальное внимание также уделяется региональным перспективам, связанным с влиянием глобальных изменений на урожайность кукурузы на зерно, например, в Швейцарии, Китае и Африке [37]. Экосистемное производство в сельскохозяйственных ландшафтах очень чувствительно к изменению климата. Долгосрочный анализ тенденций средней температуры в Европе указывает на повышение средней температуры на 1.2 ° C в течение 20 века [38]. Среднее количество летних дней в Европе удвоилось в течение ХХ века, а количество тропических дней утроилось [39]. Очевидно, что это оказало значительное влияние на европейское сельское хозяйство и формулировку сельскохозяйственных приоритетов в Европе. Аналогичным образом, долгосрочные климатологические измерения, проведенные на территории Чешской Республики [40], выявили значительное повышение средних температур, а также резкое увеличение возникновения погодных внешних факторов — количество тропических и летних дней и ночей увеличивается, а количество морозных и ледяных дней сокращается.Анализ стабильности и разнообразия сельскохозяйственного производства в Чешской Республике за последние 75 лет показал, что изменение климата положительно сказывается на производстве некоторых культур (более высокая урожайность). Линейные тренды региональной температуры и общего количества осадков в Чешской Республике (т.е. измененные значения из общей обработки данных сети станций, которая учитывает положение отдельных метеорологических станций) подтверждают повышение средних температур, уменьшение общего количества осадков во все сезоны, кроме зимы, и резкое увеличение количества экстремальных погодных явлений.Такое развитие климата может быть связано с неблагоприятным воздействием на сельскохозяйственное производство [41]. Результаты широкого опроса, проведенного среди экспертов в области агроклимата и агрономии из 26 европейских стран, также показывают удивительно высокую долю негативных ожиданий относительно воздействия изменения климата на сельскохозяйственные культуры и растениеводство во всей Европе.

Воздействие изменения климата на сельскохозяйственные культуры и условия их роста можно оценить с помощью двух различных методов: (1) моделей сельскохозяйственных культур и (2) экспериментальных и биогеографических моделей.Предлагаемые меры адаптации к изменению климата в ландшафте, разработанные на основе моделей сельскохозяйственных культур, в основном ориентированы на корректировку агроклиматических условий и изменения в агротехнике. В отличие от биогеографических моделей, как правило, подчеркивается важность прогнозирования масштабов предполагаемых изменений в условиях выращивания сельскохозяйственных культур и видов лесных деревьев. Биогеографические модели также могут помочь прояснить вопрос о потенциальном переносе на более высокие высоты условий выращивания сельскохозяйственных культур и лесных пород деревьев [42].

При интерпретации математических моделей воздействия изменения климата на биоту необходимо учитывать тот факт, что модели не являются предсказаниями будущего развития. Они улучшают прогнозы, но должны толковаться осторожно, основываясь на глубоких знаниях биологии и экологии моделируемых организмов.

Подавляющее большинство разработанных на данный момент моделей являются корреляционными, основанными на взаимной зависимости (функции или алгоритма) между определенными биоклиматическими переменными в окружающей среде (обычно это средняя температура и осадки) и текущим ареалом обитания вида. или характеристики экологической ниши вида [43].Если прогнозы, основанные на климатических сценариях, показывают, как климат может измениться в будущем, соответствующие биологические виды и их сообщества относятся к измененным переменным. Этот процесс обычно называют биоклиматическим моделированием оболочки. Например, модель прогнозирования воздействия изменения климата на условия выращивания сахарной свеклы в Словакии основывалась на оценке существующего производственного потенциала сельскохозяйственных почв, выраженного классифицированными почвенно-экологическими единицами, к которым предъявляются требования экологического роста и параметры производства сахара. свекла [44].

Биогеографическая модель, используемая в этом исследовании, рассматривает долгосрочное воздействие на растительность, вызванное изменениями высоты и высоты над уровнем моря, которое определяется как средней, так и экстремальной температурой воздуха, а также количеством и распределением атмосферных осадков (включая горизонтальные осадки). Современное зонирование растительности на территории Чешской Республики стабилизировалось в более древнем субатлантическом регионе примерно между 800–500 гг. До н.э., и с тех пор сдвиги в зонах растительности точно отражали ход изменения климата [45].Таким образом, нынешнее зонирование растительности представляет собой подходящую базовую основу для моделирования воздействия климата на условия производства и роста растительности в Чешской Республике. Мы применили это моделирование в Чешской Республике для винограда [28] и бука европейского [31]. Но эти предыдущие исследования были основаны на прежних климатологических сценариях СДСВ, которые в настоящее время не разрабатываются. В этом исследовании мы применяем новый климатологический региональный сценарий RCP8.5, который сегодня дает более точные данные для оценки воздействия изменения климата на сельское хозяйство.

Моделирование перераспределения растительности в биогеографических моделях представляет собой по существу статическую (равновесную) перспективу анализируемой проблемы путем моделирования заданного уровня концентрации углекислого газа в определенный момент в будущем (хотя они не принимают во внимание более реалистичное накопление углекислого газа с течением времени). Статистические / равновесные биогеографические модели предоставляют полезные «изображения» наземных экосистем, находящихся в равновесии с определенными климатическими условиями.Они ограничены тем, что не могут моделировать внутренние факторы динамики растительности (конкуренция, смертность, физиологические факторы и т. Д.). Чтобы преодолеть эти ограничения, разрабатываются новые динамические глобальные модели растительности, которые объединяют динамику растительности и функции экосистемы, хотя они еще не применимы на региональном уровне [46].

4. Выводы

В данном тематическом исследовании из Чешской Республики (Центральная Европа) основное внимание уделяется влиянию прогнозируемого изменения климата на будущие возможности выращивания кукурузы на зерно.Этот документ призван внести вклад в продолжающиеся дискуссии о влиянии изменения климата на сельское хозяйство. Результаты представленной модели относительно смещения зон растительности из-за прогнозируемого изменения климата указывают на значительное расширение участков в исследуемой области, которые климатически подходят для выращивания кукурузы на зерно. Результаты модели, разработанной для Чешской Республики, соответствуют существующим предположениям о будущем воздействии изменения климата на виноградарство. Однако данные из модели, представленной для территории Чешской Республики за горизонтом 2050 года, следует рассматривать только как ориентировочные и подверженные большой степени неопределенности, зависящей от неопределенностей, связанных с вводом климатологических прогнозов в данный период времени.

Доступность данных

Биогеографические данные, использованные для подтверждения результатов этого исследования, включены в статью.

Конфликт интересов

Авторы заявляют об отсутствии конфликта интересов в отношении публикации этой статьи.

Благодарности

Авторы хотели бы поблагодарить профессора Антонина Бучека за советы, связанные с подготовкой дизайна модели. Это исследование было поддержано совместным грантом Университета Палацкого в Оломоуце и Университета Менделя в Брно под названием «Платформа для сотрудничества в области формирования ландшафта (ABIONET)» (No.CZ.1.07 / 2.4.00 / 31.0032).

Последние изменения в производстве кукурузы на уровне округов в Соединенных Штатах: пространственно-временные закономерности, климатические факторы и последствия для моделирования сельскохозяйственных культур

. 10 октября 2019 г .; 686: 819-827. DOI: 10.1016 / j.scitotenv.2019.06.026. Epub 2019 5 июня.

Принадлежности Расширять

Принадлежности

  • 1 Ключевая лаборатория водного цикла и связанных с ним процессов на земной поверхности, Институт географических наук и исследований природных ресурсов Китайской академии наук, Пекин, Китай.Электронный адрес: [email protected]
  • 2 Школа географии и окружающей среды Оксфордского университета, Оксфорд, OX1 3QY, Великобритания.
  • 3 Государственная ключевая лабораторная база экогидравлической инженерии в засушливых районах, Сианьский технологический университет, Сиань 710048, Китай.

Элемент в буфере обмена

Гуойонг Ленг и др.Sci Total Environ. .

Показать детали Показать варианты

Показать варианты

Формат АннотацияPubMedPMID

.10 октября 2019 г .; 686: 819-827. DOI: 10.1016 / j.scitotenv.2019.06.026. Epub 2019 5 июня.

Принадлежности

  • 1 Ключевая лаборатория водного цикла и связанных с ним процессов на земной поверхности, Институт географических наук и исследований природных ресурсов Китайской академии наук, Пекин, Китай.Электронный адрес: [email protected]
  • 2 Школа географии и окружающей среды Оксфордского университета, Оксфорд, OX1 3QY, Великобритания.
  • 3 Государственная ключевая лабораторная база экогидравлической инженерии в засушливых районах, Сианьский технологический университет, Сиань 710048, Китай.

Элемент в буфере обмена

Полнотекстовые ссылки Опции CiteDisplay

Показать варианты

Формат АннотацияPubMedPMID

Абстрактный

Несмотря на то, что будущее продовольственное снабжение формируется от общего производства сельскохозяйственных культур, а не от одного его отдельного компонента, предыдущие исследования в основном были сосредоточены на изменениях урожайности сельскохозяйственных культур.Возможно, что недавний рост производства сельскохозяйственных культур в основном связан с повышением урожайности, а не с увеличением посевных площадей. Однако остается неясным географические закономерности их относительного вклада в мелком масштабе и возможные механизмы. Анализ производства кукурузы в США показывает, что производство кукурузы значительно увеличивалось со скоростью 2,1% в год в течение 1980-2010 годов. Хотя урожайность является доминирующим фактором, способствующим росту производства по стране в целом, важность лесозаготовительных площадей со временем стала более очевидной.В 56% округов США, где выращивают кукурузу, урожайность также внесла вклад в изменения производства не только в урожайности. Наблюдается высокая пространственная корреляция между темпами изменения площади вырубки и продуктивностью (R = 0,96), в то время как слабая связь (R = 0,21) обнаруживается между пространственными моделями урожайности и продуктивности. Это говорит о том, что площадь сбора урожая играет доминирующую роль в модулировании модели пространственного распределения изменений производства кукурузы. Дальнейший анализ показывает, что урожай и площадь лесозаготовок по-разному реагируют на изменчивость климата, что имеет большое значение для стратегий адаптации.Сравнение 11 современных имитационных моделей сельскохозяйственных культур с данными переписи показывает большую систематическую ошибку в смоделированных пространственных моделях производства кукурузы. Тем не менее, такое смещение можно существенно уменьшить, включив наблюдаемую динамику площади вырубки, указывая на потенциальный путь для будущего улучшения модели. Это исследование подчеркивает важность учета динамики урожайных площадей при эмпирической оценке сельскохозяйственного производства или с помощью моделей сельскохозяйственных культур.

Ключевые слова: Сельскохозяйственное производство; Изменчивость климата; Площадь урожая; Моделирование; НАС; Урожай.

Copyright © 2019 Elsevier B.V.Все права защищены.

Похожие статьи

  • Будущее влияние климата на выращивание кукурузы и продовольственную безопасность Малави.

    Стивенс Т., Мадани К. Стивенс Т. и др. Sci Rep., 8 ноября 2016; 6: 36241. DOI: 10,1038 / srep36241. Научный представитель 2016. PMID: 27824092 Бесплатная статья PMC.

  • Изменения климата объясняют треть глобальной изменчивости урожайности сельскохозяйственных культур.

    Рэй Д.К., Гербер Дж.С., Макдональд Г.К., Западный ПК. Рэй Д.К. и др. Nat Commun. 2015 22 января; 6: 5989. DOI: 10,1038 / ncomms6989. Nat Commun. 2015 г. PMID: 25609225 Бесплатная статья PMC.

  • Влияние изменения климата на урожайность и роль модели в достижении продовольственной безопасности.

    Кумар М. Кумар М. Оценка состояния окружающей среды. 2016 Август; 188 (8): 465. DOI: 10.1007 / s10661-016-5472-3. Epub 2016 14 июля. Оценка состояния окружающей среды. 2016 г. PMID: 27418072

  • Интеграция растениеводства и моделирования сельскохозяйственных культур: оценка воздействия изменения климата на производство сои и кукурузы.

    Fodor N, Challinor A, Droutsas I, Ramirez-Villegas J, Zabel F, Koehler AK, Foyer CH.Fodor N, et al. Physiol растительной клетки. 2017 г. 1 ноября; 58 (11): 1833-1847. DOI: 10.1093 / pcp / pcx141. Physiol растительной клетки. 2017 г. PMID: 2

    28 Бесплатная статья PMC. Рассмотрение.

  • Стоимость скрытого землепользования при выращивании покровных культур.

    Ранк BC, Хури С.К., Юинг П.М., Кантар М. Runck BC, et al. Commun Biol. 2020 июн 11; 3 (1): 300. DOI: 10.1038 / s42003-020-1022-1. Commun Biol.2020. PMID: 32528188 Бесплатная статья PMC. Рассмотрение.

Условия MeSH

  • Сельское хозяйство / статистика и числовые данные
  • Зерновые культуры, сельское хозяйство / рост и развитие
  • Zea mays / рост и развитие *
[Икс]

Цитировать

Копировать

Формат: AMA APA ГНД NLM

границ | Объяснение на основе данных временной и пространственной изменчивости урожайности кукурузы в США

1.Введение

Прогнозирование урожайности играет важную роль в сельском хозяйстве. Что касается экономики, заинтересованные стороны в сельском хозяйстве, такие как фермеры, страховые компании и селекционеры, полагаются на прогнозы урожайности для принятия обоснованных операционных решений. Что касается общества, то прогнозы урожайности помогают правительствам и организациям принимать эффективные меры по укреплению глобальной безопасности, поддержке усилий по предотвращению голода и защите окружающей среды, особенно в эпоху глобального изменения климата и пандемий (Messina et al., 2010; Марко и др., 2016). С научной точки зрения, прогнозирование урожайности сельскохозяйственных культур — это фундаментальный вопрос исследования, направленный на понимание того, как фенотип определяется генотипом, окружающей средой и их взаимодействием. В частности, взаимосвязь между генетикой, погодой, почвой и параметрами управления и урожайностью была предметом обширных исследований. Стремление к более точным методам прогнозирования урожайности будет и будет стимулировать инновации на стыке науки о растениеводстве, инженерии и анализа данных.

Большинство моделей прогнозирования урожайности можно разделить на две категории: на основе данных или знаний. Модели машинного обучения, воплощенные в нейронных сетях, состоят из большого количества простых вычислительных единиц, которые превращаются в сложные структуры модели для анализа на основе данных. Имея мало заранее запрограммированных знаний или предубеждений, алгоритм машинного обучения рассматривает урожайность как неизвестную функцию генотипа и окружающей среды и пытается приблизиться к основной функции, извлекая собственный урок из больших наборов данных.Khaki и Wang (2019) использовали модель глубокой нейронной сети для испытания урожая Syngenta 2018 (Syngenta, 2020), в котором участникам была поставлена ​​задача спрогнозировать урожайность в 2017 году на 2247 полях, используя исторические данные о генотипе, погоде, почве и урожайности. . Их подход превзошел другие популярные методы машинного обучения, такие как LASSO, мелкие нейронные сети и дерево регрессии. Shahhosseini et al. (2019) оценили четыре алгоритма машинного обучения и их ансамбли для прогнозирования урожайности кукурузы и потерь нитратов.Используя экспериментальные данные из семи мест в четырех штатах Среднего Запада в США за 5-7 лет и большой набор данных анализа сценариев, созданный симулятором систем сельскохозяйственного производства (APSIM) (Holzworth et al., 2014), они достигли следующих RMSE в bu / ac для прогнозирования урожайности: 22,19 для регрессии LASSO, 22,42 для регрессии гребня, 20,82 для случайных лесов, 20,04 для экстремального повышения градиента и 18,44 для их оптимального ансамбля. Канг и др. (2020) сравнили шесть алгоритмов машинного обучения для прогнозирования урожайности кукурузы на уровне округа в 12 штатах США.S. с использованием данных с 2001 по 2016 гг. RMSE варьировала от 14,8 до 24 бушелей / акр. Crane-Droesch (Crane-Droesch, 2018) предложил полупараметрический вариант глубокой нейронной сети и сравнил его с множеством других алгоритмов машинного обучения с использованием данных из 9 штатов кукурузного пояса США с 1979 по 2016 год; RMSE за невидимые годы варьировались от 15,9 до 19,1 бушелей на акр. Более подробные обзоры моделей машинного обучения для прогнозирования урожайности можно найти в Chlingaryan et al. (2018) и ван Кломпенбург и др. (2020).

Модели, основанные на знаниях, воплощенные в моделях сельскохозяйственных культур, таких как APSIM (Holzworth et al., 2014) и CERES-Maize (Hodges et al., 1987), основываются на физиологическом понимании процессов роста растений и разрабатывают биологически значимые нелинейные уравнения для прогнозировать урожайность (среди других результатов) как сложную функцию от характеристик растения (например, скорости появления листьев, общего количества листьев, продолжительности заполнения зерна, количества зерен и скорости движения корней) и параметров окружающей среды (Batchelor et al., 2002; Heslot et al., 2014; Schauberger et al., 2017). Модели сельскохозяйственных культур предлагают биологическое понимание причин фенотипической изменчивости, предоставляя подробные объяснения взаимодействий между признаками и условиями окружающей среды на разных фазах цикла роста сельскохозяйственных культур. Таким образом, модели, основанные на знаниях, чаще оцениваются на основе их качественного отражения реакции сельскохозяйственных культур на агрометеорологические эффекты (Lalić et al., 2014), чем точности количественных прогнозов (Kiniry et al., 1997).Blanc (2017) построил эмуляторы урожайности культур на основе ансамбля из пяти моделей культур и оценил их эффективность при воспроизведении пространственных моделей урожайности культур и изменений во времени. Schauberger et al. (2017) использовали ансамбль из девяти моделей сельскохозяйственных культур, чтобы повысить способность моделей сельскохозяйственных культур, основанных на отдельных процессах, отображать влияние высокой температуры на урожайность сельскохозяйственных культур. Дюран и др. (2018) оценили способность 21 модели сельскохозяйственных культур улавливать влияние повышенной концентрации углекислого газа на урожай кукурузы и обнаружили доказательства того, что более механистические подходы к моделированию приводят к лучшим результатам.

Модели, основанные на данных и знаниях, обладают взаимодополняющими достоинствами и недостатками. С одной стороны, возможность аппроксимировать сложные функции в соответствии с данными (Hornik et al., 1990) позволяет моделям машинного обучения достигать относительно высокой точности прогнозов, но основным ограничением является сложность объяснения результатов. Например, во многих исследованиях используется отдельная модель для каждого географического региона с разными параметрами; каждая функция используется в сотнях или тысячах уравнений для получения окончательного прогноза, а важность различных функций меняется по годам и по местоположению (Kang et al., 2020). В результате, когда прогнозы точны, они предлагают мало объяснений, которые можно объяснить, а тем более переносить во времени или пространстве; когда прогнозы неточны, трудно определить причину ошибок. С другой стороны, модели, основанные на знаниях, могут предлагать научно и биологически значимые гипотезы, которые могут лечь в основу экспериментальной проверки. Предварительно запрограммированный человеческий вклад в модели, основанные на знаниях, может значительно упростить процесс обучения при достижении разумной производительности, но он также ограничивает то, что можно узнать из данных, и, следовательно, ограничивает точность прогнозирования.Калибровка параметров также является сложной задачей из-за сложной структуры этих моделей.

Были предприняты попытки интегрировать больше человеческих знаний в модели, управляемые данными. Khaki et al. (2020) разработали новую модель машинного обучения, которая использует сверточные нейронные сети для извлечения взаимодействий между погодными и почвенными переменными и повторяющиеся нейронные сети для определения временных зависимостей генетического улучшения семян. Используя данные из 13 штатов кукурузного пояса США, с 1980 по 2015 годы тренировочными годами, модель достигла 16 RMSE.48, 15,74 и 17,64 бушелей / акр. Для соответствующих тестовых лет 2016, 2017 и 2018. В сочетании с методом обратного распространения ошибки модель может показать степень, в которой погодные условия, точность прогнозов погоды, состояние почвы и методы управления смогли объяснить изменчивость урожайности сельскохозяйственных культур. В нескольких других исследованиях использовались регрессионные модели с ручным извлечением признаков для оценки влияния температуры (Zhao et al., 2017; Butler et al., 2018; Tigchelaar et al., 2018), повышения яркости солнечного света (Tollenaar et al., 2017), плотности растений (Lacasa et al., 2020) и времени цветения (Parent et al., 2018) на урожайность сельскохозяйственных культур.

Мы предлагаем новую модель не только для прогнозирования урожайности, но и для объяснения пространственной и временной изменчивости урожайности вкладом генетических, экологических и управленческих переменных. Это также в значительной степени модель, управляемая данными, но структура модели была специально разработана для включения базовых агрономических знаний, чтобы гарантировать, что параметры из обученной модели могут быть использованы для объяснения временной и пространственной изменчивости урожайности в отношении генетических, экологических и управленческих компонентов.Напротив, параметры из большинства моделей машинного обучения, как правило, намного более многочисленны, и их труднее обеспечить значимую интерпретацию, помимо прогнозируемой доходности. Большой набор данных о погоде, почве и управлении был собран из открытых источников, охватывающих 41 штат США с 1980 по 2019 год. Модель была разработана для этого набора данных, чтобы обеспечить баланс между четырьмя конкурирующими целями. Во-первых, разрешение моделирования в полной мере использует имеющиеся данные для точной количественной оценки воздействия ежедневных погодных изменений и изменчивости почвенных условий и методов управления на урожайность сельскохозяйственных культур.Во-вторых, структура моделирования основана на научных фактах или разумных упрощающих предположениях. В-третьих, результаты моделирования могут использоваться для объяснения причин временной и пространственной изменчивости урожайности, что позволяет пользователям либо получить значимое представление, либо выявить недостатки в конкретных компонентах модели для дальнейшего улучшения. В-четвертых, параметры моделирования можно оптимально откалибровать с помощью современных методов машинного обучения и оптимизации для извлечения полезной информации из данных, которые можно передавать во времени и в пространстве.Мы сосредоточились на прогнозировании урожайности кукурузы, поскольку кукуруза является одной из самых важных пищевых, кормовых и топливных культур в США, а ее производство продемонстрировало временную и пространственную изменчивость и высокую чувствительность как к экологическим, так и к хозяйственным условиям (Meng et al., 2016 ).

2. Данные

В этом разделе представлены подробные сведения о данных, которые мы собрали для этого исследования. Более подробные данные о погоде, почве или управлении, которые были доступны только в меньших временных и пространственных масштабах, не были включены в это исследование.Более того, нам не удалось найти общедоступные источники данных по генетике семян. Вместо этого мы использовали методы моделирования для оценки генетической составляющей урожайности сельскохозяйственных культур на основе имеющихся наборов данных. Это было достигнуто за счет использования полиномиальной функции для объяснения части исторической урожайности, которую нельзя было объяснить пространственной или временной изменчивостью почвенных и погодных условий. Более подробную информацию о подходе к моделированию можно найти в разделе 3.

2.1. Урожайность и географические данные

Урожайность кукурузы на уровне округа в США.С. с 1980 по 2019 г. были собраны из НАСС (2020 г.). После удаления нескольких точек данных с неполной информацией, весь набор данных содержал 2649 округов в 295 округах по урожаю в 41 штате (все 50 штатов США, за исключением AK, CT, HI, MA, ME, NV, NH, RI и VT; список из 41 штата можно найти на горизонтальной оси рисунка 19) с в общей сложности 78 169 записями об урожайности кукурузы для комбинаций уездных лет. На рисунке 1 показан временной тренд средней урожайности кукурузы по стране (а также посевных площадей) с 1980 по 2019 год.На рисунке 2 показана пространственная изменчивость средней урожайности кукурузы на уровне округа за 6 репрезентативных лет: 1980, 1990, 2000, 2010 и 2019 примерно за 10 лет плюс 2012 год, когда сильная засуха привела к историческому снижению урожайности кукурузы.

Рисунок 1 . Средняя урожайность кукурузы по стране и посевные площади с 1980 по 2019 год.

Рисунок 2 . Средняя урожайность кукурузы на уровне округа за 6 репрезентативных лет. На цветной карте показаны средние значения интервалов 0–10, 10–20,…, 90–100 процентилей для всех комбинаций года округа с 1980 по 2019 год.Округа, в которых нет данных об урожайности, показаны серым цветом.

шейп-файлов округов США были собраны Национальной метеорологической службой (2020). Эта информация использовалась для определения принадлежности округов к округам и штатам, представляющим данные о урожае, а также для определения местоположения метеостанций и единиц почвенных карт для расчета средних погодных и почвенных переменных в каждом округе.

2.2. Данные о погоде

Ежедневные данные о приземной погоде на сетке 1 км с 1980 по 2019 год были собраны из Daymet (Thornton et al., 2020). Набор данных включал 7 переменных, названия и описания которых даны Thornton et al. (2020) резюмируются следующим образом.

• dayl: продолжительность светового дня в секундах в день.

• prcp: суточное общее количество осадков в миллиметрах в день, сумма всех форм, переведенная в водный эквивалент.

• srad: плотность потока падающего коротковолнового излучения в ваттах на квадратный метр, принимаемая как среднее значение за световой период дня.

• swe: водный эквивалент снега в килограммах на квадратный метр.

• tmax: максимальная дневная температура воздуха на высоте 2 метров в градусах Цельсия.

• tmin: дневная минимальная двухметровая температура воздуха в градусах Цельсия.

• vp: давление водяного пара в паскалях.

На рисунке 3 показаны временные тенденции средних национальных показателей 7 погодных переменных с 1980 по 2019 год. На рисунке 4 показана пространственная изменчивость этих погодных переменных между неделями посадки и сбора урожая в 2019 году.

Рисунок 3 . Тенденция средних национальных значений 7 погодных переменных с 1980 по 2019 год.

Рисунок 4 . Среднее значение по округам 7 погодных переменных между неделями посадки и сбора урожая в 2019 году. На цветной карте показаны средние значения интервалов 0–10, 10–20,…, 90–100 процентилей для всех комбинаций года округа с 1980 по 2019 год. данные доступны для всех округов за все годы, те, в которых нет данных об урожайности, показаны серым цветом.

2.3. Данные о почве

Почвенные данные были собраны из последней версии географической базы данных Gridded Soil Survey Geographic (gSSURGO), выпущенной в июле 2020 года (USDA, 2020).Мы использовали 10 переменных почвы, измеренных в справочной таблице добавленной стоимости (Valu1) в базе данных, названия и описания которых из USDA (2020) резюмированы следующим образом.

• aws: доступный запас воды, выраженный в мм, объем доступной воды для растений, который почва может хранить в этом слое, на основе всех компонентов единицы карты. Эта переменная измерялась на 11 стандартных уровнях глубины: стандартная зона 1 (глубина 0–5 см), слой 2 (глубина 5–20 см), слой 3 (глубина 20–50 см), слой 4 (глубина 50–100 см). , слой 5 (глубина 100–150 см), слой 6 (150 см до указанной глубины почвенного профиля), зона 2 (глубина 0–20 см), зона 3 (глубина 0–30 см), зона 4 (0 –100 см глубина), зона 5 (глубина 0–150 см) и общий почвенный профиль (от 0 см до заявленной глубины почвенного профиля).

• tka: толщина компонентов почвы, выраженная в см для расчета доступного запаса воды. Эта переменная была измерена на 11 стандартных уровнях глубины.

• soc: оценка запасов органического углерода в почве, выраженная в граммах C на квадратный метр. Эта переменная была измерена на 11 стандартных уровнях глубины.

• tks: толщина компонентов почвы, выраженная в см для расчета содержания органического углерода в почве. Эта переменная была измерена на 11 стандартных уровнях глубины.

• nccpi3corn: Национальный индекс урожайности товарных культур для кукурузы (средневзвешенное значение).Значения варьируются от 0,01 (низкая производительность) до 0,99 (высокая производительность).

• pctearthmc: Национальный индекс продуктивности товарных культур для основных землистых компонентов, которые представляют собой ряды почв или компоненты таксонов более высокого уровня, которые могут поддерживать рост сельскохозяйственных культур.

• rootznemc: Глубина корневой зоны, выраженная в мм, — это глубина в профиле почвы, на которой корни товарных культур могут эффективно извлекать воду и питательные вещества для роста.

• rootznaws: оценка доступного запаса воды в корневой зоне, выраженная в миллиметрах, представляет собой объем доступной воды для растений, который почва может хранить в корневой зоне, на основе всех основных земных компонентов единицы карты.

• засуха: уязвимые к засухе ландшафты включают те единицы карты, запасы воды в которых в корневой зоне для товарных культур меньше или равны 6 дюймам (152 мм), что выражается как «1» для единицы карты ландшафта уязвимой к засухе почвы или « 0 ”для единицы карты ландшафта незасушливой почвы.

• pwsl1pomu: Потенциальные ландшафты заболоченных земель выражаются в процентах от единицы карты, которая соответствует критериям PWSL.

На рисунке 5 показана пространственная изменчивость этих 10 переменных почвы.

Рисунок 5 . Округ средние 10 переменных почвы. На цветной карте показаны средние значения интервалов 0–10, 10–20,…, 90–100 процентилей для всех комбинаций года округа. Хотя данные о почве доступны для всех округов, те, в которых нет данных об урожайности, показаны серым цветом.

2.4. Управленческие данные

Данные по площадям, засеянным в 2649 округах США с 1980 по 2019 год, были собраны из NASS (2020). Временной тренд этой информации показан на Рисунке 1 вместе с трендом доходности.На рисунке 6 показана пространственная изменчивость площадей, засеянных за 6 репрезентативных лет. Из-за ограниченной доступности данных в модель не были включены несколько важных переменных управления, таких как генотип семян, орошение, удобрение, обработка почвы и борьба с болезнями / сорняками.

Рисунок 6 . Средние по округам посевные площади за 6 репрезентативных лет. На цветной карте показаны средние значения интервалов 0–10, 10–20,…, 90–100 процентилей для всех комбинаций года округа.Округа, в которых нет таких данных, показаны серым цветом.

Данные о плотности популяции кукурузы (количество растений на акр) в США с 1980 по 2019 год были собраны из NASS (2020). Данные были доступны на уровне штата с более чем 60% пропущенных значений, и мы использовали среднее значение не пропущенных данных (другие годы для того же штата, если таковые имеются) для вменения данных. Рисунок 7 визуализирует пространственную изменчивость плотности растений за 6 репрезентативных лет. Расчетные данные не показаны на рисунке.

Рисунок 7 . Плотность населения на уровне штата за 6 репрезентативных лет. На цветной карте показаны средние значения интервалов 0–10, 10–20,…, 90–100 процентилей всех комбинаций состояния и года. Состояния без таких данных показаны серым цветом.

Данные о времени посадки и сбора урожая с 1980 по 2019 год были собраны из NASS (2020), которые были на уровне штата и выражены в процентах от посевных площадей, завершивших посев или сбор урожая каждую неделю. Хотя 30% данных отсутствовало, формат данных о времени посева и сбора урожая позволял выполнять условное вычисление относительно простым способом с использованием среднего значения неотделимых данных.К счастью, посевные площади в штатах кукурузного пояса с более полными данными намного превосходили другие штаты с большим количеством отсутствующих данных, как показано на Рисунке 19, что ограничивало негативное влияние отсутствующих данных на это тематическое исследование. Рисунки 8, 9 визуализируют пространственную изменчивость сроков посадки и сбора урожая за 6 репрезентативных лет (1980 год был заменен на 1981 год, поскольку не было данных по уборке урожая за 1980 год).

Рисунок 8 . Номера недель, когда было завершено 50% посевов за 6 репрезентативных лет.На цветной карте показаны средние значения интервалов 0–10, 10–20,…, 90–100 процентилей всех комбинаций состояния и года. Состояния без таких данных показаны серым цветом.

Рисунок 9 . Номера недель, когда было завершено 50% сбора урожая за 6 репрезентативных лет. На цветной карте показаны средние значения интервалов 0–10, 10–20,…, 90–100 процентилей всех комбинаций состояния и года. Состояния без таких данных показаны серым цветом.

3. Модель

Модель была разработана для объяснения временной и пространственной изменчивости урожайности кукурузы в U.S. с использованием имеющихся данных, обобщенных в разделе 2. По сравнению с существующими моделями прогнозирования урожайности, эта модель имеет три основные особенности. Во-первых, он объединяет знания в области науки о растениях при разработке модели. Во-вторых, в качестве методов решения используются передовые алгоритмы машинного обучения и оптимизации. В-третьих, он был разработан, чтобы делать открытия на основе данных о взаимодействии между генетикой, окружающей средой и переменными управления, которые должны быть проверены в 2649 округах 41 штата за последние 40 лет.Мы называем эту модель моделью GEM из-за ее способности анализировать и количественно определять (G) энетику, (E) среду и (M) компоненты управления урожайностью.

3.1. Предположения

Допущение 1: Урожайность сельскохозяйственных культур совместно определяется тремя независимыми друг от друга компонентами: генетикой, окружающей средой и менеджментом. Компонент окружающей среды, определяемый погодными и почвенными переменными и их взаимодействием, определяет потенциал роста. Компоненты генетики и управления отражают долю потенциала роста, которая фактически улавливается и преобразуется в урожайность.

Допущение 2: Компонент генетики в районе, регистрирующем урожай, одинаков для каждого года. Это предположение позволяет модели уловить влияние выбора семян в различных географических регионах; он также дает каждому району, подающему отчет о сельскохозяйственных культурах, достаточно данных для изучения отдельной модели для его собственной генетической тенденции. Изменение генетической характеристики по сравнению с предыдущим годом находится в пределах субъективно оцененного диапазона [-2,5%, 5%].

Допущение 3: Воздействие на окружающую среду и управление на рост сельскохозяйственных культур в разные периоды времени складывается.Таким образом, модель рассчитывает фактический прирост за каждую неделю на основе переменных G, E и M для данного округа, а сумма приростов за 52 недели дает общую урожайность для этого округа. Подобные предположения обычно делаются при анализе влияния переменных окружающей среды. Например, дни степени роста и дни степени смерти используются для измерения совокупных полезных и разрушительных эффектов, соответственно, теплового времени (Butler et al., 2018).

Допущение 4: Объем потенциала роста сельскохозяйственных культур, достигаемый с помощью методов управления, зависит от стадий роста урожая.Для простоты мы рассматриваем только две стадии: вегетативную и репродуктивную, разделение на которые приблизительно равно первой неделе, когда в данном округе завершен 100% посев.

Допущение 5: Учитываются вплоть до квадратичных аддитивных эффектов и билинейных взаимодействий между погодными и почвенными переменными. Это предположение делает формулировку модели относительно простой с точки зрения вычислительной эффективности, но при этом достаточно гибкой для обнаружения на основе данных.

3.2. Номенклатура

Известные параметры:

• I: набор индексов для 7 погодных переменных в наборе погодных данных.

• J: набор индексов для 10 переменных почвы в наборе данных о почве.

• C: набор индексов для 2649 округов в наборе данных по урожайности кукурузы.

• R (c): набор индексов для всех округов, которые принадлежат к тому же району отчетности по урожаю, что и округ c .

• T: набор с 1980 по 2019 год.

• CT: набор из 78 169 комбинаций года уезда, для которых исторические данные об урожайности кукурузы доступны в собранном наборе данных.

• W: набор из 52 недель в году.

• WV (c, t): подмножество 52 недель в году t∈T, урожай в округе c∈C находится на стадии вегетации или раньше.

• WR (c, t): подмножество 52 недель в году t∈T, в котором урожай в округе c∈C находится в репродуктивной стадии или после нее.

K : высший полиномиальный порядок генетического прогресса как функции времени. K = 10.

A c, t : посевная площадь в графстве c∈C и год t∈T.

Объясняющие переменные:

• t∈T: переменная года.

Вт c, i, w : погодная переменная i∈I в округе c∈C и неделя w∈W. Эта переменная усредняется за 7 дней и по всем метеостанциям в округе c . Если в небольшом округе не было метеостанций, использовалась ближайшая.

S c, j : переменная j∈J почвы в округе c∈C. Эта переменная усредняется по всем единицам почвенной карты в графстве c .В случае, если в небольшом округе не было участков почвенной карты, использовался ближайший.

D c, t : плотность населения (количество растений на акр) в округе c∈C и год t∈T.

P c, w : процент посевов, завершенных в округе c∈C к неделе w∈W, который монотонно увеличивается от 0 до 100% в течение посевного сезона и остается на уровне 100% до конца год.

H c, w : процент сбора урожая, завершенного в округе c∈C за неделю w∈W, который монотонно увеличивается от 0 до 100% в течение сезона сбора урожая и остается на уровне 100% до конца год.

Переменные ответа:

• ŷ c, t : прогнозируемая урожайность кукурузы в округе c∈C и году t∈T.

y c, t : наблюдаемая урожайность кукурузы в округе c∈C и году t∈T.

Неизвестные параметры:

• α c, k : параметр генетического прогресса для t k в округе c∈C.

• γi, jV: параметр взаимодействия между (погодой и / или почвой) переменными i∈IorJ и j∈IorJ на потенциал роста во время вегетативной стадии.В частности, γ0,0V — постоянный член, γi, 0V — коэффициент линейного влияния переменной i , γi, iV — коэффициент квадратичного эффекта переменной i , а γi, jV — коэффициент для билинейной взаимодействие между переменными i и j .

• γi, jR: параметр взаимодействия между переменными i и j о потенциале роста на репродуктивной стадии.

3.3. Модель урожайности

Модель GEM прогнозирует урожай кукурузы в графстве c и год t следующим образом:

ŷc, t = (∑k = 0Kαc, ktk) · [∑w∈W (c, t) Dc, t (Pc, w-Hc, w) Gc, w].(1)

Член ∑k = 0Kαc, ktk оценивает относительную генетическую продуктивность семян в графстве c и году t с использованием полиномиальной функции номера года (нормированного на [0, 1]). Термин D c, t ( P c, w H c, w ) отражает методы управления плотностью популяции растений и прогрессом посадки / уборки урожая, который непосредственно влияют на объем потенциала роста, который можно уловить и преобразовать в урожай зерна.В частности, ( P c, w H c, w ) вычисляет процент урожая в округе c и неделе w , который был посажен, но еще не убран, поскольку урожай продолжает накапливать рост. Составная переменная G c, w вычисляет потенциал роста в округе c и на неделе w , определяемый как Gc, w = γ0,0V + ∑i∈Iγ0, iVWc, i, w + ∑i1≤ i2∈Iγi1, i2VWc, i1, wWc, i2, w + ∑j∈Jγ0, jVSc, j + ∑j1≤j2∈Jγj1, j2VSc, j1Sc, j2 + ∑i∈I, j∈Jγi, jVWc, iSc, j для всех w ∈WV (c, t) и Gc, w = γ0,0R + ∑i∈Iγ0, iRWc, i, w + ∑i1≤i2∈Iγi1, i2RWc, i1, wWc, i2, w + ∑j∈Jγ0, jRSc, j + ∑ j1≤j2∈Jγj1, j2RSc, j1Sc, j2 + ∑i∈I, j∈Jγi, jRWc, iSc, j для всех w∈WR (c, t).

Для данного округа c и года t мы разбиваем урожайность на компоненты G, E и M следующим образом.

• Компонент E определяется как ∑w∈W (c, t) max {Gc, w, 0}, который представляет собой максимально достижимый потенциал роста, определяемый погодными и почвенными переменными и их взаимодействием. Функция max используется для сужения диапазона суммирования неотрицательных условий недельного потенциала роста в течение благоприятного вегетационного периода.

• Компонент G определяется как ∑k = 0Kαc, ktk.Номер года t и параметр α нормализованы так, чтобы компонент G находился в пределах [0, 1], указывая долю компонента E, которая достигается генетикой. Этот компонент фиксирует то, что не объясняется переменными среды и управления, что в основном связано с генетическим улучшением с течением времени. Этот компонент оценивается с помощью отдельной полиномиальной функции для каждого района, регистрирующего урожай.

• Компонент M определяется как ∑w∈W (c, t) Dc, t (Pc, w-Hc, w) Gc, w∑w∈W (c, t) max {Gc, w, 0}, где параметры D , P и H все нормализованы до [0, 1].Таким образом, компонент M отражает долю компонента E, захваченную руководством.

По определению, прогнозируемый урожай равен произведению компонентов G, E и M. Обратите внимание, что компонент E представляет собой максимально достижимый потенциал роста с 1980 по 2019 год, когда компоненты G и M нормированы на [0, 1]. В будущем, когда генетика семян и методы управления будут продолжать улучшаться, такой потенциал роста может быть превышен.

3.4. Оценка производительности модели

Мы использовали следующее определение среднеквадратичной ошибки (RMSE) для измерения точности прогноза модели:

r (α, γ, CT) = ∑ (c, t) ∈CTAc, t2 (yc, t-ŷc, t) 2∑ (c, t) ∈CTAc, t2.(2)

Здесь параметры α и γ используются в уравнении (1) для вычисления ŷ. В качестве веса используется параметр A c, t , посевная площадь в округе c и год t .

Предложенная модель была оценена как на основе описательных, так и прогнозных характеристик в тематическом исследовании. Описательная производительность измеряет, насколько хорошо модель может соответствовать обучающим данным и объяснять пространственную и временную изменчивость урожайности. Результаты моделей (3) — (7) и (8) — (12) могут дать представление о погодных и почвенных взаимодействиях, тенденциях изменения компонентов G, E и M, а также о потенциале роста.Прогностическая эффективность оценивает способность модели прогнозировать урожайность за невидимые годы или округа, для которых обучающие данные не использовались для обучения модели. С этой целью мы обучили модель GEM 40 раз в режиме ожидания в один год, чтобы проверить эффективность временного прогнозирования, и 2649 раз в режиме ожидания в один округ, чтобы проверить эффективность пространственного прогнозирования. Кроме того, модель также использовалась для сезонного прогнозирования с ежедневным обновлением погодных условий.

Хотя в литературе можно найти множество моделей прогнозирования урожайности, большинство из них были разработаны для различных наборов объясняющих переменных и более конкретных географических регионов или периодов времени. Чтобы обеспечить значимое сравнительное сравнение, мы использовали подход ближайшего соседа (Cover and Hart, 1967), который популярен в исследованиях машинного обучения и интуитивно понятен в контексте прогнозирования урожайности. Подход ближайшего соседа для прогнозирования урожайности был реализован следующим образом. Чтобы предсказать урожай графства c в невидимый год t , мы определили исторические данные урожайности графства c в ближайший год (до или после года t ) и использовали этот урожай в качестве прогноза.Аналогичным образом, чтобы спрогнозировать урожай невидимого округа c в год t , мы определили исторические данные урожайности для географически ближайшего округа в том же году t и использовали этот урожай в качестве прогноза. Таким образом, подход ближайшего соседа может называться более конкретно как ближайший год и ближайший округ для временных и пространственных прогнозов, соответственно.

3,5. Алгоритм

Модель GEM (1) — это сложная задача нелинейной оптимизации, которую нелегко решить с помощью стандартных алгоритмов машинного обучения.Здесь мы представляем эвристический алгоритм, который может эффективно получить высококачественное решение (без гарантии оптимальности) для неизвестных параметров α и γ. Стратегия состоит не в одновременной оптимизации α и γ, а в итеративном обновлении одного из них за раз, при этом оставаясь неизменным. Таким образом, решение модели (1) сводится к многократному решению двух меньших квадратичных моделей оптимизации, которые легко решаются с помощью современных решателей оптимизации, таких как Gurobi (Gurobi Optimization, LLC, 2021) и Cplex (IBM ILOG Cplex , 2009).Подробные шаги алгоритма объясняются следующим образом.

Шаг 0: Инициализация . Предварительно обработайте данные, нормализуя их до [0, 1]. Инициализировать действующего оператора α * как αc, 0 * = 1, ∀c∈C, αc, k * = 0, ∀c∈C, k∈ {1, …, K} и γi, j * = 0, ∀i, j. Переходите к шагу 1.

Шаг 1. Обновите γ * . Произвольно выберите подмножество CT1⊂CT примерно с 80% выборок. Решите следующую модель квадратичной оптимизации, используя CT1, сохраняя постоянное значение α * .

maxγ, G, ŷ∑ (c, t) ∈CT1Ac, t2 (yc, t-ŷc, t) 2 (3) s.t. ŷc, t = (∑k = 0Kαc, k * tk) · [∑w∈W (c, t) Dc, t (Pc, w-Hc, w) Gc, w] ∀ (c, t) ∈CT1 ( 4) Gc, w = γ0,0V + ∑i∈Iγ0, iVWc, i, w + ∑i1≤i2∈Iγi1, i2VWc, i1, wWc, i2, w + ∑j∈Jγ0, jVSc, j + ∑j1≤j2∈Jγj1, j2VSc , j1Sc, j2 + ∑i∈I, j∈Jγi, jVWc, iSc, j ∀w∈WV (c, t) (5) Gc, w = γ0,0R + ∑i∈Iγ0, iRWc, i, w + ∑i1≤i2∈Iγi1, i2RWc, i1, wWc, i2, w + ∑j∈Jγ0, jRSc, j + ∑j1≤j2∈Jγj1, j2RSc , j1Sc, j2 + ∑i∈I, j∈Jγi, jRWc, iSc, j ∀w∈WR (c, t) (6) 0≤ŷc, t≤300 ∀ (c, t) ∈CT1 (7)

Пусть γ ~ обозначает оптимальное решение и использует его для определения нового действующего кандидата как γ ~ * = 0.2γ * + 0,8γ ~. Если r (α *, γ ~ *, CT)

Шаг 2. Обновите α * . Произвольно выберите подмножество CT2⊂CT примерно с 80% выборок. Решите следующую модель квадратичной оптимизации, используя CT2, сохраняя значение G * , определяемое действующим γ * в качестве константы.

maxα, ŷ∑ (c, t) ∈CT2Ac, t2 (yc, t-ŷc, t) 2 (8) s.t. ŷc, t = (∑k = 0Kαc, ktk) · [∑w∈W (c, t) Dc, t (Pc, w-Hc, w) Gc, w *] ∀ (c, t) ∈CT2 (9 ) αc, k = αd, k∀d∈R (c), k∈ {0 ,…, K} (10) 0% ≤∑k = 0Kαc, ktk≤100% ∀ (c, t) ∈CT2 (11) -2,5% ≤∑k = 0Kαc, k [tk- (t-1) k] ≤5% ∀ (c, t) ∈CT2 (12)

Пусть α ~ обозначает оптимальное решение и использует его для определения нового действующего кандидата как α ~ * = 0,2α * + 0,8α ~. Если r (α ~ *, γ *, CT)

Завершить алгоритм, если действующее решение (α * , γ * ) не обновлялось в течение двух последовательных итераций; в противном случае вернитесь к шагу 1 для новой итерации.

Замечание для модели (3) — (7): Минимизация целевой функции (3) эквивалентна минимизации RMSE, поскольку функция квадратного корня является монотонно возрастающей.Если параметр α * является постоянным, все ограничения (4) — (7) являются линейными. Ограничение (7) позволяет избежать того, чтобы прогнозируемый доход был отрицательным или нереалистично высоким.

Замечание для модели (8) — (12): Ограничение (10) требует, чтобы все значения α c, k в одном и том же районе, регистрирующем урожай, были одинаковыми. Ограничение (11) нормализует генетический прогресс в пределах [0%, 100%]. Ограничение (12) ограничивает изменение генетической характеристики по сравнению с предыдущим годом в пределах -2.5% и 5%. Эти нижняя и верхняя границы были субъективно оценены, чтобы отразить изменения в генетической функции, и было обнаружено, что оптимальный γ нечувствителен к этим параметрам.

Примечание для действующих обновлений: Действующее решение (α * , γ * ) не обновляется автоматически оптимальным решением (α ~, γ ~) из двух моделей квадратичной оптимизации. Скорее, он обновляется только частично на (α ~, γ ~), если новый действующий кандидат проходит перекрестную проверку. В частности, оптимальные решения α ~ и γ ~ получаются с использованием случайных подмножеств CT, а затем новые действующие решения-кандидаты определяются как γ ~ * = 0.2γ * + 0.8γ ~ и α ~ * = 0.2α * + 0.8α ~, которые не будут приняты, если они не улучшат RMSE для всего набора данных CT. Таким образом, этот метод уменьшает переоснащение за счет перекрестной проверки применимости любых обновлений, внесенных в действующее решение. Было обнаружено, что производительность алгоритма нечувствительна к параметрам 0,2 и 0,8.

4. Результаты и обсуждение

Вычислительные эксперименты проводились с использованием Matlab в качестве основной платформы и Gurobi 9.1 в качестве решателя для квадратичного программирования.Предложенный эвристический алгоритм занял около 10 минут, чтобы найти качественное решение на среднем ноутбуке. Данные и код Matlab, использованные в этом исследовании, были опубликованы по адресу https://github.com/lzwang2017/maizeyield. В разделе 4.1 представлены результаты подгонки всего набора данных, а в разделе 4.2 представлены результаты прогнозирования на невидимые годы или округа.

4.1. Описательная производительность

4.1.1. Ошибка обучения

RMSE согласования всего набора данных с моделью GEM составляет 17.84 бушелей на акр, что составляет 10,34% от средней урожайности в 2019 году. На Рисунке 10 показана прогнозируемая и наблюдаемая урожайность для всех 78 169 комбинаций уездных лет против линии 45 градусов; он также сравнивает гистограммы двух наборов урожайности. На рисунке 11 показана пространственная изменчивость RMSE обучения за 6 репрезентативных лет. Чтобы компенсировать потенциально вводящее в заблуждение несоответствие между географической областью округа, показанной на карте, и площадью посевных площадей в округе, мы разработали цветовую карту таким образом, чтобы каждый цвет представлял 10 процентов от общей засеянной площади.Аналогично оформленные цветовые карты используются и на других рисунках. Рисунок 11 показывает, что более 70% исторических данных по урожайности были объяснены моделью GEM с погрешностью 10%; округа с большими посевными площадями имели меньше ошибок, чем округа с меньшими посевными площадями.

Рисунок 10 . Прогнозируемая и наблюдаемая урожайность кукурузы для всех 78 169 комбинаций уездного года нанесена на график против линии под углом 45 градусов, причем размеры точек приблизительно пропорциональны посевным площадям.Также показаны гистограммы двух наборов урожайности.

Рисунок 11 . Обучение RMSE. На цветной карте показаны средние значения интервалов 0–10, 10–20,…, 90–100 процентилей для всех комбинаций года уезда, взвешенные по посевным площадям. Округа, в которых нет данных об урожайности, показаны серым цветом.

4.1.2. Взаимодействие погоды и почвы

Параметр γ из модели GEM показывает, как переменные погоды и почвы совместно определяют потенциал роста на вегетативной и репродуктивной стадиях.На рисунке 12 такие парные интерактивные эффекты визуализируются с помощью цветовой карты. Цветной квадрат для переменных i и j показывает комбинированные эффекты γi, j + 116 (γi, 0 + γi, i + γ0, j + γj, j). Для данного набора наблюдений для 7 погодных переменных и 10 переменных почвы за данную неделю, потенциал роста для этой недели можно рассчитать с использованием информации из Рисунка 12 следующим образом. Сначала найдите 272 пересечения с 17 переменными в вертикальном и горизонтальном направлениях за вычетом диагонали.Затем определите, находится ли урожай в вегетативной или репродуктивной стадии на данной неделе. Наконец, потенциал роста для вегетативной или репродуктивной стадии может быть рассчитан как сумма 136 значений на пересечениях внутри 136 квадратов в верхнем левом или нижнем правом углу диагонали соответственно. Асимметрия на рисунке показывает, как кукуруза может по-разному реагировать на одни и те же условия окружающей среды на вегетативной и репродуктивной стадиях.

Рисунок 12 .Взаимодействие между 7 погодными переменными и 10 переменными почвы. Левая верхняя часть диагонали показывает интерактивные эффекты для вегетативной стадии, а нижняя правая — для репродуктивной стадии. Все погодные и почвенные переменные нормированы на [0, 1].

Результаты, показанные на Рисунке 12, можно использовать для определения чувствительности урожайности сельскохозяйственных культур к комбинациям конкретных погодных и / или почвенных переменных. Например, квадрат ( S 4 , W 6 ) предполагает, что комбинация более высоких tks и более высоких tmin на вегетативной стадии имела неблагоприятный эффект на урожайность, но эффект той же комбинации был пренебрежимо мало на репродуктивной стадии, как предполагает квадрат ( W 6 , S 4 ).

4.1.3. Тенденции компонентов G, E и M

На рисунке 13 показаны тенденции средних компонентов G, E и M, определенные в разделе 3.3, а также прогнозируемая и наблюдаемая урожайность с 1980 по 2019 год. Компонент E показывает средний потенциал роста 576 бушелей / акр, который колеблется от года к году. к году с небольшой тенденцией к увеличению в долгосрочной перспективе и резким снижением в последние годы. Этот результат согласуется с недавними наблюдениями метеоролога Такле и исследователя атмосферы Гутовски (Takle and Gutowski, 2020).Оба компонента M и G демонстрируют четкие тенденции к увеличению; первое отражает улучшение плотности популяции и сроков посадки / сбора урожая, тогда как второе объясняет тенденцию к увеличению урожайности, не учитываемую компонентами E и M. Произведение компонентов G, E и M точно соответствует наблюдаемой урожайности, за исключением нескольких лет. с экстремальными погодными условиями (например, 1983, 1988, 1993 и 2012 гг.). Это может быть вызвано отсутствием достаточных данных об экстремальных погодных условиях для модели, чтобы узнать, как кукуруза реагирует на стрессовые условия окружающей среды.Повышение точности прогнозов в экстремальных погодных условиях было широко признано сложной, но важной темой для будущих исследований (van der Velde et al., 2012; Eitzinger et al., 2013; Blanc, 2017; Schauberger et al., 2017), особенно перед лицом глобальных климатических изменений.

Рисунок 13 . Тенденция средних национальных показателей G, E, M с 1980 по 2019 год. Прогнозируемая урожайность является произведением G, E и M.

4.1.4. Потенциал роста

На Рисунке 14 показан средний компонент E за 52 недели в году.В среднем по 2649 округам за 40 лет эти потенциалы роста положительны с 14 недели (конец марта) до недели 37 (начало сентября), что указывает на благоприятное временное окно для роста кукурузы. Эти результаты согласуются с предыдущими работами, в которых задокументированы преимущества урожайности более ранних посевов и более длительных сезонных сортов (Kucharik, 2006; Zhu et al., 2018). На рис. 15 показана пространственная изменчивость потенциала роста за 6 репрезентативных лет в диапазоне от 456 до 714 бушелей / акр. Для проверки реальности, по данным Национальной ассоциации производителей кукурузы (NCGA, 2020), победители Национального конкурса урожайности кукурузы в 2019 и 2020 годах достигли, соответственно, 616 (новый рекорд) и 476 бушелей на акр.

Рисунок 14 . Еженедельный потенциал роста определяется погодными и почвенными переменными и их взаимодействием. Красный и зеленый цвета указывают на положительные и отрицательные эффекты соответственно. Эти потенциалы положительны с 14-й недели (конец марта) до 37-й недели (начало сентября).

Рисунок 15 . Потенциал роста определяется погодой и почвой через 6 репрезентативных лет. На цветной карте показаны средние значения интервалов 0–10, 10–20,…, 90–100 процентилей для всех комбинаций года уезда, взвешенные по посевным площадям.Округа, в которых нет данных об урожайности, показаны серым цветом.

4.2. Прогнозирующая производительность

4.2.1. Временное предсказание

Было проведено сорок экспериментов, в течение 1 года за раз, чтобы проверить, насколько точно модель GEM может быть использована для прогнозирования доходности невидимого года, для которого историческая доходность была удержана из обучающих данных. В модель прогноза были предоставлены полные данные о погоде на целевой год. В разделе 4.2.3 представлены результаты сезонного прогнозирования с ежедневно обновляемой информацией о погоде.Эти сорок экспериментов заняли около семи часов CPU.

На рис. 16 сравниваются характеристики временного прогнозирования модели GEM и подхода на ближайший год, в котором прогнозируемая и наблюдаемая урожайность для всех 78 169 комбинаций уездных лет нанесена на линию под углом 45 градусов. RMSE для этих двух моделей составляли 22,25 и 40,66 бушелей на 1 акр соответственно. Взвешенные значения R 2 для этих двух моделей составили 0,79 и 0,30 бушелей / акр, соответственно. На рисунке 17 сравниваются RMSE для обучения (с использованием полных данных), тестирования (за исключением одного года) с использованием модели GEM и тестирования с использованием подхода ближайшего года с 1980 по 2019 год.Этот рисунок показывает, что модель GEM явно превзошла подход ближайшего года. Более того, небольшой разрыв между ошибками обучения и тестирования также указывает на очень небольшое переоснащение в модели благодаря интеграции знаний предметной области в дизайн модели, а также большого набора данных, который позволяет модели извлекать во времени и пространстве. передаваемая информация. Эти результаты предполагают, что предложенная модель GEM может быть использована для прогнозирования урожайности известного округа (с данными обучения) на новый год на основе его почвы, погоды и переменных управления.

Рисунок 16 . Характеристики временного прогноза модели GEM (слева) и подхода на ближайший год (справа). Прогнозируемая и наблюдаемая урожайность кукурузы для всех 78 169 комбинаций уездного года нанесена на график против линии под углом 45 градусов, причем размеры точек приблизительно пропорциональны посевным площадям. Также показаны гистограммы двух наборов урожайности.

Рисунок 17 . RMSE обучающей, тестовой и модели ближайшего года. Общие посевные площади были показаны для иллюстрации веса за каждый год.

4.2.2. Пространственное предсказание

Набор из 2649 экспериментов был проведен для одного округа за раз, чтобы проверить, насколько точно модель GEM может быть использована для прогнозирования урожайности невидимого округа, для которого исторический урожай был удержан на основе обучающих данных. В модель прогноза были предоставлены полные данные о погоде за все годы. Эти эксперименты заняли около 18 дней процессора. На рисунке 18 сравниваются характеристики пространственного прогнозирования модели GEM и подхода ближайшего соседа, в котором прогнозируемая и наблюдаемая урожайность для всех 78 169 комбинаций уездных лет нанесена на линию под углом 45 градусов.RMSE для этих двух моделей составляли 19,97 и 35,67 бушелей на 1 бар соответственно. Взвешенные значения R 2 для этих двух моделей составили 0,83 и 0,46 бушелей / акр, соответственно. На рисунке 19 сравниваются RMSE для обучения (с использованием полных данных), тестирования (с исключением одного округа за раз) с использованием модели GEM и тестирования с использованием подхода ближайшего округа для 41 штата. Модель GEM продемонстрировала превосходную производительность по сравнению с подходом ближайшего округа и очень небольшую переобученность. Таким образом, модель GEM может использоваться для прогнозирования урожайности нового округа на основе его почвы, погоды и переменных управления.

Рисунок 18 . Характеристики пространственного прогнозирования модели GEM (слева) и подхода ближайшего округа (справа). Прогнозируемая и наблюдаемая урожайность кукурузы для всех 78 169 комбинаций уездного года нанесена на график против линии под углом 45 градусов, причем размеры точек приблизительно пропорциональны посевным площадям. Также показаны гистограммы двух наборов урожайности.

Рисунок 19 . RMSE обучающих, тестовых моделей и моделей ближайшего округа. Общие посевные площади были показаны для иллюстрации веса для каждого штата.

4.2.3. В сезонном прогнозе с ежедневными обновлениями

Большинство существующих методов сезонного прогнозирования урожайности используют данные дистанционного зондирования (Teal et al., 2006; Jagmandeep et al., 2020). Предлагаемая модель GEM может использоваться для предоставления ежедневно обновляемых прогнозов урожайности с использованием ежедневно обновляемых данных о погоде. Мы продемонстрировали этот подход для тестового 2019 года с использованием модели GEM, обученной с данными с 1980 по 2018 год. Для каждого дня в 2019 году мы сделали прогноз урожайности, объединив наблюдаемые данные о погоде (с 1 января по этот день) в 2019 году с ненаблюдаемыми данными. данные о погоде (со следующего дня по 31 декабря) за исторический год.Таким образом, с 1980 по 2018 год было сделано 39 различных прогнозов с использованием 39 исторических погодных сценариев. Эти прогнозы сильно различаются в первый день, а затем постепенно сходятся по мере того, как наблюдается больше актуальной информации о погоде в 2019 году. Эти результаты показаны на Рисунке 20. Подобные ежедневные обновляемые прогнозы урожайности могут быть произведены с использованием предложенной модели GEM для любого известного округа с конкретными почвенными и хозяйственными условиями, если доступны ежедневные погодные переменные.

Рисунок 20 .Прогнозируемая и наблюдаемая средняя доходность в 2019 году с ежедневными обновлениями. Модель прогнозирования была обучена с использованием данных с 1980 по 2018 год. Имеется 39 сплошных кривых, представляющих 39 прогнозов с использованием исторических сценариев погоды с 1980 по 2018 год, каждая из которых дает ежедневно обновляемый прогноз с использованием данных о погоде за исторический год для вменения ненаблюдаемых погодных переменных в 2019 году. Плоская пунктирная линия — наблюдаемая средняя урожайность в 1256 округах с данными по урожайности за 2019 год.

5. Выводы

Урожайность — это сложный признак, который определяется множеством генотипов, условий окружающей среды и переменных управления, а также их взаимодействием.Возможность точно прогнозировать урожайность в меняющихся условиях окружающей среды в широком диапазоне географических местоположений становится все более важной для заинтересованных сторон в сельском хозяйстве. Это также представляет собой серьезную академическую проблему, которую можно преодолеть только путем интеграции идей науки о сельскохозяйственных культурах с методологией анализа данных.

В нашей попытке объяснить временную и пространственную изменчивость урожайности кукурузы в США мы собрали большой набор данных и разработали модель GEM для анализа данных.Данные охватывают 40-летнюю информацию об урожайности, погоде, почве и управлении из 41 штата. Модель GEM была специально разработана для этого набора данных для извлечения информации, которую можно объяснить и передать как в пространстве, так и во времени.

Результаты вычислений показывают, что модель GEM является разумной попыткой объединить сильные стороны моделей, основанных на данных, в точности прогнозов и преимущества моделей, основанных на знаниях, в объяснимости. По сравнению с моделями, управляемыми данными в литературе, модель GEM достигла точности прогнозирования наравне с современными моделями машинного обучения, поэтому преимуществом модели GEM является объяснимое понимание.Например, прогнозируемый урожай разбивается на компоненты генетики, окружающей среды и управления. По сравнению с моделями, основанными на знаниях, описанными в литературе, модель GEM имеет более гибкую структуру моделирования, которая позволяет эффективно и оптимально откалибровать неизвестные параметры с использованием передовых вычислительных методов, извлекая больше информации на основе данных и уменьшая человеческие предубеждения.

Модель GEM имеет несколько ограничений и оговорок. Во-первых, модель была специально разработана для текущего набора данных и не может напрямую применяться к другим наборам данных без необходимых модификаций, хотя аналогичные методы моделирования и решения все еще будут применимы.Во-вторых, несколько допущений, перечисленных в разделе 3.1, являются основой модели, которые позволяют эффективно строить и решать модель, но также могут в определенной степени ограничивать эффективность модели. В-третьих, несколько важных переменных (таких как генотип семян, орошение, удобрение, обработка почвы и борьба с болезнями / сорняками) не были включены в модель из-за отсутствия общедоступных источников данных в желаемом масштабе.

Несколько направлений последующих исследований заслуживают дальнейшего изучения.Подобные методы моделирования и решения могут применяться к другим культурам, другим регионам, другим периодам времени и другим наборам данных. Можно рассмотреть большее количество стадий роста сельскохозяйственных культур, чтобы включить больше физиологических представлений о сельскохозяйственных культурах и придать модели GEM дополнительные функции. Необходимо также приложить дополнительные усилия для обучения модели обучению на низкочастотных, но сильных экстремальных погодных сценариях.

Заявление о доступности данных

Исходные материалы, созданные для исследования, включены в статью / дополнительные материалы, дальнейшие запросы можно направлять соответствующим авторам.

Авторские взносы

Автор подтверждает, что является единственным соавтором данной работы, и одобрил ее к публикации.

Финансирование

Эта работа была частично поддержана NSF в рамках программ LEAP HI и GOALI (грант № 1830478) и программы EAGER (грант № 1842097), а также Институтом наук о растениях Университета штата Айова.

Заявление об ограничении ответственности автора

Любые мнения, выводы, заключения или рекомендации, выраженные в этой публикации, принадлежат автору и не обязательно отражают точку зрения финансирующих агентств.

Конфликт интересов

Автор заявляет, что исследование проводилось при отсутствии каких-либо коммерческих или финансовых отношений, которые могут быть истолкованы как потенциальный конфликт интересов.

Примечание издателя

Все претензии, выраженные в этой статье, принадлежат исключительно авторам и не обязательно отражают претензии их дочерних организаций или издателей, редакторов и рецензентов. Любой продукт, который может быть оценен в этой статье, или заявление, которое может быть сделано его производителем, не подлежат гарантии или одобрению со стороны издателя.

Благодарности

Автор благодарит редактора и рецензентов за содержательные отзывы.

Список литературы

Бэтчелор В. Д., Бассо Б. и Паз Дж. О. (2002). Примеры стратегий анализа пространственной и временной изменчивости урожайности с использованием моделей сельскохозяйственных культур. Eur. J. Agronomy 18, 141–158. DOI: 10.1016 / S1161-0301 (02) 00101-6

CrossRef Полный текст | Google Scholar

Blanc, É. (2017). Статистические эмуляторы урожайности кукурузы, риса, сои и пшеницы из глобальных сетевых моделей культур. Agric. Лесной Метеорол . 236, 145–161. DOI: 10.1016 / j.agrformet.2016.12.022

CrossRef Полный текст | Google Scholar

Члингарян, А., Суккари, С., Уилан, Б. (2018). Подходы машинного обучения для прогнозирования урожайности и оценки состояния азота в точном земледелии: обзор. Comput. Электрон. Сельское хозяйство . 151, 61–69. DOI: 10.1016 / j.compag.2018.05.012

CrossRef Полный текст | Google Scholar

Кавер, Т., и Харт, П.(1967). Классификация паттернов ближайшего соседа. IEEE Trans. Сообщить. Теория 13, 21–27. DOI: 10.1109 / TIT.1967.1053964

CrossRef Полный текст | Google Scholar

Крейн-Дреш, А. (2018). Методы машинного обучения для прогнозирования урожайности и оценки воздействия изменения климата в сельском хозяйстве. Environ. Res. Lett . 13, 114003. DOI: 10.1088 / 1748-9326 / aae159

CrossRef Полный текст | Google Scholar

Дюран, Ж.-Л., Делуска, К., Боут, К., Lizaso, J., Manderscheid, R., Weigel, H.J., et al. (2018). Насколько точно модели культур кукурузы моделируют взаимодействие уровней концентрации CO2 в атмосфере с ограниченным водоснабжением на водопользование и урожайность? Eur. J. Agronomy 100, 67–75. DOI: 10.1016 / j.eja.2017.01.002

CrossRef Полный текст | Google Scholar

Eitzinger, J., Thaler, S., Schmid, E., Strauss, F., Ferrise, R., Moriondo, M., et al. (2013). Чувствительность моделей сельскохозяйственных культур к экстремальным погодным условиям в период цветения, продемонстрированная для кукурузы и озимой пшеницы в Австрии. J. Agric. Sci . 151, 813. DOI: 10.1017 / S0021859612000779

CrossRef Полный текст | Google Scholar

Heslot, N., Akdemir, D., Sorrells, M., and Jannink, J.-L. (2014). Интеграция ковариат окружающей среды и моделирования культур в структуру геномной селекции для прогнозирования генотипа по взаимодействиям с окружающей средой. Теор. Прил. Genet . 127, 463–480. DOI: 10.1007 / s00122-013-2231-5

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Ходжес, Т., Ботнер Д., Сакамото К. и Хауг Дж. Х. (1987). Использование модели CERES-Maize для оценки производства в Корнбелте США. Agric. Лесной Метеорол . 40, 293–303. DOI: 10.1016 / 0168-1923 (87)

-8

CrossRef Полный текст | Google Scholar

Holzworth, D. P., Huth, N. I., deVoil, P. G., Zurcher, E. J., Herrmann, N. I., McLean, G., et al. (2014). APSIM-эволюция в сторону моделирования сельскохозяйственных систем нового поколения. Environ. Модель. Программное обеспечение . 62, 327–350.DOI: 10.1016 / j.envsoft.2014.07.009

CrossRef Полный текст | Google Scholar

Хорник, К., Стинчкомб, М., и Уайт, Х. (1990). Универсальная аппроксимация неизвестного отображения и его производных с использованием многослойных сетей прямого распространения. Нейронная сеть . 3, 551–560. DOI: 10.1016 / 0893-6080 (90)

-6

CrossRef Полный текст | Google Scholar

Джагмандип Д., Лоуренс А., Эйкхофф Э. и Раун В. (2020). Прогнозирование сезонной кукурузы (zea mays l.) потенциал урожайности с использованием датчиков урожая и климатологических данных. Научный сотрудник . 10.

PubMed Аннотация | Google Scholar

Канг, Ю., Оздоган, М., Чжу, X., Е, З., Хайн, К., и Андерсон, М. (2020). Сравнительная оценка переменных окружающей среды и алгоритмов машинного обучения для прогнозирования урожайности кукурузы на Среднем Западе США. Environ. Res. Lett . 15, 064005. doi: 10.1088 / 1748-9326 / ab7df9

CrossRef Полный текст | Google Scholar

Киниры, Я.Р., Уильямс, Дж. Р., Вандерлип, Р. Л., Этвуд, Дж. Д., Рейкоски, Д. К., Малликен, Дж. И др. (1997). Оценка двух моделей кукурузы для девяти регионов США. Агрон. J . 89, 421–426. DOI: 10.2134 / agronj1997.000219620080009x

CrossRef Полный текст | Google Scholar

Кучарик, К. Дж. (2006). Многолетняя тенденция более раннего посева кукурузы в центральной части США. Агрон. J . 98, 1544–1550. DOI: 10.2134 / agronj2006.0156

CrossRef Полный текст | Google Scholar

Лакаса, Дж., Гаспар А., Хайндс М., Дон С. Дж., Бернинг Д. и Чампитти И. А. (2020). Байесовский подход к оценке зависимости урожайности кукурузы от плотности посевов как с агрономической, так и с экономической точки зрения в Северной Америке. Sci. Репутация . 10, 1–9. DOI: 10.1038 / s41598-020-72693-1

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Лалич, Б., Эйтзингер, Дж., Талер, С., Вучетич, В., Нейедлик, П., Экерстен, Х. и др. (2014). Могут ли агрометеорологические показатели неблагоприятных погодных условий помочь улучшить прогноз урожайности с помощью моделей сельскохозяйственных культур? Атмосфера 5, 1020–1041.DOI: 10.3390 / atmos5041020

CrossRef Полный текст | Google Scholar

Марко О., Брдар С., Панич М., Лугонья П. и Црноевич В. (2016). Оптимизация портфеля сортов сои на основе прогноза урожайности. Comput. Электрон. Сельское хозяйство . 127, 467–474. DOI: 10.1016 / j.compag.2016.07.009

CrossRef Полный текст | Google Scholar

Мэн, К., Чен, X., Лобелл, Д. Б., Цуй, З., Чжан, Ю., Ян, Х. и др. (2016). Растущая чувствительность кукурузы к нехватке воды в условиях изменения климата. Sci. Репутация . 6: 19605. DOI: 10.1038 / srep19605

PubMed Аннотация | CrossRef Полный текст

Мессина, К., Подлич, Д., Донг, З., Сэмплы, М., Купер, М. (2010). Пейзажи показателей урожайности: от теории к применению в селекции кукурузы на засухоустойчивость. Дж. Эксперт Бот . 62, 855–868. DOI: 10.1093 / jxb / erq.329

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Национальная метеорологическая служба (2020). Округа США.

NCGA (2020). Национальная ассоциация производителей кукурузы . Доступно в Интернете по адресу: https://ncga.com

Parent, B., Leclere, M., Lacube, S., Semenov, M.A., Welcker, C., Martre, P., et al. (2018). Урожайность кукурузы в Европе может увеличиться, несмотря на изменение климата, при надлежащем использовании генетической изменчивости времени цветения. Proc. Natl. Акад. Sci. США . 115, 10642–10647. DOI: 10.1073 / pnas.1720716115

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Шаубергер, Б., Archontoulis, S., Arneth, A., Balkovic, J., Ciais, P., Deryng, D., et al. (2017). Последовательная отрицательная реакция сельскохозяйственных культур США на высокие температуры в наблюдениях и моделях сельскохозяйственных культур. Nat. Коммуна . 8: 13931. DOI: 10.1038 / ncomms13931

PubMed Аннотация | CrossRef Полный текст

Шаххоссейни М., Мартинес-Фериа Р. А., Ху Г. и Архонтулис С. В. (2019). Прогнозирование урожайности кукурузы и потерь нитратов с помощью алгоритмов машинного обучения. Environ. Res. Lett . 14, 124026.DOI: 10.1088 / 1748-9326 / ab5268

CrossRef Полный текст | Google Scholar

Такле, Э. С., и Гутовски, В. Дж. Младший (2020). Сельское хозяйство Айовы теряет свой климат златовласки. PhT 73, 26–33. DOI: 10.1063 / PT.3.4407

CrossRef Полный текст | Google Scholar

Тил Р., Тубана Б., Гирма К., Фриман К., Арналл Д., Уолш О. и др. (2006). Сезонный прогноз урожайности зерна кукурузы с использованием нормированного разностного вегетационного индекса. Агрон.J . 98, 1488–1494. DOI: 10.2134 / agronj2006.0103

CrossRef Полный текст | Google Scholar

Торнтон П. Э., Торнтон М. М., Майер Б. В., Вей Ю., Девараконда Р., Восе Р. С. и др. (2020). Daymet: Ежедневные данные о приземной погоде в сетке 1 км для Северной Америки, версия 3 . Ок-Ридж, Теннесси: ORNL DAAC.

Google Scholar

Тигчелаар М., Баттисти Д. С., Нейлор Р. Л. и Рэй Д. К. (2018). Будущее потепление увеличивает вероятность глобально синхронизированных потрясений в производстве кукурузы. Proc. Natl. Акад. Sci. США . 115, 6644–6649. DOI: 10.1073 / pnas.1718031115

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Толленаар, М., Фридген, Дж., Тьяги, П., Стакхаус-младший, П. У. и Кумудини, С. (2017). Вклад солнечного осветления в тенденцию урожайности кукурузы в США. Nat. Клим. Чанг 7, 275–278. DOI: 10.1038 / nclimate3234

PubMed Аннотация | CrossRef Полный текст | Google Scholar

ван дер Вельде, М., Тубьелло, Ф.Н., Врилинг, А., Бурауи, Ф. (2012). Воздействие экстремальных погодных условий на пшеницу и кукурузу во Франции: оценка моделирования региональных культур по данным наблюдений. Клим. Изменить: 113, 751–765. DOI: 10.1007 / s10584-011-0368-2

CrossRef Полный текст | Google Scholar

ван Кломпенбург, Т., Кассахун, А., и Катал, К. (2020). Прогнозирование урожайности с использованием машинного обучения: систематический обзор литературы. Comput. Электрон. Сельское хозяйство . 177: 105709. DOI: 10.1016 / j.compag.2020.105709

CrossRef Полный текст | Google Scholar

Чжао К., Лю Б., Пяо С., Ван X., Лобелл Д. Б., Хуанг Ю. и др. (2017). По четырем независимым оценкам, повышение температуры снижает урожайность основных сельскохозяйственных культур в мире. Proc. Natl. Акад. Sci. США . 114, 9326–9331. DOI: 10.1073 / pnas.1701762114

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Zhu, P., Jin, Z., Zhuang, Q., Ciais, P., Bernacchi, C., Wang, X., et al.(2018). Важное, но снижающееся преимущество урожайности кукурузы от продления налива зерна на Среднем Западе США. Glob. Чанг Биол . 24, 4718–4730. DOI: 10.1111 / gcb.14356

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Прогнозирование урожайности кукурузы и потерь нитратов с помощью алгоритмов машинного обучения

Традиционно фермеры полагаются на свой опыт и прошлые исторические данные, такие как урожайность и погода, чтобы принимать важные решения для повышения краткосрочной прибыльности и долгосрочной устойчивости своей деятельности ( Арбакл и Росман 2014).В последние годы появились новые многообещающие технологии, такие как машинное обучение (ML), которые потенциально могут помочь фермерам в принятии решений (Hoogenboom et al 2004, González Sánchez et al 2014, Togliatti et al 2017, Basso and Liu 2018, Ансарифар и Ван 2018, Моейнизаде и др. 2019). Однако отсутствие пространственных и временных данных, которые охватывают ряд производственных (например, урожайность) и экологических (например, выщелачивание азота) переменных в рамках ряда управляющих факторов (например,грамм. N-rate, дата посадки) для эффективного обучения моделей машинного обучения является ограничением, которое необходимо преодолеть.

Хотя имитационное моделирование сельскохозяйственных культур может обеспечить разумную точность прогнозов, его применение на реальных фермах ограничено из-за значительного объема опыта и данных, необходимых для точных калибровок (Драммонд и др. 2003, Пунтел и др. 2019). Даже при наличии хорошо откалиброванной имитационной модели развертывание для изучения потенциальных вариантов управления в диапазоне возможных погодных условий (т.е. анализ сценария) часто бывает непрактичным из-за длительного времени работы и ограничений хранения данных. Крайне важно, чтобы моделирование было повторно выполнено, чтобы включить новую информацию по мере ее появления или экстраполировать за пределы набора условий, которые были первоначально смоделированы.

Мета-модели — это статистические модели, обученные на более дорогостоящих в вычислительном отношении моделях (например, симуляторе урожая). Заменяя более подробную имитационную модель, метамодель может обеспечить более быстрое выполнение, меньшие потребности в хранении и дополнительную гибкость для экстраполяции по временным и пространственным масштабам, чем более подробная имитационная модель (Simpson и др. 2001).Мета-моделирование широко применяется для экстраполяции гидрологического (Fienen и др. 2015, Nolan и др. 2018) и биогеохимического (Britz and Leip 2009, Villa-Vialaneix и др. 2012, Ramanantenasoa и др. 2019) моделирования. в региональном масштабе, а также для оптимизации анализа чувствительности для параметризации имитационных моделей сельскохозяйственных культур (Stanfill et al 2015, Pianosi et al 2016, Gladish et al 2019). Насколько нам известно, подходы к метамоделированию для поддержки принятия решений и приложений прогнозирования в растениеводстве ранее не оценивались.

Цель метамодели — «изучить» связи между входными и выходными переменными путем поиска закономерностей или кластеров в смоделированных данных (Villa-Vialaneix et al 2012, Fienen et al 2015). Используемые методы могут варьироваться от классических статистических методов до алгоритмов машинного обучения (ML). Последние получили широкое применение в различных задачах экологической классификации и прогнозного моделирования (Rumpf et al 2010, Shekoofa et al 2014, Crane-Droesch 2018, Karimzadeh and Olafsson 2019, Pham and Olafsson 2019a, 2019b) благодаря своей способности чтобы иметь дело с нелинейными отношениями, взаимодействиями высокого порядка и ненормальными данными (Деат и Фабрициус, 2000).К таким методам относятся регуляризованные регрессии (Hoerl and Kennard 1970, Tibshirani 1996, Zou and Hastie 2005), древовидные модели (Shekoofa и др. 2014), машины опорных векторов (Basak и др. 2007, Karimi и др. 2008). ), Нейронные сети (Liu et al 2001, Crane-Droesch 2018, Khaki and Khalilzadeh 2019, Khaki and Wang 2019) и другие.

Центральный вопрос при разработке метамодели — насколько хорошо поведение имитационной модели воспроизводится выбранным методом.Разумные прогнозы (например, ошибка <20%), сделанные в реальном времени, могут быть более ценными для быстрого скрининга в крупных географических регионах или многомерных факторных пространствах, чем запуск более точного, но более медленного симулятора (Fienen et al 2015). Чтобы ответить на этот вопрос, необходимо как изучить, какие методы прогнозирования лучше всего подходят для имитации модели культуры, так и определить требования к размеру и типу обучающих данных. Хотя литература богата сравнениями навыков различных алгоритмов машинного обучения для прогнозирования результатов сельского хозяйства (например,грамм. Ландау и др. 2000, Шихи и др. 2006, Гонсалес Санчес и др. 2014, Морелос и др. 2016, Цинь и др. 2018), они в значительной степени основаны на эмпирических данных. В исследованиях по анализу чувствительности изучалась эффективность нескольких подходов к моделированию результатов (Gladish и др. 2019), но их внимание сосредоточено на приближении распределения параметров модели непрерывных культур. Сценарный анализ для прогнозирования урожая часто использует комбинацию категорий (например,грамм. сорт культуры, режим обработки почвы и внесения удобрений) и непрерывные (например, даты, количества вводимых ресурсов, начальные условия) входные переменные, поэтому необходима оценка метамоделей ML с этими типами наборов данных.

В этой статье мы исследуем потенциальное использование алгоритмов машинного обучения в качестве метамоделей для разработки более вычислительно целесообразных и динамических систем поддержки принятия решений для растениеводства. Наша цель — предоставить основу для разработки надежных, быстрых и динамичных систем прогнозирования, которые могут обеспечить предсезонный период (например,грамм. в апреле) предсказывает, когда информация больше всего нужна фермерам, с упором на результаты как производства (урожай кукурузы), так и качества окружающей среды (потери азота). Как правило, системы прогнозирования, основанные на моделях сельскохозяйственных культур, изображениях дистанционного зондирования или съемках, предоставляют прогнозы через несколько месяцев после посадки (Тольятти и др. 2017, Бассо и Лю 2018). Учитывая неопределенность погоды, мы изучили, в какой степени можно предсказать целевые переменные урожайности кукурузы и потерь азота с помощью метамоделей ML, обученных на основе предсезонной информации о погоде (с октября по апрель), начальных условий и вариантов управления.Мы использовали большой набор данных анализа сценариев ( n > 3 миллионов), созданный с помощью хорошо откалиброванной имитационной модели (APSIM), чтобы:

  • (1)

    Оценить производительность четырех различных алгоритмов машинного обучения как мета модели;

  • (2)

    Определение требований к данным для достижения приемлемой точности прогнозирования;

  • (3)

    Оцените важность различных типов данных для прогнозирования урожайности и N потерь; и

  • (4)

    Исследуйте, предлагают ли ансамбли машинного обучения лучшее предсказание, чем отдельные алгоритмы.

Мы сначала откалибровали модель систем земледелия APSIM (сельскохозяйственные производственные системы SiMulator; Holzworth и др. 2014), используя экспериментальные данные из семи мест на Среднем Западе США с наблюдениями за урожайностью кукурузы и потерями азота в дренаже в течение 5–7 лет. и несколько методов лечения. Во-вторых, мы использовали APSIM для моделирования реакции урожайности кукурузы и потерь азота на факторную сетку методов управления и начальных условий, в результате чего было получено более 3 миллионов смоделированных точек данных.В-третьих, мы использовали 88% смоделированных данных для разработки и обучения алгоритмов машинного обучения и 12% смоделированных данных для оценки точности предсказаний алгоритмов машинного обучения.

2.1. Экспериментальные местоположения и данные, используемые для обучения и тестирования APSIM

На рисунке 1 показаны местоположения экспериментальных данных, используемых для обучения и тестирования APSIM. Экспериментальные данные для местоположений KELLEY и NASHUA были подробно описаны в предыдущих исследованиях моделирования (Dietzel et al 2016, Martinez-Feria et al 2018), а данные из остальных местоположений (DPAC, HICKS.B, GLIMORE, SERF и STJOHNS) были извлечены из исследовательской базы данных Sustainable Corn CAP (Abendroth et al 2017). Информация о почве для каждого участка была получена из базы данных SSURGO (Soil Survey Staff n.d.). Почвы на этих участках искусственно дренируются с помощью подземных дренажных труб. Ежедневная погода (1987–2016 гг.) Для всех участков была получена из Daymet (Thornton и др. 2012).

Увеличить Уменьшить Сбросить размер изображения

Рисунок 1. Географическое положение долгосрочных экспериментальных площадок, используемых для моделирования. Эти участки подпадают под градиент почвенно-климатических характеристик, как показано на графиках-вставках (вверху). Затенение картограммы указывает на уездные оценки доли пахотных земель под плитками подземного дренажа (Источник данных: USDA-NASS, Сельскохозяйственная перепись 2012 г.). PAWC = водоудерживающая способность почвы и растений (мм; глубина 0–1 м). SOC = содержание органического углерода в почве (%, глубина 0–1 м).

Загрузить рисунок:

Стандартный образ Изображение высокого разрешения

2.2. Разработка имитационного набора данных

Мы использовали откалиброванную версию модели и выполнили факторный имитационный эксперимент, чтобы разработать имитационный набор данных для разработки и анализа машинного обучения. Факторные комбинации (см. Таблицу 1) были направлены на то, чтобы охарактеризовать влияние начальных условий, управления урожаем, управления почвой и управления азотными удобрениями. Внутри фактора мы включили три уровня. Например, для нормы N мы рассматривали норму N при максимальном возврате азота (Sawyer и др. 2006) для каждого местоположения, на 30% меньше и на 30% больше азота (см. Таблицу 1).Факторы управления урожаем, почвой и азотом были разработаны для представления уровней внедрения практики. Комбинация двух культур, 26 общих уровней факторов, семи участков и 34 года (1983–2016 гг.) Привела к созданию более трех миллионов смоделированных сценариев данных об урожайности и потерях азота. Каждый прогон модели соответствовал экземпляру полного факторного плана, поэтому были смоделированы все возможные сценарии. Процесс моделирования включал перенастройку на 20 октября (среднее время уборки кукурузы), чтобы отделить влияние погодного года от начальных условий.Все симуляции начались 20 октября и закончились 19 октября следующего года. К этому периоду относятся совокупные ежегодные потери азота. Под «погодным годом» мы понимаем погоду в разные годы, с 1983 по 2016 год. Мы разделяем продолжительность погоды на предсезонный период (от сбора предыдущего урожая до следующего посева, примерно с середины октября по апрель для нашей окружающей среды). и в сезон. Для обучения ML мы использовали только предсезонную погоду, так как она лучше отражает реальность (летняя погода неизвестна, когда фермеры и агрономы принимают решения).Влияние предсезонной погоды — это больше, чем время посадки. Он влияет на количество воды в почве и глубину уровня грунтовых вод во время посадки, а также на количество почвенных нитратов, удерживаемых в почве во время посадки. Эти две переменные влияют как на урожайность, так и на прогнозы выщелачивания азота.

Таблица 1. Факторы управления, сорта и окружающей среды, учитываемые в сценарном моделировании APSIM для создания базы данных.

Категория Имя переменной Уровни Описание уровней
Окружающая среда Погодные годы 34 (с 1983 по 2016)
Филиалы КЕЛЛИ, DPAC, GILMORE, HICKSB, NASHUA, SERF, SEPAC
Менеджмент Уровень грунтовых вод Среднее значение Инициализируется на глубине тайла
глубокий Инициализировано с 1.1-кратная глубина плитки
мелкое Инициализируется при 0,9-кратной глубине плитки
Поверхностный остаток кукуруза, соя Начальное количество остатка и C: N, полученные в результате инициализаций раскрутки для каждого местоположения
Исходный почвенный N в профиле (0–1 м) Среднее значение Среднее содержание нитратов в почве на одно место
Высокая 0.В 5 раз больше среднего
Низкий в 2 раза больше среднего
Срок посева Температурный режим, управляемый Установка при средней скользящей температуре воздуха за 10 дней> 15 ° C
Задержка 10 дней Сеять через 10 дней после
Задержка 20 дней Сеять через 20 дней после
Удаление остатков 0% удаление Без удаления остатков
Удаление 33% Удалить 33% остатков 20 октября
Удаление 66% Удалить 66% остатков 20 октября
Покровная культура Нет Без покровных культур
Винтеркилл Покровная культура, посаженная 12 октября, погибшая 1 января
Overwinter Покровная культура посеяна 12 октября и погибла за 10 дней до посева кукурузы
N Стратегия Осень 100% удобрение, внесенное в виде аммония 25 ноября
Пружина 100% удобрений внесено в виде аммиачной селитры при посеве кукурузы
Сплит 50% удобрений внесено в виде аммиачной селитры при посеве кукурузы и 50% внесено через 40 дней после посева кукурузы
Норма азота (кг N / га) MRTN Максимальный возврат к значению ставки N на каждом участке
30% ниже 0.В 7 раз больше MRTN
30% выше в 1,3 раза больше MRTN
Генотип Сорт Типичный Калиброванный гибрид кукурузы APSIM, типичный для каждого местоположения
Высокий YP Повысить эффективность использования радиации на 10%
Высокий NUE Уменьшить концентрацию N в зернах с 1.От 2% до 1%

Разработанная база данных включала целевые переменные (урожайность и потери азота) и дополнительные характеристики (независимые переменные), такие как данные о почве, погоде и управлении (см. Дополнительную таблицу S2, доступную на сайте stacks.iop.org/). ERL / 14/124026 / mmedia для списка переменных). Чтобы сделать метамодели машинного обучения более универсальными, характеристики года и местоположения были заменены характеристиками почвы, такими как текстура, органический углерод почвы, водоудерживающая способность растений и погодные данные.Погодные переменные, такие как температура и осадки, были интегрированы за период с 20 октября по 10 апреля (период залежи). Период залежи был разделен на пять равных периодов для каждого местоположения и погодного года, чтобы увеличить количество связанных с погодой характеристик в общей сложности до 35 для анализа ML. В базу данных не было включено погодных данных вегетационного периода, поскольку летняя погода является неизвестным фактором во время посадки.

2.3. Разработка и тестирование метамоделей машинного обучения

Четыре метамодели машинного обучения были оценены для прогнозирования смоделированной урожайности кукурузы и потерь N, включая два типа регуляризации линейной регрессии (Ridge и LASSO), а также два древовидных метода (случайный леса и Extreme Gradient Boosting (XGBoost)).Множественная линейная регрессия также использовалась в качестве основы для сравнения эффективности различных методов. Описание каждой методики метамодели приводится в дополнительных материалах.

Поскольку предварительный анализ показал, что метамодели линейной регрессии и регуляризации приводят к предсказаниям с высокой дисперсией (переобучением) при включении многих объясняющих погодных характеристик, мы обучили эти метамодели, используя сводки погоды для всего периода залежи вместо пяти периодов. резюме.Около 88% доступных данных было использовано для обучения метамоделей машинного обучения. Процедуры настройки и тестирования были выполнены с использованием статистического программного обеспечения R (версия 3.5.0; R core team 2018). Мы использовали пакет glmnet (Friedman и др. 2010) для соответствия регрессии LASSO и Ridge, ranger для соответствия случайным лесам (Wright and Ziegler 2015) и xgboost для Extreme Gradient Boosting (Chen and Guestrin 2016).

Графики частичной зависимости (PDP) для некоторых ключевых входных характеристик использовались, чтобы показать предельное влияние этих выбранных входных переменных на прогнозируемые результаты.

2.4. Статистические показатели для оценки эффективности метамодели

Для оценки производительности метамодели машинного обучения использовались три показателя. Во-первых, среднеквадратичная ошибка (RMSE), которая является мерой разницы между предсказанными и наблюдаемыми значениями. Во-вторых, относительная среднеквадратическая ошибка (RRMSE) или нормализованная RMSE, которая позволяет проводить прямое сравнение между различными метамоделями и выходными переменными метамодели, которые имеют разные единицы измерения. В-третьих, коэффициент детерминации (R 2 ), который определяется как доля дисперсии в переменной ответа, которая объясняется независимыми переменными.Кроме того, чтобы найти смещение моделирования APSIM и прогнозов ML, была рассчитана средняя ошибка смещения (MBE). Все уравнения можно просмотреть в Archontoulis and Miguez (2014).

2,5. Валидация метамодели машинного обучения

Мы разделили набор данных на обучение (1983–2012 гг.) С 2,7 млн ​​данных и наборов тестов (2013–2016 гг.) С 0,4 млн данных по урожайности и потерям азота. Имитационная модель APSIM запускается каждый год 20 октября, поэтому эффект переноса из года в год в отношении влажности почвы, азота и т. Д. Отсутствует.Из-за возможных взаимосвязей между разными погодными годами на обучающем наборе была проведена пятикратная упреждающая перекрестная проверка по времени для настройки гиперпараметров случайных лесов, XGBoost, регрессии гребня и регрессии LASSO (см. Дополнительный рисунок S3. ). Разница между этим типом перекрестной проверки и случайной перекрестной проверкой в ​​k-кратном размере состоит в том, что в каждом случае построенные модели предсказывают только будущие наблюдения. Кроме того, влияние изменения гиперпараметров ML на перекрестную проверку и ошибки тестирования сравнивалось с использованием графиков гиперпараметров, чтобы убедиться, что режим перекрестной проверки является оптимальным.

После настройки гиперпараметров (специфический параметр ML, который калибруется в процессе обучения) каждого из алгоритмов ML, окончательная метамодель для каждого из них была обучена на всем обучающем наборе. Были настроены следующие гиперпараметры: « mtry » для случайных лесов, « nrounds », « eta » и « gamma » для XGBoost и, наконец, « lambda » для регрессии Ridge и Lasso. Обратите внимание, что множественная линейная регрессия не использует гиперпараметры.Набор тестов удержания (2013–2016; 0,4 миллиона точек данных) использовался для вычисления ошибки прогноза для набора тестов, которая является оценкой истинной ошибки для будущих (невидимых) наблюдений.

2.6. Требования к размеру данных и ранжирование важности функций

Чтобы оценить, насколько чувствительны разработанные метамодели машинного обучения к размеру обучающих данных, мы разделили исходный обучающий набор (1983–2012 гг.) На подмножества, содержащие 5, 10, 15, 20 и 25 непрерывных погодных лет, причем 2012 год является последним годом, включенным в каждую подгруппу.Каждые 5 погодных лет представляют собой примерно 0,4 миллиона точек данных. Подмножества использовались для обучения различных метамоделей машинного обучения, которые, в свою очередь, были протестированы с использованием набора тестов удержания (2013–2016).

Важность вводимых данных (например, погода, исходный N почвы) была определена количественно для каждой метамодели ML отдельно. Важность перестановки использовалась для расчета и сравнения важности входных характеристик для каждой модели (Райт и Зиглер, 2017; Чен и Гестрин, 2016; Фридман и др., 2010).

3.1. Насколько хорошо метамодели машинного обучения предсказывают доходность и потери азота?

По всему набору данных урожай кукурузы варьировал от 0 до 15 Мг га -1 , в среднем 9845 кг га -1 . Суммарные потери азота варьировались от 0 до 220 кг N га −1 , при среднем значении 14,8 кг N га −1 . Во всех регионах XGBoost и случайные леса превзошли другие метамодели машинного обучения с точки зрения урожайности кукурузы и прогнозов потерь азота в тестовом наборе данных (таблица 2). Случайные леса предсказывали потерю азота на R 2 выше, чем урожай кукурузы (0.78 против 0,44, соответственно), хотя RRMSE для урожайности было ниже, чем для потерь азота (13,9% против 54,5%, соответственно). Это неудивительно, учитывая, что потери азота гораздо более изменчивы, чем урожайность. XGBoost оказалась самой эффективной метамоделью ML с точки зрения прогноза урожайности кукурузы (RRMSE 13,4%) (таблица 2).

Таблица 2. Метрики оценки для различных алгоритмов машинного обучения, применяемых для прогнозирования урожайности кукурузы и потерь азота, с использованием информации до даты посадки для набора тестовых данных (2013–2016 гг.).

RMSE (кг га −1 ) R-RMSE (0% –100%) R 2 (0–1) RMSE (кг га −1 ) R-RMSE (0% –100%) R 2 (0–1)
(a) результаты прогноза урожайности кукурузы (b) Результаты прогноза потерь N
Случайный лес 1400 13.9% 0,44 9,1 54,5% 0,78
XGBoost 1348 13,4% 0,48 16,5 98,3% 0,27
Линейная регрессия 1489 14,8% 0,37 14,4 85,6% 0,44
Регрессия хребта 1508 14,9% 0,35 14.3 85,4% 0,45
Лассо-регрессия 1492 14,8% 0,37 14,4 85,6% 0,44
Оптимальный ансамбль 1240 12,3% 0,56 8,5 51,0% 0,80
Контрольный ансамбль 1311 13,0% 0,51 10,9 65.5% 0,67

Результаты средней ошибки смещения (MBE) показали, что как моделирование APSIM, так и прогнозы ML не были смещенными, и их значения не всегда были выше или ниже реальных данных (см. Дополнительные рисунки S2, S4 и S5).

PDP для наиболее точных моделей (случайные леса и XGBoost) показал предельный эффект, который наиболее важные входные функции оказали на прогнозируемый результат случайных лесов и XGBoost. Например, влияние дня посадки в году на прогнозируемые значения урожайности кукурузы для обеих этих моделей ML схоже, подразумевая, что более поздние сроки посева приведут к снижению урожайности кукурузы.Аналогичным образом было показано, что с увеличением начального содержания нитратов в почве обе модели предсказывали более значительную потерю нитратов (см. Дополнительные рисунки S6 и S7 для получения более подробной информации).

Кроме того, график гиперпараметров для перекрестной проверки и ошибок тестирования наиболее значимых гиперпараметров каждой модели машинного обучения показан на дополнительном рисунке S8. На основе этих результатов, поскольку тенденции для гиперпараметров одинаковы как для CV, так и для ошибок теста, метод перекрестной проверки находит распределение набора тестов достаточно хорошим.Также было показано, что случайные леса — наименее чувствительная модель к изменениям гиперпараметров.

Анализ производительности машинного обучения в каждом месте выявил разные закономерности (рисунок 2). ML предсказал урожайность и потери азота в одних местах лучше, чем в других. Что касается прогноза урожайности, RRMSE варьировала от 7% до 29% для разных мест, в то время как RRMSE прогноза N потерь варьировала от 35% до> 100% (рисунок 2 (a)). Самый высокий RRMSE прогноза урожайности был получен в одном месте (GILMORE), и он был согласован для всех метамоделей ML.Напротив, самый высокий RRMSE из N прогнозов потерь был в двух местах (SERF и HICKS.B), но не постоянно среди всех метамоделей ML.

Увеличить Уменьшить Сбросить размер изображения

Рис. 2. Урожайность кукурузы (a) и потеря нитратов (b) результаты прогнозирования моделей ML, примененных на каждом участке. Значения RRMSE потерь XGBoost N для местоположений SERF и HICKS.B составили 347% и 161% соответственно.

Загрузить рисунок:

Стандартный образ Изображение высокого разрешения

3.2. Сколько данных нам нужно для обучения метамоделей машинного обучения?

Различные метамодели ML показали различную чувствительность к размеру обучающих данных (рисунок 3). С точки зрения прогнозирования урожайности XGBoost была наиболее чувствительной метамоделью машинного обучения, а случайные леса — наименее чувствительной метамоделью машинного обучения к размеру обучающего набора данных. Для прогнозирования урожайности максимальное RRMSE уменьшилось (таким образом, меньшая ошибка), когда размер обучающего набора данных увеличился с 0,4 до примерно 1,6 миллиона данных (рисунок 3). За пределами этой точки прогнозирование урожайности не принесло больших результатов за счет увеличения размера обучающего набора данных.

Увеличить Уменьшить Сбросить размер изображения

Рис. 3. Влияние изменения продолжительности исследования на прогнозы урожайности кукурузы (a) и потерь нитратов (b) (некоторые линии перекрываются).

Загрузить рисунок:

Стандартный образ Изображение высокого разрешения

В отличие от прогноза урожайности, мы не наблюдали согласованной взаимосвязи между RRMSE метамоделей ML и размером данных для прогноза N потерь (рисунок 3).Две метамодели машинного обучения выиграли от увеличения размера обучающих наборов данных (регрессионные модели), а две пострадали от негативного воздействия (случайные леса и XGBoost; рисунок 3).

3.3. Какие переменные входных данных наиболее важны для прогнозирования машинного обучения?

Различные метамодели машинного обучения показали разную чувствительность к переменным входных данных (рисунок 4). Принимая во внимание прогнозы урожайности кукурузы, случайные леса и XGBoost определили погодные особенности (например, температуру и дождь) как наиболее важные факторы, за которыми следуют управление и свойства почвы (т.е. органический углерод почвы и доступная для растений вода). Другие метамодели ML имели в 5 раз меньшую чувствительность к погодным особенностям, чем случайные леса и XGBoost с точки зрения прогноза урожайности. Усреднение чувствительности всех метамоделей ML показало, что погода была наиболее важной входной характеристикой (рисунок 4 (а)).

Увеличить Уменьшить Сбросить размер изображения

Рис. 4. Переменная важность моделей прогнозирования урожайности кукурузы.Входные характеристики разделены на четыре группы: начальные условия (уровень грунтовых вод и исходный N почвы), погода (дождь, температура и радиация), свойства почвы (органический углерод почвы, содержание и текстура воды, доступной для растений) и управление (N- время / норма, сорт, покровная культура, время посева и пожнивные остатки). Случайные леса и XGBoost, наши лучшие предсказатели, обнаружили схожие рейтинги переменных групп как при прогнозировании урожайности, так и при прогнозировании потерь N. Усреднение найденного рейтинга важности показывает, что погода была самой важной входной характеристикой.

Загрузить рисунок:

Стандартный образ Изображение высокого разрешения

Случайные леса, лучший предсказатель потерь азота (таблица 2), указали на погоду как на наиболее важную входную характеристику, объясняющую 43% общей дисперсии, и начальные условия в качестве второй по важности входной характеристики, объясняющей 38% общей дисперсии (рисунок 4). . Регрессия хребта, которая является вторым лучшим предсказателем потерь азота, также определила, что погода более важна, чем другие. Линейная регрессия и LASSO аналогичным образом обнаружили, что погода с последующими управленческими решениями и начальными условиями являются наиболее важными входными характеристиками.Наконец, XGBoost определил начальные условия и погоду как первые две наиболее важные особенности (рисунок 4 (b)).

3.4. Улучшают ли ансамбли метамоделей машинного обучения предсказание?

Комбинирование различных метамоделей с разным весом привело к получению ансамблей, которые улучшили прогноз урожайности кукурузы и потерь нитратов, чем лучшая единственная метамодель (таблица 2). Метамодель yield ensemble создала ансамбль с четырьмя из наших пяти моделей ML с весом 50% и 33% для случайных лесов и XGBoost соответственно.Ансамбль эталонных тестов, в котором все пять метамоделей машинного обучения получили равные веса и работают лучше, чем каждая отдельная модель, стоит на втором месте после оптимального ансамбля. Оптимальный набор привел к урожайности кукурузы и RRMSE потерь азота на уровне 12,3% и 51%, соответственно (таблица 2).

В этом исследовании мы количественно оценили роль алгоритмов машинного обучения как метамоделей для прогнозирования результатов, имеющих большое значение для заинтересованных сторон, таких как урожайность и потеря азота, еще во время посадки. Мы сравнили метамодели машинного обучения на предмет их точности (таблица 1; рисунок 2), требований к количественному размеру данных (рисунок 3) и важности входных переменных данных (рисунок 4), чтобы проинформировать экспериментаторов о будущих протоколах сбора данных и помочь разработчикам моделей, по которым метамодели машинного обучения используются. -модели на выбор для прогнозов.Ввиду увеличения доступности данных в сельском хозяйстве и развития аналитики от описательной к предписывающей (Национальная академия наук, E A M 2019), в настоящее время применяется больше приложений машинного обучения. Например, Ramanantenasoa и др. (2019) оценили эффективность различных метамоделей на основе машинного обучения для имитации сложных моделей, основанных на процессах, в прогнозировании выбросов аммиака, производимых сельскохозяйственной деятельностью, и продемонстрировали превосходство случайных лесов по сравнению с регрессией LASSO.Lawes и др. (2019) использовали моделирование ML и APSIM для прогнозирования оптимальных уровней азота для пшеницы, Puntel и др. (2019) и Qin и др. (2018) использовали ML и экспериментальные данные для прогнозирования оптимальных уровней азота в кукурузе. , в то время как другие изучают возможность объединения машинного обучения и имитационных моделей для разработки более быстрых и гибких инструментов для региональных оценок воздействия (Fienen и др. 2015) и параметризации имитационной модели (Gladish и др. 2019).

Алгоритмы ML предсказали урожай в конце сезона с RRMSE 13% –14%, что сопоставимо с соответствием имитационной модели полевым данным (рисунок S3) или, что еще лучше, учитывая, что только информация до времени посадки был рассмотрен в этом исследовании (Martinez-Feria et al 2018, Puntel et al 2019).С другой стороны, RRMSE совокупных годовых потерь азота (от урожая до урожая) было примерно в 4 раза выше, чем для урожая, и намного больше, чем ошибка самой имитационной модели, что указывает на то, что годовые потери азота нельзя надежно спрогнозировать с помощью информации до время посадки. Другой подход и, скорее всего, больше сезонной информации необходимы для уменьшения RRMSE в прогнозе потерь N. Потери азота очень чувствительны к экстремальным дождям, особенно весной (Iqbal et al 2018).Таким образом, включение осадков с мая по июнь (период времени, когда уровни азота в почве высоки из-за удобрений и низкого поглощения азота растениями) в алгоритмы ML может улучшить предсказуемость этой переменной.

Распространенной практикой для принятия управленческих решений является использование средней доходности за предыдущие годы. Например, эта информация используется для оценки целевых показателей урожайности для рекомендаций по норме внесения азотных удобрений (Morris et al 2018). При использовании этого подхода простого среднего RMSE, связанная с прогнозом урожайности для неизвестных лет в нашем наборе данных, составила 1899 кг га -1 .Использование ML уменьшило эту ошибку на 20–29% (таблица 2), показывая его потенциальную добавленную стоимость. Случайные леса и XGBoost были наиболее эффективными метамоделями ML для прогнозирования потерь азота и урожайности, соответственно, среди оцениваемых метамоделей ML (таблица 2). Случайные леса часто рассматриваются как очень гибкий алгоритм, часто превосходящий другие методы машинного обучения по ряду задач классификации и регрессии (Винченци и др. 2011, Мутанга и др. 2012, Фукуда, и др. 2013, Чон и др. al 2016).Улучшения в прогнозировании со случайными лесами были намного больше по потерям азота, чем по урожайности (таблица 2), по сравнению с множественной линейной регрессией. Это может быть признаком того, что потеря азота имеет гораздо большую степень нелинейности, чем урожайность. Несмотря на небольшую разницу в RRMSE урожайности, случайные леса действительно требовали меньше данных для обучения, чем другие метамодели машинного обучения (рисунок 3). Использование данных о погоде за более чем 10 лет не сильно повлияло на точность прогнозов урожайности. Это требование к данным составляет примерно половину по сравнению со всеми другими метамоделями.

Кроме того, разные алгоритмы машинного обучения, по-видимому, имеют разную чувствительность к функциям прогнозирования (рисунок 4). Это может означать, что в зависимости от доступности вводимых данных для исследуемой среды могут быть выбраны разные метамодели машинного обучения. Например, если начальные условия не представляют интереса, то случайные леса оказываются лучшим выбором для прогнозирования урожайности. Интересным результатом этого анализа является то, что начальное условие становится очень важным, когда ML должен прогнозировать потери N, и менее важным, когда ML прогнозирует доходность.Важно отметить, что получение показателей важности переменных из процедур машинного обучения может привести к смещенным результатам в зависимости от типа и степени коллинеарности между предикторами. Все вышеперечисленное необходимо учитывать при разработке протоколов для сбора данных, а также при разработке будущих метамоделей.

Чтобы оценить влияние выбора подмножества наиболее влиятельных входных переменных на результаты прогнозирования, после обучения модели случайных лесов на всем наборе данных для обучения использовались первые пять и десять входных переменных набора данных на основе ранжирования важности характеристик случайных лесов. новые модели случайных лесов с первыми пятью и первыми десятью наиболее важными входными характеристиками.Результаты показали, что случайные леса могут достичь RRMSE 14% и 17,3% с использованием только десяти и пяти основных входных функций, соответственно. Кроме того, RRMSE случайного леса для прогнозирования потерь азота с учетом десяти и пяти основных характеристик было рассчитано как 85,4% и 95,5% соответственно. Поэтому кажется, что выбор некоторых из наиболее важных входных функций не приведет к улучшению результата.

В этом исследовании мы столкнулись с двумя основными проблемами при разработке и обучении метамоделей машинного обучения.Во-первых, высокая дисперсия прогнозов и переобучение из-за различного поведения разных мест в разные годы означали, что тестовый набор данных не мог быть хорошо объяснен с помощью обученных метамоделей ML. Чтобы преодолеть эту проблему, мы предприняли следующие действия: (1) в набор данных были добавлены погодные и почвенные характеристики, чтобы сделать метамодели более универсальными, (2) непрерывные версии некоторых входных функций были добавлены в набор данных, ( 3) информация о погоде в паровой сезон была разделена на пять равных периодов, чтобы предоставить больше информации для более сложных метамоделей, и (4) четыре года (2012–2015; 0.4 миллиона данных) с различными погодными условиями были выбраны в качестве набора для проверки устойчивости. Вторая серьезная трудность заключалась в точной настройке гиперпараметров метамоделей машинного обучения, учитывая, что поведение целевых переменных в разные годы и в разных местах было совершенно разным. Мы решили эту проблему с помощью 5-кратного упреждающего подхода к перекрестной проверке, в котором мы разделили обучающий набор на наборы для проверки и обучения по годам, и в каждом случае построенные модели использовали только будущие наблюдения в качестве набора для проверки ( дополнительный рисунок S3).При таком подходе метамодели машинного обучения фиксировали вариации прогнозов для всех лет, когда эти годы были выбраны в проверочном наборе.

Интересно, что хотя и случайные леса, и XGBoost превзошли другие метамодели во всех местоположениях (таблица 2), они не показали хороших результатов в некоторых местоположениях (рисунок 2). Мы объяснили такое поведение наличием в этих местах сильных выбросов (экстремальных значений), учитывая более высокую склонность случайных лесов и XGBoost к обучению у выбросов (Reunanen et al 2003).Это была одна из причин, по которой мы также изучили возможность использования метамоделей. Было показано, что в приложениях для моделирования сельскохозяйственных культур и других приложений модели ансамбли являются лучшими предикторами урожайности, чем любая отдельная имитационная модель (Asseng et al 2013, Wallach et al 2018, Kimball et al 2019, Shahhosseini et al 2019a, 2019b). В этом исследовании мы обнаружили такую ​​же закономерность для метамоделей машинного обучения. Фактически, одинаково взвешенные ансамблевые метамодели давали лучшие результаты, чем отдельные модели при прогнозировании урожайности (таблица 2).Когда различные весовые коэффициенты были оптимизированы для разных комбинаций метамоделей ML для прогнозирования доходности, соответствие улучшилось по сравнению с самой эффективной метамоделью ML, которой в нашем случае была XGBoost (RRMSE 12,3% против 13,4%). Хотя ансамбли могут объединять достоинства нескольких алгоритмов, им в качестве входных данных требуются прогнозы, сделанные с помощью отдельных метамоделей машинного обучения, а также создание ансамблей требует дополнительных знаний и работы. Для будущей работы мы рекомендуем оценить более разнообразные алгоритмы машинного обучения, которые объясняют различные части вариации переменной ответа.При этом ожидается, что построенные ансамбли могут показать еще лучшие характеристики. Кроме того, еще одним предложением для будущей работы является оптимизация весов ансамблей на основе набора проверки, а не набора тестов.

Разработанные метамодели могут предложить реальный вариант для систем поддержки принятия решений, обеспечивая быстрые и разумные оценки урожайности фермерам и агрономам для оценки решений. Время вычисления APSIM и аналогичных моделей на основе процессов может быть ограничением, особенно для больших систем, которым требуются прогнозы для исследования большого пространства сценариев за небольшой промежуток времени.В качестве примера, сравнение времени выполнения APSIM и метамоделей ML 400 случайно выбранных сценариев на персональном компьютере показало, что время выполнения APSIM для одного сценария (5,8 с) было на три порядка больше, чем для всех рассмотренных здесь моделей ML (1–5 мс; рисунок S9). Уже доступные инструменты, такие как Инструмент принятия решения о посадке сои, выпущенный в 2014 году (Licht et al 2015), показали свою ценность, помогая фермерам принимать решения, особенно в сложных условиях (например, задержка посева в 2019 году в Айове из-за исключительно влажной весны. ).Наши результаты согласуются с предыдущими исследованиями (Ramanantenasoa et al 2019) и подчеркивают потенциал объединения имитационных моделей и машинного обучения для разработки инструментов динамической поддержки принятия решений для управления сельским хозяйством.

Мы сравнили четыре алгоритма машинного обучения в качестве метамоделей для прогнозирования смоделированной урожайности кукурузы и потерь азота, обученных с использованием доступной информации во время посева. Основываясь на наших результатах, мы пришли к выводу, что смоделированные урожаи могут быть более разумными, чем годовые кумулятивные потери азота.Хотя более высокая производительность и более низкие требования к данным случайных лесов делают этот метод предпочтительным среди метамоделей, оцениваемых в этом анализе, как показано здесь, наборы данных с сильными выбросами могут привести к высокой ошибке. Поэтому мы рекомендуем оценивать различные подходы к машинному обучению для конкретных наборов данных при разработке метамоделей. Мы обнаружили доказательства того, что оптимизированные ансамбли машинного обучения могут существенно превосходить метамодель одиночного машинного обучения. Это исследование демонстрирует потенциальную роль метамоделей в разработке систем динамических рекомендаций для предсезонных управленческих решений.

Эта работа частично поддержана проектом 1011702 Национального института продовольствия и сельского хозяйства Министерства сельского хозяйства США и Института наук о растениях Университета штата Айова.

В статью включены все данные, подтверждающие выводы этого исследования.

Атмосфера | Бесплатный полнотекстовый | Использование статистической модели сельскохозяйственных культур для прогнозирования урожайности кукурузы к концу века для региона Азуэро в Панаме

1. Введение

Биофизическое влияние изменения климатических моделей на сельское хозяйство и управление растениеводством в значительной степени изучено [1,2].Более того, известно, что влияние этого изменения выше в развивающихся странах, и мелкие фермеры вынуждены заниматься натуральным неорошаемым земледелием (без орошения) [3]. Следовательно, странам настоятельно необходимо изучить изменения в своих значениях урожайности в реальном климате и смоделировать их урожайность в будущем климате [4]. Фактически, этот процесс часто осуществляется с помощью биофизических моделей, агроэкологических моделей, моделей статистического анализа и глобальных сетевых моделей сельскохозяйственных культур. Эти модели создаются для получения оценок во всем мире, обычно для отдельных культур (зерновых с высоким содержанием пищевой энергии), таких как кукуруза, пшеница, рис и соя [4,5], и часто изучаются с точки зрения продовольственной безопасности [6].Однако также проводятся исследования культур, представляющих особый экономический интерес в стране, или тех, которые используются в качестве продуктов питания, таких как сахарный тростник или другие [7]. Всесторонний обзор последствий изменения климата для сельскохозяйственных культур представлен в [8]. Некоторые исследования были ориентированы на прогнозирование кукурузы в странах или регионах, например, в случае латиноамериканского региона, основополагающая статья 2003 г. Джонс и Торнтон [9] часто используется в качестве примера. В этой статье авторы сосредотачиваются на воздействии, которое изменение климата окажет на кукурузу в Африке и Латинской Америке, страна за страной до 2055 года, с использованием модели урожая «Оценка урожая через синтез ресурсов и окружающей среды» (CERES) — модели кукурузы.Авторы прогнозируют общее снижение урожайности кукурузы на 10% в 2055 году, но предлагают противодействовать этому с помощью технологических вмешательств и селекции растений. В случае урожая кукурузы в Панаме Джонс и Торнтон [9] подсчитали потери в размере 238 кг / га, что представляет собой потерю более 14 000 тонн в 2055 году. В работе Ruane et al. [10] представлена ​​более четкая картина о Панаме и производстве кукурузы. Авторы сосредотачиваются на Лос-Сантосе и исследуют влияние на урожай кукурузы в трех различных временных периодах: краткосрочном (2005–2034 гг.), Середине века (2040–2069 гг.) И конце века (2070–2099 гг.), Используя ансамбль из 16 моделей GCM и модель CERES-Maize в двух разных сценариях, один с высокими выбросами A2 (сравнимое воздействие с RCP8.5) и низкий уровень выбросов B1 (сопоставимый с RCP 4.5). В результате доходность выглядит следующим образом (для A2 и B1, соответственно): снижение на 0,5% и 0,1% в краткосрочной перспективе, увеличение на 2,4% и снижение на 0,8% в середине века и увеличение на 4,5% и 1,5% для В конце века. Помимо этих моделей, основанных на процессах, другие разработки основаны на статистических моделях урожайности, часто называемых эмпирическими моделями. С точки зрения их результатов обе модели сопоставимы, так как их результаты сильно пересекаются [11,12,13]. Первый тип моделей часто включает эффекты CO2, которые могут быть связаны с потеплением, тогда как в статистических моделях это не учитывается [11].Кого и др. [14] заявляет, что, хотя моделирование и модели, основанные на процессах, нуждаются в валидации, регрессионная модель корректируется с учетом реальных агрономических урожаев, таким образом отражая истинное явление. В Holzkämper et al. [15], влияние температуры и осадков оценивалось с помощью статистической модели сельскохозяйственных культур для кукурузы. В Holzkämper et al. [16], анализ расширен и включает как технологические, так и статистические модели сельскохозяйственных культур для определения воздействия климата на кукурузу. В частности, что касается статистических методов, Shi et al.освещает проблемы, существующие в чувствительности урожайности сельскохозяйственных культур к изменению климата с использованием статистических моделей, которые включают определение степени пространственного и временного масштабов, устранение тенденции и устранение коллинеарности в моделях. Некоторые из этих вопросов также обсуждаются в [17]. Случай будущего климата в Республике Панама рассматривался многими исследователями с использованием различных моделей. Однако значительное количество исследований было сосредоточено на данных об осадках на конец века с использованием модели MRI-AGCM [18,19,20,21].Большинство этих исследований показывают, что в будущем количество осадков увеличится в центральной и восточной частях Панамы с мая по ноябрь, что соответствует сезону дождей. Увеличение количества осадков в большинстве регионов можно объяснить увеличением переноса водяного пара, исходящего из Карибского моря, которое сходится с Панамой. По сравнению с объемом работы, посвященной прогнозным исследованиям климата для Панамы, меньше работы было сделано в отношении последствий. этих будущих климатических изменений.Ранние работы Espinosa et al. [22] оценили влияние климатических изменений на водные ресурсы Панамы для трех регионов в бассейнах рек Ла-Вилла (провинция Лос-Сантос), Чирики и Чагрес. В [23] изменение климата оценивается с точки зрения сельскохозяйственного развития высокогорья Западной Панамы в провинции Чирики. Что еще более интересно, Гарсия и др. [24] сосредоточили внимание на климатических аномалиях, обнаруженных в прогнозах для бассейна реки Ла-Вилла на 2050 и 2070 годы с использованием данных из метеорологической базы данных WorldClim.

Фактически, помимо усилий Руана по использованию модели на основе процессов для кукурузы в регионе Азуэро, было проведено мало исследований для оценки климатических сценариев и их влияния на урожайность сельскохозяйственных культур. В ответ на эту реальность цели данной работы заключаются в следующем. (1) Изучите набор данных метеорологических прогнозов, предоставленных моделью MRI-ACGM. (2) Изучить прогнозируемые осадки и температуру для сценариев RCP8.5 для четырех различных ансамблей температуры поверхности моря.(3) Изучить влияние осадков и температуры в регионе Асуэро с помощью статистической модели сельскохозяйственных культур и изучить их влияние на производство кукурузы в разные сроки посадки. (4) Предоставление скорректированных на систематическую ошибку оценок основных метеорологических переменных для дальнейшего использования.

4. Выводы

Хорошо известно, что изменчивость климата приводит к важному изменению правил игры для растениеводства. Это, очевидно, представляет собой огромные проблемы для производителей, фермеров и правительства, но также и для других участников академических кругов, которым, возможно, потребуется найти решения для планирования и смягчения последствий.Следовательно, это означает, что существует необходимость внести глубокие коррективы в сельскохозяйственную деятельность для обеспечения ее существования в будущем [25]. Другими словами, понимание того, что изменение климата подразумевает явный и прямой риск для продовольственной безопасности на региональном и глобальном уровнях. По этой причине существует потребность в изучении прогнозов климата на основе моделей и их краткосрочных, среднесрочных и долгосрочных прогнозов для сельскохозяйственного сектора [12]. Для Республики Панама этот риск распространяется на понимание изменений, которые могут произойти в деятельности, связанной с критическими водными ресурсами в Панаме (см. Эксплуатация Панамского канала, производство гидроэлектроэнергии и, что более важно для нашего исследования, сельское хозяйство) [20].В этой работе прогнозируемые переменные осадки и температура из модели MRI-AGCM 3.2 изучались в районе Азуэро. Результаты подтвердили, что увеличение количества осадков будет оценено в регионе в конце века [50]. В частности, прогнозируется, что дневное количество осадков увеличится в среднем на> 15 мм, а температура повысится с 26 C до 36 ∘C. Что касается населенных пунктов, прогнозы будущих осадков скорректированы для населенных пунктов к северу от региона Азуэро по отношению к ансамблю C0 SST.Прогнозы осадков на будущее скорректированы для населенных пунктов к югу от Азуэро с учетом ансамблей ТПМ C1, C2 и C3.

Простая коррекция была использована для снижения доходности по текущим временным прогнозам (SPA). Дельта-метод использовался для уменьшения смещения будущих оценок климата (SFA) как для переменных осадков, так и для температуры. В случае максимальной температуры значения увеличиваются относительно исправленных. Модель регрессии имеет тенденцию недооценивать максимальную прогнозируемую температуру и переоценивать минимальную прогнозируемую температуру.Неудивительно, что самые низкие урожаи наблюдаются для всего ансамбля SST для более поздних сроков посадки. Что еще более интересно, модель доходности показала, что для SST-ансамблей C0, C2 и C3 доходность увеличится вдвое, в то время как для C1-SST-ансамбля прогнозируется в среднем 5% -ное снижение за период. Это говорит о том, что, хотя модель урожайности показывает, что добыча вырастет вдвое, это изменение чувствительно к будущему распределению температуры поверхности моря.

В качестве будущей работы с точки зрения агрономической модели можно использовать более длительные временные ряды для расчета урожайности кукурузы.В этой новой модели было бы разумно включить количество растений, которые существуют во время сбора урожая, чтобы скорректировать ожидаемую урожайность в соответствии с количеством растений кукурузы на гектар. Сейчас это число составляет 65 000 с гектара и является решающим фактором для определения урожайности.

Еще одним важным моментом было бы иметь данные по орошаемой кукурузе, чтобы иметь возможность иметь модель, которая прогнозирует урожай без дефицита воды. Это поможет еще больше разделить влияние дождя и температуры, поскольку для регрессионной модели для региона Азуэро осадки больше отражают изменчивость реакции урожайности зерна, чем температуру.Отчасти это связано с его большей вариативностью. В том же ключе модель может включать различную обработку переменных, например определение трендов зависимых и независимых переменных, логарифмическое преобразование переменной урожайности), чтобы предоставить дополнительную информацию о том, как определить независимый эффект температуры и осадков. об урожайности, в настоящем и будущем.

Осадки — хорошо изученное явление в Панаме, главным образом для обеспечения их доступности для функционирования Панамского канала и круговорота воды на водоразделе канала.Однако другие переменные, которые важны для роста сельскохозяйственных культур, например, VPD, солнечная радиация и УФ-лучи, которые важны для кукурузы, не прогнозировались на период конца столетия. Эти переменные следует включать в новые модели по мере того, как они становятся доступными для исследовательского сообщества.

Более того, известно, что эффект удобрения CO2 [51] плохо управляется в статистических моделях сельскохозяйственных культур [14]. Последующие модели должны включать этот компонент либо путем создания ансамбля как технологических, так и статистических моделей сельскохозяйственных культур, как было предложено Робертсом и др.[13] и Lobell et al. [11], вычитая эффект CO2 из урожайности при различных RCP [10], вычисляя его из сравнения нескольких моделей [5] или оценивая его на месте, как это делается с тропическим лесом на острове Барро-Колорадо в Панаме. [52]. Наконец, важно констатировать, что это исследование и аналогичные исследования имеют большую актуальность; Только на регион Асуэро приходится более 95% кукурузы, выращиваемой в стране, при этом ежегодно производится 18 000 гектаров, а общий объем производства составляет 45 000 тонн зерна в год [49].Таким образом, все усилия по смягчению последствий и усилия по пониманию будущего климата и их последствий очень важны для суверенитета и продовольственной безопасности Панамы.

Моделирование начальной загрузки для оценки модели оценки степени перекрестного опыления кукурузы на уровне поля

Abstract

С недавним появлением генной инженерии были разработаны многочисленные генетически модифицированные (ГМ) культуры и начаты полевые посадки. При выращивании в открытых условиях может происходить перекрестное опыление (КП) ГМ-культур дикими родственниками, традиционными культурами и органическими культурами.Этот обмен генетическим материалом приводит к феномену потока генов. Следовательно, исследования потока генов среди ГМ-культур были в первую очередь сосредоточены на степени распространения ЦП между участком источника пыльцы и прилегающим полем-реципиентом. В настоящем исследовании черная жемчужная восковая кукуруза (разновидность пурпурной клейкой кукурузы) использовалась для моделирования источника пыльцы ГМ-кукурузы. Получателем пыльцы была кукуруза Tainan No. 23 (разновидность белой клейкой кукурузы). Процент ЦП (%) рассчитывали по влиянию ксении на цвет ядра.Мы оценили пригодность общепринятых эмпирических моделей потока генов, опосредованных пыльцой (PMGF), для ГМ кукурузы, и эффект границы поля (FB) модели был рассмотрен для малых сельскохозяйственных систем в Азии. Данные в полевом масштабе были использованы для построения оптимальной модели PMGF кукурузы в производящих кукурузу районах округа Цзяи на юге Тайваня (R.O.C). Кроме того, каждая модель была проверена путем моделирования и с использованием 95% -ного процентиля длины доверительного интервала начальной загрузки. Согласно результатам, модель, учитывающая как расстояние от источника, так и FB, может иметь оптимальные возможности подгонки и прогнозирования.

Образец цитирования: Kuo B-J, Jhong Y-S, Yiu T-J, Su Y-C, Lin W-S (2021) Моделирование начальной загрузки для оценки модели оценки степени перекрестного опыления кукурузы на уровне поля. PLoS ONE 16 (5): e0249700. https://doi.org/10.1371/journal.pone.0249700

Редактор: Мехди Рахими, Высший университет передовых технологий, ИСЛАМСКАЯ РЕСПУБЛИКА ИРАН

Поступила: 28 июля 2020 г .; Принята к печати: 24 марта 2021 г .; Опубликован: 19 мая 2021 г.

Авторские права: © 2021 Kuo et al.Это статья в открытом доступе, распространяемая в соответствии с условиями лицензии Creative Commons Attribution License, которая разрешает неограниченное использование, распространение и воспроизведение на любом носителе при условии указания автора и источника.

Доступность данных: Исходный показатель CP (%) из таблицы 1 в различных строках и расстояния от источника пыльцы в полях 2009-1, 2009-2 и 2010-1 доступны на Figshare (https: / /doi.org/10.6084/m9.figshare.13370756.v1) где расстояние = расстояние от источника пыльцы (м), CP = коэффициент перекрестного опыления, Po = коэффициент CP (%) на краю поля-получателя пыльцы. , а ID = изоляционное расстояние.

Финансирование: Министерство науки и технологий предоставило финансирование для оплаты публикации в форме гранта, предоставленного BJK, через Pervasive AI Research Labs (PAIR) Labs, Тайвань (108-2634-F-005-003), и Центр инноваций и развития устойчивого сельского хозяйства, из программы Центра исследований избранных областей, в рамках проекта «Ростки высшего образования» Министерства образования (МО) Тайваня. Дополнительного внешнего финансирования для этого исследования получено не было.Финансирующие организации не играли никакой роли в дизайне исследования, сборе и анализе данных, принятии решения о публикации или подготовке рукописи.

Конкурирующие интересы: Авторы заявили, что никаких конкурирующих интересов не существует.

Введение

Благодаря усовершенствованию биотехнологии и генной инженерии площадь, отведенная под выращивание генетически модифицированных (ГМ) культур, увеличилась на 1,9 миллиона гектаров с 2017 по 2018 год [1]. Из 26 стран, выращивающих ГМ-культуры в 2018 году, пять стран выращивали 91% этих культур [1].Более того, более 70% растений производят потомство в результате перекрестного опыления (КП) между видами; это обычно наблюдаемый эволюционный феномен у растений, и пыльца является первичной средой для этого процесса [2]. Следовательно, когда ГМ-культуры выращиваются в открытой среде, их пыльца может распространяться в отдаленные места с помощью воздушного потока [3]. ХП может происходить от ГМ-культур к диким родственникам, обычным культурам и органическим культурам в результате распространения пыльцы. Это приводит к обмену генетическим материалом, и возникающий в результате феномен потока генов влияет на соседние культуры.Пыльце-опосредованный поток генов (PMGF) можно оценить, оценив уровень CP (%) от участков источника пыльцы до полей-реципиентов.

Кукуруза ( Zea mays L.) — типичная культура, опыляемая ветром. Пыльца отслаивается до того, как кисточка полностью появится, и длится примерно 5-6 дней. Обычно период образования кисточки не совпадает с периодом шелушения кукурузы, что приводит к высокому уровню ЦП. Однако вероятность самоопыления остается примерно 5% [4, 5]

Как правило, для видов, опыляемых ветром, поток пыльцы и CP уменьшаются по мере удаления от источника пыльцы, и это уменьшение следует за лептокуртическим распределением.Длина и форма хвоста распределения зависят от биологических факторов и факторов окружающей среды [6, 7]. Поскольку пыльцевые зерна кукурузы тяжелее (примерно 0,25 мкг) и крупнее (диаметр примерно 70–100 мкм), чем у других видов, опыляемых ветром, пыльца кукурузы обычно распространяется на ограниченном расстоянии. Следовательно, частота КП (%) быстро уменьшается с расстоянием, и распределение этого снижения часто имеет жирный хвост. Таким образом, по сравнению с другими распределениями лептокуртическое распределение лучше моделирует взаимосвязь между уровнем CP (%) и расстоянием от источника пыльцы кукурузы [7].

Для предотвращения загрязнения культур, не содержащих ГМ, или связанных с ними производных продуктов из-за непреднамеренной ХП и обеспечения свободы выбора потребителями между ГМ и не ГМО продуктами, Европейский Союз (ЕС) установил порог толерантности для случайного присутствия (AP) событий GM на 0,9% (Регламент ЕС № 1829/2003). Расстояние изоляции (ID) — это обычная мера сосуществования, используемая для минимизации AP. Кроме того, согласно действующим нормам ЕС, государства-члены несут ответственность за принятие индивидуальных законов о сосуществовании.Однако в этих штатах есть существенные расхождения между своими нормативными актами, регулирующими обязательные и признанные ID для посадки ГМ кукурузы [8]. Различия между обязательными и регулируемыми идентификаторами кукурузы в странах-членах ЕС в ЕС довольно велики [8]: от нормативного идентификатора 15 м в Швеции до 800 м в Люксембурге для фуражной кукурузы [9, 10]. Следовательно, для определения подходящего идентификатора для реальных условий требуется четкое понимание распределения PMGF.

Исследования моделировали PMGF для кукурузы.Баннерт и Стэмп [11] исследовали тенденцию ЦП после распространения пыльцы кукурузы на большие расстояния. Поля кукурузы имели площадь 0,5–1,5 га, а расстояние между полями источника и получателя составляло 50–4500 м. Результаты показали, что вертикальный ветер и порывы, возникающие в результате теплового воздействия или турбулентности, были основными причинами дальнего CP. Кроме того, средняя ставка CP (%) для полей получателя была> 0,02%. Ma et al. 2004 [4] разделил полевые экспериментальные данные на подгруппы по ветру и против ветра и использовал экспоненциальные уравнения для исследования взаимосвязи между уровнем CP (%) обычного гибрида кукурузы и расстоянием от соседних полей GM-кукурузы.Результаты показали, что уровень ХП (%) составляет 0% на расстоянии не менее 30 м от источника пыльцы. Более того, чтобы определить эффективный буфер изоляции между полями источника пыльцы и реципиента и поддерживать средний уровень CP (%) ниже порога ЕС 0,9%, Gustafson et al. 2006 [12] использовали функции распада журнала для построения эмпирической модели. Результаты моделирования показали, что, когда исходное поле занимало площадь 0,07–0,65 га, средняя норма ХП (%) для поля-получателя на 1 га была меньше 0.9%, с внутренним диаметром 20 м и бордюрами. В 2008 году Делла Порта и др. [5] использовали экспериментальные данные по ветру и по ветру для сравнения возможностей подгонки следующих трех эмпирических моделей для описания взаимосвязи между частотой CP (%) и расстоянием от источника пыльцы: экспоненциальная модель, логарифмическая модель и логарифм. –Квадратная модель. Результаты показали, что лучше всего подходит логарифмическая модель (уравнение степенного закона). Однако при использовании этой модели показатель ХП (%) был завышен для расстояний в пределах 3 м от поля-реципиента до источника пыльцы.Шуштар-Возлич и др. 2010 [13] использовал обратные степенные функции для разработки подходящей модели CP. Для точной оценки CP кукурузных полей необходимо собрать и исследовать многочисленные образцы [13]. Однако, если соответствующая модель и набор методов выборки используются для расчета CP в полевых условиях, требуемый размер выборки может быть уменьшен.

Для проведения оценки кукурузных полей площадью менее 5 га в масштабе хозяйства, Weekes et al. [14] использовали экспериментальные данные, собранные на 55 экспериментальных участках в Англии, и разработали модель потока генов.Эта модель состояла из двух этапов: (1) были приняты логарифмические уравнения второго порядка для определения вероятности того, что образец имеет содержание GM 0% на заданном расстоянии в пределах поля получателя, и (2) бета-распределение использовалось для расчета средняя доля содержания GM на заданном расстоянии. На основе этой модели было рекомендовано разделительное расстояние 3 м, чтобы гарантировать, что у соседней культуры показатель CP (%) меньше порогового значения 0,9% при использовании квадратного поля источника с площадью 150 × 150 м 2 .

Большинство исследований PMGF ГМ кукурузы проводилось в странах-членах ЕС или Северной Америке на крупных полях. Однако на результаты PMGF могут влиять факторы окружающей среды, особенно региональный климат, сельскохозяйственный ландшафт и экспериментальные материалы. Следовательно, реальные полевые эксперименты с PMGF от участков источника пыльцы до полей-реципиентов в системе мелких фермерских хозяйств являются оправданными.

В этом исследовании среда на ферме, где выращивают как ГМ-культуры, так и не-ГМ-культуры, была разработана для изучения потока генов ГМ-культур и последующего снижения риска передачи ГМ-генов обычным культурам.Хотя многие страны разрешили коммерческое выращивание ГМ-культур на больших площадях, ни одна ГМ-культура не была одобрена для коммерческого выращивания на Тайване. Более того, в небольших сельскохозяйственных ландшафтах Тайваня посевные поля часто разделены границами полей (FB), такими как проезжие части между полями. Поэтому также учитывалось влияние FB на CP. Это первое всестороннее исследование влияния ID и FB на уровень CP (%) кукурузы на Тайване, острове с субтропическим климатом.

Уезд Цзяи — основной район Тайваня по выращиванию кукурузы. Поэтому в течение вегетационных сезонов 2009 и 2010 годов в городе Пузих, округ Цзяи (23 ° 47 ′ с.ш., 120 ° 26 ′ в.д.) были проведены эксперименты с целью определения оптимальной модели для ЦП. Эмпирические модели потока пыльцы, использованные в других исследованиях, использовались для разработки модели CP для районов производства кукурузы с небольшими сельскохозяйственными ландшафтами. Кроме того, сравнивались возможности подгонки эмпирических моделей, а стабильность подгонки и предсказательные способности оптимальной модели оценивались с использованием 1000 начальных симуляций.Результаты могут помочь правительствам в создании систем сосуществования для ГМ-культур и не-ГМ-культур при распределении полей для выращивания ГМ-кукурузы. Эта информация также может быть справочной для других азиатских стран с аналогичными системами ведения сельского хозяйства, таких как Япония, Корея и Филиппины.

Материалы и методы

Полевой дизайн

В данном исследовании эксперименты проводились на станции Пузих на станции улучшения сельского хозяйства Тайнаньского района с 2009 по 2010 год.Более того, FB распространены в агроэкосистемах Тайваня, потому что поля часто разделены дорогами. Таким образом, чтобы создать модель, которая включает как расстояние от источника, так и FB, были проведены следующие три полевых эксперимента (рис. 1): (1) В течение первого сезона урожая в 2009 г. (2009–1) было спланировано исследование. для исследования обстоятельств, при которых источник пыльцы соседствует с полем получателя пыльцы. Поскольку в 2009–2001 гг. Преобладающий ветер дул с юга, источник пыльцы был обозначен на южной окраине, а получатель пыльцы находился с подветренной стороны от источника пыльцы (рис. 1A).Общая площадь участка составляла примерно 0,42 га (84,5 × 50 м 2 ), а соотношение площади поля источника и получателя было примерно 1: 2,6. (2) Во время второго посевного сезона 2009 г. (2009–2) было разработано исследование для оценки воздействия FB. Поле реципиента пыльцы было разделено на часть A (без FB; 2009-2A) и часть B (с FB; 2009-2B). Часть A находилась рядом с источником пыльцы, а часть B имела FB шириной 6,75 м для обеспечения отделения от источника пыльцы. Поскольку во время осени преобладает ветер с севера, источник пыльцы был обозначен на северном краю (рис. 1B).Общая площадь участка составляла примерно 0,42 га (84,5 × 50 м 2 ), а соотношение площади поля источника и получателя было примерно 1: 2,5. (3) В течение первого посевного сезона 2010 г. (2010–2001 гг.) Был проведен эксперимент с FB больше, чем в 2009–202 гг. Поля кукурузы были разделены ПП шириной 7,5 м между полем-реципиентом и источником пыльцы (рис. 1С). Поскольку летом преобладает южный ветер, источник пыльцы был обозначен на южной окраине.Общая площадь участка составляла приблизительно 0,55 га, а соотношение площади поля источника пыльцы и площади получателя было приблизительно 1: 1,8.

Рис. 1. Схема поля и план участков для проведения экспериментов.

Урожайные сезоны (а) 2009–1, (б) 2009–2, и (в) 2010–1. Сплошная линия указывает получателя пыльцы, пунктирная линия указывает источник пыльцы, а сетевой узел указывает FB. Пример расположения пробных площадок показан в первой строке каждого эксперимента.

https: // doi.org / 10.1371 / journal.pone.0249700.g001

Растениеводство

Для этого эксперимента были отобраны два коммерческих сорта клейкой кукурузы с разным цветом зерна из выращиваемых на Тайване. В качестве источника пыльцы использовалась восковая кукуруза «Черный жемчуг» (Known-You Seed Co., Гаосюн, Тайвань) с пурпурными зернами. Период от посадки до цветения этого сорта составляет примерно 40–50 дней. Кроме того, в качестве реципиента пыльцы использовалась кукуруза Tainan No. 23, имеющая белое зерно и подходящая для посадки в центральном и южном Тайване.Цвет околоплодника кукурузы в результате эффекта ксении (т. Е. Пурпурные зерна на белых початках реципиента пыльцы) был использован для определения уровня ЦП (%). Эффект ксении кукурузы вызван действием различных генов источника пыльцы, приводящих к эндосперму, на развитие семян.

В этом исследовании мы использовали традиционные методы управления сельским хозяйством. Расстояние между отдельными растениями в ряду составляло 0,25 м, расстояние между рядами — 0,75 м.Поля кукурузы были засеяны плотностью 53 018 растений на га −1 на поле 2009–1, 53 251 растения на −1 на поле 2009–2 и 53 467 растений на –1 на поле 2010–1 ( Рисунок 1).

Финики растений

Чтобы обеспечить соответствие между высвобождением мужской пыльцы пурпурной кукурузы и периодом шелушения белой кукурузы, пурпурную кукурузу высевали двумя партиями в зависимости от времени посадки. Белый сорт кукурузы зацветает немного позже, чем пурпурный, в городе Пузих, округ Цзяи.Таким образом, в эксперименте 2009–2001 гг. Белая кукуруза была посеяна 8 мая, первая партия пурпурной кукурузы была посеяна 11 мая, а вторая партия пурпурной кукурузы была посеяна 13 мая. Однако результаты эксперимента 2009–2001 гг. Не показали четкой разницы между периодами цветения белых и пурпурных сортов кукурузы. Поэтому в последующих экспериментах первая партия пурпурной кукурузы была посеяна за 3-5 дней до посева белой кукурузы, а вторая партия пурпурной кукурузы была посеяна одновременно с белой кукурузой.В эксперименте 2009–2002 гг. Белая кукуруза была посеяна 16 октября, первая партия пурпурной кукурузы была посеяна 13 октября, а вторая партия пурпурной кукурузы была посеяна 16 октября. В эксперименте 2010–1 гг. Белая кукуруза была посеяна 3 мая, первая партия пурпурной кукурузы была посеяна 28 апреля, а вторая партия пурпурной кукурузы была посеяна 3 мая.

Мониторинг климата в период цветения

Метеорологическая информация во время экспериментов, включая скорость и направление ветра, была получена на станции филиала Центрального бюро погоды в Ичу (23 ° 36’N, 120 ° 28’E).Скорость и направление ветра регистрировались ежечасно с 6 до 16 часов. в течение 7 дней до и после периода шелушения реципиента пыльцы. Изменения в графиках роз ветров использовались для интерпретации трендов скорости и направления ветра.

Сбор данных и расчет коэффициента CP (%)

В этом исследовании, чтобы изучить взаимосвязь между уровнем CP (%) и расстоянием от источника пыльцы, уши были измерены для каждого небольшого участка с использованием метода переписи. Поле 2009–2001 гг. Исследовалось с использованием переписной шкалы с небольшими пробными площадями площадью 2.5 × 0,75 м 2 (количество недостающих участков: 5; количество измеренных участков: 1635). Кроме того, для выявления и точного описания тенденций потока генов у кукурузы, початки были измерены на небольших пробных площадях с площадью 1,25 × 0,75 м 2 в 2009–2002 гг. (Количество пропущенных участков: 10, количество измеренных участков: 3110 ) и полей 2010–1 гг. (количество недостающих площадок: 392, количество измеренных площадок: 3 248).

Визуальный осмотр ушей реципиента пыльцы и подсчет ксении использовали для расчета частоты ЦП (%).Таким образом, процент ЦП (%) оценивался путем подсчета количества ядер пурпурной ксении на реципиенте белой пыльцы в соответствии со следующей формулой (уравнение 1) [5, 11]: (1) где n — количество ушей на пробном участке, Ear i — количество пурпурных ядер на i -м ухе на пробном участке, а AVK — среднее количество ядер для уха в поле. . Для определения AVK из каждого участка выборки случайным образом выбирали два колоса и подсчитывали общее количество зерен для каждого выбранного початка кукурузы, чтобы вычислить среднее количество зерен в початке.

PMFG модели

В предыдущих исследованиях большинство моделей, описывающих взаимосвязь между частотой CP (%) и расстоянием от источника пыльцы, можно разделить на следующие типы: экспоненциальная модель, логарифмическая модель и логарифмическая квадратная модель. В этих уравнениях под расстоянием понимается расстояние (м) от отобранных колосьев до края поля источника пыльцы, а a и b являются параметрами модели [4, 5].

Чтобы учесть эффекты ОС, планы полей экспериментов 2009–2 и 2010–1 гг. Включали ОС.Поэтому, помимо использования вышеупомянутых моделей, подход эмпирического моделирования, предложенный Gustafson et al. [12]. Эта модель содержала информацию о случайном наличии признака ГМ в семенах в пределах поля-реципиента (%) (AP), долю пыльцы, содержащей признак GM (F GM ), частоту CP в ряду, ближайшем к краю. поля получателя пыльцы ( P 0 ), идентификатор от края поля источника до поля получателя (идентификатор; это было то же самое, что и FB в настоящем исследовании), расстояние от края поля получателя, ближайшего к источник ( x ) и ширину граничных рядов (в метрах) для культур без ГМ, посаженных между полями источника и получателя (BR) (уравнение 2).

(2)

После того, как данные индивидуальных полевых испытаний были подобраны с использованием подхода эмпирического моделирования, тенденция потока генов в реципиентных или пограничных рядах может быть уменьшена, на что указывает коэффициент константы пропорциональности, и вдвое эффективнее, чем ID ( незасаженный буфер для изоляции), как сообщается в Gustafson et al. [12]. Следовательно, в этом исследовании константы пропорциональности для FB и расстояния в пределах поля-реципиента были переоценены на основе данных полевых экспериментов, проведенных в вегетационные сезоны 2009 и 2010 годов.

Кроме того, в европейской коммерческой биотехнологической среде, поскольку AP неизбежных генетически измененных свойств семян должен быть менее 0,3%, AP был установлен на уровне 0,003 в модели [12]. Однако в соответствии с действующими правилами посадки ГМ-культур на Тайване, ГМ-культуры не были одобрены для коммерческого выращивания в открытых полях. Кроме того, посаженные семена нельзя смешивать с ГМ-семенами. Следовательно, AP для подхода эмпирического моделирования следует скорректировать до 0% для условий текущей сельскохозяйственной среды Тайваня.Кроме того, чтобы соответствовать правилам посадки, запрещающим выращивание ГМ-культур, F GM был установлен на 1; то есть все пыльцевые зерна, содержащие ГМ-признаки, представляют риск распространения ГМ-признаков через опыление [12]. Gustafson et al. [12] также указали, что математические описания взаимосвязей между потоком генов и расстоянием от источника пыльцы такие же, как и для реципиентных и пограничных рядов. Однако строки в изолированном поле с кукурузой без ГМ между полями источника и получателя не рассматривались как граничные.Следовательно, при эмпирическом моделировании BR был установлен на 0.

Модели со значениями коэффициентов, оцененные по данным и предложенные Gustafson et al. [12] были оценены в этом исследовании. Кроме того, были исследованы модели с 0,003 АР и без нее, чтобы оценить предположение, что семена-рецепторы несут ГМ-признак из-за 0,3% АР. Таким образом, следующие пять моделей (уравнения 3–7) были использованы для описания взаимосвязи между уровнем CP (%) и расстоянием от источника пыльцы в полевых экспериментах: (3) (4) (5) (6) (7) где CP i относится к скорости CP (%), оцененной с использованием модели i th, расстояние — это расстояние (м) от участка выборки до края поля источника пыльцы, FB — это ширина FB, который функционирует как буфер изоляции, P 0 — это параметр, который описывает частоту CP (%) на краю поля реципиента пыльцы, а a и b являются модельными параметры.

Имитационный анализ

Для оценки эффективности подгонки и предсказательной способности моделей, а также стабильности оцененных параметров был выполнен бутстрэппинг для моделирования распределения населения. Бутстрапирование — это непараметрический метод моделирования, который использует ресурсоемкую методику повторной выборки для оценки дисперсии статистики или параметра [15]. Преимущество метода начальной загрузки заключается в том, что при генерации наборов данных с помощью случайной выборки с заменой нет необходимости предполагать распределение совокупности.

В этом исследовании случайная выборка с заменой была применена к фактическому набору данных по трем полям. В общей сложности 8 005 наблюдений необработанных данных были использованы для создания новых наборов данных с помощью 1000 бутстрапов. Затем были подобраны модели PMGF в соответствии с 1000 образцами начальной загрузки. Для сравнения стабильности подгонки и прогностической способности наборов калибровки и валидации были рассчитаны доверительные интервалы для конкретных критериев оценки с 5% уровнем значимости на основе метода доверительного интервала процентильной начальной загрузки (PB) [16].Путем сортировки критериев оценки 1000 выборок начальной загрузки от наименьшего к наибольшему были рассчитаны 95% доверительные интервалы PB между 2,5 и 97,5 процентилями.

Статистический анализ

В этом исследовании для проведения статистического анализа использовалась система статистического анализа (SAS) версии 9.4 (Институт SAS, Кэри, Северная Каролина, США). PROC NLMIXED использовался для подгонки моделей. Перед подгонкой моделей показатели CP были преобразованы в данные подсчета, и предполагалось, что данные подсчета соответствуют распределению Пуассона.После этого собранные экспериментальные данные были случайным образом разделены на два набора, калибровочный набор (две трети образцов) и набор для проверки (одна треть образцов), для подгонки моделей и проверки их прогностических способностей, соответственно.

Для сравнения эффективности подгонки моделей при описании взаимосвязи между частотой CP (%) и расстоянием от источника пыльцы критерии оценки основывались на отклонении и информационном критерии Акаике (AIC) [17].Кроме того, на основе данных проверки отклонение и AIC использовались для оценки возможности подгонки подобранных моделей. Кроме того, коэффициент корреляции (r) и графики разброса использовались для оценки предсказательной способности каждой подобранной модели на основе данных проверки.

Наконец, аналогично анализу собранных экспериментальных данных, смоделированные данные для каждого образца начальной загрузки также были разделены на калибровочный набор (две трети образцов) и набор для проверки (одна треть образцов), чтобы соответствовать моделям и проверить свои способности к прогнозированию.В смоделированных данных каждой выборки начальной загрузки значения отклонения, AIC и параметров были оценены для каждой модели. Затем были рассчитаны стандартные отклонения (SD), доверительные интервалы отклонения и AIC для оценки стабильности работы каждой модели. Для смоделированных данных валидации также был рассчитан коэффициент корреляции для оценки предсказательной способности каждой модели.

Результаты и обсуждение

Погодные модели

Средняя скорость и направление ветра отслеживались в течение 7 дней до и после 50% шелушения пыльцы реципиента пыльцы.Средняя скорость ветра была выше и более разнообразной в течение сельскохозяйственных сезонов 2009–1 и 2010–1 годов, чем в течение сезона 2009–2002 годов (рис. 2). В период исследований в сезоне 2009–1 гг. (17 июня — 1 июля) преобладающие ветры были с юга на юго-восток (рис. 3A). Среднесуточная скорость ветра составила 4,57 ± 2,06 м с −1 (рис. 2А). Из-за влияния периферической циркуляции тайфуна Линфа в период цветения (19–22 июня) скорость порывов достигала 22,3 м с −1 .В 2009–2002 гг. Преобладающий ветер был в основном с севера на северо-запад. Среднесуточная скорость ветра за исследуемый период (4–18 ноября; рис. 3Б) составила 3,88 ± 1,27 м с −1 . Скорости порывов достигли 13,4 м / с −1 . В 2010–1 гг. Среднесуточная скорость ветра составляла 4,33 ± 0,26 м с −1 , а скорость порывов ветра достигала 14,4 м с −1 . Преобладающие ветры были в основном с юго-юго-востока в период исследований (14–28 июня; рис. 2C и 3C).

Рис. 2. Средняя скорость ветра (м / с) за 7 дней до и после 50% шелушения пыльцы.

Урожайные сезоны (а) 2009–1, (б) 2009–2, и (в) 2010–1. ▲: дата шелковистости получателя пыльцы; ▼: дата выделения получателя пыльцы и ▽: дата выделения источника пыльцы.

https://doi.org/10.1371/journal.pone.0249700.g002

Рис. 3. Розы ветров частот направления ветра, измеренные ежечасно с 6:00 до 16:00

(a) с 17 июня по июль 1, 2009; (б) 4–18 ноября 2009 г .; и (c) 14–28 июня 2010 г. Шкалы измеряют почасовые порывы с разных направлений.

https://doi.org/10.1371/journal.pone.0249700.g003

Тенденции потока генов

Уровень ЦП (%) имел тенденцию к снижению с увеличением расстояния от источника пыльцы (рис. 4). В таблице 1 приведены средние показатели ХП (%) для различных рядов и расстояние от источника пыльцы в экспериментах 2009–1, 2009–2 и 2010–1 гг.

Наивысшие измеренные уровни ХП (%) наблюдались в строках полей-реципиентов, ближайших к источнику пыльцы. Процент ХП (%) был самым высоким (93.7%) в эксперименте 2009-2А (без ФБ). Более того, средняя частота CP (%) в строке, ближайшей к источнику пыльцы, составила 74,29% в эксперименте 2009-2A (без FB), 36,12% в эксперименте 2009-2B (с FB 6,75 м), 27,58%. в эксперименте 2010–2001 гг. (с ОС 7,5 м) и 27,24% в эксперименте 2009–1 гг. (без ОС). Эти результаты показали, что ФБ могут усиливать обмен пыльцой в ряду реципиента пыльцы, ближайшего к источнику пыльцы. Средняя частота ЦП (%) других рядов уменьшалась по мере удаления от источника пыльцы (Таблица 1).Как и ожидалось, поля, граничащие с источником пыльцы (например, 2009-2A), имели более высокие показатели ХП (%), чем поля, разделенные FB (например, 2009-2B и 2010-1).

В эксперименте 2009–2001 годов средняя частота ХП (%) снизилась с 27,24% до 2,49% на расстоянии от источника пыльцы примерно 9 м. На поле 2009–2002 гг. Средняя частота ХП (%) снизилась с 74,29% до 2,49% на расстоянии от источника пыльцы примерно 18 м. Однако, когда поле реципиента пыльцы было отделено от источника пыльцы FB, равным 6.75 м, быстрое снижение средней скорости CP (%) с 36,12% до 2,50% наблюдалось на расстоянии от FB примерно 9 м. При увеличении ширины FB до 7,5 м на месторождении 2010–1 гг. Средняя частота CP (%) снизилась с 27,58% до 2,18% на расстоянии от FB примерно 4,5 м. Согласно этим результатам, средняя частота ЦП (%) быстро снижалась с увеличением расстояния от источника пыльцы и с увеличением ширины ОС. Кроме того, с естественным барьером 6,75 м на поле 2009-2A средний уровень CP (%) ряда, ближайшего к источнику пыльцы, составлял всего 7.43%. Следовательно, пограничные ряды могут быть более эффективными буферными зонами по сравнению с FB для снижения скорости CP (%), тогда как FB больше подходят для опытов на больших расстояниях. Однако, когда в экспериментах 2009–2 гг. Расстояние было увеличено до 18,75 м, средние показатели CP (%) рядов на месторождении 2009–2В были в основном ниже, чем на месторождении 2009–2А (Таблица 1).

Поле 2009–2001 годов находилось под влиянием периферической циркуляции тайфуна в период цветения. Внезапный проливной дождь и порывы ветра привели к полеганию растений кукурузы и снижению показателя ХП (%).

Согласно действующим правилам Тайваня, идентификатор должен указывать на содержание GM 0%. Однако даже на максимальном расстоянии от источника (т.е. 75 м) средняя частота CP (%) оставалась на уровне 0,1%. Чтобы соответствовать порогу ЕС 0,9%, поле 2009-2A (без FB) требовало расстояния не менее 39,75 м от источника пыльцы, а поле 2009-2B (с FB 6,75 м) требовало расстояния примерно 36 м от источника пыльцы. Кроме того, для месторождения 2010–2001 гг. (С FB 7,5 м) требовалось расстояние примерно 18 м.Кроме того, для порога содержания 5% ГМ на Тайване поле 2009-2A (без FB) требовало расстояния примерно 9,75 м от источника пыльцы, поле 2009-2B (с FB 6,75 м) требовало минимального расстояния. 12,75 м, а для поля 2010–2001 (с FB 7,5 м) требовалось расстояние примерно 9,75 м. Поскольку в период цветения поле 2009–2001 гг. Подверглось влиянию тайфуна, оно не рассматривается в данном обсуждении.

PMGF модель

Расчетные значения параметров регрессии, отклонения и AIC для каждой модели CP на основе полных данных представлены в таблице 2.Расчетные значения a для CP 1 , CP 2 и CP 3 , а также b для CP 4 и CP 5 были отрицательными, что означает, что ставка CP (%) уменьшается по мере удаления от источника пыльцы. Однако оценочные значения a для CP 4 и CP 5 были положительными, что указывает на то, что FB, возможно, усилил обмен пыльцы. Более того, в CP 5 и CP 4 более низкое отклонение и AIC по сравнению с другими моделями указывают на более точное соответствие для всего набора данных.Однако, чтобы оценить результаты подгонки модели и сравнить прогностические возможности исследуемых моделей, экспериментальные данные были случайным образом разделены на калибровочный набор и набор для проверки.

В таблице 3 представлена ​​возможность подгонки каждой модели CP на основе отклонения и AIC для данных калибровки и проверки. Когда соответствие оценивалось с помощью калибровочного набора, четыре модели имели отклонение> 30000, и только одна имела отклонение <30000. Наименьшее значение отклонения составило 29994 (CP 5 ).Более того, четыре модели имели AIC> 45000, а одна — AIC <45000. Наименьшее значение AIC было 42044 (CP 5 ).

Для набора для валидации возможности подгонки были аналогичны подгонкам, оцененным с использованием набора для калибровки. Модель CP 5 продемонстрировала оптимальную подгоночную способность с наименьшим значением отклонения 15878 и значением AIC 22158, за ней последовал CP 4 (отклонение = 17496, AIC = 23777; Таблица 3). Диаграммы разброса фактических и прогнозируемых значений на рис. 5 показывают прогностические возможности моделей на основе набора для проверки.Только одна модель имела r ≤ 0,7 (CP 1 ), четыре модели — r> 0,7. Наибольшее значение r составило 0,79 (CP 5 ), что указывает на то, что CP 5 имеет более высокую предсказательную способность, чем другие модели.

Соответственно, CP 1 , CP 2 и CP 3 имели худшие соответствие и предсказательные способности, чем другие модели. CP 5 продемонстрировал оптимальную подгонку и прогностическую способность, за ним следует CP 4 . Поскольку эффект FB имел место в некоторых полях, CP 1 , CP 2 и CP 3 имели худшие совпадения и возможности прогнозирования по сравнению с моделями, которые включали эффект FB.

Результаты моделирования

Моделирование начальной загрузки было реализовано для сравнения стабильности подгонок и прогностических возможностей моделей CP. Метод моделирования был повторен для 1000 запусков, при этом 1000 образцов начальной загрузки были сгенерированы в течение 1000 запусков. Средние и стандартные отклонения параметров были рассчитаны для каждой модели CP на основе моделирования начальной загрузки (таблица 4). Кроме того, также были рассчитаны среднее значение и стандартное отклонение отклонения и AIC смоделированных наборов для калибровки и проверки (таблица 5).Для проверочных наборов был рассчитан коэффициент корреляции для оценки предсказательной способности модели.

Расчетные значения параметров (Таблица 4) были аналогичны результатам, полученным на основе полных данных наблюдений, перечисленных в Таблице 2. Это указывало на то, что параметры, оцененные на основе данных моделирования, были идентичны параметрам, оцененным на основе всех исходных данных.

Средние значения отклонения CP 5 и CP 4 были ниже, чем у других моделей, что указывает на то, что посадки CP 5 и CP 4 были ближе к данным, чем у других моделей. .Среди других моделей CP 1 , CP 2 и CP 3 показали аналогичные показатели среднего отклонения. Кроме того, SD отклонения были выше в CP 1 , CP 2 и CP 3 , чем в CP 5 и CP 4 . Это указывает на то, что CP 1 , CP 2 и CP 3 имели худшее соответствие и большую изменчивость, чем CP 5 и CP 4 . Более того, средние значения AIC были аналогичны результатам для отклонения (таблица 5).CP 5 и CP 4 показали самые низкие средние значения AIC и меньшие SD по сравнению с другими моделями. Таким образом, CP 5 и CP 4 имели оптимальную посадку, и эти посадки были более стабильными, чем у других моделей.

Результаты проверки были аналогичны результатам, полученным для калибровочного набора (Таблица 5). Это указывало на то, что результаты подгонки и валидации были согласованными и переобучения не произошло. Более того, CP 5 и CP 4 остались более приспособленными, чем другие модели.SD отклонения и AIC в CP 5 и CP 4 также были меньше, чем у других моделей. CP 5 также показал самый высокий r (r = 0,796) среди моделей. Значение r указывает на то, что CP 4 и CP 5 обладают наилучшей прогностической способностью.

Для наборов калибровки и проверки результаты CP 5 и CP 4 были лучше, чем у других моделей. Следовательно, CP 5 и CP 4 , в которые были включены FB, имели наиболее близкие совпадения, оптимальные возможности прогнозирования и наиболее стабильную производительность.

Кроме того, 95% длины доверительного интервала (PBL) среднего отклонения и значений AIC были использованы для дальнейшей оценки стабильности подгонки модели (рис. 6 и 7).

Как показано на рис. 6, посадки CP 5 и CP 4 были более стабильными, чем посадки других моделей, что привело к меньшим размерам PBL (PBL CP5 = 4075, PBL CP4 = 5140). Поскольку доверительные интервалы PB перекрывались, модели CP 5 и CP 4 показали схожие характеристики.Большинство моделей демонстрировали относительно большие PBL, за исключением CP 4 и CP 5 . Кроме того, результаты, полученные из набора для проверки, были аналогичны результатам, полученным из набора для калибровки.

Более того, 95% PBL средних значений AIC были аналогичны результатам для отклонения. CP 5 и CP 4 показали аналогичную посадку и были более стабильными, чем другие модели (рис. 7). Кроме того, результаты, полученные с помощью наборов для валидации и калибровки, были аналогичными.

Таким образом, CP 5 и CP 4 продемонстрировали оптимальную стабильность, соответствие модели и возможности прогнозирования. Более того, значения параметров регрессии, оцененные на основе данных моделирования, были аналогичны значениям, рассчитанным с использованием полных данных наблюдений. Кроме того, результаты сравнения отклонений и AIC, оцененных с использованием данных моделирования, были аналогичны результатам, полученным на основе полных данных наблюдений. Кроме того, результаты в наборах для калибровки и проверки были аналогичными.

Заключение

На Тайване и в большинстве азиатских стран посевные поля часто разделены дорогами. Таким образом, в этом исследовании была создана CP-модель кукурузы для описания взаимосвязи между уровнем CP (%) и расстоянием от источника пыльцы; эта модель подходила для полевых работ на юге Тайваня. Были исследованы три модели, обычно применяемые в исследованиях потока генов и подходах к эмпирическому моделированию, включая эффект FB. Результаты показали, что модели без FB показали низкую производительность.Напротив, модели, которые включали FB, имели улучшенные подгонки и предсказательные способности, а также наибольшую стабильность.

В предыдущих исследованиях изучались модели, использованные в настоящем исследовании, но их результаты отличаются от результатов настоящего исследования из-за различий в экспериментальных планах. Ma et al. [4] использовали модель CP 2 для описания данных по ветру и по ветру. Их источник пыльцы (0,07 га) был помещен в центре поля и окружен реципиентом пыльцы (0,68–1 га).Их значения R 2 для результатов подгонки составили 0,64 для областей с подветренной стороны и 0,58 для областей с подветренной стороны. Таким образом, Ma et al. [4] пришли к выводу, что модель CP 2 подходит для описания зависимости между частотой CP (%) и расстоянием от источника пыльцы. Кроме того, Della Porta et al. [5] использовали модели CP 1 , CP 2 и CP 3 для различных конструкций полей, барьеров, положений и расстояний от источника пыльцы, чтобы выполнить подгонку модели.Их результаты показали, что модель CP 2 обеспечивает оптимальное соответствие (R 2 = 0,89–0,99), когда реципиент соседствует с источником пыльцы без барьера. В целом тенденции потока пыльцы были аналогичны для фиксированного размера FB. Таким образом, модель CP 2 показала столь же высокую производительность при фиксированном размере FB; в результате получается значение R 2 , очень близкое к 1.

Одна из целей этого исследования состояла в том, чтобы изучить влияние FB на тенденции потока генов между соседними полями.Согласно оценкам параметров регрессии в эмпирическом и имитационном анализах, а также результатам трендов потока генов, частота ЦП (%) снижалась по мере увеличения расстояния от источника пыльцы. Присутствие FB усиливало обмен пыльцой в ряду реципиента пыльцы, ближайшего к источнику пыльцы, и способствовало опылению на больших расстояниях [18]. Однако, когда расстояние от источника пыльцы увеличивалось, средняя частота CP (%) в присутствии FB могла быть ниже, чем в отсутствие FB (Таблица 1).

Если рассматривать изоляционные буферы (например, FB) вместе, модель CP 5 продемонстрировала оптимальную стабильность, соответствие и прогностическую способность. Модель CP 4 также показала производительность, аналогичную CP 5 . Однако для сельскохозяйственной среды Тайваня AP необходимо установить на 0%. Таким образом, хотя модель CP 5 показала оптимальную производительность, после установки AP на 0%, CP 4 соответствующим образом смоделировал данные, полученные из южного Тайваня, и был рекомендован в этом исследовании.

В дополнение к изучению взаимосвязи между ЦП и расстоянием от источника пыльцы, исследования моделей ЦП для ГМ кукурузы недавно включили другие влиятельные факторы для повышения полноты и точности прогнозных моделей. Loos et al. [19] использовали модель гауссова плюма для моделирования переноса пыльцы кукурузы внутрь и из растительного покрова. Этот полуэмпирический подход объединил уравнение атмосферной диффузии с методом Лагранжа. Чтобы описать тенденции распространения пыльцы кукурузы, Klein et al.[20] использовали индивидуальные функции рассеивания, содержащие биологические параметры (например, разницу в высоте мужских и женских цветков) и аэродинамические параметры (например, скорость осаждения пыльцы, скорость ветра и турбулентность воздуха). Goggi et al. [21] объединили экспоненциальную модель с линейным уравнением, чтобы установить CP-модель кукурузы. Экспоненциальная модель описывает взаимосвязь между частотой CP (%) и расстоянием от источника пыльцы, тогда как линейное уравнение описывает взаимосвязь между скоростью ветра, направлением ветра и расстоянием.

В дополнение к расстоянию от источника пыльцы и FB, рассматриваемых в данном исследовании, в модели CP постепенно вводятся метеорологические и биологические факторы. Следовательно, эти факторы должны быть включены в будущие исследования для дальнейшего улучшения соответствия и предсказательной способности предлагаемых моделей для исследования потока генов и CP. В данном исследовании для оценки параметров моделей использовались данные только трех экспериментов. Для дальнейшего изучения потребуется больше повторений эксперимента, чтобы установить более надежную модель.

Благодарности

Эта рукопись была отредактирована Wallace Academic Editing.

Ссылки

  1. 1. Международная служба по приобретению агробиотехнологических приложений (ISAAA). Глобальный статус коммерциализированных биотехнологических / ГМ-культур в 2018 году: биотехнологические культуры продолжают помогать решать проблемы роста населения и изменения климата. ISAAA Brief No. 54. Итака, штат Нью-Йорк: ISAAA; 2019.
  2. 2. Элстранд, Северная Каролина, Прентис, Хэнкок, Дж. Ф.Поток генов и интрогрессия одомашненных растений в их диких родственников. Анну. Rev. Ecol. Syst. 1999; 30: 539–563.
  3. 3. Мессегер Дж., Пеньас Дж., Баллестер Дж., Бас М., Серра Дж., Сальвия Дж. И др. Пыльца-опосредованный поток генов кукурузы в реальных условиях сосуществования. Plant Biotechnol. J. 2006; 4 (6): 633–645. pmid: 17309734
  4. 4. Ма Б.Л., Субеди К.Д., Рид Л.М. Степень перекрестного оплодотворения кукурузы пыльцой соседнего трансгенного гибрида. Crop Sci. 2004; 44 (4): 1273–1282.
  5. 5. Делла Порта Г., Эдерле Д., Буккини Л., Пранди М., Вердерио А., Поцци С. Опосредованный пыльцой кукурузы поток генов в долине реки По (Италия): расстояние между источником и получателем и влияние времени цветения. Евро. J. Agron. 2008; 28 (3): 255–265. https://doi.org/10.1016/j.eja.2007.07.009
  6. 6. Рогнли О.А., Нильссон Н.О., Нурминиеми М. Влияние расстояния и конкуренции пыльцы на поток генов в опыляемой ветром траве Festuca pratensis Huds. Наследственность. 2000; 85: 550–560. pmid: 11240621
  7. 7.Beckie HJ, зал LM. От простого к сложному: моделирование потока генов, опосредованного пыльцой сельскохозяйственных культур. Plant Sci. 2008; 175 (5): 615–628. https://doi.org/10.1016/j.plantsci.2008.05.021
  8. 8. Девос Ю., Демонт М., Санвидо О. Сосуществование в ЕС — возврат моратория на ГМ-культуры? Nat. Biotechnol. 2008; 26: 1223–5. pmid: 18997757
  9. 9. Девос Ю., Демонт М., Диллен К., Рехеул Д., Кайзер М., Санвидо О. Сосуществование генетически модифицированных и не ГМ культур в Европейском Союзе: обзор.Агрон. Поддерживать. Dev. 2009; 29 (1): 11–30. https://doi.org/10.1051/agro:2008051
  10. 10. Ricroch A, Bergé JB, Messéan A. Обзор литературы по распространению трансгенов из генетически модифицированной кукурузы. C. R. Biol. 2009 332 (10): 861–875. pmid: 19819407
  11. 11. Баннерт М., Штамп П. Перекрестное опыление кукурузы на больших расстояниях. Евро. J. Agron. 2007; 27 (1): 44–51. https://doi.org/10.1016/j.eja.2007.01.002
  12. 12. Густафсон Д.И., Брантс И.О., Хорак М.Дж., Ремунд К.М., Розенбаум Е.В., Сотерес Дж.К., Эмпирическое моделирование методов производства генетически модифицированного зерна кукурузы для достижения пороговых значений маркировки Европейского Союза. Crop Sci. 2006; 46: 2133–2140.
  13. 13. Шуштар-Возлич Й., Ростохар К., Блеец А., Козьяк П., Черган З., Меглич В. Разработка подходов к отбору проб для определения наличия генетически модифицированных организмов на полевом уровне. Анальный. Биоанал. Chem. 2010 396 (6): 2031–2041. pmid: 20069281
  14. 14. Уикес Р., Оллнатт Т., Боффи С., Морган С., Билтон М., Дэниэлс Р. и др.Исследование потока генов от одной культуры к другой с использованием участков кормовой кукурузы ( Zea mays L.) в масштабе фермы в Великобритании. Transgenic Res. 2007 16 (2): 203–211. pmid: 17115253
  15. 15. Эфрон Б. Загрузочные методы: еще один взгляд на складной нож. Анна. Стат. 1979; 7: 1–26.
  16. 16. Эфрон Б., Тибширани Р. Методы начальной загрузки для доверительных интервалов стандартных ошибок и другие меры статистической точности. Стат. Sci. 1986; 1: 54–77.
  17. 17. Акаике Х.Новый взгляд на идентификацию статистической модели. IEEE Trans. Автомат. Control 1974; 19 (6): 716–723.
  18. 18. Ребоуд X. Влияние разрыва на поток генов между соседними трансгенными культурами Brassica napus . Теор. Прил. Genet. 2003; 106 (6): 1048–1058. pmid: 12671753
  19. 19. Лоос С., Сеппельт Р., Мейер-Бетке С., Шиманн Дж., Рихтер О. Пространственно-явное моделирование распространения пыльцы трансгенной кукурузы и перекрестного опыления. J. Theor. Биол. 2003; 225: 241–255.pmid: 14575658
  20. 20. Кляйн К.Э., Лавин С., Фуэйассар Х, Гуйон П., Ларедо К. Распространение пыльцы кукурузы: квазимеханистические модели и полевые эксперименты. Ecol. Monogr. 2003; 73: 131–150.
  21. 21. Гогги А.

Добавить комментарий

Ваш адрес email не будет опубликован. Обязательные поля помечены *