In den vergangenen Jahrzehnten hat sich die Modellierung der Phänologie von Gehölzen, insbesondere der Keimruhe und Blüte, zu einem wichtigen Instrument auch für das Verständnis der Auswirkungen des Klimawandels entwickelt, teilt Frutas de Chile mit.
Allerdings weisen die traditionellen bioklimatischen Modelle, die zur Vorhersage dieser Ereignisse verwendet werden, erhebliche strukturelle Diskrepanzen auf, was ihre Zuverlässigkeit einschränkt und häufige standortspezifische Neukalibrierungen erforderlich macht. Gleichzeitig bieten Ansätze auf Basis des maschinellen Lernens (ML) leistungsstarke datengestützte Lösungen, denen es jedoch oft an Interpretierbarkeit mangele, da sie nicht die Transparenz aufweisen, die Modelle auf Basis biologischer Kenntnisse auszeichne.
Um diese Einschränkungen zu überwinden, entwickelte und schlug eine Gruppe von Forschern ein hybrides phänologisches Modell vor, das biologisches Wissen mit maschinellem Lernen integriert, um die Blüte von Kirschbäumen vorherzusagen. Das Modell wurde in drei Fallstudien in Japan, Südkorea und der Schweiz getestet und übertraf dabei sowohl traditionelle mechanistische Modelle als auch neuronale Netze systematisch.
Das vorgeschlagene Hybridmodell basiert auf einer prozessbasierten Struktur, ersetze jedoch die für die Überwindung der Endodormanz wesentliche Komponente der Kältespeicherung durch ein mehrschichtiges Perzeptron (MLP), während das thermische Antriebsmodul unverändert bleibe. Dieses Design ermögliche es dem Modell, die Reaktion der Pflanze auf Wintertemperaturen direkt aus den Daten zu lernen und gleichzeitig die Kohärenz mit der bekannten biologischen Struktur des Prozesses aufrechtzuerhalten.
Der für das Training und die Bewertung verwendete Datensatz umfasste mehr als 9.000 Blütebeobachtungen, gepaart mit stündlichen Temperaturdaten aus der MERRA-2-Datenbank. Die Leistung des Modells wurde mit drei konventionellen bioklimatischen Modellen (Chill Hours, Utah Chill und Chill Days) sowie mit zwei Standard-Neuralnetzarchitekturen (CNN und LSTM) verglichen.
Die Ergebnisse, ausgedrückt als mittlerer absoluter Fehler (MAE), zeigen, dass das Hybridmodell unter allen Versuchsbedingungen alle anderen Ansätze systematisch übertraf, mit Fehlerreduktionen von bis zu 30 % bis 40 % im Vergleich zu herkömmlichen Modellen. Es zeigte sich auch besonders robust in Umgebungen mit Datenknappheit, wie bspw. in Südkorea, und behielt auch ohne standortspezifische Neukalibrierung eine hohe Vorhersagegenauigkeit bei. Ein weiterer wichtiger Vorteil sei die Fähigkeit des Modells, auf bisher nicht gesehene Baumarten zu verallgemeinern und selbst unter klimatischen Bedingungen, die im Trainingssatz nicht vertreten sind, zuverlässige Vorhersagen zu liefern.
Trotz seines Vorhersageerfolgs ergab die Analyse der gelernten Antwortfunktionen einige Abweichungen im Vergleich zu den biologisch zu erwartenden Kurven. Beispielsweise zeige die vom Modell gelernte Reaktion auf Kälte phänologische Beiträge sogar bei Temperaturen über 12,5 °C, einem Bereich, in dem klassische Modelle keine Auswirkungen vorhersagen. Dies deute darauf hin, dass das Modell zwar durch eine biophysikalische Struktur begrenzt sei, die gelernte Funktion jedoch nicht immer die zugrunde liegenden biologischen Mechanismen genau widerspiegele. Darüber hinaus wurden Abweichungen in der gelernten Reaktion zwischen verschiedenen Modellinitialisierungen (Seeds) beobachtet, was auf eine Empfindlichkeit gegenüber der Variabilität der Eingabedaten hindeute. Die zukünftige Entwicklung des Modells könnte Regularisierungstechniken einführen, um den Lernprozess auf biologisch plausible Lösungen auszurichten und so sowohl die Vorhersagegenauigkeit als auch die wissenschaftliche Glaubwürdigkeit zu verbessern.
Zusammenfassend präsentiert die Studie einen hybriden Ansatz für die phänologische Modellierung, der Interpretierbarkeit und Flexibilität in Einklang bringt. Bei der Anwendung auf die Kirschblüte zeigte das Modell eine hohe Generalisierungsfähigkeit, Sortenanpassungsfähigkeit und Vorhersagegenauigkeit.
