Data-driven emulation modeling of an agricultural model to simulate crop productivity

In the next decades, food security will be one of the major challenges worldwide. Among the many sectors involved, agriculture will play an important role and will have to intensify its plantations. In order to keep a sustainable level, intensification must be more efficient too. To reach this goal, irrigated agriculture must improve water use also to deal with problems due to climate change. Among the possible solutions, optimization and adaptation of water reserves regulation politics are important. Optimizations aims to reach goals of different stakeholders. In many cases, agriculture's interest is represented by the minimization of water deficit, namely the difference between water supply and demand. The real interest of farmers is the gain coming from annual yield. This study is about the chance of directly optimizing the crop yield in order to better meet agricultural interests. The difficulty is that the relationship between agricultural yield and water availability is a non linear function and it is conditioned by many factors. In practice, this relationship is modeled by distributed and physically-based models characterized by high computational costs. In optimization processes, the high number of simulations makes the use of these models prohibitive. This study aims to develop a response surface which, by replacing physical yield models, is able to reproduce annual productivity the will be the base of optimization. In the suggested process, response surface is built as a metamodel. The goal is to emulate the agricultural productivity simulated by the physically-based model. The procedure foresees as first step a series of simulations of the original model. Data coming from input variables and annual crop yield are then used to measure and validate the chosen metamodel class. Because of the high number of potential input variables and their temporal aggregations, an automatic selection algorithm was used: the Iterative Input Selection. Two types of classes were then calibrated: the Extra-Trees and an Artificial Neural Network. The examined case study is the Como Lake, a regulated water reserve in the north of Italy whose releases feed Muzza agricultural district in Po' Valley. In previous studies, DistriLake model was used to simulate the entire lake and agricultural district system which included the yield simulation physical model too. In order to have enough data for correct calibration and validation, historical observations of meteorologic input variables were expanded by a stochastic Weather Generator. Results related to agricultural productivity of maize show how the most significant variables of annual yield are average lake releases during milk ripeness and flowering and pollination. During this latter phase, the Potential Evapotranspiration meteorologic variable (PET) plays an important role too. Obtained response surfaces offer performance values over 70% which allow to consider them good emulators of agricultural yield; a better result is obtained for Extra-Trees class. Therefore, it is possible to think of using them in an optimization process.

Nel panorama dei prossimi decenni, il raggiungimento della sicurezza alimentare si presenta come una delle maggiori sfide a livello globale. Tra i vari settori coinvolti un ruolo di primaria importanza è svolto dall'agricoltura destinata ad intensificare le proprie coltivazioni. Per mantenere un livello adeguato di sostenibilità tale intensificazione deve essere accompagnata da una maggiore efficienza. E' in questa direzione che l'agricoltura irrigua èchiamata a migliorare l'utilizzo della risorsa idrica anche per far fronte alle criticità dovute ai cambiamenti climatici. Tra le vie perseguibili, rilevanti sono l'ottimizzazione e l'adattamento delle politiche di regolazione delle riserve idriche. L'ottimizzazione lavora per soddisfare gli obiettivi di diversi portatatori d'interessi; in molti casi l'interesse del settore agricolo viene rappresentato mediante una minimizzazione del deficit idrico, ovvero dello scarto tra l'acqua fornita e la domanda richiesta. Il reale interesse dei contadini risiede però nel profitto derivante dal raccolto annuo. Questo studio è indirizzato alla possibilità di compiere un'ottimizzazione direttamente sul raccolto per rispondere meglio agli interessi agricoli. La difficoltà risiede nel fatto che la produzione agricola è legata alla disponibilità d'acqua da una funzione non lineare, influenzata da un notevole numero di fattori. Nella pratica viene simulata mediante modelli di raccolto distribuiti e fisicamente basati, il cui elevato costo computazionale ne rende però proibitivo l'utilizzo nei processi di ottimizzazione. A questo scopo lo studio presentato si propone di sviluppare una superficie di risposta in grado di emulare la produttività agricola, utilizzabile nei processi desisderati. La superficie di risposta ricercata viene costruita, nel processo proposto, come un metamodello. La procedura richiede come primo passaggio una serie di simulazioni del modello originario. Il set di dati costituito dalle variabili d'ingresso e dal raccolto annuo generato viene poi utilizzato per calibrare e validare la classe di metamodello prescelta. Essendo il numero delle potenziali variabili d'ingresso e delle loro aggregazioni temporali elevato, si è ricorso all'uso di un algoritmo di selezione automatica: L' Iterative Input Selection. Due tipologie di classi sono state in seguito calibrate: L'Extra-Trees e una Rete Neurale Artificiale. Il caso di studio preso in esame è il Lago di Como, riserva idrica regolata nel nord Italia i cui rilasci vanno ad alimentare il distretto agricolo della Muzza nella pianura Padana. In studi precedenti, il modello DistriLake è stato utilizzato per simulare l'intero sistema comprendendo al suo interno la simulazione del raccolto mediante un modello fisico. Per disporre di un set di dati sufficiente ad ottenere dei risultati affidabili, le osservazioni storiche delle variabili metereologiche d'ingresso sono state ampliate mediante un generatore stocastico. I Risultati ottenuti nel caso di una produttività agricola legata alla coltivazione del mais, mostrano come le variabili maggiormente significative per il raccolto annuale siano i rilasci dal lago medi nelle fasi di maturazione lattea e nella fase di fioritura e fecondazione, in quest'ultima assume un ruolo significativo anche la variabile metereologica dell'Evapotraspirazione potenziale (PET). Le superfici di risposta derivate offrono valori di performance superiori al 70% e possono essere quindi considerate come buoni emulatori della produttività agricola; il risultato migliore si ottiene per la classe degli Extra-Trees. E' quindi possibile pensare ad un loro impiego all'interno di un processo di ottimizzazzione.