Neuer Algorithmus verbessert Ernteprognosen trotz Klimawandel

In den letzten Jahren hat der Klimawandel die Landwirtschaft stark belastet, weil extreme Wetterereignisse die Prognosemodelle erschweren. Traditionelle Machine‑Learning‑Ansätze, die auf historischen Daten basieren, sind bei Ausreißern und Out‑of‑Distribution‑Ereignissen oft versagen.

Um dieses Problem zu lösen, hat ein Forschungsteam einen neuen Ansatz namens Counterfactual‑Based SMOTE (CFA‑SMOTE) entwickelt. Der Algorithmus kombiniert erklärungsbasierte Gegenfaktische Methoden aus dem Bereich Explainable AI mit dem klassischen SMOTE‑Verfahren zur Behandlung von Klassenungleichgewichten. Durch die Erzeugung synthetischer Datenpunkte, die seltene, klimabedingte Ausreißer darstellen, wird das Trainingsset erweitert und die Vorhersagekraft gesteigert.

In einer Vergleichsstudie wurden die Ergebnisse von CFA‑SMOTE mit herkömmlichen Gegenfaktischen und Klassenungleichgewichtsverfahren unter verschiedenen Ungleichgewichtsverhältnissen getestet. Der Fokus lag auf der Vorhersage des Graswachstums auf irischen Milchviehbetrieben während der europaweiten Dürre‑ und Futtermittelkrise 2018. Die Experimente zeigten, dass CFA‑SMOTE die Genauigkeit der Ernteprognosen deutlich verbessert.

Der neue Hybrid‑Algorithmus bietet damit einen vielversprechenden Weg, um die Landwirtschaft besser auf die Herausforderungen des Klimawandels vorzubereiten und die Ernteerträge trotz extremer Wetterbedingungen stabil zu halten.