In den letzten Jahrzehnten hat sich die Modellierung der Phänologie von Gehölzen, insbesondere der Ruhe- und Blütezeit, zu einem wichtigen Instrument für das Verständnis der Auswirkungen des Klimawandels entwickelt. 

Bildquelle: Pixabay

Herkömmliche bioklimatische Modelle zur Vorhersage dieser Ereignisse weisen jedoch erhebliche strukturelle Diskrepanzen auf, was ihre Zuverlässigkeit einschränkt und eine häufige ortsspezifische Neukalibrierung erfordert, berichtet Frutas de Chile.

Gleichzeitig bieten auf maschinellem Lernen (ML) basierende Ansätze leistungsstarke datengesteuerte Lösungen, sind aber oft nicht gut interpretierbar, da ihnen die Transparenz fehlt, die auf biologischem Wissen basierende Modelle auszeichnet.

Hybrides phänologisches Modell

Um diese Einschränkungen zu überwinden, hat eine Gruppe von Forschern ein hybrides phänologisches Modell entwickelt und vorgeschlagen, das biologisches Wissen mit maschinellem Lernen zusammenfügt, um die Kirschblüte vorherzusagen.
Das Modell wurde in drei Fallstudien in Japan, Südkorea und der Schweiz getestet und übertraf dabei durchweg sowohl herkömmliche mechanische Modelle als auch neuronale Netze.

Das vorgeschlagene hybride Modell beruht auf auf einem prozessbasierten Rahmen.

Das Design ermöglicht es dem Modell, die Reaktion der Pflanze auf Wintertemperaturen direkt aus den Daten zu erlernen und gleichzeitig die Konsistenz mit der bekannten biologischen Struktur des Prozesses zu wahren.

Die Studie präsentiert einen hybriden Ansatz zur phänologischen Modellierung, der Interpretierbarkeit und Flexibilität in Einklang bringt. Die Studie können Sie hier ansehen. 

Quelle: FrutasdeChile.cl

Veröffentlichungsdatum: 22. August 2025