מאגרי נתונים עולמיים להתאמת גידולים ל-17 גידולים בהווה (2024) ובתסריטי אקלים עתידיים (2041–2100)

למה עתיד הגידולים נוגע לכולם

ככל שאוכלוסיית העולם גדלה והאקלים מתחמם, שאלה בסיסית הופכת דחופה: באילו אזורים על פני כדור הארץ נוכל עדיין לגדל את הגידולים התזונתיים שלנו? המחקר הזה עוסק בשאלה על ידי בניית מפות עולמיות מפורטות שמראות עד כמה מקומות שונים מתאימים כיום ובתנאי אקלים עתידיים לגידול 17 גידולים מרכזיים. מפות אלה יכולות לסייע לחקלאים, מתכננים ואזרחים להבין כיצד ייתכן שייצור המזון יזוז בעשורים הבאים.

מיפוי מקומות שבהם גידולים יכולים לשגשג

המחברים מתמקדים ב"התאמת גידולים", כלומר עד כמה האקלים והתנאים הטבעיים המקומיים מסוגלים לתמוך במחזור גידול מלא של יבול, מהזריעה עד הקציר. במקום להסתמך על כללי אצבע ישנים או ממוצעים עולמיים גסים, הם מרכיבים מאגר נתונים גדול ומעודכן המשקף כיצד זנים מודרניים גדלים בפועל היום. הם משלבים שלושה מקורות עיקריים של נתוני נוכחות גידולים: תצפיות שדה ממאגר ביודיברסיטי, מפות גידולים מפורטות מלוויין, ומאגר סטטיסטיקות גידול עולמי עדכני. יחד, מקורות אלה מייצרים מיליוני נקודות נוכחות של 17 גידולים חשובים, כולל חיטה, אורז, תירס, סויה, גידולי שורש, גידולי שמן וגידולים תעשייתיים כגון כותנה וקשיו סוכר (סוכרנבוה).

הפיכת נתוני כדור הארץ לאטלס התאמת גידולים

כדי להבין מדוע גידולים מופיעים במקומות מסוימים, המחקר מזג את מיקומי הגידולים האלה עם 30 גורמי סביבה שיש להם השפעה חזקה על גדילת הצמחים. גורמים אלה כוללים שלושה היבטים מרכזיים של הנוף. נתוני טופוגרפיה מתארים את גובה וצורת השטח, כולל גובה מעל פני הים ומשופעות. נתוני קרקע מאפיינים מרקם, עומק, תכולת מלח, חומר אורגני ומזינים. נתונים מטאורולוגיים כוללים גשום, טמפרטורה, קרינה, לחות קרקע וסכומי חום הדרושים להתפתחות הגידולים. לתקופה הנוכחית (2024) משתנים אלה מקורם במוצרים גלובליים ברזולוציה גבוהה המבוססים על רישומי מזג אוויר, אומדנים הידרולוגיים ותצפיות לוויין. לעתיד (2041–2100) משתמשים במחברים בהיטל אקלים מהדור האחרון של מודלים גלובליים תחת ארבעה מסלולי כלכלה-חברה ופליטות שונים.

איך המודלים לומדים מהארץ

עם מאגר משולב זה ביד, הצוות מאמן מודל למידת מכונה נפרד לכל גידול באמצעות אלגוריתם ה-random forest. עבור כל נקודת דגימה המודל רואה אם הגידול נוכח או חסר ואת תנאי הסביבה המשויכים. הוא לומד להבחין בין מקומות שמיטיבים עם הגידול לאלה שאינם מתאימים. כדי למנוע התאמה מופרזת ולהבטיח שהמודלים יכללו באזורים שונים, המחברים משתמשים בסכמת חצוי-אימות מרחבית ששומרת על הפרדה גאוגרפית בין נתוני אימון למבחן. הם גם מבצעים בחירת תכונות כדי להסיר מצביעים מיותרים וחיפוש באיזון בייסיאני לכיול פרמטרי המודל. המודלים המתקבלים משיגים דיוק גבוה: בנתוני מבחן עצמאיים, הדיוק הממוצע הכולל עבור 17 גידולים הוא כ-94%, כשקטגוריות "מתאים" ו"לא מתאים" מסווגות באופן מהימן.

לראות את שדות היום ושינויי המחר

לאחר האימון, מיישמים את המודלים על כל תאי רשת בגודל 1 ק"מ על 1 ק"מ ברחבי העולם, עבור אקלים היום ועבור שלושה חלונות זמן עתידיים תחת ארבעה תרחישי אקלים. במקום תשובה פשוטה כן-או-לא, המודלים מחזירים ציון התאמה רציף בין 0 ל-1, שניתן לקבץ בהמשך לקטגוריות להצגה חזותית. המחברים משווים את המפות של היום עם מאגרי התאמה עולמיים נפוצים כגון GAEZ ו-GLUES. המפות שלהם תואמות ברמה הרחבה אך מציגות פירוט מרחבי עדין יותר והתאמה טובה יותר למפות גידול עצמאיות ברזולוציה גבוהה באזורים כמו צפון-מזרח סין וארגנטינה. משתנים הקשורים לטמפרטורה וסכומי חום בולטים כחשובים במיוחד בהסבר מיקומי הגידולים, מה שמדגיש את הרגישות של החקלאות הגלובלית להתחממות האקלים.

מה המשמעות עבור מזון ותכנון

המחקר מספק אטלס עולמי זמין בחופשיות וברזולוציה גבוהה של התאמת גידולים ל-17 גידולים מרכזיים, הכולל גם את ההווה וגם מגוון מסלולי אקלים עתידיים. בעוד שהמחברים מדגישים שיש לראות בהיטליה העתידיות לא תחזיות מדויקות—בייחוד באזורים שבהם האקלימים נעים מעבר לכל מה שנצפה עד כה—המפות מספקות כלי חזק לחקירת רווחים והפסדים יחסיים בפוטנציאל גידול. עבור מקבלי החלטות הדואגים להאכיל אוכלוסייה גדלה בכוכב שמשתנה, מאגרי נתונים אלה יכולים להנחות היכן להגן על אדמות חקלאיות איכותיות, היכן עשויות להופיע הזדמנויות חדשות, והיכן מערכות הגידול הנוכחיות עשויות להזדקק להתאמה או להעברה.

ציטוט: Wang, T., Dong, J. Global crop suitability datasets for 17 crops under present (2024) and future climate scenarios (2041–2100). Sci Data 13, 691 (2026). https://doi.org/10.1038/s41597-026-06688-4

מילות מפתח: התאמת גידולים, שינויי אקלים, ביטחון מזון, חישה מרחוק, למידת מכונה