專題演講
§ 早上三場專題演講，分別從很不同的面向切入主題，Prof. Hartmut Stützel 以 Gene-based Modeling 和農業科技的學術進展描述了德國角度未來 Agro 4.0 樣貌，Assoc. Prof. Chitose Honsho 展示了他們如何突破困境在日本生產熱帶水果，林冠慧教授則從中國歷史文獻挖掘氣候數據。 ¶ Prof. Hartmut Stützel 由西方科學發展史作為引子，找尋推動現代作物科學研究的關鍵因素： ① 十八世紀 的人們對植物生長的過程理解已經知道需要透過環境控制的方式來研究空氣、礦物、鹽分對植物影響，也就是「#基礎科學研究」的進展。 ② 十九世紀 多疑的 (skeptical) 科學家回顧先前的資料，思考起到底數據間的差異是否可信，因此發展了現在常用的 #統計檢定，加上二十世紀前半葉的 #哈伯法製氨 (Haber Process)、#內燃機 (internal combustion engine)、以及對 #孟德爾遺傳的再訪 (Rediscovery of Mendel’s work) 共同促成各領域「#技術的進步」。 ③ 二十世紀 下半葉，在 #合成除草劑 (synthetic herbicide)、農藥使用達到巔峰，各個 #農業國際組織 成立之後，引起了普遍消費者對環境生態食品安全的反思，應映「#社會的需求」成了新的推動力。 而二十一世紀目前為止已知的挑戰包括氣候變遷、水資源短缺，還有業餘科學家 (amature scientist) 觀察到驟減的飛蟲數量 的生態問題。教授以小麥 為例，展示了多年的 Gene-based Modeling 研究成果，利用 #QTL 分析找尋可能參與抗逆境 的基因並參數化 植物生長模型，期望能最佳化針對不同品種小麥的栽培管理 (Crop variety specific management)。另外隨著資通訊科技進步，感測器價格下降，應用不同的感測器偵測紅外光、可見光等等不同波段也有助於理解植物生長狀況，智慧化的環境控制也可以實現農作物與牲畜之間的氮肥 循環。 綜上所述，Prof. Hartmut Stützel 提出德國觀點的農業 4.0，以 #感測器 (Sensor)、#基因型鑑定 (Genotyping)、#作物模型 (Model) 三個關鍵技術為核心，其中值得深入探究的是實際 #田間試驗 (field experiment) 與基於模型的栽培管理應用。 ¶ 演講後的 Q&A 時間，我問了 Prof. Hartmut Stützel 為什麼農業 4.0 中生物技術似乎缺席，#CRISPR 作為一種革命性的方法將可以更精準地改良品種，這純粹是因為法規的限制還是歐洲整體民意的方向。Prof. Hartmut Stützel 表示 CRISPR/CAS 系統絕對是一種應該要大力發展的技術，人類在品種改良與選種的過程中不可避免地造成品種內的遺傳組成均一化，但是這與自然界的 #生物多樣性 背道而馳，而 CRISPR/CAS 系統就可以快速地將已經育成的品種上再造出人類需要的多樣性，比如在產量表現優秀的品種上，應用基因編輯技術賦予不同的抗病性狀，只可惜目前這並不是他們能在 #德國 能夠做的事情。
¶ Assoc. Prof. Chitose Honsho 表示 #宮崎市 的氣候很棒，自 1985 年由原本主要生產甜椒改為芒果，雖然還是有一定的困難程度但是市場熱度使其值得，甚至是在溫室中開暖氣種，至於也有在生產芒果的沖繩縣，當地的芒果樹栽培在有頂的結構 (roofed structure) 下，與暖氣系統不相容，因此了解生理機制以突破困境變得重要。日本人最愛的芒果品種就是 #愛文芒果，因為甜又不會有股芒味 (mango-ish smell)、纖維少、艷紅色吸引人。芒果遇到低溫才會開花結果，現在面臨全球暖化，溫度不夠低導致多餘的營養生長 (extra shoot formation)，農民只能靠人工去除葉片 (defoliation) 減少不必要的養分消耗並促進開花。他們嘗試觀察芒果的 FT #基因表現量 與開花之間的關聯，結果顯示因品種而異，因此可能不適合作為 #分子標誌。最後表示其實會轉往其他日本人也很愛的大宗 #進口 #熱帶作物 研究，比如 #荔枝、#酪梨、#百香果、#溫州蜜柑等等。
¶ 秉著鑑往知來的精神，林冠慧教授從中國歷史文獻中挖掘古代氣候數據。從現代探索過往氣候數據的方法主要有三種： ① 代用指標 (#palaeoclimatology)：用自然中的代用資料 (natural proxy data) 如樹木的年輪、從冰層鑽取的冰柱、珊瑚遺骸來推測古代氣候，這種並非直接量測氣候數據之結果時間跨度大，但是這種資料僅侷限在特定地域 ，而且使用同位素或冰心來訂年的結果其實解析度很低 (同位素約莫一年，冰心可能在五十年到一百年)，更多資料請見 [PAGES2K][1]。 ② #歷史氣候學 (historical climatology)：由人類的歷史紀錄來重新建構氣候狀況，時間涵蓋約莫數百到兩千年前，時間解析度較不一定，也就是林冠慧教授這次論壇中發表的主題，他們將「中國三千年氣象記錄總集」經過嚴謹的校正重建成 [REACHES][2] 資料庫，讓所有感興趣的人都可以調閱基於歷史的氣候。 ③ #儀器紀錄 (instrumental records)：從歐洲十八世紀中開始有早期的儀器紀錄出現，中國則是要等到清朝已經有歐洲傳教士帶來西方技術後才有，這筆早期資料與歷史氣候學的年代重疊之處格外珍貴，因為必須用儀器紀錄來校正歷史氣候學的模糊描述。 歷史氣候學所用的資料來源包括地方誌、葡萄莊園的歲收、歐洲人的日記、清朝的雨雪分寸。將文字紀錄的定性資料轉換成定量的資料方法分成幾個步驟，首先將文字描述 #指標化：很熱就是 +3、很冷就是 -3 等等；利用早期儀器紀錄跟歷史氣候資料有重疊之處的趨勢初步比對；用 #回歸模型 將指標轉換成推測的溫度、雨量等具有單位的資料。 #竺可楨 是中國早期從事氣候研究的先驅，當時對於冷的敘述比較多，對熱的敘述比較少，但還是可以進行初步的指標化，中國中央氣象局依據這套系統製作了一套不公開的資料庫，雖然這資料庫有相關發表，但是原始資料不公開、無從驗證這些缺點是難以忽視的弊病。臺灣作為一個民主自由的國家、讀得懂中文、又有很強的研究能力，促使了林冠慧等人用「中國三千年氣象記錄總集」建立讓所有人都可以用的 REACHES 資料庫。 在資料庫中有一套完整的階層化編碼，目前涵蓋明朝和清朝。清朝的 1644-1911 年間有近十萬筆的資料量，每年資料數量不定，前期與後期資料反而比清朝中期的康雍乾時期還多，反映了一般資料記錄「計異不計常」的現象。基於計異不計常的假設，紀錄較少的時期氣候較好，也間接呼應「氣候決定論」的想法，也就是康雍乾的盛世不見得是因為皇帝特別好，只是因為沒有極端氣候大家生活自然好，亂世與朝代交替也不是因為皇帝昏庸無能，只是因為老天不給臉。明朝的前期資料量較低，因為一直到後期中國人才有比較完整的記錄系統，因此使用越早期的資料要越小心，他們當時與歷史學者小心研究了很久。 為了瞭解氣候與社會經濟狀況的關聯，以網路分析來觀察事件與事件間的同時出現 (co-occurance) 比例，其中歉收與淹水、淹水與橋樑中斷就有很強的關聯性。將文字記錄指標化、用早期儀器紀錄來校正的過程其實是一個要不斷遞迴測試假設的過程，才能推斷出合理的結果。由最終的結果來看，清朝的早期與晚期確實溫度較低，中期溫度較高，而且溫度較低的時期正好是 #太陽黑子 的極小期，太陽能量較低，溫度高的時期地球上有比較大的火山噴發。從文字也重建了颱風序列，清朝前期與後期的颱風也確實較多，1650-1681年間平均一年有 4.5 個颱風。雖然種種證據顯示清朝中期的盛世與較少極端氣候有關聯，但是也不能否定皇帝的貢獻，比如蝗蟲與乾旱對農作物產量的危害比起來，蝗蟲的影響較大，而 #康雍 時期非常強調治蝗。目前他們的團隊中比較少 #農業、生態的研究者，因此或許未來還有不少的發揮、合作空間。 [1]: http://pastglobalchanges.org/science/wg/2k-network/intro “PAGES2K” [2]: https://www.nature.com/articles/sdata2018288 “REACHES”
§ 下午的論壇由引言人姚銘輝博士概覽台灣政府單位已經對作物生產與氣象之連結付出的努力，四位與談人就其專業分享與綜合交流。 ¶ #農業試驗所 的姚明輝博士介紹政府的各項政績及農業氣象連結發展現況。台灣的氣象資料平台 TCCIP，除了可以下載需要的資料以外也有各種知識專欄。觀察到近兩年來夏秋兩季因為海溫增加，小型颱風減少、大型颱風增加，西南氣流也減弱，大大地影響雨量。為了推廣農民自主性防災，除了早期防災預警系統災害通報 APP 等等的加值化應用以外，單純地將農作物管理、氣象應變措施等等複雜的知識簡化成 SOP 圖卡提供給生產者就可以有很大的效用。政府發展 demand-based 的服務，比如客製化、精緻化 (鄉鎮、作物) 的氣象預報，目前已經可以用 mesh grid 的方式來提供氣象資料，朝向 real-time modeling 的方向風展。總地來說，科技日新月異，#接地氣 地發展符合農民需求才是核心思想。 ¶ 農藝系的劉力瑜教授廣泛地介紹以水稻為例的 #作物模型 研究。作物模型就是用數學式來模擬作物的生長，其主要目的是提高產量、穩定市場供需、因應氣候變遷衝擊、育種目標衡量。研究結果中展示了 GGE Analysis、開花時間的預測、無人機精準噴施等等。劉老師提出了一個有趣的想法，其實她的合作對象對作物模型的有用程度感到懷疑，很多人並不相信作物模型的結果，但是應該要換一個角度來看，儘管不能達到百分之百的精準預測，但是起碼避免了百分之五十的錯誤機會，因此其實作物模型就是在可接受的誤差範圍內得到足夠的預測精準程度。 ¶ 農科院的陳柏安博士用他先前發表的荔枝需冷模型為主要的引子，較為深入地了解作物模型的研究帶我們一起思考溫量模型的未來。Erez and Lavee 在 1971 年發表的文章大概是所有作物模型必定引用的文章，陳博士十分佩服兩位前輩在當年沒有大量的資料就可以發展出作物模型的雛形。而現代科技進步有更多感測器與量測工具，目前他們正在跟海博特公司合作將 #光譜 也加入作物模型的輸入資料中，最後當然又提了他發明的 internet of plant (IoP) 概念，帶大家一起思考農業的未來。 ¶ 悠由數據的吳君孝創辦人介紹了他退出 #阿龜微氣候 之後開辦的新公司服務。原本在阿龜微氣候發展了一整套的微氣候感測器及搜集系統，卻發現無法解決農民的痛點，即便已經得到微氣候的資訊知道需要進行防災，實際上不存在相對應的解決方式，因此新的公司便轉而專注在 #農業保險 的計算。現行的農業保險主要為天氣指數型保單和收入保證保單，都存在不合理的缺陷。因此吳創辦人以鳳梨為例，希望發展氣候資訊跟作物生理綜合計算的保單，將農業專家的專業知識轉化為模型，三大目標為穩定、規模化、可預測，從保險的角度切入來貢獻於農業。 ¶ 園藝系的羅筱鳳教授壓軸演講，在各個年輕專家之後提供了一個廣泛的總結，同時也展望未來。除了幫大家複習植物生理以外，其中提到了一個有趣的育種方向，就是發展低投入的品種，既然氣候衝擊不可避免，是否乾脆發展低投入像是農藝作物一樣的蔬菜品種，減少付出也減少損失。 ¶ 綜合座談時間由觀眾提問，引言人與四位與談人一起回答互動，探討氣候與數據的未來可能。大家的發問問題大概圍繞在機器學習的應用，而回答也都是些老生常談，比如數據的品質、搜集方式的多樣化、人為對模型的調教、公私部門整合。劉力瑜老師表示機器學習需要很大量的資料，而目前農業界搜集的資料是否有大量到足夠作為機器學習的材料是個問題。陳柏安博士表示，人類已經累積的知識還是比目前電腦的技術來得有價值，以兩個小故事為例希望大家回去好好想想（？），第一個小故事是「Erez and Lavee 在 1971 年還沒有機器學習的年代就用傳統模型的想法就可以達到非常精準的效果」，第二個故事則是「Wageningen University 曾經舉辦一個利用機器學習來挑戰人工栽培的比賽，而最後值得一提的贏家只有大量借鑒了傳統農業知識的 microsoft 團隊」(註)。吳君孝則是強調跟產地的人的實際互動，搭配機器學習才能產出有意義的結果。
註：陳柏安在綜合座談所提的兩個小故事內容可能有誤，其真實性還有待商榷，也難怪只能算是小故事，畢竟 #類神經網路 在 1943 年就已經有演算法雛型了，沒有像現在大規模發展只是受限於當時硬體的算力不足，何來 1971 年沒有機器學習之說？而第二個故事所謂借鑑傳統農業知識的微軟團隊說法，以我粗淺的了解本來設計神經網路就需要有一定的人類認知基礎來決定資料如何前處理、輸入神經網路的節點等等，況且機器學習與現代統計應該是密不可分，沒有必要以此作為證據高抬傳統作物模型、並否定機器學習的應用可能。