氣候變遷對於農業部門的維續形成挑戰，升溫情境伴隨降雨型態改變與極端災害增加，對耕作環境、作物反應、產量、作物營養價值都造成相當程度的衝擊，在氣候變遷調適的研究中，風險分析與調適對策的研擬和執行皆佔有相當的角色，而作物生長模式是農業部門變遷風險分析主要工具之一。本次的研習拜訪美國農業部貝茨維爾研究中心調適栽培系統研究室 (adaptive cropping system laboratory)，進行作物生長模式應用研習，該研究室是美國進行作物生長模式開發歷史悠久的研究室之一，從1980年代應用棉花模式開發最早的田間管理系統，並發展大豆生長模式 (GLYCIM)，啟發許多類似模式發展與應用如CROPGRO、TOMGRO等系列模式等，以土壤模式SWMS-2D為基礎，自行發展土壤水分與養份傳輸的土壤模式2DSOIL，強化土壤表面現象的模擬。近年發展玉米模式MAIZSIM、馬鈴薯模式SPUDSIM。本次研習取得最新版的玉米與大豆模式原始碼，並研習透過CLASSIM程式實驗整合作物模式與土壤模式，分析輪作系統間養分與水分平衡，並探討土壤有機碳的動態。 水稻模式目前由David Flesher博士負責，Fleisher過去曾比較兩個主要的水稻模式CERES-Rice和ORYZA對於加州地區稉稻的模擬，並指出ORYZA模式是以秈稻為基礎進行發展，若應用於稉稻的模擬，則需進行更進一步的模式參數調整，Flieisher博士團隊以FvCB光合作用機制取代原本ORYZA模式內的同化作用模擬，提升模式在不同環境濕度下的光合作用模擬。近期水稻模式發展的重點在於夜溫對於產量的影響，溫度對於米質的反應。在模式的田間決策上，應朝透過雲端計算的方向發展，並增加計算服務的即時性與便利性；簡化模式輸入檔，包括土壤、氣象與作物參數輸入簡化，田間管理套組化、輸出資料圖示，與其他田間決策系統結合，提供生產者田間管理作為的成本與收益分析。作物模式可應用或結合的技術包括遙測技術、作物表型體學、AI運算。在遙測技術的整合，目前尚未建立一致的調參方法學，需持續投入研究。透過表型體分析技術取得葉面積指數動態、葉型、生物量，建立高通量非破壞性分析資訊，提供模式參數建立或驗證使用，而螢光光譜取得植物生理參數也是表型體學的發展方向之一，生成式AI與作物模式進行學習，以機制模式作為主架構，機器學習處理細部運算的混合模型、AI演算法進行決策分析，對於科學研究與應用將會有新的影響。 拜訪美國農業部農業研究署位於北卡羅萊納州的植物研究單位 (Plant Research Unit)，透過Ripley Tisdale博士參訪該研究單位在氣候變遷的相關研究設施，包括開頂式生長箱、空氣去除系統、連續式擾動反應箱、與溫度梯度溫室，應用於升溫、二氧化碳濃度提高、臭氧濃度提高等情境模擬，以探討環境變遷對於作物生理反應與產量，以及植物地下部反應、根分泌物對於土壤微生物族群以及土壤化學性質的影響，透過不同精密度與分析通量的研究設施整合，加速作物對於環境變遷反應與品種篩選的研究。 建議我國應持續投入於作物模式的本土化應用，包含本土化參數建立與驗證，以強化對於氣候變遷風險分析與大尺度田間決策作為。在農業資料庫應用，後續應強化資料庫到資料分析端的推動，透過結合演算法與資料庫的，加速田間資訊的應用；並建議持續強化國際合作研究，強化夥伴關係與技術交流外，可找尋共同興趣的議題進行合作，支持雙方合作模式在於基礎科學的發展與應用。