Ny model sporer kulstof i agroøkosystemer

Kulstof er overalt. Det er i atmosfæren, i havene, i jorden, i vores mad, i vores kroppe. Som rygraden i alle organiske molekyler, der udgør livet, kulstof er en meget nøjagtig forudsigelse af afgrødeudbyttet. Og jord er den største kulstofpulje på jorden, spiller en vigtig rolle i at holde vores klima stabilt.

Som sådan, Beregningsmodeller, der sporer kulstof, mens det cykler gennem et agroøkosystem, har et massivt uudnyttet potentiale til at fremme området for præcisionslandbrug, øge afgrødeudbyttet og informere om bæredygtige landbrugsmetoder.

"Selvom modellering af kulstofkredsløbet i agroøkosystemer er blevet udført før, vores arbejde repræsenterer den mest omfattende integration af modeller og observationer, samt streng validering, der inkluderer righoldige målinger fra både felt- og regionale skalaer. Modelleringsydelsen af ​​vores løsning (udgivet i denne måned i Landbrugs- og skovmeteorologi ) langt overgår tidligere undersøgelser, " sagde Kaiyu Guan, en lektor i naturressourcer og miljøvidenskab ved University of Illinois Urbana-Champaign. Guan er også Blue Waters Associate Professor ved National Center for Supercomputing Applications (NCSA) og stiftende direktør for Agrocosystem Sustainability Center oprettet af College of Agricultural, Forbruger- og miljøvidenskab og iSEE.

Kulstofkredsløbet i agroøkosystemer kan generaliseres til tre hovedkulstofstrømme, der rejser til og fra planterne og jorden. Kulstof kommer ind i systemet gennem fotosyntese. Nogle forlader systemet via planteånding og jordånding, mens kulstof i form af korn og biomasse fjernes, når afgrøder høstes. I princippet, summen af ​​disse fluxer er lig med nettokulstofbevægelsen gennem systemet - og den nettoændring, især over længere perioder, er det, der bidrager til ændring i et agroøkosystems organiske kulstof i jorden.

Jordens organiske kulstof (SOC) er præcis, hvad det lyder som:Kulstof i form af organiske molekyler i jorden. Generelt sagt, jo større et felts SOC, jo mere produktivt vil det være. Imidlertid, i det amerikanske midtvests afgrødeland, omkring 30-50% af SOC er gået tabt siden deres dyrkning begyndte. Dette tab af SOC kan øge risikoen for fald i afgrødeudbytte, især under fremtidige klimaforhold.

Medlemmer af Guans SMARTFARM-projektteam brugte en avanceret agroøkosystemmodel ved navn ecosys, som indeholder de mest komplekse mekanismer til at simulere energien, vand, kulstof, og næringsstofstrømme, der kredser i agroøkosystemet. Denne model blev oprindeligt udviklet af professor i økosystemmodellering Robert Grant fra University of Alberta. I løbet af de sidste par år har Guans team har gjort en kontinuerlig indsats for at bygge en løsning til yderligere at begrænse ecosys-modellen med massive observationsdata.

Forskerne brugte en innovativ "model-data fusion" tilgang, som integrerer avancerede modelsimuleringer med observationsdata. Denne tilgang tillod dem at validere modelsimuleringsresultater, begrænse usikre modelparametre, og sikre, at modellen emulerer de processer, der driver kulstofkredsløbet på alle stadier. Der blev brugt flere typer datasæt, som eddy covariance flux tower data, som i vid udstrækning betragtes som guldstandarden for målinger af kulstof i landskabsskala; USDA afgrødeudbyttedata, der giver det høstede kulstof; og nye satellitdata, der giver fotosynteseobservationer.

"Derudover vi brugte detaljerede CO2-allokeringsdata målt over 10 år, " sagde hovedforfatter Wang Zhou, en postdoktoral forskningsassistent. "Det er de data, der fortæller dig, hvor en plante allokerer det kulstof, den optager fra fotosyntesen - hvor meget der går til stilken, hvor meget til rødderne, hvor meget til bladene."

"Hvad virkelig gør vores modelløsning spændende, " sagde Guan, "er, at vi bruger de mest avancerede observationer fra satellitter til at begrænse en kraftig agroøkosystemmodel, og vi demonstrerer, at dette kan opnå den højeste ydeevne i estimering af forskellige kulstofkomponenter." Tidligt i år, Guan og forsker Chongya Jiang udviklede en algoritme til at estimere fotosyntese ud fra satellitdata. Disse nyligt tilgængelige fotosyntesedata på tværs af alle majs- og sojabønnemarker i det amerikanske midtvest blev også brugt til at validere og begrænse modellen for at sikre, at holdet nøjagtigt kan gengive den observerede fotosyntese fra satellit og det USDA-rapporterede afgrødeudbytte, samt deres reaktioner på miljøvariationer.

"Integration af satellitobservationer med en procesbaseret model som ecosys er nøglen til at sikre nøjagtigheden af ​​vores løsning, og endnu vigtigere, potentialet ved at bruge vores modelleringsløsning på et nyt sted, Sydamerika eller Afrika, " sagde forsker Bin Peng.

Med så mange bevægelige dele, der er brugt en enorm mængde tid og kræfter på udviklingen af ​​denne model-data-fusionsløsning. Guans team er stolte af at frigive det første papir om modellen i Landbrugs- og skovmeteorologi , og forskerne har et par andre artikler i gang med at bruge denne metode. For eksempel, i en anden nylig undersøgelse, der involverer Guans hold og ledet af University of Minnesota, forskerne integrerede deres ecosys-simulerede resultater med kunstig intelligens for at estimere N ₂ O-emission fra U.S. Corn Belt. Denne undersøgelse blev offentliggjort i Miljøforskningsbreve.

"Dette er state of the art til kvantificering af CO2-budget og kredit, " sagde Guan. "Vi ønsker at vise folk, hvad der er muligt og sætte en høj standard fremadrettet. Vi lader streng videnskab tale for sig selv. Jeg tror, ​​det er den mest kraftfulde måde at sige ting på som videnskabsmænd."

Guans SMARTFARM-projekt, et program finansieret af det amerikanske energiministerium, er fokuseret på at være banebrydende inden for teknologien til at kvantificere kulstofkreditter i markskala for amerikansk landbrugsjord. Teamets ambition er at bruge denne udviklede model-data-fusionsmetode som grundlaget for nøjagtigt at kvantificere kulstofbudgettet i enhver skala, og understøtter også smart ledelse på gårdskalaen. Gennem præcisionslandbrug, de håber at hjælpe landmændene ikke kun med at maksimere deres udbytte, men også bedre opretholde deres land og dets SOC-indhold.

Forskellige finansieringsbureauer har støttet Guans team gennem årene, herunder National Science Foundation Career Award, Fonden for Fødevare- og Landbrugsforskning, DOE Advanced Research Projects Agency-Energy SMARTFARM-program, NASA Carbon Monitoring System Program, og USDA National Institute of Food and Agriculture.

Ud over Guan, Give, Zhou, Jiang, og Peng, medforfattere til denne seneste publikation inkluderer Jinyung Chang, Lawrence Berkeley National Laboratory; Zhenong Jin, University of Minnesota; og Symon Mezbahuddin, Universitetet i Alberta.