Videnskab
 Science >> Videnskab >  >> Natur

Ny undersøgelse er første skridt i at forudsige kulstofemissioner i landbruget

Oversigt over metoden og rammerne, der anvendes til udvikling af KGML-ag-Carbon. Udviklingen af ​​KGML-ag-Carbon har tre hovedtrin:(1) Udvikling af maskinlæringsmodellens arkitektur baseret på årsagssammenhænge afledt af en landbrugsprocesbaseret model; (2) fortræning af KGML-ag-Carbon ved hjælp af syntetiske data genereret af en procesbaseret model; og (3) finjustering af KGML-ag-Carbon ved hjælp af observerede afgrødeudbyttedata i lav opløsning og kulstofstrømme fra sparsomt fordelte hvirvel-kovarianssteder. De videnstyrede tab blev designet baseret på den procesbaserede model for yderligere at begrænse målvariablernes respons på inputvariabler under både modelfortræning og finjusteringsprocesser. Kredit:Nature Communications (2024). DOI:10.1038/s41467-023-43860-5

For første gang har forskere ved University of Minnesota Twin Cities (UMN) og University of Illinois Urbana-Champaign (UIUC) vist, at det er muligt at give nøjagtige forudsigelser i høj opløsning af kulstofcyklusser i agroøkosystemer, hvilket kan hjælpe afbøde virkningerne af klimaændringer.



Undersøgelsen udført af forskere fra det UMN-ledede National Artificial Intelligence Institute for Climate-Land Interactions, Mitigation, Adaptation, Tradeoffs and Economy (AI-CLIMATE) og UIUC-ledede Agroecosystem Sustainability Center blev for nylig offentliggjort i Nature Communications .

Undersøgelsens resultater er et kritisk første skridt i udviklingen af ​​en troværdig måling, overvågning, rapportering og verifikation (MMRV) af landbrugsemissioner, der kan bruges til at tilskynde til implementering af klimasmarte praksisser og samtidig sætte skub i landdistrikternes økonomier.

Dette følger den nationale strategi, fastsat af Det Hvide Hus, der fremhæver behovet for at kvantificere drivhusgasemissioner på tværs af sektorer med et mål om netto-nul-emissioner senest i 2050.

Nøjagtig, skalerbar og omkostningseffektiv overvågning og rapportering af drivhusgasemissioner er nødvendige for at verificere, hvad der kaldes "kulstofkreditter" eller tilladelser, der opvejer drivhusgasemissioner. Landmænd kan få godtgørelse for praksis, der reducerer udledningen af ​​drivhusgasser. Landbruget står for omkring 25 procent af drivhusgasemissionerne, men store virksomheder kan være tøvende med at købe disse kreditter uden at vide, hvor meget kulstof der bliver lagret.

Lige nu, for nøjagtigt at indsamle kulstofdata, ville en landmand skulle hyre nogen til at komme til deres gård, tage det, der kaldes en jordkerne (lodret profil af jorden), og sende det tilbage til laboratoriet til analyse.

"At indsamle den mængde data, der er nødvendig på hver enkelt farm, kan det koste landmændene tid og penge, som de måske ikke er villige til at give," siger Licheng Liu, hovedforfatter og forsker ved University of Minnesota Department of Bioproducts. og Biosystems Engineering.

Det nye område Knowledge-Guided Machine Learning (KGML), banebrydende af forskere ved University of Minnesota, kombinerer styrken af ​​kunstig intelligens (AI) og procesbaserede modeller fra fysiske videnskaber.

Med observationer i United States Corn Belt overgår KGML-ag rammeværket markant både procesbaserede og rene maskinlæringsmodeller i nøjagtighed, især med begrænsede data. Bemærkelsesværdigt er det, at KGML-ag opererer over 10.000 gange hurtigere end traditionelle procesbaserede modeller og leverer højopløsnings- og højfrekvente forudsigelser omkostningseffektivt.

"Disse vidensstyrede maskinlæringsteknikker (KGML) er grundlæggende mere kraftfulde end standard maskinlæringstilgange og traditionelle modeller, der bruges af det videnskabelige samfund til at løse miljøproblemer," siger Vipin Kumar, en professor ved University of Minnesota Regents og William Norris Endowed Chair i Institut for Datalogi og Teknik.

I stedet for at tage jordkerner på hver gård, med KGML-ag, kan forskere bruge kraften fra satellit-fjernmåling, beregningsmodeller og AI til at give et skøn over kulstof i hvert enkelt felt. Dette giver mulighed for kompensation til individuelle landmænd, som er retfærdig og præcis. Forskerne siger, at dette er nøglen til at skabe tillid til CO2-markeder og støtte vedtagelsen af ​​bæredygtig praksis.

"KGML-ag kombinerer den mest avancerede forståelse af mekanismer i landbruget med de avancerede AI-teknikker og tilbyder dermed en ny kraftfuld linse til at overvåge og styre vores landbrugsøkosystemer," sagde Zhenong Jin, den tilsvarende forfatter til denne undersøgelse og assisterende professor ved University of Minnesota Department of Bioproducts and Biosystems Engineering, som er medleder KGMLs særlige interessegruppe i AI-CLIMATE.

Nu undersøger AI-CLIMATE-forskere potentialet i KGML-rammen for skovbrug og udnytter dets evner til at løse de presserende udfordringer inden for bæredygtig skovdrift og opsamling og lagring af kulstof. Holdet udforsker også en KGML-baseret dataassimileringstilgang for at gøre brug af de hurtigt voksende forskellige slags satellitdata fleksibelt.

"KGML er et af de vigtigste forskningsemner i AI-CLIMATE," sagde Shashi Shekhar, en University of Minnesota ADC Chair og Distinguished McKnight University Professor i Department of Computer Science and Engineering og ledende forsker ved AI-CLIMATE Institute. .

"Disse første resultater demonstrerer AI's enorme potentiale til at udvikle mere nøjagtige og billigere metoder til at estimere emissioner fra landbruget. Dette kan smøre kulstofmarkederne og tilskynde til indførelse af klimasmarte praksisser."

Flere oplysninger: Licheng Liu et al., Vidensstyret maskinlæring kan forbedre kulstofkredsløbskvantificeringen i agroøkosystemer, Nature Communications (2024). DOI:10.1038/s41467-023-43860-5

Leveret af University of Minnesota