Wetenschap
Een AI-model om de onzekerheid in de voorspelling van de verdamping te verminderen
Wanneer wetenschappers kijken naar het beschikbare water op aarde voor ecosysteemdiensten, kijken ze niet alleen naar neerslag. Ze moeten ook rekening houden met de waterbeweging van de grond naar de atmosfeer, een proces dat bekend staat als evapotranspiratie (ET).
ET omvat verdamping uit de bodem en open waterpoelen zoals meren, rivieren en vijvers, evenals transpiratie uit plantenbladeren. Het verschil tussen neerslag en ET geeft de waterbalans aan die beschikbaar is voor maatschappelijke behoeften, inclusief landbouw- en industriële productie. Het meten van ET is echter een uitdaging. Een nieuwe studie van de Urbana-Champaign van de Universiteit van Illinois presenteert een computermodel dat kunstmatige intelligentie (AI) gebruikt voor buitenaardse voorspellingen op basis van schattingen van teledetectie.
"Op de grond gebaseerde schattingen van buitenaardse wezens registreren de lokale waterstromen die naar de atmosfeer worden overgebracht, maar zijn beperkt van omvang. Satellietgegevens bieden daarentegen buitenaardse informatie op mondiale schaal. Toch zijn ze vaak onvolledig als gevolg van wolken of sensorstoringen, en de satellietcyclus over een gebied kan enkele dagen duren."
"We hebben dit onderzoek uitgevoerd om ontbrekende gegevens te voorspellen en om dagelijks continue ET-gegevens te genereren die rekening houden met de dynamiek van landgebruik en atmosferische luchtbewegingen", zegt hoofdauteur Jeongho Han, een doctoraalstudent bij de afdeling Landbouw- en Biologische Technologie (ABE). , onderdeel van het College of Agricultural, Consumer and Environmental Sciences en The Grainger College of Engineering in Illinois.
De onderzoekers creëerden het "Dynamic Land Cover Evapotranspiration Model Algorithm" (DyLEMa) op basis van machine learning-modellen met beslissingsbomen. Dit algoritme is bedoeld om ontbrekende ruimtelijke en temporele ET-gegevens te voorspellen met behulp van getrainde seizoensgebonden machine learning-modellen. DyLEMa werd twintig jaar lang geëvalueerd op de schaal van Illinois op een dagelijks raster van 30 x 30 meter met behulp van gegevens van NASA, de U.S. Geological Survey en de National Oceanic and Atmospheric Administration.
"DyLEMa is veel gedetailleerder en complexer dan andere modellen. Het maakt onderscheid tussen verschillende vormen van landgebruik, waaronder bos, stad en landbouw, en verschillende gewassen, zoals maïs en sojabonen. Het model omvat neerslag, temperatuur, vochtigheid, zonnestraling, vegetatie stadium en bodemeigenschappen."
"Hierdoor kunnen we de oppervlaktedynamiek nauwkeurig vastleggen en ET voorspellen op basis van meerdere variabelen. Dit is vooral belangrijk voor landbouwlandschappen waar gewassen snel veranderen", zegt co-auteur Jorge Guzman, onderzoeksassistent-professor bij ABE.
De onderzoekers testten de nauwkeurigheid van het model door de resultaten te vergelijken met bestaande gegevens. Voor validatie in de loop van de tijd gebruikten ze grondmetingen van 2009 tot 2016 op vier locaties in Illinois. Om de ruimtelijke nauwkeurigheid te testen, creëerden ze ook kunstmatige scenario's waarin ze een synthetische wolk in een wolkenvrij beeld plaatsten, vervolgens hun algoritme toepasten en de resultaten vergeleken met de originele gegevens.
Over het geheel genomen verminderde DyLEMA de onzekerheid over de ET-voorspelling in gecumuleerde ET-schattingen van gemiddeld +30% (overvoorspeld) tot ongeveer -7% (ondervoorspeld) vergeleken met bestaande metingen, wat wijst op een veel grotere nauwkeurigheid.
Het onderzoek maakt deel uit van een groter project over bodemerosie. Maria Chu, universitair hoofddocent bij ABE, is de hoofdonderzoeker van dat project en co-auteur van het nieuwe artikel.
"ET controleert het bodemvochtgehalte en vice versa, wat invloed heeft op oppervlakteprocessen zoals afvloeiing en watererosie. Onze volgende stap is het integreren van onze gegevens in een gedistribueerd hydrologisch model voor een betere schatting van bodemerosie", aldus Chu.
“Een van de uitdagingen bij landbeheerpraktijken is dat mensen misschien niet meteen het voordeel inzien van het doorvoeren van veranderingen. Maar met dit model kunnen we laten zien dat wat je nu doet een impact op de lange termijn zal hebben. Over twintig jaar en op locaties ver van je boerderij. Dit is de kracht van het gebruik van data en computercapaciteit om gemeenschappen te betrekken en beleidsmaatregelen te onderbouwen,' voegde Chu eraan toe.
Het onderzoek is gepubliceerd in het tijdschrift Computers and Electronics in Agriculture .