Koolstof is overal. Het zit in de atmosfeer, in de oceanen, in de grond, in ons eten, in ons lichaam. Als de ruggengraat van alle organische moleculen waaruit het leven bestaat, koolstof is een zeer nauwkeurige voorspeller van gewasopbrengsten. En de bodem is de grootste koolstofpool op aarde, een belangrijke rol spelen bij het stabiel houden van ons klimaat.

Als zodanig, computationele modellen die koolstof volgen terwijl het door een agro-ecosysteem fietst, hebben een enorm onbenut potentieel om het gebied van precisielandbouw vooruit te helpen, het verhogen van de gewasopbrengst en het informeren van duurzame landbouwpraktijken.

"Hoewel het modelleren van de koolstofcyclus in agro-ecosystemen al eerder is gedaan, ons werk vertegenwoordigt de meest uitgebreide integratie van modellen en observaties, evenals rigoureuze validatie die uitgebreide metingen omvat van zowel veld- als regionale schalen. De modelleringsprestaties van onze oplossing (deze maand gepubliceerd in Landbouw- en bosmeteorologie ) ver overtreft eerdere studies, " zei Kaiyu Guan, een universitair hoofddocent natuurlijke hulpbronnen en milieuwetenschappen aan de University of Illinois Urbana-Champaign. Guan is ook een Blue Waters Associate Professor bij het National Center for Supercomputing Applications (NCSA) en oprichter van het Agroecosystem Sustainability Center, opgericht door het College of Agricultural, Consumenten- en Milieuwetenschappen en iSEE.

De koolstofcyclus in agro-ecosystemen kan worden gegeneraliseerd in drie belangrijke koolstofstromen die van en naar de planten en de bodem reizen. Koolstof komt het systeem binnen via fotosynthese. Sommige verlaten het systeem via plantenademhaling en bodemademhaling, terwijl koolstof in de vorm van graan en biomassa wordt verwijderd wanneer gewassen worden geoogst. In principe, de som van deze fluxen is gelijk aan de netto koolstofbeweging door het systeem - en die netto verandering, vooral gedurende langere tijd, is wat bijdraagt ​​aan verandering in de organische koolstof van een agro-ecosysteem in de bodem.

Bodem organisch koolstof (SOC) is precies hoe het klinkt:koolstof in de vorm van organische moleculen in de bodem. In het algemeen, hoe groter de SOC van een veld, hoe productiever het zal zijn. Echter, in de akkerlanden van het Midwesten van de VS, ongeveer 30-50% van SOC is verloren gegaan sinds het begin van de teelt. Dit verlies van SOC kan het risico op verminderde gewasopbrengst vergroten, vooral onder toekomstige klimaatomstandigheden.

Leden van Guan's SMARTFARM-projectteam gebruikten een geavanceerd agro-ecosysteemmodel genaamd ecosys, die de meest complexe mechanismen bevat voor het simuleren van de energie, water, koolstof, en nutriëntenfluxen die in het agro-ecosysteem circuleren. Dit model is oorspronkelijk ontwikkeld door Robert Grant, professor in ecosysteemmodellering van de Universiteit van Alberta. De afgelopen jaren is Het team van Guan heeft zich voortdurend ingespannen om een ​​oplossing te bouwen om het ecosys-model verder te beperken met enorme observatiegegevens.

De onderzoekers gebruikten een innovatieve "model-data fusion"-aanpak, die geavanceerde modelsimulaties integreert met waarnemingsgegevens. Deze aanpak stelde hen in staat om modelsimulatieresultaten te valideren, beperken onzekere modelparameters, en ervoor te zorgen dat het model de processen nabootst die de koolstofcyclus in alle stadia aansturen. Er werden meerdere soorten datasets gebruikt, zoals eddy covariantie flux toren gegevens, die algemeen wordt beschouwd als de gouden standaard voor koolstofmetingen op landschapsschaal; USDA gewasopbrengstgegevens die de geoogste koolstof leveren; en nieuwe satellietgegevens die fotosynthese-waarnemingen mogelijk maken.

"Aanvullend, we gebruikten gedetailleerde koolstoftoewijzingsgegevens gemeten over 10 jaar, " zei hoofdauteur Wang Zhou, een postdoctoraal onderzoeksmedewerker. "Dat zijn de gegevens die je vertellen waar een plant de koolstof toewijst die het opneemt van fotosynthese - hoeveel er naar de stengel gaat, hoeveel naar de wortels, hoeveel aan de bladeren."

"Wat onze modelleringsoplossing echt spannend maakt, "Guan zei, "is dat we de meest geavanceerde waarnemingen van satellieten gebruiken om een ​​krachtig agro-ecosysteemmodel in te perken, en we laten zien dat dit de hoogste prestatie kan leveren bij het schatten van verschillende koolstofcomponenten." Begin dit jaar, Guan en onderzoekswetenschapper Chongya Jiang ontwikkelden een algoritme om de fotosynthese uit satellietgegevens te schatten. Deze nieuw beschikbare fotosynthesegegevens over elk maïs- en sojabonenveld in het middenwesten van de VS werden ook gebruikt om het model te valideren en te beperken om ervoor te zorgen dat het team de waargenomen fotosynthese van de satelliet en de door de USDA gerapporteerde gewasopbrengst nauwkeurig kan reproduceren. evenals hun reacties op omgevingsvariabiliteit.

"Het integreren van satellietwaarnemingen met een procesgebaseerd model zoals ecosys is de sleutel om de nauwkeurigheid van onze oplossing te garanderen, en nog belangrijker, het potentieel van het gebruik van onze modelleringsoplossing op een nieuwe locatie, zoals Zuid-Amerika of Afrika, "Zei onderzoeker Bin Peng.

Met zoveel bewegende delen, er is enorm veel tijd en moeite gestoken in de ontwikkeling van deze oplossing voor het samenvoegen van modelgegevens. Guan's team is trots om het eerste artikel over het model in Landbouw- en bosmeteorologie , en de onderzoekers hebben een aantal andere papers die deze methode gebruiken in de maak. Bijvoorbeeld, in een ander recent onderzoek waarbij het team van Guan betrokken was en geleid door de Universiteit van Minnesota, de onderzoekers integreerden hun door ecosys gesimuleerde resultaten met kunstmatige intelligentie om N . te schatten ₂ O-emissie van de Amerikaanse Corn Belt. Deze studie is gepubliceerd in Milieuonderzoeksbrieven.

"Dit is state-of-the-art voor het kwantificeren van koolstofbudget en krediet, " zei Guan. "We willen mensen laten zien wat er mogelijk is en een hoge standaard zetten voor de toekomst. We laten de rigoureuze wetenschap voor zichzelf spreken. Ik geloof dat dat de krachtigste manier is om dingen als wetenschappers te zeggen."

Guan's SMARTFARM-project, een programma gefinancierd door het Amerikaanse ministerie van Energie, is gericht op het pionieren van de technologie om koolstofkredieten op veldschaal voor Amerikaanse landbouwgrond te kwantificeren. De ambitie van het team is om deze ontwikkelde model-datafusiemethode te gebruiken als basis om het koolstofbudget op elke schaal nauwkeurig te kwantificeren, en ondersteunen ook slim beheer op boerderijschaal. Door precisielandbouw, ze hopen boeren te helpen niet alleen hun opbrengsten te maximaliseren, maar ook om hun land en zijn SOC-inhoud beter te ondersteunen.

Verschillende financieringsinstanties hebben het team van Guan door de jaren heen ondersteund, waaronder de National Science Foundation Career Award, de Stichting Voedsel- en Landbouwonderzoek, DOE Advanced Research Projects Agency-Energy SMARTFARM-programma, NASA Carbon Monitoring System-programma, en USDA Nationaal Instituut voor Voedsel en Landbouw.

Naast Guan, Studiebeurs, Zhou, Jiang, en Peng, co-auteurs van deze laatste publicatie zijn onder meer Jinyung Chang, Lawrence Berkeley Nationaal Laboratorium; Zhenong Jin, Universiteit van Minnesota; en Symon Mezbahuddin, Universiteit van Alberta.