Voor het eerst hebben onderzoekers van de University of Minnesota Twin Cities (UMN) en de University of Illinois Urbana-Champaign (UIUC) aangetoond dat het mogelijk is om nauwkeurige voorspellingen met hoge resolutie van koolstofcycli in agro-ecosystemen te geven, wat zou kunnen helpen de gevolgen van de klimaatverandering verzachten.

De studie door wetenschappers van het door UMN geleide National Artificial Intelligence Institute for Climate-Land Interactions, Mitigation, Adaptation, Tradeoffs and Economy (AI-CLIMATE) en het door UIUC geleide Agroecosystem Sustainability Center werd onlangs gepubliceerd in Nature Communications .

De bevindingen van het onderzoek zijn een cruciale eerste stap in de ontwikkeling van een geloofwaardige meting, monitoring, rapportage en verificatie (MMRV) van landbouwemissies die kan worden gebruikt om de implementatie van klimaatslimme praktijken te stimuleren en tegelijkertijd de plattelandseconomieën te stimuleren.

Dit volgt de nationale strategie, opgesteld door het Witte Huis, waarin de noodzaak wordt benadrukt om de uitstoot van broeikasgassen in alle sectoren te kwantificeren met als doel een netto-nuluitstoot tegen uiterlijk 2050.

Nauwkeurige, schaalbare en kosteneffectieve monitoring en rapportage van de uitstoot van broeikasgassen zijn nodig om de zogenoemde ‘koolstofkredieten’ of vergunningen die de uitstoot van broeikasgassen compenseren, te verifiëren. Boeren kunnen een vergoeding krijgen voor praktijken die de uitstoot van broeikasgassen verminderen. De landbouw is verantwoordelijk voor ongeveer 25 procent van de uitstoot van broeikasgassen, maar grote bedrijven kunnen aarzelen om deze credits te kopen zonder te weten hoeveel koolstof er wordt opgeslagen.

Op dit moment zou een boer, om nauwkeurig CO2-gegevens te verzamelen, iemand moeten inhuren om naar zijn boerderij te komen, een zogenaamde bodemkern (verticaal profiel van de bodem) te nemen en die terug te sturen naar het laboratorium voor analyse.

"Het verzamelen van de hoeveelheid gegevens die op elk afzonderlijk landbouwbedrijf nodig is, kan de boeren tijd en geld kosten die ze misschien niet willen geven", zegt Licheng Liu, hoofdauteur en onderzoekswetenschapper aan het Department of Bioproducts van de Universiteit van Minnesota. en biosysteemtechniek.

Het opkomende gebied van Knowledge-Guided Machine Learning (KGML), ontwikkeld door onderzoekers van de Universiteit van Minnesota, combineert de kracht van kunstmatige intelligentie (AI) en procesgebaseerde modellen uit de natuurwetenschappen.

Met observaties in de Corn Belt van de Verenigde Staten overtreft het KGML-ag-framework zowel procesgebaseerde als pure machine learning-modellen aanzienlijk in nauwkeurigheid, vooral met beperkte gegevens. Opmerkelijk is dat KGML-ag meer dan 10.000 keer sneller werkt dan traditionele, op processen gebaseerde modellen, en op kosteneffectieve wijze voorspellingen met hoge resolutie en hoge frequentie levert.

"Deze kennisgeleide technieken voor machinaal leren (KGML) zijn fundamenteel krachtiger dan de standaardbenaderingen van machinaal leren en traditionele modellen die door de wetenschappelijke gemeenschap worden gebruikt om milieuproblemen aan te pakken", zegt Vipin Kumar, hoogleraar aan de Universiteit van Minnesota Regents en William Norris Endowed Chair in het Departement Computerwetenschappen en Techniek.

In plaats van op elk landbouwbedrijf bodemkernen te nemen, kunnen onderzoekers met KGML-ag de kracht van satellietteledetectie, computermodellen en AI gebruiken om een ​​schatting te maken van de koolstofuitstoot in elk afzonderlijk veld. Dit maakt een compensatie aan individuele boeren mogelijk die eerlijk en accuraat is. De onderzoekers zeggen dat dit van cruciaal belang is voor het bevorderen van het vertrouwen in de koolstofmarkten en het ondersteunen van de adoptie van duurzame praktijken.

"KGML-ag combineert het meest geavanceerde begrip van mechanismen in de landbouw met de modernste AI-technieken en biedt zo een nieuwe krachtige lens om onze landbouwecosystemen te monitoren en te beheren", zegt Zhenong Jin, de corresponderende auteur van dit onderzoek. en assistent-professor aan de afdeling Bioproducts en Biosystems Engineering van de Universiteit van Minnesota, die mede leiding geeft aan de speciale belangengroep KGML op het gebied van AI-CLIMATE.

Nu onderzoeken AI-CLIMATE-onderzoekers het potentieel van het KGML-raamwerk voor bosbouw, waarbij ze de mogelijkheden ervan benutten om de dringende uitdagingen op het gebied van duurzaam bosbeheer en het vastleggen en opslaan van koolstof aan te pakken. Het team onderzoekt ook een op KGML gebaseerde benadering van gegevensassimilatie om flexibel gebruik te kunnen maken van de snelgroeiende verschillende soorten satellietgegevens.

"De KGML is een van de belangrijkste onderzoeksthema's van het AI-CLIMATE", zegt Shashi Shekhar, ADC-voorzitter van de Universiteit van Minnesota en vooraanstaande McKnight University Professor bij de afdeling Computer Science and Engineering en de hoofdonderzoeker van het AI-CLIMATE Institute. .

"Deze eerste resultaten tonen het enorme potentieel van AI aan voor het ontwikkelen van nauwkeurigere en goedkopere methoden voor het schatten van de uitstoot van de landbouw. ​​Dit kan de koolstofmarkten smeren en de adoptie van klimaatvriendelijke praktijken stimuleren."

Meer informatie: Licheng Liu et al., Kennisgestuurd machinaal leren kan de kwantificering van de koolstofcyclus in agro-ecosystemen verbeteren, Natuurcommunicatie (2024). DOI:10.1038/s41467-023-43860-5

Aangeboden door Universiteit van Minnesota