När forskare tittar på jordens tillgängliga vatten för ekosystemtjänster tittar de inte bara på nederbörd. De måste också ta hänsyn till vatten som rör sig från marken till atmosfären, en process som kallas evapotranspiration (ET).
ET inkluderar avdunstning från jord och öppna vattenpooler som sjöar, floder och dammar, såväl som transpiration från växtblad. Skillnaden mellan nederbörd och ET indikerar vattenbalansen tillgänglig för samhälleliga behov, inklusive jordbruks- och industriproduktion. Att mäta ET är dock utmanande. En ny studie från University of Illinois Urbana-Champaign presenterar en datormodell som använder artificiell intelligens (AI) för ET-förutsägelse baserat på fjärranalysuppskattningar.
"Markbaserade ET-uppskattningar fångar de lokala flödena av vatten som överförs till atmosfären men är begränsade i skala. Däremot tillhandahåller satellitdata ET-information i global skala. Ändå är de ofta ofullständiga på grund av moln eller sensorfel, och satellitcykel över ett område kan ta flera dagar."
"Vi genomförde denna forskning för att förutsäga saknade data och för att generera dagliga kontinuerliga ET-data som står för dynamiken i markanvändning och atmosfärisk luftrörelse", säger huvudförfattaren Jeongho Han, doktorand vid Institutionen för jordbruks- och biologisk teknik (ABE) , en del av College of Agricultural, Consumer and Environmental Sciences och The Grainger College of Engineering i Illinois.
Forskarna skapade "Dynamic Land Cover Evapotranspiration Model Algorithm" (DyLEMa) baserad på maskininlärningsmodeller med beslutsträd. Denna algoritm är avsedd att förutsäga saknade rumsliga och tidsmässiga ET-data med hjälp av tränade säsongsbetonade maskininlärningsmodeller. DyLEMa utvärderades till Illinois skala på ett dagligt 30 x 30 meter rutnät i 20 år med hjälp av data från NASA, U.S. Geological Survey och National Oceanic and Atmospheric Administration.
"DyLEMa är mycket mer detaljerad och komplex än andra modeller. Den skiljer mellan olika markanvändningar, inklusive skog, stad och jordbruk, och olika grödor, som majs och sojabönor. Modellen inkluderar nederbörd, temperatur, luftfuktighet, solstrålning, vegetation. stadium och markegenskaper."
"Detta tillåter oss att fånga ytdynamiken exakt och förutsäga ET baserat på flera variabler. Detta är särskilt viktigt för jordbrukslandskap där grödor förändras snabbt", säger medförfattare Jorge Guzman, forskningsassistent vid ABE.
Forskarna testade modellens noggrannhet genom att jämföra dess resultat med befintliga data. För validering över tid använde de markmätningar från 2009 till 2016 på fyra platser i Illinois. För att testa rumslig noggrannhet skapade de också artificiella scenarier där de infogade ett syntetiskt moln i en molnfri bild, sedan tillämpade sin algoritm och jämförde resultaten med originaldata.
Sammantaget minskade DyLEMA osäkerheten för ET-förutsägelse i kumulerade ET-uppskattningar från ett genomsnitt på +30 % (överförutspått) till cirka -7 % (underförutspått) jämfört med befintliga mätningar, vilket indikerar mycket större noggrannhet.
Studien är en del av ett större projekt om jorderosion. Maria Chu, docent i ABE, är huvudutredare för det projektet och medförfattare till det nya dokumentet.
"ET kontrollerar markens fukthalt och vice versa, vilket påverkar ytprocesser som avrinning och vattenerosion. Vårt nästa steg är att integrera våra data i en distribuerad hydrologisk modell för bättre uppskattning av jorderosion," sa Chu.
"En av utmaningarna med markförvaltningsmetoder är att människor kanske inte ser fördelen med att genomföra förändringar direkt. Men med den här modellen kan vi visa att det du gör nu kommer att ha en långsiktig effekt, till exempel 10 eller Om 20 år och på platser långt från din gård Detta är kraften i att använda data och datorkapacitet för att engagera samhällen och informera om policyåtgärder, tillade Chu.
Forskningen är publicerad i tidskriften Computers and Electronics in Agriculture .
Mer information: Jeongho Han et al, Dynamic land cover evapotranspiration model algorithm:DyLEMa, Computers and Electronics in Agriculture (2024). DOI:10.1016/j.compag.2024.108875
Tillhandahålls av University of Illinois i Urbana-Champaign
