Att förutsäga och fastställa vilka jordbruksmetoder som mest sannolikt kommer att skydda mot miljöskador är ett komplicerat förslag, och forskare vid Ohio State University arbetar med att finjustera verktygen som kan hjälpa bönder och andra att förhindra skadliga algblomningar.

Den här veckan på American Geophysical Union (AGU) höstmöte i Washington, D.C, ett team av forskare från Ohio State University delade tidiga resultat från en trio av studier som syftar till att förbättra modeller som utformats för att vägleda jordbruksmetoder för att minska risken för avrinning av kväve och fosfor från gården. Sådan avrinning leder till tillväxt av giftiga alger i vattendrag.

Grundläggande modeller för att förutsäga konsekvenserna av olika beslut, till exempel när man ska applicera gödselmedel, är tillgängliga men de måste förfinas för att säkerställa tillförlitlighet och vinna förtroende hos intresserade parter, inklusive jordbrukare och miljöskyddsorganisationer, sa Jay Martin, professor i ekologisk teknik vid Ohio State.

Asmita Murumkar, en postdoktor vid Ohio State, sa att hennes arbete börjar belysa hur tidpunkten för applicering av gödningsmedel korsar kraftiga regn för att bidra till avrinning av näringsämnen. Hon arbetar med Ohio Applicator Forecast, ett verktyg som använder National Weather Service-data för att tilldela riskuppskattningar för att applicera gödningsmedel vid olika tidpunkter.

Murumkar är hoppfull om att hennes forskning kommer att hjälpa till att kvantifiera vilken inverkan verktyget skulle ha på miljön under olika scenarier - säg om en fjärdedel av bönderna i Maumee Rivers vattendelare använde det, eller hälften.

"Vi vill bättre förstå hur mycket fosforavrinning det skulle minska i regionen, sa Martin, och tillägger att det finns gott om bevis för att enskilda jordbruksmetoder påverkar avrinning från dessa gårdar, men mindre bevis i termer av större uppskattningar.

"Vi vet från vårt tidigare arbete att gödningstider är viktiga, men vi vill kunna se över hela Lake Erie Basin och känna till bästa och värsta scenarier och den här modelleringen kommer att hjälpa till att hantera det, " han sa.

Margaret Kalcic, biträdande professor i Ohio State's Food, Avdelningen för jordbruk och biologisk teknik, nämnda bönder uppmuntras att följa "Fyra Rs" i rätt tid, källa, mängd och plats vid applicering av gödningsmedel.

"Men "rätt" är inte klart definierat, och vårt team arbetar för att tillhandahålla våra partners i Ohio, inklusive bönder, förespråkare och beslutsfattare, med bättre svar, " sa Kalcic.

Lade till Martin, "Det finns mer subtilitet här än att bara titta på vädret och markfuktigheten och vi försöker bestämma de bästa lösningarna som stöder jordbruksproduktion och miljöskydd."

Grå Evenson, en postdoktor vid Ohio State, kommer att presentera de första resultaten av sitt arbete för att identifiera de bästa data att använda i modellering, så att den ger en mer exakt bild av vad som händer på fält och intilliggande vattenvägar.

"Vi vill inte underskatta – eller överskatta – värdet av dessa bästa förvaltningsmetoder. Till exempel, vissa metoder kan ge större fördelar än vad vi ger dem kredit för i modellen – som att förbättra markens hälsa, vilket leder till bättre vattenretention, "Sa Evenson.

Lade till Kalcic, "Mycket av det här arbetet handlar om att trimma befintliga modeller. Genom att förbättra kvaliteten på informationen vi lägger in i dem har vi större förtroende för informationen som kommer ut ur dem." Hon sa att det finns många frågor om de större miljöeffekterna av metoder som odling utan jord, som allmänt anses vara miljövänligt.

"Vi vet att ingen jordbearbetning är bra för att förhindra jorderosion, men det finns fortfarande osäkerhet om dess effekter på vattenkvaliteten i regionen, " sa Kalcic.

Doktoranden Anna Apostel diskuterade ett tredje projekt, där hon manipulerar olika parametrar i en modell för att försöka avgöra hur tillförlitlig – eller inte – modellen är. Det långsiktiga målet är att gå mot mer robusta uppskattningar av hur metoder bidrar till vattenkvaliteten.

Martin sa att justera parametrar så att storleken på processer bättre matchar verkligheten och data från observationer i fältet är en kritisk del för att förbättra modellprestanda.

"Vi vill justera våra ekvationer för att bättre representera verkligheten, " sa Apostel.

Det övergripande målet med allt arbete, forskarna sa, är att ha modeller som bättre överensstämmer med vad forskarna har observerat i fältexperiment men som kan se på frågorna på ett brett spektrum, regional nivå.

"Vi vet att om du bygger en dålig modell kommer det inte att hjälpa någon att fatta några beslut, " sa Kalcic.

"Vi vill verkligen bygga förtroende för verkligt användbara modeller som hjälper beslutsfattare, bönder och andra. Det värsta skulle vara att folk litar på modeller som berättar det helt felaktiga budskapet, " Hon sa.