Kol finns överallt. Det är i atmosfären, i haven, i jorden, i vår mat, i våra kroppar. Som ryggraden i alla organiska molekyler som utgör livet, kol är en mycket exakt prediktor för skördar. Och marken är den största kolpoolen på jorden, spelar en viktig roll för att hålla vårt klimat stabilt.

Som sådan, beräkningsmodeller som spårar kol när det cirkulerar genom ett agroekosystem har en enorm outnyttjad potential för att avancera inom precisionsjordbruk, öka skördarna och informera om hållbara jordbruksmetoder.

"Även om modellering av kolcykeln i agroekosystem har gjorts tidigare, vårt arbete representerar den mest omfattande integrationen av modeller och observationer, samt rigorös validering som inkluderar rika mätningar från både fält- och regionala skalor. Modelleringsprestandan för vår lösning (publicerad denna månad i Jordbruks- och skogsmeteorologi ) vida överträffar tidigare studier, sa Kaiyu Guan, en docent i naturresurser och miljövetenskap vid University of Illinois Urbana-Champaign. Guan är också Blue Waters docent vid National Center for Supercomputing Applications (NCSA) och grundare av Agrocosystem Sustainability Center skapat av College of Agricultural, Konsument- och miljövetenskap och iSEE.

Kolets kretslopp i agroekosystem kan generaliseras till tre huvudsakliga kolflöden som reser till och från växterna och jorden. Kol kommer in i systemet genom fotosyntes. Vissa lämnar systemet via växtandning och markandning, medan kol i form av spannmål och biomassa tas bort när grödor skördas. I princip, summan av dessa flöden är lika med nettokolets rörelse genom systemet – och den nettoförändringen, speciellt under långa perioder, är det som bidrar till förändring i ett agroekosystems markorganiska kol.

Jordens organiskt kol (SOC) är precis vad det låter som:Kol i form av organiska molekyler i jorden. Generellt, ju större ett fälts SOC, desto mer produktivt blir det. Dock, i USA:s mellanvästerns odlingsmarker, ca 30-50 % av SOC har gått förlorat sedan odlingen började. Denna förlust av SOC kan öka risken för minskning av skörden, särskilt under framtida klimatförhållanden.

Medlemmar av Guans SMARTFARM-projektteam använde en avancerad agroekosystemmodell som heter ecosys, som innehåller de mest komplexa mekanismerna för att simulera energin, vatten, kol, och näringsflöden som cirkulerar i agroekosystemet. Denna modell utvecklades ursprungligen av professor i ekosystemmodellering Robert Grant från University of Alberta. Under de senaste åren, Guans team har gjort kontinuerliga ansträngningar för att bygga en lösning för att ytterligare begränsa ecosys-modellen med massiva observationsdata.

Forskarna använde en innovativ "modell-datafusion"-metod, som integrerar avancerade modellsimuleringar med observationsdata. Detta tillvägagångssätt gjorde det möjligt för dem att validera modellsimuleringsresultat, begränsa osäkra modellparametrar, och se till att modellen emulerar de processer som driver kolcykeln i alla steg. Flera typer av datauppsättningar användes, som eddy covariance flux tower data, som allmänt betraktas som guldstandarden för mätningar av kol i landskapsskala; USDA-skördardata som tillhandahåller det skördade kolet; och nya satellitdata som ger fotosyntesobservationer.

"Dessutom, vi använde detaljerad koldioxidallokeringsdata mätt över 10 år, " sa huvudförfattaren Wang Zhou, en postdoktoral forskarassistent. "Det är data som talar om för dig var en växt allokerar kolet den tar in från fotosyntesen - hur mycket som går till stammen, hur mycket till rötterna, hur mycket till löven."

"Vad som verkligen gör vår modelllösning spännande, "Guan sa, "är att vi använder de mest avancerade observationerna från satelliter för att begränsa en kraftfull agroekosystemmodell, och vi visar att detta kan uppnå högsta prestanda när det gäller att uppskatta olika kolkomponenter." Tidigt i år, Guan och forskaren Chongya Jiang utvecklade en algoritm för att uppskatta fotosyntes från satellitdata. Dessa nyligen tillgängliga fotosyntesdata över alla majs- och sojabönsfält i USA:s mellanvästern användes också för att validera och begränsa modellen för att säkerställa att teamet korrekt kan reproducera den observerade fotosyntesen från satellit och den USDA-rapporterade skörden, såväl som deras svar på miljövariationer.

"Att integrera satellitobservationer med en processbaserad modell som ecosys är nyckeln för att säkerställa noggrannheten i vår lösning, och ännu viktigare, potentialen i att använda vår modelllösning på en ny plats, som Sydamerika eller Afrika, ", sa forskaren Bin Peng.

Med så många rörliga delar, en enorm mängd tid och ansträngning har lagts ner på utvecklingen av denna modell-datafusionslösning. Guans team är stolta över att släppa det första papper om modellen i Jordbruks- och skogsmeteorologi , och forskarna har ett par andra uppsatser som använder denna metod på gång. Till exempel, i en annan ny studie som involverade Guans team och leddes av University of Minnesota, forskarna integrerade sina ecosys-simulerade resultat med artificiell intelligens för att uppskatta N ₂ O-utsläpp från U.S. Corn Belt. Denna studie publicerades i Miljöforskningsbrev.

"Detta är toppmodernt för att kvantifiera koldioxidbudget och krediter, ", sa Guan. "Vi vill visa människor vad som är möjligt och sätta en hög standard framåt. Vi låter rigorös vetenskap tala för sig själv. Jag tror att det är det mest kraftfulla sättet att säga saker som forskare."

Guans SMARTFARM-projekt, ett program finansierat av det amerikanska energidepartementet, är inriktat på att banbryta tekniken för att kvantifiera koldioxidkrediter i fältskala för amerikansk jordbruksmark. Teamets ambition är att använda denna utvecklade modell-datafusionsmetod som grunden för att korrekt kvantifiera kolbudgeten i alla skala, och även stödja smart förvaltning på gårdsskala. Genom precisionsjordbruk, de hoppas kunna hjälpa jordbrukare att inte bara maximera sina skördar, men också bättre upprätthålla sin mark och dess SOC-innehåll.

Olika finansieringsorgan har stöttat Guans team genom åren, inklusive National Science Foundation Career Award, Stiftelsen för livsmedels- och jordbruksforskning, DOE Advanced Research Projects Agency-Energy SMARTFARM-program, NASA Carbon Monitoring System Program, och USDA National Institute of Food and Agriculture.

Förutom Guan, Bevilja, Zhou, Jiang, och Peng, medförfattare till denna senaste publikation inkluderar Jinyung Chang, Lawrence Berkeley National Laboratory; Zhenong Jin, University of Minnesota; och Symon Mezbahuddin, University of Alberta.