För första gången har forskare vid University of Minnesota Twin Cities (UMN) och University of Illinois Urbana-Champaign (UIUC) visat att det är möjligt att tillhandahålla korrekta, högupplösta förutsägelser av kolcykler i agroekosystem, vilket kan hjälpa mildra effekterna av klimatförändringar.
Studien av forskare från det UMN-ledda National Artificial Intelligence Institute for Climate-Land Interactions, Mitigation, Adaptation, Tradeoffs and Economy (AI-CLIMATE) och UIUC-ledda Agroecosystem Sustainability Centre publicerades nyligen i Nature Communications .
Studiens resultat är ett avgörande första steg i utvecklingen av en trovärdig mätning, övervakning, rapportering och verifiering (MMRV) av jordbruksutsläpp som kan användas för att stimulera implementeringen av klimatsmarta metoder samtidigt som landsbygdens ekonomier stärks.
Detta följer den nationella strategin, fastställd av Vita huset, som lyfter fram behovet av att kvantifiera utsläpp av växthusgaser mellan sektorer med ett mål om nettonollutsläpp senast 2050.
Noggrann, skalbar och kostnadseffektiv övervakning och rapportering av utsläpp av växthusgaser behövs för att verifiera vad som kallas "carbon credits" eller tillstånd som kompenserar för växthusgasutsläpp. Jordbrukare kan få ersättning för metoder som minskar utsläppen av växthusgaser. Jordbruket står för cirka 25 procent av utsläppen av växthusgaser, men stora företag kan vara tveksamma till att köpa dessa krediter utan att veta hur mycket kol som lagras.
Just nu, för att korrekt samla in koldata, skulle en bonde behöva anställa någon för att komma till deras gård, ta vad som kallas en jordkärna (vertikal profil av jorden) och skicka tillbaka den till labbet för analys.
"Att samla in den mängd data som behövs på varje enskild gård kan det kosta bönderna tid och pengar som de kanske inte är villiga att ge", säger Licheng Liu, huvudförfattare och forskare vid University of Minnesota Department of Bioproducts och Biosystems Engineering.
Det framväxande området Knowledge-Guided Machine Learning (KGML), banbrytande av forskare vid University of Minnesota, kombinerar styrkan hos artificiell intelligens (AI) och processbaserade modeller från fysikaliska vetenskaper.
Med observationer i United States Corn Belt överträffar KGML-ag-ramverket avsevärt både processbaserade och rena maskininlärningsmodeller i noggrannhet, särskilt med begränsad data. Anmärkningsvärt nog fungerar KGML-ag över 10 000 gånger snabbare än traditionella processbaserade modeller, och levererar högupplösta och högfrekventa förutsägelser kostnadseffektivt.
"Dessa kunskapsstyrda maskininlärningstekniker (KGML) är i grunden mer kraftfulla än standardmetoder för maskininlärning och traditionella modeller som används av forskarvärlden för att ta itu med miljöproblem", säger Vipin Kumar, professor vid University of Minnesota Regents och William Norris Endowed Chair i institutionen för datavetenskap och teknik.
Istället för att ta jordkärnor på varje gård, med KGML-ag, kan forskare använda kraften hos satellitfjärranalys, beräkningsmodeller och AI för att ge en uppskattning av kol i varje enskilt fält. Detta möjliggör kompensation till enskilda jordbrukare som är rättvis och korrekt. Forskarna säger att detta är nyckeln till att främja förtroendet för koldioxidmarknaderna och stödja införandet av hållbara metoder.
"KGML-ag kombinerar den mest avancerade förståelsen av mekanismer inom jordbruket med den senaste AI-tekniken och erbjuder därmed en ny kraftfull lins för att övervaka och hantera våra jordbruksekosystem", säger Zhenong Jin, motsvarande författare för denna studie och biträdande professor vid University of Minnesota Department of Bioproducts and Biosystems Engineering, som tillsammans leder KGML specialintressegruppen i AI-CLIMATE.
Nu undersöker AI-CLIMATE-forskare potentialen hos KGML-ramverket för skogsbruk, och utnyttjar dess kapacitet för att ta itu med de trängande utmaningarna inom hållbart skogsbruk och fångst och lagring av kol. Teamet undersöker också en KGML-baserad dataassimileringsmetod för att flexibelt kunna använda de snabbt växande olika typerna av satellitdata.
"KGML är ett av de viktigaste forskningsämnena för AI-CLIMATE", säger Shashi Shekhar, en ADC-ordförande vid University of Minnesota och framstående professor vid McKnight University vid Institutionen för datavetenskap och teknik och huvudforskaren för AI-CLIMATE Institute .
"Dessa första resultat visar den enorma potentialen hos AI för att utveckla mer exakta och billigare metoder för att uppskatta utsläpp från jordbruket. Detta kan smörja koldioxidmarknaderna och stimulera införandet av klimatsmarta metoder."
Mer information: Licheng Liu et al, Kunskapsstyrd maskininlärning kan förbättra kolcykelkvantifieringen i agroekosystem, Nature Communications (2024). DOI:10.1038/s41467-023-43860-5
Tillhandahålls av University of Minnesota
