Ein Forscherteam unter der Leitung der University of Minnesota hat die Leistung numerischer Vorhersagen für landwirtschaftliche Lachgasemissionen erheblich verbessert. Das erste wissensgeführte maschinelle Lernmodell seiner Art ist 1.000-mal schneller als aktuelle Systeme und könnte die Treibhausgasemissionen aus der Landwirtschaft erheblich reduzieren.
Die Studie wurde kürzlich in veröffentlicht Geowissenschaftliche Modellentwicklung, eine gemeinnützige internationale wissenschaftliche Zeitschrift, die sich auf numerische Modelle der Erde konzentriert. Beteiligte Forscher kamen von der University of Minnesota, der University of Illinois at Urbana-Champaign, dem Lawrence Berkeley National Laboratory und der University of Pittsburgh.
Im Vergleich zu Treibhausgasen wie Kohlendioxid und Methan ist Lachgas weniger bekannt. In Wirklichkeit ist Lachgas etwa 300-mal stärker als Kohlendioxid, wenn es darum geht, Wärme in der Atmosphäre einzufangen. Auch die vom Menschen verursachten Lachgasemissionen (hauptsächlich aus landwirtschaftlichem Kunstdünger und Viehmist) sind in den letzten vier Jahrzehnten um mindestens 30 Prozent gestiegen.
„Es ist dringend notwendig, das Ventil so schnell wie möglich zu schließen, aber man kann nicht verwalten, was man nicht messen kann“, sagte Licheng Liu, der Hauptautor der Studie und Forschungswissenschaftler der Digital Agriculture Group der University of Minnesota in der Abteilung für Bioprodukte und Biosystemtechnik.
Die Schätzung von Lachgas aus Ackerland ist eine äußerst schwierige Aufgabe, da die damit verbundenen biogeochemischen Reaktionen komplexe Wechselwirkungen mit Boden, Klima, Kulturpflanzen und menschlichen Bewirtschaftungspraktiken beinhalten, die alle schwer zu quantifizieren sind. Obwohl Wissenschaftler verschiedene Möglichkeiten gefunden haben, die Stickoxidemissionen von Ackerland abzuschätzen, sind die meisten bestehenden Lösungen entweder zu ungenau, wenn komplexe Rechenmodelle mit physikalischen, chemischen und biologischen Regeln verwendet werden, oder zu teuer, wenn hochentwickelte Instrumente auf den Feldern eingesetzt werden.
In dieser neuen Studie entwickelten die Forscher ein einzigartiges wissensgeführtes maschinelles Lernmodell für Agrarökosysteme namens KGML-ag. Maschinelles Lernen ist eine Art künstlicher Intelligenz, die es Softwareanwendungen ermöglicht, Ergebnisse genauer vorherzusagen, ohne explizit dafür programmiert zu werden. Frühere Modelle für maschinelles Lernen wurden jedoch dafür kritisiert, eine „Black Box“ zu sein, in der Wissenschaftler nicht erklären können, was zwischen Eingaben und Ausgaben passiert ist. Jetzt haben Wissenschaftler eine neue Generation von Methoden entwickelt, die wissenschaftliche Erkenntnisse in maschinelles Lernen integrieren, um die „Black Box“ auszupacken.
KGML-ag wurde durch ein spezielles Verfahren konstruiert, das die Erkenntnisse aus einem fortschrittlichen Rechenmodell für Agrarökosysteme namens ecosys einbezieht, um ein maschinelles Lernmodell zu entwerfen und zu trainieren. In kleinen, realen Beobachtungen erweist sich die KGML-ag als viel genauer als entweder ecosys oder reine maschinelle Lernmodelle und ist 1.000-mal schneller als zuvor verwendete Computermodelle.
„Dies ist die erste Reise dieser Art mit Höhen und Tiefen, weil es fast keine Literatur gibt, die uns sagt, wie man ein wissensgeführtes maschinelles Lernmodell entwickelt, das die vielen interaktiven Prozesse im Boden bewältigen kann, und wir sind so Ich bin froh, dass es geklappt hat“, sagte Liu
Ein einzigartiges Merkmal von KGML-ag ist, dass es über die meisten maschinellen Lernmethoden hinausgeht, indem es viele weniger offensichtliche Variablen im Zusammenhang mit der Lachgasproduktion und -emission explizit darstellt. Es erfasst auch die komplexe kausale Beziehung zwischen Inputs, Outputs und anderen komplexen Zwischenvariablen.
„Die Kenntnis dieser Zwischenvariablen wie Bodenwassergehalt, Sauerstoffgehalt und Bodennitratgehalt ist sehr wichtig, da sie Fahrer über Stickoxidemissionen informieren und uns Möglichkeiten zur Reduzierung von Stickoxiden geben“, sagte der entsprechende Autor Zhenong Jin. ein Assistenzprofessor der University of Minnesota in der Abteilung für Bioprodukte und Biosystemtechnik, der auch die Digital Agriculture Group leitet.
Die Entwicklung der KGML-ag wurde zum Teil durch bahnbrechende Forschung zum wissensgeführten maschinellen Lernen in Umweltsystemen unter der Leitung von Vipin Kumar, einem Regents-Professor der University of Minnesota im Fachbereich Informatik und Ingenieurwesen und am William Norris-Lehrstuhl, inspiriert. Diese Forschung umfasst Studien zur Seetemperaturvorhersage und Strömungsvorhersage.
„Dies ist eine weitere Erfolgsgeschichte von Informatikern, die eng mit Experten aus Landwirtschaft und Umwelt zusammenarbeiten, um unsere Erde besser zu schützen“, sagte Kumar. „Diese neue Anstrengung wird die bestehenden wissensbasierten maschinellen Lernaktivitäten, die die University of Minnesota derzeit landesweit anführt, weiter verbessern.“
Zukünftig wird das Team die KGML-ag erweitern, um die Kohlenstoffemissionen aus dem Boden unter Verwendung einer Vielzahl von Faktoren, einschließlich hochauflösender Satellitenbilder, vorherzusagen.
„Dies ist eine revolutionäre Arbeit, die das Beste aus Beobachtungsdaten, prozessbasierten Modellen und maschinellem Lernen zusammenbringt, indem sie sie miteinander integriert“, sagte Kaiyu Guan, Mitautor der Studie und außerordentlicher Professor an der University of Illinois at Urbana-Champaign .
Guan ist auch der leitende Forscher des Projekts Advanced Research Projects Agency-Energy (ARPA-E) Systems for Monitoring and Analytics for Renewable Transportation Fuels from Agricultural Resources and Management (SMARTFARM) des Energieministeriums, das diese Studie finanziert.
„Wir freuen uns sehr, diese Zusammenarbeit mit dem Team der University of Minnesota unter der Leitung von Zhenong Jin fortzusetzen, um das volle Potenzial von KGML zu erforschen und auszuschöpfen“, fügte Guan hinzu.
Genaue, skalierbare und kostengünstige Überwachung und Berichterstattung über Treibhausgasemissionen sind erforderlich, um sogenannte „CO2-Gutschriften“ oder Genehmigungen zum Ausgleich von Treibhausgasemissionen zu überprüfen. Landwirte können für Praktiken, die Treibhausgasemissionen reduzieren, erstattet werden. Das Rahmenwerk der KGML-ag eröffnet enorme Möglichkeiten zur Quantifizierung der landwirtschaftlichen Distickstoffoxid-, Kohlendioxid- und Methanemissionen, hilft bei der Überprüfung von Kohlenstoffgutschriften und optimiert landwirtschaftliche Managementpraktiken und Politikgestaltung.
„Es gibt viel Aufregung um das Potenzial der Landwirtschaft, zum Kohlenstoffabbau beizutragen, aber wenn wir nicht über genaue und kostengünstige Messinstrumente verfügen, um zu beurteilen, was sowohl über als auch unter der Erde passiert, werden wir die Marktanreize nicht sehen wir wissen, dass sie notwendig sind, um den Übergang zu einer netznegativen Landwirtschaft zu erleichtern“, sagte David Babson, Programmdirektor bei ARPA-E des US-Energieministeriums.
„Die Teams, die aus Minnesota, Illinois, Kalifornien und Pennsylvania zusammenarbeiten, verstehen das“, fügte Babson hinzu. „Ich freue mich darauf, dass die Teams diese Forschung weiter ausbauen.“
Licheng Liu et al, KGML-ag: a modelling framework of knowledge-guided machine learning to simulieren agroecosystems: a case study of schätzung von N2O-Emissionen unter Verwendung von Daten aus Mesokosmos-Experimenten, Geowissenschaftliche Modellentwicklung (2022). DOI: 10.5194/gmd-15-2839-2022