Une équipe de chercheurs dirigée par l’Université du Minnesota a considérablement amélioré les performances des prévisions numériques des émissions de protoxyde d’azote agricoles. Le premier modèle d’apprentissage automatique guidé par les connaissances est 1 000 fois plus rapide que les systèmes actuels et pourrait réduire considérablement les émissions de gaz à effet de serre provenant de l’agriculture.
La recherche a été récemment publiée dans Développement de modèles géoscientifiques, une revue scientifique internationale à but non lucratif axée sur les modèles numériques de la Terre. Les chercheurs impliqués provenaient de l’Université du Minnesota, de l’Université de l’Illinois à Urbana-Champaign, du Lawrence Berkeley National Laboratory et de l’Université de Pittsburgh.
Comparé aux gaz à effet de serre tels que le dioxyde de carbone et le méthane, l’oxyde nitreux n’est pas aussi bien connu. En réalité, le protoxyde d’azote est environ 300 fois plus puissant que le dioxyde de carbone pour piéger la chaleur dans l’atmosphère. Les émissions d’oxyde nitreux d’origine humaine (provenant principalement des engrais synthétiques agricoles et du fumier de bétail) ont également augmenté d’au moins 30 % au cours des quatre dernières décennies.
« Il est urgent de fermer la vanne le plus rapidement possible, mais vous ne pouvez pas gérer ce que vous ne pouvez pas mesurer », a déclaré Licheng Liu, auteur principal de l’étude et chercheur du groupe d’agriculture numérique de l’Université du Minnesota. au Département de génie des bioproduits et des biosystèmes.
L’estimation de l’oxyde nitreux des terres cultivées est une tâche extrêmement difficile car les réactions biogéochimiques associées impliquent des interactions complexes avec le sol, le climat, les cultures et les pratiques de gestion humaine, qui sont toutes difficiles à quantifier. Bien que les scientifiques aient proposé différentes façons d’estimer les émissions d’oxyde nitreux des terres cultivées, la plupart des solutions existantes sont soit trop imprécises lors de l’utilisation de modèles informatiques complexes avec des règles physiques, chimiques et biologiques, soit trop coûteuses lors du déploiement d’instruments sophistiqués dans les champs.
Dans cette nouvelle étude, les chercheurs ont développé un premier modèle d’apprentissage automatique guidé par les connaissances pour l’agroécosystème, appelé KGML-ag. L’apprentissage automatique est un type d’intelligence artificielle qui permet aux applications logicielles de devenir plus précises pour prédire les résultats sans être explicitement programmées pour le faire. Les modèles d’apprentissage automatique précédents ont cependant été critiqués pour être une « boîte noire » où les scientifiques ne peuvent pas expliquer ce qui s’est passé entre les entrées et les sorties. Aujourd’hui, les scientifiques ont développé une nouvelle génération de méthodes qui intègrent les connaissances scientifiques dans l’apprentissage automatique pour déballer la « boîte noire ».
KGML-ag a été construit par une procédure spéciale qui intègre les connaissances acquises à partir d’un modèle informatique avancé d’agroécosystème, appelé ecosys, pour concevoir et former un modèle d’apprentissage automatique. Dans les petites observations du monde réel, le KGML-ag s’avère beaucoup plus précis que les modèles d’ecosys ou d’apprentissage automatique pur et est 1 000 fois plus rapide que les modèles de calcul précédemment utilisés.
« Il s’agit du premier voyage du genre avec des hauts et des bas car il n’y a presque pas de littérature pour nous dire comment développer un modèle d’apprentissage automatique guidé par les connaissances qui peut gérer les nombreux processus interactifs dans le sol, et nous sommes tellement heureux que les choses aient fonctionné », a déclaré Liu
Une caractéristique unique de KGML-ag est qu’il va au-delà de la plupart des méthodes d’apprentissage automatique en représentant explicitement de nombreuses variables moins évidentes liées à la production et à l’émission d’oxyde nitreux. Il saisit également la relation causale complexe entre les intrants, les extrants et d’autres variables intermédiaires complexes.
« La connaissance de ces variables intermédiaires, telles que la teneur en eau du sol, le niveau d’oxygène et la teneur en nitrate du sol, est très importante car elles informent les conducteurs des émissions d’oxyde nitreux et nous donnent des possibilités de réduire l’oxyde nitreux », a déclaré l’auteur correspondant, Zhenong Jin, professeur adjoint à l’Université du Minnesota au Département de génie des bioproduits et des biosystèmes, qui dirige également le groupe d’agriculture numérique.
Le développement du KGML-ag a été inspiré en partie par des recherches pionnières sur l’apprentissage automatique guidé par les connaissances dans les systèmes environnementaux, menées par Vipin Kumar, professeur Regents de l’Université du Minnesota au Département d’informatique et d’ingénierie et titulaire de la chaire William Norris. Cette recherche comprend des études sur les prévisions de température des lacs et les prévisions de débit.
« C’est une autre réussite d’informaticiens travaillant en étroite collaboration avec des experts de l’agriculture et de l’environnement pour mieux protéger notre Terre », a déclaré Kumar. « Ce nouvel effort améliorera encore les activités d’apprentissage automatique basées sur les connaissances existantes que l’Université du Minnesota dirige actuellement à l’échelle nationale. »
À l’avenir, l’équipe développera KGML-ag pour prédire les émissions de carbone du sol en utilisant une variété de facteurs, y compris l’imagerie satellite à haute résolution.
« Il s’agit d’un travail révolutionnaire qui rassemble le meilleur des données d’observation, des modèles basés sur les processus et de l’apprentissage automatique en les intégrant ensemble », a déclaré Kaiyu Guan, co-auteur de l’étude et professeur agrégé à l’Université de l’Illinois à Urbana-Champaign. .
Guan est également le chercheur principal du projet SMARTFARM (Advanced Research Projects Agency-Energy (ARPA-E) Systems for Monitoring and Analytics for Renewable Transportation Fuels from Agricultural Resources and Management) du Département de l’énergie qui finance cette étude.
« Nous sommes vraiment ravis de poursuivre cette collaboration avec l’équipe de l’Université du Minnesota dirigée par Zhenong Jin pour explorer et réaliser le plein potentiel de KGML », a ajouté Guan.
Une surveillance et un rapport précis, évolutifs et rentables des émissions de gaz à effet de serre sont nécessaires pour vérifier ce que l’on appelle les « crédits carbone » ou les permis qui compensent les émissions de gaz à effet de serre. Les agriculteurs peuvent être remboursés pour les pratiques qui réduisent les émissions de gaz à effet de serre. Le cadre KGML-ag ouvre d’énormes opportunités pour quantifier les émissions agricoles d’oxyde nitreux, de dioxyde de carbone et de méthane, aidant à vérifier les crédits carbone et à optimiser les pratiques de gestion agricole et l’élaboration des politiques.
« Il y a beaucoup d’enthousiasme autour du potentiel de l’agriculture à contribuer à la réduction du carbone, mais à moins que nous ne disposions d’outils de mesure précis et rentables pour évaluer ce qui se passe à la fois en surface et en sous-sol, nous ne verrons pas les incitations du marché. nous savons qu’elles sont nécessaires pour faciliter une transition vers une agriculture nette négative », a déclaré David Babson, directeur de programme à l’ARPA-E du Département américain de l’énergie.
« Les équipes travaillant ensemble du Minnesota, de l’Illinois, de la Californie et de la Pennsylvanie le comprennent », a ajouté Babson. « J’attends avec impatience que les équipes élargissent davantage cette recherche. »
Licheng Liu et al, KGML-ag : un cadre de modélisation de l’apprentissage automatique guidé par les connaissances pour simuler les agroécosystèmes : une étude de cas sur l’estimation des émissions de N2O à l’aide de données d’expériences en mésocosme, Développement de modèles géoscientifiques (2022). DOI : 10.5194/gmd-15-2839-2022