Reduzir as emissões de gases de efeito estufa na agricultura

Encontro:
28 de abril de 2022
Fonte:
Universidade de Minnesota
Resumo:
Os pesquisadores melhoraram significativamente o desempenho das previsões numéricas para as emissões de óxido nitroso na agricultura que poderiam reduzir significativamente os gases de efeito estufa da agricultura.

HISTÓRIA COMPLETA
Uma equipe de pesquisadores liderada pela Universidade de Minnesota melhorou significativamente o desempenho das previsões numéricas para as emissões de óxido nitroso na agricultura. O primeiro modelo de aprendizado de máquina guiado por conhecimento é 1.000 vezes mais rápido que os sistemas atuais e pode reduzir significativamente as emissões de gases de efeito estufa da agricultura.

A pesquisa foi publicada recentemente na Geoscientific Model Development , uma revista científica internacional sem fins lucrativos focada em modelos numéricos da Terra. Os pesquisadores envolvidos eram da Universidade de Minnesota, da Universidade de Illinois em Urbana-Champaign, do Laboratório Nacional Lawrence Berkeley e da Universidade de Pittsburgh.

Comparado aos gases de efeito estufa, como dióxido de carbono e metano, o óxido nitroso não é tão conhecido. Na realidade, o óxido nitroso é cerca de 300 vezes mais poderoso que o dióxido de carbono na retenção de calor na atmosfera. As emissões de óxido nitroso induzidas pelo homem (principalmente de fertilizantes sintéticos agrícolas e esterco de gado) também cresceram pelo menos 30% nas últimas quatro décadas.

"Há uma necessidade premente de fechar a válvula o mais rápido possível, mas você não pode gerenciar o que não pode medir", disse Licheng Liu, principal autor do estudo e cientista de pesquisa do Grupo de Agricultura Digital da Universidade de Minnesota. no Departamento de Bioprodutos e Engenharia de Biossistemas.

Estimar o óxido nitroso de terras agrícolas é uma tarefa extremamente difícil porque as reações biogeoquímicas relacionadas envolvem interações complexas com solo, clima, colheita e práticas de manejo humano – todas difíceis de quantificar. Embora os cientistas tenham encontrado maneiras diferentes de estimar a emissão de óxido nitroso de terras agrícolas, a maioria das soluções existentes são muito imprecisas ao usar modelos computacionais complexos com regras físicas, químicas e biológicas ou muito caras ao implantar instrumentos sofisticados nos campos.

Neste novo estudo, os pesquisadores desenvolveram um modelo de aprendizado de máquina guiado por conhecimento inédito para agroecossistema, chamado KGML-ag. O aprendizado de máquina é um tipo de inteligência artificial que permite que aplicativos de software se tornem mais precisos na previsão de resultados sem serem explicitamente programados para isso. Modelos anteriores de aprendizado de máquina foram criticados, no entanto, por serem uma "caixa preta" onde os cientistas não podem explicar o que aconteceu entre entradas e saídas. Agora, os cientistas desenvolveram uma nova geração de métodos que integram o conhecimento científico ao aprendizado de máquina para descompactar a "caixa preta".

O KGML-ag foi construído por um procedimento especial que incorpora o conhecimento aprendido de um modelo computacional de agroecossistema avançado, chamado ecosys, para projetar e treinar um modelo de aprendizado de máquina. Em pequenas observações do mundo real, o KGML-ag acaba sendo muito mais preciso do que os modelos ecosys ou de aprendizado de máquina puro e é 1.000 vezes mais rápido do que os modelos computacionais usados ​​anteriormente.

"Esta é a primeira jornada do tipo com altos e baixos, porque quase não há literatura para nos dizer como desenvolver um modelo de aprendizado de máquina guiado pelo conhecimento que possa lidar com os muitos processos interativos no solo, e estamos tão feliz que as coisas deram certo", disse Liu

Um recurso exclusivo do KGML-ag é que ele vai além da maioria dos métodos de aprendizado de máquina, representando explicitamente muitas variáveis ​​menos óbvias relacionadas à produção e emissão de óxido nitroso. Também captura a relação causal complexa entre entradas, saídas e outras variáveis ​​intermediárias complexas.

“Conhecer essas variáveis ​​intermediárias, como teor de água no solo, nível de oxigênio e teor de nitrato no solo, é muito importante porque informa os condutores das emissões de óxido nitroso e nos dá possibilidades de reduzir o óxido nitroso”, disse o autor correspondente, Zhenong Jin, um professor assistente da Universidade de Minnesota no Departamento de Bioprodutos e Engenharia de Biossistemas que também lidera o Grupo de Agricultura Digital.

O desenvolvimento do KGML-ag foi inspirado em parte pela pesquisa pioneira sobre aprendizado de máquina guiado pelo conhecimento em sistemas ambientais liderados por Vipin Kumar, professor da Universidade de Minnesota Regents no Departamento de Ciência da Computação e Engenharia e na cátedra William Norris. Esta pesquisa inclui estudos para previsões de temperatura de lagos e previsões de vazão.

"Esta é outra história de sucesso de cientistas da computação trabalhando em estreita colaboração com especialistas em agricultura e meio ambiente para proteger melhor nossa Terra", disse Kumar. “Esse novo esforço aprimorará ainda mais as atividades existentes de aprendizado de máquina baseadas em conhecimento que a Universidade de Minnesota está liderando nacionalmente”.

No futuro, a equipe expandirá o KGML-ag para prever as emissões de carbono do solo usando uma variedade de fatores, incluindo imagens de satélite de alta resolução.

"Este é um trabalho revolucionário que reúne o melhor dos dados observacionais, modelos baseados em processos e aprendizado de máquina, integrando-os", disse Kaiyu Guan, coautor do estudo e professor associado da Universidade de Illinois em Urbana-Champaign. .

Guan também é o pesquisador-chefe do projeto Advanced Research Projects Agency-Energy (ARPA-E) do Department of Energy's for Monitoring and Analytics for Renewable Transportation Fuels from Agricultural Resources and Management (SMARTFARM) que financia este estudo.

"Estamos muito empolgados em continuar esta colaboração com a equipe da Universidade de Minnesota liderada por Zhenong Jin para explorar e realizar todo o potencial da KGML", acrescentou Guan.

Monitoramento e relatórios precisos, escaláveis ​​e econômicos das emissões de gases de efeito estufa são necessários para verificar o que é chamado de "créditos de carbono" ou autorizações que compensem as emissões de gases de efeito estufa. Os agricultores podem ser reembolsados ​​por práticas que reduzam as emissões de gases de efeito estufa. A estrutura KGML-ag abre enormes oportunidades para quantificar as emissões agrícolas de óxido nitroso, dióxido de carbono e metano, ajudando a verificar os créditos de carbono e otimizar as práticas de gestão agrícola e a formulação de políticas.

"Há muita empolgação em torno do potencial da agricultura contribuir para a redução de carbono, mas, a menos que tenhamos ferramentas de medição precisas e econômicas para avaliar o que está acontecendo acima e abaixo do solo, não veremos os incentivos do mercado sabemos que são necessários para facilitar a transição para a agricultura líquida negativa", disse David Babson, diretor de programa do ARPA-E do Departamento de Energia dos EUA.

"As equipes que trabalham juntas de Minnesota, Illinois, Califórnia e Pensilvânia entendem isso", acrescentou Babson. “Estou ansioso para que as equipes expandam ainda mais essa pesquisa”.

Fonte da história:

Materiais fornecidos pela Universidade de Minnesota . Nota: O conteúdo pode ser editado para estilo e duração.

Referência do jornal :

Licheng Liu, Shaoming Xu, Jinyun Tang, Kaiyu Guan, Timothy J. Griffis, Matthew D. Erickson, Alexander L. Frie, Xiaowei Jia, Taegon Kim, Lee T. Miller, Bin Peng, Shaowei Wu, Yufeng Yang, Wang Zhou, Vipin Kumar, Zhenong Jin. KGML-ag: uma estrutura de modelagem de aprendizado de máquina guiado por conhecimento para simular agroecossistemas: um estudo de caso de estimativa de emissão de N 2 O usando dados de experimentos de mesocosmos . Desenvolvimento de Modelos Geocientíficos , 2022; 15 (7): 2839 DOI: 10,5194/gmd-15-2839-2022

Fonte: Universidade de Minnesota. "Reduzindo as emissões agrícolas de gases de efeito estufa." ScienceDaily. ScienceDaily, 28 de abril de 2022. <www.sciencedaily.com/releases/2022/04/220428104000.htm>.