Un esquema del nuevo sistema de modelado. Crédito:Universidad de Illinois Urbana-Champaign
El carbono está en todas partes. Está en la atmósfera en los océanos, en la tierra, en nuestra comida, en nuestros cuerpos. Como columna vertebral de todas las moléculas orgánicas que componen la vida, el carbono es un predictor muy preciso de los rendimientos de los cultivos. Y el suelo es la reserva de carbono más grande del mundo, jugando un papel importante en mantener estable nuestro clima.
Como tal, Los modelos computacionales que rastrean el carbono a medida que circula a través de un agroecosistema tienen un enorme potencial sin explotar para avanzar en el campo de la agricultura de precisión. aumentar el rendimiento de los cultivos e informar sobre las prácticas agrícolas sostenibles.
"Aunque se ha hecho antes el modelado del ciclo del carbono en los agroecosistemas, nuestro trabajo representa la integración más completa de modelos y observaciones, así como una validación rigurosa que incluye ricas mediciones tanto de campo como de escalas regionales. El rendimiento de modelado de nuestra solución (publicado este mes en Meteorología agrícola y forestal ) supera con creces los estudios anteriores, "dijo Kaiyu Guan, Profesor Asociado de Recursos Naturales y Ciencias Ambientales en la Universidad de Illinois Urbana-Champaign. Guan también es profesor asociado de Blue Waters en el Centro Nacional de Aplicaciones de Supercomputación (NCSA) y Director Fundador del Centro de Sostenibilidad del Agroecosistema creado por la Facultad de Agricultura, Ciencias Ambientales y del Consumidor e iSEE.
El ciclo del carbono en los agroecosistemas se puede generalizar en tres flujos principales de carbono que viajan hacia y desde las plantas y el suelo. El carbono ingresa al sistema a través de la fotosíntesis. Algunos abandonan el sistema a través de la respiración de las plantas y la respiración del suelo, mientras que el carbono en forma de grano y biomasa se elimina cuando se cosechan los cultivos. En principio, la suma de estos flujos es igual al movimiento neto de carbono a través del sistema, y ese cambio neto, especialmente durante largos períodos de tiempo, es lo que contribuye al cambio en el carbono orgánico del suelo de un agroecosistema.
El carbono orgánico del suelo (COS) es exactamente lo que parece:carbono en forma de moléculas orgánicas en el suelo. Generalmente hablando, cuanto mayor sea el SOC de un campo, más productivo será. Sin embargo, en las tierras de cultivo del Medio Oeste de EE. UU., alrededor del 30-50% del COS se ha perdido desde que comenzó su cultivo. Esta pérdida de COS puede aumentar el riesgo de disminuciones en el rendimiento de los cultivos, especialmente bajo las condiciones climáticas futuras.
Los miembros del equipo del Proyecto SMARTFARM de Guan utilizaron un modelo de agroecosistema avanzado llamado ecosys, que contiene los mecanismos más complejos para simular la energía, agua, carbón, y los ciclos de los flujos de nutrientes en el agroecosistema. Este modelo fue desarrollado originalmente por el profesor de modelado de ecosistemas Robert Grant de la Universidad de Alberta. En los ultimos años, El equipo de Guan ha realizado esfuerzos continuos para crear una solución que limite aún más el modelo ecosys con datos de observación masivos.
Los investigadores utilizaron un enfoque innovador de "fusión de modelos-datos", que integra simulaciones de modelos avanzados con datos de observación. Este enfoque les permitió validar los resultados de la simulación del modelo, restringir los parámetros del modelo incierto, y garantizar que el modelo emule los procesos que impulsan el ciclo del carbono en todas las etapas. Se utilizaron varios tipos de conjuntos de datos, como datos de torre de flujo de covarianza de remolinos, que es ampliamente considerado como el estándar de oro para las medidas de carbono a escala de paisaje; Datos de rendimiento de cultivos del USDA que proporcionan el carbono cosechado; y nuevos datos satelitales que proporcionan observaciones de fotosíntesis.
"Adicionalmente, utilizamos datos detallados de asignación de carbono medidos a lo largo de 10 años, "dijo el autor principal Wang Zhou, un Investigador Asociado Postdoctoral. "Esos son los datos que le dicen dónde asigna una planta el carbono que toma de la fotosíntesis:cuánto va al tallo, cuanto a las raices, cuánto a las hojas ".
Miembros del equipo de SMARTFARM recolectando muestras de suelo. Crédito:Universidad de Illinois Urbana-Champaign
"Lo que realmente hace que nuestra solución de modelado sea emocionante, "Guan dijo, "es que utilizamos las observaciones más avanzadas de los satélites para restringir un modelo de agroecosistema potente, y demostramos que esto puede lograr el mayor rendimiento en la estimación de diferentes componentes de carbono ". A principios de este año, Guan y el científico investigador Chongya Jiang desarrollaron un algoritmo para estimar la fotosíntesis a partir de datos satelitales. Estos datos de fotosíntesis recientemente disponibles en todos los campos de maíz y soja en el Medio Oeste de los EE. UU. También se utilizaron para validar y restringir el modelo para garantizar que el equipo pueda reproducir con precisión la fotosíntesis observada desde el satélite y el rendimiento de la cosecha informado por el USDA. así como sus respuestas a la variabilidad ambiental.
"La integración de las observaciones satelitales con un modelo basado en procesos como ecosys es la clave para garantizar la precisión de nuestra solución, y más importante, el potencial de usar nuestra solución de modelado en una nueva ubicación, como Sudamérica o África, ", Dijo el científico investigador Bin Peng.
Con tantas partes móviles Se ha invertido una gran cantidad de tiempo y esfuerzo en el desarrollo de esta solución de fusión de modelos y datos. El equipo de Guan se enorgullece de publicar el primer artículo sobre el modelo en Meteorología agrícola y forestal , y los investigadores tienen un par de otros artículos que utilizan este método en los trabajos. Por ejemplo, en otro estudio reciente que involucró al equipo de Guan y dirigido por la Universidad de Minnesota, los investigadores integraron sus resultados simulados por ecosistemas con inteligencia artificial para estimar N 2 Emisión de O del cinturón de maíz de EE. UU. Este estudio fue publicado en Cartas de investigación ambiental.
"Este es el estado del arte para cuantificar el presupuesto y el crédito de carbono, ", Dijo Guan." Queremos mostrarle a la gente lo que es posible y establecer un alto estándar en el futuro. Dejamos que la ciencia rigurosa hable por sí misma. Creo que esa es la forma más poderosa de decir las cosas como científicos ".
Proyecto SMARTFARM de Guan, un programa financiado por el Departamento de Energía de EE. UU., se centra en ser pionera en la tecnología para cuantificar créditos de carbono a escala de campo para tierras agrícolas de EE. UU. La ambición del equipo es utilizar este método de fusión de modelo-datos desarrollado como base para cuantificar con precisión el balance de carbono a cualquier escala, y también respaldar la gestión inteligente a escala agrícola. A través de la agricultura de precisión, esperan ayudar a los agricultores no solo a maximizar sus rendimientos, pero también sustentar mejor su tierra y su contenido de COS.
Varias agencias de financiación han apoyado al equipo de Guan a lo largo de los años, incluido el Premio a la Carrera de la Fundación Nacional de Ciencias, la Fundación para la Investigación Agrícola y Alimentaria, Programa SMARTFARM de la Agencia de Proyectos de Investigación Avanzada del DOE, Programa del Sistema de Monitoreo de Carbono de la NASA, y el Instituto Nacional de Alimentos y Agricultura del USDA.
Además de Guan, Conceder, Zhou, Jiang, y Peng, los coautores de esta última publicación incluyen a Jinyung Chang, Laboratorio Nacional Lawrence Berkeley; Zhenong Jin, Universidad de Minnesota; y Symon Mezbahuddin, Universidad de Alberta.