• Home
  • Química
  • Astronomía
  • Energía
  • Naturaleza
  • Biología
  • Física
  • Electrónica
  •  Science >> Ciencia >  >> Naturaleza
    Un nuevo estudio es el primer paso para predecir las emisiones de carbono en la agricultura
    Descripción general del método y marco utilizados para el desarrollo de KGML-ag-Carbon. El desarrollo de KGML-ag-Carbon tiene tres pasos principales:(1) Desarrollar la arquitectura del modelo de aprendizaje automático basado en las relaciones causales derivadas de un modelo basado en procesos agrícolas; (2) entrenar previamente el KGML-ag-Carbon utilizando datos sintéticos generados por un modelo basado en procesos; y (3) ajustar KGML-ag-Carbon utilizando datos observados de rendimiento de cultivos de baja resolución y flujos de carbono de sitios de covarianza de remolinos escasamente distribuidos. Las pérdidas guiadas por el conocimiento se diseñaron basándose en el modelo basado en procesos para restringir aún más la respuesta de las variables objetivo a las variables de entrada durante los procesos de preentrenamiento y ajuste del modelo. Crédito:Comunicaciones de la naturaleza (2024). DOI:10.1038/s41467-023-43860-5

    Por primera vez, investigadores de la Universidad de Minnesota Twin Cities (UMN) y la Universidad de Illinois Urbana-Champaign (UIUC) han demostrado que es posible proporcionar predicciones precisas y de alta resolución de los ciclos del carbono en los agroecosistemas, lo que podría ayudar mitigar los impactos del cambio climático.



    El estudio realizado por académicos del Instituto Nacional de Inteligencia Artificial para las Interacciones, Mitigación, Adaptación, Compensaciones y Economía (AI-CLIMATE) dirigido por la UMN y el Centro de Sostenibilidad de Agroecosistemas dirigido por la UIUC se publicó recientemente en Nature Communications .

    Los hallazgos del estudio son un primer paso fundamental en el desarrollo de una Medición, Monitoreo, Informe y Verificación (MMRV) creíble de las emisiones agrícolas que pueda usarse para incentivar la implementación de prácticas climáticamente inteligentes y al mismo tiempo impulsar las economías rurales.

    Esto sigue la estrategia nacional, establecida por la Casa Blanca, que destaca la necesidad de cuantificar las emisiones de gases de efecto invernadero en todos los sectores con el objetivo de alcanzar emisiones netas cero a más tardar en 2050.

    Se necesita un seguimiento y presentación de informes precisos, escalables y rentables sobre las emisiones de gases de efecto invernadero para verificar los llamados "créditos de carbono" o permisos que compensan las emisiones de gases de efecto invernadero. Los agricultores pueden recibir reembolsos por prácticas que reduzcan las emisiones de gases de efecto invernadero. La agricultura representa alrededor del 25 por ciento de las emisiones de gases de efecto invernadero, pero las grandes corporaciones pueden dudar en comprar estos créditos sin saber cuánto carbono se almacena.

    En este momento, para recopilar datos de carbono con precisión, un agricultor necesitaría contratar a alguien para que vaya a su granja, tome lo que se llama un núcleo de suelo (perfil vertical del suelo) y lo envíe de regreso al laboratorio para su análisis.

    "Recopilar la cantidad de datos necesarios en cada granja individual podría costarles a los agricultores tiempo y dinero que tal vez no estén dispuestos a dar", dijo Licheng Liu, autor principal e investigador científico del Departamento de Bioproductos de la Universidad de Minnesota. e Ingeniería de Biosistemas.

    El campo emergente del aprendizaje automático guiado por el conocimiento (KGML), iniciado por investigadores de la Universidad de Minnesota, combina la fuerza de la inteligencia artificial (IA) y los modelos basados ​​en procesos de las ciencias físicas.

    Con observaciones en el cinturón de maíz de Estados Unidos, el marco KGML-ag supera significativamente en precisión tanto a los modelos basados ​​en procesos como a los de aprendizaje automático puro, especialmente con datos limitados. Sorprendentemente, KGML-ag opera más de 10 000 veces más rápido que los modelos tradicionales basados ​​en procesos y ofrece predicciones de alta resolución y alta frecuencia de manera rentable.

    "Estas técnicas de aprendizaje automático guiado por el conocimiento (KGML) son fundamentalmente más poderosas que los enfoques estándar de aprendizaje automático y los modelos tradicionales utilizados por la comunidad científica para abordar los problemas ambientales", dijo Vipin Kumar, profesor Regents de la Universidad de Minnesota y catedrático William Norris en el Departamento de Ingeniería y Ciencias de la Computación.

    En lugar de tomar muestras de suelo en cada granja, con KGML-ag, los investigadores pueden utilizar el poder de la teledetección satelital, los modelos computacionales y la inteligencia artificial para proporcionar una estimación del carbono en cada campo individual. Esto permite una compensación justa y precisa a los agricultores individuales. Los investigadores dicen que esto es clave para fomentar la confianza en los mercados de carbono y apoyar la adopción de prácticas sostenibles.

    "KGML-ag combina la comprensión más avanzada de los mecanismos en la agricultura con las técnicas de inteligencia artificial más modernas y, por lo tanto, ofrece una nueva lente poderosa para monitorear y gestionar nuestros ecosistemas agrícolas", dijo Zhenong Jin, autor correspondiente de este estudio. y profesor asistente en el Departamento de Ingeniería de Bioproductos y Biosistemas de la Universidad de Minnesota, quien codirige el grupo de interés especial de KGML en AI-CLIMATE.

    Ahora, los investigadores de AI-CLIMATE están investigando el potencial del marco KGML para la silvicultura, aprovechando sus capacidades para abordar los desafíos apremiantes en la gestión forestal sostenible y la captura y almacenamiento de carbono. El equipo también está explorando un enfoque de asimilación de datos basado en KGML para hacer uso flexible de los diferentes tipos de datos satelitales en rápido crecimiento.

    "El KGML es uno de los temas de investigación clave de AI-CLIMATE", dijo Shashi Shekhar, presidente del ADC de la Universidad de Minnesota y profesor distinguido de la Universidad McKnight en el Departamento de Ciencias de la Computación e Ingeniería e investigador principal del Instituto AI-CLIMATE. .

    "Estos resultados iniciales demuestran el inmenso potencial de la IA para desarrollar métodos más precisos y baratos para estimar las emisiones de la agricultura. Esto puede lubricar los mercados de carbono e incentivar la adopción de prácticas climáticamente inteligentes".

    Más información: Licheng Liu et al, El aprendizaje automático guiado por el conocimiento puede mejorar la cuantificación del ciclo del carbono en los agroecosistemas, Nature Communications (2024). DOI:10.1038/s41467-023-43860-5

    Proporcionado por la Universidad de Minnesota




    © Ciencia https://es.scienceaq.com