Новое исследование — первый шаг к прогнозированию выбросов углерода в сельском хозяйстве

Впервые исследователям из Университета Миннесоты в городах-побратимах (UMN) и Университета Иллинойса в Урбане-Шампейне (UIUC) удалось продемонстрировать возможность точного высокодетального прогнозирования углеродных циклов в агроэкосистемах. Эта работа может помочь смягчить последствия изменения климата. Исследование, проведенное учеными из Национального института искусственного интеллекта по вопросам взаимодействия климата и земель, смягчения, адаптации, компромиссов и экономики (AI-CLIMATE) под руководством UMN и Центра устойчивости агроэкосистем под руководством UIUC, недавно было опубликовано в журнале Nature Communications.

Результаты исследования являются критически важным первым шагом в создании достоверной системы измерения, мониторинга, отчетности и верификации (MMRV) выбросов в сельском хозяйстве. Такая система может стимулировать внедрение климатически оптимизированных практик, одновременно способствуя развитию сельской экономики. Точный, масштабируемый и рентабельный мониторинг и отчетность по выбросам парниковых газов необходимы для верификации так называемых «углеродных кредитов». Фермеры могут получать компенсации за практики, снижающие выбросы. На сельское хозяйство приходится около 25% выбросов парниковых газов, но крупные корпорации часто не решаются покупать эти кредиты, не зная, сколько углерода фактически связывается.

Новый подход использует методологию Knowledge-Guided Machine Learning (KGML), которая сочетает силу искусственного интеллекта (ИИ) и физических моделей. В рамках, названном KGML-ag, исследователи могут использовать спутниковые данные, вычислительные модели и ИИ для оценки содержания углерода на каждом отдельном поле, что делает компенсацию фермерам справедливой и точной. Применение KGML-ag к данным из Кукурузного пояса США показало, что он значительно превосходит по точности как чисто физические модели, так и модели машинного обучения, особенно при ограниченных данных, и работает в 10 000 раз быстрее традиционных моделей.

«Эти методы машинного обучения с использованием экспертных знаний (KGML) принципиально мощнее стандартных подходов машинного обучения и традиционных моделей, которые научное сообщество использует для решения экологических проблем», — отметил Випин Кумар, профессор Университета Миннесоты. «KGML-ag объединяет самое современное понимание механизмов в сельском хозяйстве с передовыми методами ИИ и, таким образом, предлагает новый мощный инструмент для мониторинга и управления нашими агроэкосистемами», — добавил Чжэньнун Цзинь, соответствующий автор исследования.

Сейчас исследователи AI-CLIMATE изучают потенциал подхода KGML для лесного хозяйства, чтобы решать актуальные задачи устойчивого управления лесами и связывания углерода. «Эти первоначальные результаты демонстрируют огромный потенциал ИИ для разработки более точных и дешевых методов оценки выбросов в сельском хозяйстве. Это может облегчить работу углеродных рынков и стимулировать внедрение климатически оптимизированных практик», — подчеркнул Шаши Шекхар, ведущий исследователь института AI-CLIMATE.