Ein Forscherteam unter Leitung der University of Minnesota hat die Leistung numerischer Vorhersagen für landwirtschaftliche Lachgasemissionen erheblich verbessert. Das erste wissensbasierte maschinelle Lernmodell ist 1.000-mal schneller als aktuelle Systeme und könnte die Treibhausgasemissionen aus der Landwirtschaft erheblich reduzieren.
Die Forschungsergebnisse wurden kürzlich in der Zeitschrift Geoscientific Model Development veröffentlicht, einer gemeinnützigen internationalen wissenschaftlichen Zeitschrift, die sich mit numerischen Modellen der Erde befasst. Die beteiligten Forscher kamen von der University of Minnesota, der University of Illinois at Urbana-Champaign, dem Lawrence Berkeley National Laboratory und der University of Pittsburgh.
Im Vergleich zu Treibhausgasen wie Kohlendioxid und Methan ist Distickstoffoxid nicht so bekannt. In Wirklichkeit ist Lachgas etwa 300-mal stärker als Kohlendioxid in der Lage, Wärme in der Atmosphäre zu speichern. Die vom Menschen verursachten Lachgasemissionen (hauptsächlich aus synthetischen Düngemitteln und Viehdung) sind in den letzten vier Jahrzehnten um mindestens 30 Prozent gestiegen.
„Es besteht die dringende Notwendigkeit, das Ventil so schnell wie möglich zu schließen, aber man kann nicht verwalten, was man nicht messen kann“, sagte Licheng Liu, der Hauptautor der Studie und Forscher der Digital Agriculture Group der Universität von Minnesota in der Abteilung für Bioprodukte und Biosystemtechnik.
Die Schätzung von Lachgas aus Ackerflächen ist eine äußerst schwierige Aufgabe, da die damit verbundenen biogeochemischen Reaktionen komplexe Wechselwirkungen mit dem Boden, dem Klima, den Nutzpflanzen und den menschlichen Bewirtschaftungspraktiken beinhalten, die alle schwer zu quantifizieren sind. Obwohl Wissenschaftler verschiedene Methoden zur Schätzung der Lachgasemissionen von Ackerflächen entwickelt haben, sind die meisten bestehenden Lösungen entweder zu ungenau, wenn komplexe Rechenmodelle mit physikalischen, chemischen und biologischen Regeln verwendet werden, oder zu teuer, wenn anspruchsvolle Instrumente auf den Feldern eingesetzt werden.
In dieser neuen Studie entwickelten die Forscher das erste wissensgestützte maschinelle Lernmodell für Agrarökosysteme, KGML-ag genannt. Maschinelles Lernen ist eine Form der künstlichen Intelligenz, die es Softwareanwendungen ermöglicht, genauere Vorhersagen zu treffen, ohne explizit dafür programmiert zu werden. Frühere Modelle des maschinellen Lernens wurden jedoch dafür kritisiert, dass sie eine „Blackbox“ sind, bei der die Wissenschaftler nicht erklären können, was zwischen Input und Output passiert. Jetzt haben Wissenschaftler eine neue Generation von Methoden entwickelt, die wissenschaftliche Erkenntnisse in das maschinelle Lernen integrieren, um die „Blackbox“ zu entschlüsseln.
KGML-ag wurde durch ein spezielles Verfahren entwickelt, das das Wissen aus einem fortgeschrittenen Agrarökosystem-Computermodell, ecosys genannt, einbezieht, um ein maschinelles Lernmodell zu entwickeln und zu trainieren. Bei kleinen, realen Beobachtungen erweist sich KGML-ag als viel genauer als ecosys oder reine maschinelle Lernmodelle und ist 1.000 Mal schneller als bisher verwendete Rechenmodelle.
„Dies ist die erste Reise mit Höhen und Tiefen, denn es gibt fast keine Literatur, die uns sagt, wie man ein wissensbasiertes maschinelles Lernmodell entwickelt, das mit den vielen interaktiven Prozessen im Boden umgehen kann, und wir sind sehr froh, dass es geklappt hat“, so Liu.
Ein einzigartiges Merkmal von KGML-ag ist, dass es über die meisten maschinellen Lernmethoden hinausgeht, indem es viele weniger offensichtliche Variablen im Zusammenhang mit der Lachgasproduktion und -emission explizit darstellt. Es erfasst auch die komplexe kausale Beziehung zwischen Inputs, Outputs und anderen komplexen Zwischenvariablen.
„Die Kenntnis dieser Zwischenvariablen, wie z. B. Bodenwassergehalt, Sauerstoffgehalt und Nitratgehalt des Bodens, ist sehr wichtig, da sie Aufschluss über die Triebkräfte der Lachgasemissionen geben und uns Möglichkeiten zur Verringerung der Lachgasemissionen bieten“, so der korrespondierende Autor Zhenong Jin, Assistenzprofessor an der University of Minnesota in der Abteilung für Bioprodukte und Biosystemtechnik, der auch die Digital Agriculture Group leitet.
Die Entwicklung des KGML-ag wurde zum Teil durch bahnbrechende Forschungsarbeiten zum wissensgesteuerten maschinellen Lernen in Umweltsystemen inspiriert, die von Vipin Kumar, einem Regents-Professor der Universität von Minnesota im Fachbereich Informatik und Ingenieurwesen und Inhaber des William Norris-Lehrstuhls, geleitet wurden. Diese Forschung umfasst Studien zur Vorhersage der Seetemperatur und des Wasserdurchflusses.
„Dies ist eine weitere Erfolgsgeschichte der engen Zusammenarbeit von Informatikern mit Landwirtschafts- und Umweltexperten zum besseren Schutz unserer Erde“, so Kumar. „Diese neue Anstrengung wird die bestehenden wissensbasierten Aktivitäten im Bereich des maschinellen Lernens, bei denen die Universität von Minnesota derzeit landesweit führend ist, weiter verbessern.“
In Zukunft wird das Team KGML-ag erweitern, um die Kohlenstoffemissionen aus dem Boden anhand einer Vielzahl von Faktoren, einschließlich hochauflösender Satellitenbilder, vorherzusagen.
„Dies ist eine revolutionäre Arbeit, die das Beste aus Beobachtungsdaten, prozessbasierten Modellen und maschinellem Lernen zusammenführt“, sagte Kaiyu Guan, ein Mitautor der Studie und außerordentlicher Professor an der University of Illinois in Urbana-Champaign.
Guan ist auch der leitende Forscher des Projekts Systems for Monitoring and Analytics for Renewable Transportation Fuels from Agricultural Resources and Management (SMARTFARM) der Advanced Research Projects Agency-Energy (ARPA-E) des Energieministeriums, das diese Studie finanziert.
„Wir freuen uns sehr, die Zusammenarbeit mit dem Team der University of Minnesota unter der Leitung von Zhenong Jin fortzusetzen, um das volle Potenzial von KGML zu erforschen und auszuschöpfen“, so Guan weiter.
Eine genaue, skalierbare und kosteneffiziente Überwachung und Berichterstattung von Treibhausgasemissionen ist erforderlich, um die so genannten Kohlenstoffgutschriften“ oder Genehmigungen zum Ausgleich von Treibhausgasemissionen zu überprüfen. Landwirte können für Praktiken zur Verringerung der Treibhausgasemissionen entschädigt werden. Der KGML-ag-Rahmen eröffnet enorme Möglichkeiten für die Quantifizierung der landwirtschaftlichen Lachgas-, Kohlendioxid- und Methanemissionen, die zur Überprüfung von Kohlenstoffgutschriften und zur Optimierung der landwirtschaftlichen Bewirtschaftungsmethoden und der Politikgestaltung beitragen.
„Solange wir aber nicht über genaue und kosteneffiziente Messinstrumente verfügen, um zu beurteilen, was über und unter der Erde passiert, werden wir nicht die Marktanreize sehen, die wir für den Übergang zu einer netto-negativen Landwirtschaft brauchen“, sagte David Babson, Programmdirektor bei der ARPA-E des US-Energieministeriums.
„Die Teams aus Minnesota, Illinois, Kalifornien und Pennsylvania sind sich dessen bewusst“, so Babson weiter. „Ich freue mich darauf, dass die Teams diese Forschung weiter ausbauen werden.“
Datum: April 28, 2022
Quelle: Universität von Minnesota
Journal Reference:
- 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: a modeling framework of knowledge-guided machine learning to simulate agroecosystems: a case study of estimating N2O emission using data from mesocosm experiments. Geoscientific Model Development, 2022; 15 (7): 2839 DOI: 10.5194/gmd-15-2839-2022