L'ET comprende l'evaporazione dal suolo e dalle piscine d'acqua aperta come laghi, fiumi e stagni, nonché la traspirazione dalle foglie delle piante. La differenza tra precipitazioni ed ET indica il bilancio idrico disponibile per le esigenze della società, compresa la produzione agricola e industriale. Tuttavia, misurare l’ET è impegnativo. Un nuovo studio dell'Università Urbana-Champaign dell'Illinois presenta un modello computerizzato che utilizza l'intelligenza artificiale (AI) per la previsione degli ET sulla base di stime di telerilevamento.

"Le stime ET effettuate a terra catturano i flussi locali di acqua trasferita nell'atmosfera, ma sono limitate in scala. Al contrario, i dati satellitari forniscono informazioni ET su scala globale. Tuttavia, sono spesso incompleti a causa delle nuvole o del malfunzionamento dei sensori, e il il ciclo satellitare su un'area può richiedere diversi giorni."

"Abbiamo condotto questa ricerca per prevedere i dati mancanti e per generare dati ET continui giornalieri che tengano conto delle dinamiche dell'uso del territorio e del movimento dell'aria atmosferica", ha affermato l'autore principale Jeongho Han, uno studente di dottorato presso il Dipartimento di Ingegneria Agraria e Biologica (ABE) , parte del College of Agricultural, Consumer and Environmental Sciences e del Grainger College of Engineering dell'Illinois.

I ricercatori hanno creato l’“algoritmo del modello di evapotraspirazione della copertura dinamica del suolo” (DyLEMa) basato su modelli di apprendimento automatico dell’albero decisionale. Questo algoritmo ha lo scopo di prevedere i dati ET spaziali e temporali mancanti utilizzando modelli di machine learning stagionali addestrati. DyLEMa è stato valutato sulla scala dell'Illinois su una griglia giornaliera di 30 x 30 metri per 20 anni utilizzando dati della NASA, dell'U.S. Geological Survey e della National Oceanic and Atmospheric Administration.

"DyLEMa è molto più dettagliato e complesso rispetto ad altri modelli. Distingue tra diversi usi del territorio, tra cui foresta, ambiente urbano e agricoltura, e diverse colture, come mais e soia. Il modello include precipitazioni, temperatura, umidità, radiazione solare, vegetazione fase e proprietà del suolo."

"Ciò ci consente di catturare con precisione le dinamiche superficiali e di prevedere l'ET sulla base di più variabili. Ciò è particolarmente importante per i paesaggi agricoli in cui le colture cambiano rapidamente", ha affermato il coautore Jorge Guzman, professore assistente di ricerca all'ABE.

I ricercatori hanno testato l'accuratezza del modello confrontando i suoi risultati con i dati esistenti. Per la convalida nel tempo, hanno utilizzato misurazioni a terra dal 2009 al 2016 in quattro siti dell’Illinois. Inoltre, per testare l'accuratezza spaziale, hanno creato scenari artificiali in cui hanno inserito una nuvola sintetica in un'immagine priva di nuvole, quindi hanno applicato il loro algoritmo e hanno confrontato i risultati con i dati originali.

Nel complesso, DyLEMA ha ridotto l'incertezza della previsione dell'ET nelle stime dell'ET cumulativo da una media del +30% (sovrastima) a circa -7% (sottostima) rispetto alle misurazioni esistenti, indicando una precisione molto maggiore.

Lo studio fa parte di un progetto più ampio sull’erosione del suolo. Maria Chu, professoressa associata all'ABE, è la ricercatrice principale del progetto e coautrice del nuovo articolo.

"L'ET controlla il contenuto di umidità del suolo e viceversa, il che influisce sui processi superficiali come il deflusso e l'erosione dell'acqua. Il nostro prossimo passo è integrare i nostri dati in un modello idrologico distribuito per una migliore stima dell'erosione del suolo", ha affermato Chu.

"Una delle sfide legate alle pratiche di gestione del territorio è che le persone potrebbero non vedere i vantaggi derivanti dall'attuazione immediata dei cambiamenti. Ma con questo modello possiamo dimostrare che ciò che state facendo ora avrà un impatto a lungo termine, ad esempio, 10 o più Tra 20 anni e in luoghi lontani dalla tua azienda agricola, questo è il potere di utilizzare i dati e la capacità di calcolo per coinvolgere le comunità e informare le misure politiche", ha aggiunto Chu.

La ricerca è pubblicata sulla rivista Computers and Electronics in Agriculture .