Per la prima volta, i ricercatori dell’Università del Minnesota Twin Cities (UMN) e dell’Università dell’Illinois Urbana-Champaign (UIUC) hanno dimostrato che è possibile fornire previsioni accurate e ad alta risoluzione dei cicli del carbonio negli agroecosistemi, il che potrebbe aiutare mitigare gli impatti del cambiamento climatico.
Lo studio condotto da studiosi del National Artificial Intelligence Institute for Climate-Land Interactions, Mitigation, Adaptation, Tradeoffs and Economy (AI-CLIMATE) guidato dall'UMN e dell'Agroecosystem Sustainability Center guidato dall'UIUC è stato recentemente pubblicato su Nature Communications .
I risultati dello studio rappresentano un primo passo fondamentale nello sviluppo di un metodo credibile di misurazione, monitoraggio, rendicontazione e verifica (MMRV) delle emissioni agricole che può essere utilizzato per incentivare l'implementazione di pratiche rispettose del clima, rilanciando al tempo stesso le economie rurali.
Ciò segue la strategia nazionale stabilita dalla Casa Bianca, che evidenzia la necessità di quantificare le emissioni di gas serra in tutti i settori con l'obiettivo di emissioni nette pari a zero entro il 2050.
Sono necessari un monitoraggio e una rendicontazione accurati, scalabili ed economicamente vantaggiosi delle emissioni di gas serra per verificare i cosiddetti “crediti di carbonio” o permessi che compensano le emissioni di gas serra. Gli agricoltori possono essere rimborsati per le pratiche che riducono le emissioni di gas serra. L'agricoltura rappresenta circa il 25% delle emissioni di gas serra, ma le grandi aziende possono essere riluttanti ad acquistare questi crediti senza sapere la quantità di carbonio che viene immagazzinata.
In questo momento, per raccogliere dati accurati sul carbonio, un agricoltore dovrebbe assumere qualcuno che venga nella sua azienda agricola, prenda quello che viene chiamato un nucleo del suolo (profilo verticale del suolo) e lo invii al laboratorio per l'analisi.
"Raccogliere la quantità di dati necessari in ogni singola azienda agricola, potrebbe costare agli agricoltori tempo e denaro che potrebbero non essere disposti a dare", ha affermato Licheng Liu, l'autore principale e ricercatore presso il Dipartimento di Bioprodotti dell'Università del Minnesota. e ingegneria dei biosistemi.
Il campo emergente del Knowledge-Guided Machine Learning (KGML), sperimentato dai ricercatori dell'Università del Minnesota, combina la forza dell'intelligenza artificiale (AI) e dei modelli basati sui processi delle scienze fisiche.
Con le osservazioni effettuate nella Corn Belt degli Stati Uniti, il framework KGML-ag supera significativamente in termini di accuratezza sia i modelli basati sui processi che quelli basati sull’apprendimento automatico, soprattutto con dati limitati. Sorprendentemente, KGML-ag opera oltre 10.000 volte più velocemente dei tradizionali modelli basati su processi, fornendo previsioni ad alta risoluzione e ad alta frequenza in modo economicamente vantaggioso.
"Queste tecniche di apprendimento automatico guidato dalla conoscenza (KGML) sono fondamentalmente più potenti degli approcci standard di apprendimento automatico e dei modelli tradizionali utilizzati dalla comunità scientifica per affrontare i problemi ambientali", ha affermato Vipin Kumar, professore dell'Università del Minnesota Regents e William Norris Endowed Chair in il Dipartimento di Informatica e Ingegneria.
Invece di prelevare campioni di terreno in ogni azienda agricola, con KGML-ag i ricercatori possono utilizzare la potenza del telerilevamento satellitare, dei modelli computazionali e dell’intelligenza artificiale per fornire una stima del carbonio in ogni singolo campo. Ciò consente un risarcimento giusto e accurato ai singoli agricoltori. I ricercatori affermano che questo è fondamentale per promuovere la fiducia nei mercati del carbonio e sostenere l'adozione di pratiche sostenibili.
"KGML-ag combina la comprensione più avanzata dei meccanismi in agricoltura con le tecniche di intelligenza artificiale all'avanguardia e offre quindi una nuova potente lente per monitorare e gestire i nostri ecosistemi agricoli", ha affermato Zhenong Jin, l'autore corrispondente di questo studio e professore assistente presso il Dipartimento di ingegneria dei bioprodotti e dei biosistemi dell'Università del Minnesota, che co-dirige il gruppo di interesse speciale KGML sul progetto AI-CLIMATE.
Ora, i ricercatori di AI-CLIMATE stanno studiando il potenziale del quadro KGML per la silvicoltura, sfruttando le sue capacità per affrontare le sfide urgenti nella gestione sostenibile della silvicoltura e nella cattura e stoccaggio del carbonio. Il team sta inoltre esplorando un approccio di assimilazione dei dati basato su KGML per utilizzare in modo flessibile i diversi tipi di dati satellitari in rapida crescita.
"Il KGML è uno dei temi chiave di ricerca di AI-CLIMATE", ha affermato Shashi Shekhar, presidente dell'ADC dell'Università del Minnesota e professore emerito della McKnight University presso il Dipartimento di Informatica e Ingegneria e ricercatore capo dell'Istituto AI-CLIMATE. .
"Questi risultati iniziali dimostrano l'immenso potenziale dell'intelligenza artificiale per lo sviluppo di metodi più accurati ed economici per stimare le emissioni provenienti dall'agricoltura. Ciò potrebbe lubrificare i mercati del carbonio e incentivare l'adozione di pratiche rispettose del clima."
Ulteriori informazioni: Licheng Liu et al, L'apprendimento automatico guidato dalla conoscenza può migliorare la quantificazione del ciclo del carbonio negli agroecosistemi, Comunicazioni sulla natura (2024). DOI:10.1038/s41467-023-43860-5
Fornito dall'Università del Minnesota
