Un equipo de investigadores dirigido por la Universidad de Minnesota ha mejorado significativamente el rendimiento de las predicciones numéricas de las emisiones de óxido nitroso en la agricultura.
por la Universidad de Minnesota
El primer modelo de aprendizaje automático guiado por el conocimiento es 1000 veces más rápido que los sistemas actuales y podría reducir significativamente las emisiones de gases de efecto invernadero de la agricultura.
La investigación se publicó recientemente en Geoscientific Model Development , una revista científica internacional sin fines de lucro centrada en modelos numéricos de la Tierra. Los investigadores involucrados eran de la Universidad de Minnesota, la Universidad de Illinois en Urbana-Champaign, el Laboratorio Nacional Lawrence Berkeley y la Universidad de Pittsburgh.
En comparación con los gases de efecto invernadero como el dióxido de carbono y el metano, el óxido nitroso no es tan conocido. En realidad, el óxido nitroso es unas 300 veces más potente que el dióxido de carbono para atrapar el calor en la atmósfera. Las emisiones de óxido nitroso inducidas por el hombre (principalmente de fertilizantes sintéticos agrícolas y estiércol de ganado) también han aumentado al menos un 30 por ciento en las últimas cuatro décadas.
«Existe una necesidad apremiante de cerrar la válvula lo más rápido posible, pero no se puede administrar lo que no se puede medir», dijo Licheng Liu, autor principal del estudio y científico investigador del Grupo de Agricultura Digital de la Universidad de Minnesota. en el Departamento de Ingeniería de Bioproductos y Biosistemas.
Estimar el óxido nitroso de las tierras de cultivo es una tarea extremadamente difícil porque las reacciones biogeoquímicas relacionadas implican interacciones complejas con el suelo, el clima, los cultivos y las prácticas de gestión humana, todas las cuales son difíciles de cuantificar. Aunque los científicos han ideado diferentes formas de estimar la emisión de óxido nitroso de las tierras de cultivo, la mayoría de las soluciones existentes son demasiado imprecisas cuando se utilizan modelos computacionales complejos con reglas físicas, químicas y biológicas o demasiado costosas cuando se implementan instrumentos sofisticados en los campos.
En este nuevo estudio, los investigadores desarrollaron el primer modelo de aprendizaje automático guiado por el conocimiento para agroecosistemas, llamado KGML-ag. El aprendizaje automático es un tipo de inteligencia artificial que permite que las aplicaciones de software sean más precisas en la predicción de resultados sin estar programadas explícitamente para hacerlo. Sin embargo, los modelos de aprendizaje automático anteriores han sido criticados por ser una «caja negra» en la que los científicos no pueden explicar qué sucedió entre las entradas y las salidas. Ahora, los científicos han desarrollado una nueva generación de métodos que integran el conocimiento científico en el aprendizaje automático para desempacar la «caja negra».
KGML-ag fue construido por un procedimiento especial que incorpora el conocimiento aprendido de un modelo computacional de agroecosistema avanzado, llamado ecosys, para diseñar y entrenar un modelo de aprendizaje automático. En observaciones pequeñas del mundo real, el KGML-ag resulta ser mucho más preciso que los modelos ecosys o de aprendizaje automático puro y es 1000 veces más rápido que los modelos computacionales utilizados anteriormente.
«Este es el primer viaje de este tipo con altibajos porque casi no hay literatura que nos diga cómo desarrollar un modelo de aprendizaje automático guiado por el conocimiento que pueda manejar los muchos procesos interactivos en el suelo, y estamos tan me alegro de que todo haya salido bien», dijo Liu.
Una característica única de KGML-ag es que va más allá de la mayoría de los métodos de aprendizaje automático al representar explícitamente muchas variables menos obvias relacionadas con la producción y emisión de óxido nitroso. También capta la relación causal compleja entre insumos, productos y otras variables intermedias complejas.
«Conocer estas variables intermedias, como el contenido de agua del suelo, el nivel de oxígeno y el contenido de nitrato del suelo, es muy importante porque informan a los impulsores de las emisiones de óxido nitroso y nos brindan posibilidades de reducir el óxido nitroso», dijo el autor correspondiente, Zhenong Jin, profesor asistente de la Universidad de Minnesota en el Departamento de Ingeniería de Bioproductos y Biosistemas que también dirige el Grupo de Agricultura Digital.
El desarrollo del KGML-ag se inspiró en parte en una investigación pionera sobre el aprendizaje automático guiado por el conocimiento en sistemas ambientales dirigido por Vipin Kumar, profesor de Regentes de la Universidad de Minnesota en el Departamento de Ciencias de la Computación e Ingeniería y presidente William Norris. Esta investigación incluye estudios para predicciones de temperatura de lagos y predicciones de caudales.
«Esta es otra historia de éxito de científicos informáticos que trabajan en estrecha colaboración con expertos en agricultura y medio ambiente para proteger mejor nuestra Tierra», dijo Kumar. «Este nuevo esfuerzo mejorará aún más las actividades existentes de aprendizaje automático basadas en el conocimiento que la Universidad de Minnesota lidera actualmente a nivel nacional».
En el futuro, el equipo ampliará KGML-ag para predecir las emisiones de carbono del suelo utilizando una variedad de factores, incluidas imágenes satelitales de alta resolución.
«Este es un trabajo revolucionario que reúne lo mejor de los datos de observación, los modelos basados en procesos y el aprendizaje automático al integrarlos», dijo Kaiyu Guan, coautor del estudio y profesor asociado de la Universidad de Illinois en Urbana-Champaign. .
Guan también es el investigador principal del proyecto Sistemas de Monitoreo y Análisis para Combustibles de Transporte Renovables a partir de Recursos Agrícolas y Gestión (SMARTFARM) de la Agencia de Proyectos de Investigación Avanzada-Energía (ARPA-E) del Departamento de Energía que financia este estudio.
«Estamos realmente emocionados de continuar esta colaboración con el equipo de la Universidad de Minnesota dirigido por Zhenong Jin para explorar y aprovechar todo el potencial de KGML», agregó Guan.
Se necesita un monitoreo y un informe precisos, escalables y rentables de las emisiones de gases de efecto invernadero para verificar lo que se denominan «créditos de carbono» o permisos que compensan las emisiones de gases de efecto invernadero. Los agricultores pueden ser reembolsados por prácticas que reducen las emisiones de gases de efecto invernadero . El marco KGML-ag abre enormes oportunidades para cuantificar las emisiones agrícolas de óxido nitroso, dióxido de carbono y metano, lo que ayuda a verificar los créditos de carbono y optimizar las prácticas de gestión agrícola y la formulación de políticas.
«Hay mucho entusiasmo en torno al potencial de la agricultura para contribuir a la reducción de carbono, pero a menos que tengamos herramientas de medición precisas y rentables para evaluar lo que sucede tanto por encima como por debajo del suelo, no veremos los incentivos del mercado». sabemos que son necesarios para facilitar una transición a una agricultura neta negativa», dijo David Babson, director de programa de ARPA-E del Departamento de Energía de EE. UU.
«Los equipos que trabajan juntos en Minnesota, Illinois, California y Pensilvania entienden esto», agregó Babson. «Espero que los equipos amplíen aún más esta investigación».
