O carbono está em toda parte. Está na atmosfera, nos oceanos, no solo, em nossa comida, em nossos corpos. Como a espinha dorsal de todas as moléculas orgânicas que constituem a vida, o carbono é um indicador muito preciso da produtividade das colheitas. E o solo é o maior reservatório de carbono da Terra, desempenhando um papel importante em manter nosso clima estável.

Como tal, modelos computacionais que rastreiam o carbono à medida que ele circula por meio de um agroecossistema têm enorme potencial inexplorado para avançar no campo da agricultura de precisão, aumentando os rendimentos das colheitas e informando práticas agrícolas sustentáveis.

"Embora a modelagem do ciclo do carbono em agroecossistemas já tenha sido feita antes, nosso trabalho representa a integração mais abrangente de modelos e observações, bem como validação rigorosa que inclui medições ricas em escalas regionais e de campo. O desempenho de modelagem de nossa solução (publicado este mês em Meteorologia Agrícola e Florestal ) supera em muito os estudos anteriores, "disse Kaiyu Guan, Professor Associado de Recursos Naturais e Ciências Ambientais na Universidade de Illinois Urbana-Champaign. Guan também é professor associado da Blue Waters no National Center for Supercomputing Applications (NCSA) e diretor fundador do Agroecosystem Sustainability Center criado pelo College of Agricultural, Ciências do Consumidor e Ambientais e iSEE.

O ciclo do carbono nos agroecossistemas pode ser generalizado em três fluxos principais de carbono que viajam de e para as plantas e o solo. O carbono entra no sistema por meio da fotossíntese. Alguns deixam o sistema por meio da respiração da planta e da respiração do solo, enquanto o carbono na forma de grãos e biomassa é removido quando as safras são colhidas. Em princípio, a soma desses fluxos é igual ao movimento líquido de carbono através do sistema - e essa mudança líquida, especialmente por longos períodos de tempo, é o que contribui para a mudança no carbono orgânico do solo de um agroecossistema.

O carbono orgânico do solo (SOC) é exatamente o que parece:Carbono na forma de moléculas orgânicas no solo. De um modo geral, quanto maior o SOC de um campo, mais produtivo será. Contudo, nas terras cultivadas do meio-oeste dos EUA, cerca de 30-50% da SOC foi perdida desde o início do cultivo. Esta perda de SOC pode aumentar o risco de diminuições no rendimento da colheita, especialmente sob futuras condições climáticas.

Membros da equipe do projeto SMARTFARM de Guan usaram um modelo avançado de agroecossistema denominado ecosys, que contém os mecanismos mais complexos para simular a energia, agua, carbono, e ciclagem dos fluxos de nutrientes no agroecossistema. Este modelo foi originalmente desenvolvido pelo Professor de Modelagem de Ecossistemas Robert Grant da Universidade de Alberta. Ao longo dos últimos anos, A equipe de Guan tem feito esforços contínuos para construir uma solução para restringir ainda mais o modelo de ecosys com dados observacionais massivos.

Os pesquisadores usaram uma abordagem inovadora de "fusão modelo-dados", que integra simulações de modelo avançado com dados observacionais. Esta abordagem permitiu-lhes validar os resultados da simulação do modelo, restringir parâmetros de modelo incertos, e garantir que o modelo emule os processos que conduzem o ciclo do carbono em todos os estágios. Vários tipos de conjuntos de dados foram usados, como dados de torre de fluxo de covariância parasita, que é amplamente considerado como o padrão ouro para medidas de carbono em escala de paisagem; Dados de safra do USDA que fornecem o carbono colhido; e novos dados de satélite que fornecem observações de fotossíntese.

"Além disso, usamos dados detalhados de alocação de carbono medidos ao longo de 10 anos, "disse o autor principal Wang Zhou, um associado de pesquisa de pós-doutorado. "Esses são os dados que indicam onde uma planta aloca o carbono que absorve da fotossíntese - quanto vai para o caule, quanto para as raízes, quanto às folhas. "

"O que realmente torna nossa solução de modelagem empolgante, "Guan disse, "é que usamos as observações mais avançadas de satélites para restringir um modelo de agroecossistema poderoso, e demonstramos que isso pode atingir o mais alto desempenho na estimativa de diferentes componentes de carbono. "No início deste ano, Guan e o cientista pesquisador Chongya Jiang desenvolveram um algoritmo para estimar a fotossíntese a partir de dados de satélite. Esses dados de fotossíntese disponíveis recentemente em todos os campos de milho e soja no meio-oeste dos EUA também foram usados ​​para validar e restringir o modelo para garantir que a equipe possa reproduzir com precisão a fotossíntese observada por satélite e o rendimento da colheita relatado pelo USDA, bem como suas respostas à variabilidade ambiental.

"Integrar observações de satélite com um modelo baseado em processo como o ecosys é a chave para garantir a precisão de nossa solução, e mais importante, o potencial de usar nossa solução de modelagem em um novo local, como América do Sul ou África, "O cientista pesquisador Bin Peng disse.

Com tantas peças móveis, uma enorme quantidade de tempo e esforço foi gasta no desenvolvimento desta solução de fusão modelo-dados. A equipe de Guan tem o orgulho de lançar o primeiro artigo sobre o modelo em Meteorologia Agrícola e Florestal , e os pesquisadores têm alguns outros artigos que usam esse método nos trabalhos. Por exemplo, em outro estudo recente envolvendo a equipe de Guan e liderado pela Universidade de Minnesota, os pesquisadores integraram seus resultados simulados por ecosys com inteligência artificial para estimar N ₂ Emissão de O do Cinturão do Milho dos EUA. Este estudo foi publicado em Cartas de pesquisa ambiental.

“Este é o estado da arte para quantificar o orçamento e crédito de carbono, "Disse Guan." Queremos mostrar às pessoas o que é possível e definir um alto padrão no futuro. Deixamos a ciência rigorosa falar por si. Eu acredito que essa é a maneira mais poderosa de dizer as coisas como cientistas. "

Projeto SMARTFARM de Guan, um programa financiado pelo Departamento de Energia dos EUA, está focada em ser pioneira na tecnologia para quantificar créditos de carbono em escala de campo para terras agrícolas dos EUA. A ambição da equipe é usar este método de fusão de dados modelo desenvolvido como a base para quantificar com precisão o orçamento de carbono em qualquer escala, e também apoiar a gestão inteligente na escala da fazenda. Por meio da agricultura de precisão, eles esperam ajudar os agricultores não apenas a maximizar seus rendimentos, mas também sustentam melhor suas terras e seu conteúdo SOC.

Várias agências de financiamento têm apoiado a equipe de Guan ao longo dos anos, incluindo o Prêmio de Carreira da National Science Foundation, a Fundação para Pesquisa em Alimentos e Agricultura, Agência de Projetos de Pesquisa Avançada do DOE - Programa SMARTFARM de Energia, Programa do Sistema de Monitoramento de Carbono da NASA, e o Instituto Nacional de Alimentos e Agricultura do USDA.

Além de Guan, Conceder, Zhou, Jiang, e Peng, os co-autores desta última publicação incluem Jinyung Chang, Laboratório Nacional Lawrence Berkeley; Zhenong Jin, Universidade de Minnesota; e Symon Mezbahuddin, University of Alberta.