Pela primeira vez, pesquisadores da Universidade de Minnesota Twin Cities (UMN) e da Universidade de Illinois Urbana-Champaign (UIUC) demonstraram que é possível fornecer previsões precisas e de alta resolução dos ciclos do carbono em agroecossistemas, o que poderia ajudar mitigar os impactos das alterações climáticas.



O estudo realizado por acadêmicos do Instituto Nacional de Inteligência Artificial para Interações Clima-Terra, Mitigação, Adaptação, Compensações e Economia (AI-CLIMATE) liderado pela UMN e do Centro de Sustentabilidade de Agroecossistemas liderado pela UIUC foi publicado recentemente na Nature Communications .

As conclusões do estudo são um primeiro passo crítico no desenvolvimento de uma Medição, Monitorização, Relatórios e Verificação (MMRV) credível das emissões agrícolas que pode ser usada para incentivar a implementação de práticas climaticamente inteligentes e, ao mesmo tempo, impulsionar as economias rurais.

Isto segue a estratégia nacional, definida pela Casa Branca, que destaca a necessidade de quantificar as emissões de gases com efeito de estufa em todos os sectores, com o objectivo de emissões líquidas zero até 2050.

São necessários monitoramento e relatórios precisos, escalonáveis ​​e econômicos das emissões de gases de efeito estufa para verificar os chamados “créditos de carbono” ou licenças que compensam as emissões de gases de efeito estufa. Os agricultores podem ser reembolsados ​​por práticas que reduzam as emissões de gases com efeito de estufa. A agricultura é responsável por cerca de 25% das emissões de gases com efeito de estufa, mas as grandes empresas podem hesitar em comprar estes créditos sem saber quanto carbono está a ser armazenado.

Neste momento, para recolher dados de carbono com precisão, um agricultor precisaria contratar alguém para ir à sua quinta, pegar o que é chamado de núcleo do solo (perfil vertical do solo) e enviá-lo de volta ao laboratório para análise.

“Reunir a quantidade de dados necessários em cada fazenda individual pode custar aos agricultores tempo e dinheiro que eles podem não estar dispostos a dar”, disse Licheng Liu, autor principal e cientista pesquisador do Departamento de Bioprodutos da Universidade de Minnesota. e Engenharia de Biossistemas.

O campo emergente de Aprendizado de Máquina Guiado pelo Conhecimento (KGML), iniciado por pesquisadores da Universidade de Minnesota, combina a força da inteligência artificial (IA) e modelos baseados em processos das ciências físicas.

Com observações no Cinturão do Milho dos Estados Unidos, a estrutura KGML-ag supera significativamente os modelos de aprendizado de máquina puro e baseado em processos em precisão, especialmente com dados limitados. Notavelmente, o KGML-ag opera 10.000 vezes mais rápido do que os modelos tradicionais baseados em processos, fornecendo previsões de alta resolução e alta frequência com boa relação custo-benefício.

"Essas técnicas de aprendizado de máquina guiado pelo conhecimento (KGML) são fundamentalmente mais poderosas do que as abordagens padrão de aprendizado de máquina e os modelos tradicionais usados ​​pela comunidade científica para resolver problemas ambientais", disse Vipin Kumar, professor regente da Universidade de Minnesota e presidente dotado de William Norris em o Departamento de Ciência da Computação e Engenharia.

Em vez de coletar amostras de solo em cada fazenda, com o KGML-ag, os pesquisadores podem usar o poder do sensoriamento remoto por satélite, modelos computacionais e IA para fornecer uma estimativa de carbono em cada campo individual. Isto permite uma compensação justa e precisa aos agricultores individuais. Os investigadores dizem que isto é fundamental para promover a confiança nos mercados de carbono e apoiar a adoção de práticas sustentáveis.

"KGML-ag combina a compreensão mais avançada dos mecanismos na agricultura com as técnicas de IA de última geração e, assim, oferece uma nova lente poderosa para monitorar e gerenciar nossos ecossistemas agrícolas", disse Zhenong Jin, autor correspondente deste estudo. e professor assistente do Departamento de Engenharia de Bioprodutos e Biossistemas da Universidade de Minnesota, que co-lidera o grupo de interesse especial KGML no AI-CLIMATE.

Agora, os investigadores do AI-CLIMATE estão a investigar o potencial da estrutura KGML para a silvicultura, aproveitando as suas capacidades para enfrentar os desafios prementes na gestão florestal sustentável e na captura e armazenamento de carbono. A equipe também está explorando uma abordagem de assimilação de dados baseada em KGML para fazer uso flexível dos diferentes tipos de dados de satélite em rápido crescimento.

"O KGML é um dos principais tópicos de pesquisa do AI-CLIMATE", disse Shashi Shekhar, presidente do ADC da Universidade de Minnesota e distinto professor da Universidade McKnight no Departamento de Ciência da Computação e Engenharia e pesquisador principal do Instituto AI-CLIMATE .

“Estes resultados iniciais demonstram o imenso potencial da IA ​​para o desenvolvimento de métodos mais precisos e mais baratos para estimar as emissões da agricultura. Isto pode lubrificar os mercados de carbono e incentivar a adopção de práticas climaticamente inteligentes.”

Mais informações: Licheng Liu et al, O aprendizado de máquina guiado pelo conhecimento pode melhorar a quantificação do ciclo do carbono em agroecossistemas, Nature Communications (2024). DOI:10.1038/s41467-023-43860-5
Fornecido pela Universidade de Minnesota