I ricercatori utilizzano l’apprendimento automatico guidato dalla conoscenza per aumentare l’accuratezza delle previsioni di protossido di azoto in agricoltura
Un team di ricercatori guidato dall’Università del Minnesota ha migliorato significativamente le prestazioni delle previsioni numeriche per le emissioni di protossido di azoto in agricoltura. Il primo modello di apprendimento automatico guidato dalla conoscenza è 1.000 volte più veloce dei sistemi attuali e potrebbe ridurre significativamente le emissioni di gas serra dell’agricoltura.
La ricerca è stata recentemente pubblicata su Geoscientific Model Development , una rivista scientifica internazionale no-profit incentrata sui modelli numerici della Terra. I ricercatori coinvolti provenivano dall’Università del Minnesota, dall’Università dell’Illinois a Urbana-Champaign, dal Lawrence Berkeley National Laboratory e dall’Università di Pittsburgh.
Rispetto ai gas serra come l’anidride carbonica e il metano, il protossido di azoto non è così noto. In realtà, il protossido di azoto è circa 300 volte più potente dell’anidride carbonica nell’intrappolare il calore nell’atmosfera. Anche le emissioni di protossido di azoto indotte dall’uomo (principalmente da fertilizzanti sintetici agricoli e letame bovino) sono aumentate di almeno il 30% negli ultimi quattro decenni.
“C’è un urgente bisogno di chiudere la valvola il più rapidamente possibile, ma non puoi gestire ciò che non puoi misurare”, ha affermato Licheng Liu, autore principale dello studio e ricercatore presso il Digital Agriculture Group dell’Università del Minnesota presso il Dipartimento di Bioprodotti e Ingegneria dei Biosistemi.
La stima del protossido di azoto dai terreni coltivati è un compito estremamente difficile perché le relative reazioni biogeochimiche implicano interazioni complesse con il suolo, il clima, le colture e le pratiche di gestione umana, tutte difficili da quantificare. Sebbene gli scienziati abbiano escogitato modi diversi per stimare le emissioni di protossido di azoto dai terreni coltivati, la maggior parte delle soluzioni esistenti è troppo imprecisa quando si utilizzano modelli computazionali complessi con regole fisiche, chimiche e biologiche o troppo costosa quando si utilizzano strumenti sofisticati nei campi.
In questo nuovo studio, i ricercatori hanno sviluppato un modello di apprendimento automatico guidato dalla conoscenza per l’agroecosistema, il primo nel suo genere, chiamato KGML-ag. L’apprendimento automatico è un tipo di intelligenza artificiale che consente alle applicazioni software di diventare più accurate nel prevedere i risultati senza essere esplicitamente programmate per farlo. I precedenti modelli di machine learning sono stati tuttavia criticati per essere una “scatola nera” in cui gli scienziati non possono spiegare cosa è successo tra input e output. Ora, gli scienziati hanno sviluppato una nuova generazione di metodi che integra la conoscenza scientifica nell’apprendimento automatico per disimballare la “scatola nera”.
KGML-ag è stato costruito mediante una procedura speciale che incorpora le conoscenze apprese da un modello computazionale avanzato dell’agroecosistema, chiamato ecosys, per progettare e addestrare un modello di apprendimento automatico. In piccole osservazioni del mondo reale, il KGML-ag risulta essere molto più accurato dei modelli ecosys o di puro machine learning ed è 1.000 volte più veloce dei modelli computazionali utilizzati in precedenza.
“Questo è il primo viaggio nel suo genere con alti e bassi perché non c’è quasi letteratura che ci dica come sviluppare un modello di apprendimento automatico guidato dalla conoscenza in grado di gestire i molti processi interattivi nel terreno, e siamo così felice che le cose siano andate bene”, ha detto Liu
Una caratteristica unica di KGML-ag è che va oltre la maggior parte dei metodi di apprendimento automatico, rappresentando esplicitamente molte variabili meno ovvie relative alla produzione e all’emissione di protossido di azoto. Cattura anche la complessa relazione causale tra input, output e altre variabili intermedie complesse.
“Conoscere queste variabili intermedie, come il contenuto di acqua nel suolo, il livello di ossigeno e il contenuto di nitrati nel suolo, è molto importante perché informano i conducenti delle emissioni di protossido di azoto e ci danno la possibilità di ridurre il protossido di azoto”, ha affermato l’autore corrispondente, Zhenong Jin, un assistente professore dell’Università del Minnesota presso il Dipartimento di bioprodotti e ingegneria dei biosistemi che guida anche il gruppo di agricoltura digitale.
Lo sviluppo di KGML-ag è stato ispirato in parte dalla ricerca pionieristica sull’apprendimento automatico guidato dalla conoscenza nei sistemi ambientali guidati da Vipin Kumar, un professore Regents dell’Università del Minnesota presso il Dipartimento di Informatica e Ingegneria e la cattedra di William Norris. Questa ricerca include studi per le previsioni della temperatura del lago e le previsioni del flusso di flusso.
“Questa è un’altra storia di successo di scienziati informatici che lavorano a stretto contatto con esperti in agricoltura e ambiente per proteggere meglio la nostra Terra”, ha detto Kumar. “Questo nuovo sforzo migliorerà ulteriormente le attività di apprendimento automatico basate sulla conoscenza esistenti che l’Università del Minnesota sta attualmente conducendo a livello nazionale”.
In futuro, il team amplierà KGML-ag per prevedere le emissioni di carbonio dal suolo utilizzando una varietà di fattori, comprese le immagini satellitari ad alta risoluzione.
“Questo è un lavoro rivoluzionario che riunisce il meglio dei dati osservativi, dei modelli basati sui processi e dell’apprendimento automatico integrandoli insieme”, ha affermato Kaiyu Guan, coautore dello studio e professore associato presso l’Università dell’Illinois a Urbana-Champaign .
Guan è anche il ricercatore capo del progetto SMARTFARM (Advanced Research Projects Agency-Energy) del Dipartimento dell’Energia (ARPA-E) che finanzia questo studio.
“Siamo davvero entusiasti di continuare questa collaborazione con il team dell’Università del Minnesota guidato da Zhenong Jin per esplorare e realizzare il pieno potenziale di KGML”, ha aggiunto Guan.
Sono necessari un monitoraggio e una rendicontazione accurati, scalabili ed economici 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. Il framework KGML-ag apre enormi opportunità per quantificare le emissioni di protossido di azoto, anidride carbonica e metano dell’agricoltura, contribuendo a verificare i crediti di carbonio e ottimizzare le pratiche di gestione dell’agricoltura e l’elaborazione delle politiche.
“C’è molta eccitazione intorno al potenziale per l’agricoltura di contribuire alla riduzione del carbonio, ma a meno che non disponiamo di strumenti di misurazione accurati ed economici per valutare ciò che sta accadendo sia sopra che sotto terra, non vedremo gli incentivi del mercato sappiamo che sono necessari per facilitare una transizione verso un’agricoltura nettamente negativa”, ha affermato David Babson, direttore del programma presso l’ARPA-E del Dipartimento dell’Energia degli Stati Uniti.
“I team che lavorano insieme da Minnesota, Illinois, California e Pennsylvania lo capiscono”, ha aggiunto Babson. “Non vedo l’ora che i team amplino ulteriormente questa ricerca”.
