Pour la première fois, des chercheurs de l'Université du Minnesota Twin Cities (UMN) et de l'Université de l'Illinois Urbana-Champaign (UIUC) ont démontré qu'il était possible de fournir des prévisions précises et à haute résolution des cycles du carbone dans les agroécosystèmes, ce qui pourrait aider atténuer les impacts du changement climatique.
L'étude réalisée par des chercheurs de l'Institut national d'intelligence artificielle pour les interactions, l'atténuation, l'adaptation, les compromis et l'économie (AI-CLIMATE) dirigé par l'UMN et du Centre de durabilité des agroécosystèmes dirigé par l'UIUC a été récemment publiée dans Nature Communications .
Les résultats de l'étude constituent une première étape essentielle dans le développement d'un système crédible de mesure, de surveillance, de reporting et de vérification (MMRV) des émissions agricoles qui peut être utilisé pour encourager la mise en œuvre de pratiques intelligentes face au climat tout en stimulant les économies rurales.
Cela fait suite à la stratégie nationale établie par la Maison Blanche, soulignant la nécessité de quantifier les émissions de gaz à effet de serre dans tous les secteurs avec un objectif de zéro émission nette d'ici 2050 au plus tard.
Une surveillance et un reporting précis, évolutifs et rentables des émissions de gaz à effet de serre sont nécessaires pour vérifier ce que l'on appelle les « crédits carbone » ou les permis qui compensent les émissions de gaz à effet de serre. Les agriculteurs peuvent être remboursés pour leurs pratiques réduisant les émissions de gaz à effet de serre. L'agriculture est responsable d'environ 25 % des émissions de gaz à effet de serre, mais les grandes entreprises peuvent hésiter à acheter ces crédits sans savoir quelle quantité de carbone est stockée.
À l'heure actuelle, pour recueillir avec précision des données sur le carbone, un agriculteur devrait embaucher quelqu'un pour venir sur sa ferme, prendre ce qu'on appelle une carotte de sol (profil vertical du sol) et la renvoyer au laboratoire pour analyse.
"Rassembler la quantité de données nécessaires dans chaque ferme individuelle pourrait coûter du temps et de l'argent aux agriculteurs qu'ils ne seraient peut-être pas disposés à donner", a déclaré Licheng Liu, auteur principal et chercheur scientifique au département des bioproduits de l'Université du Minnesota. et ingénierie des biosystèmes.
Le domaine émergent de l'apprentissage automatique guidé par les connaissances (KGML), lancé par des chercheurs de l'Université du Minnesota, combine la force de l'intelligence artificielle (IA) et des modèles basés sur des processus issus des sciences physiques.
Avec des observations dans la Corn Belt aux États-Unis, le cadre KGML-ag surpasse considérablement en termes de précision les modèles d'apprentissage automatique basés sur les processus et les modèles d'apprentissage automatique pur, en particulier avec des données limitées. Remarquablement, KGML-ag fonctionne plus de 10 000 fois plus rapidement que les modèles traditionnels basés sur les processus, fournissant des prédictions haute résolution et haute fréquence de manière rentable.
"Ces techniques d'apprentissage automatique guidée par la connaissance (KGML) sont fondamentalement plus puissantes que les approches d'apprentissage automatique standard et les modèles traditionnels utilisés par la communauté scientifique pour résoudre les problèmes environnementaux", a déclaré Vipin Kumar, professeur Regents de l'Université du Minnesota et titulaire de la chaire William Norris en le Département d'informatique et d'ingénierie.
Au lieu de prélever des carottes de sol dans chaque ferme, avec KGML-ag, les chercheurs peuvent utiliser la puissance de la télédétection par satellite, des modèles informatiques et de l'IA pour fournir une estimation du carbone dans chaque champ individuel. Cela permet une compensation juste et précise pour les agriculteurs individuels. Les chercheurs affirment que cela est essentiel pour renforcer la confiance dans les marchés du carbone et soutenir l'adoption de pratiques durables.
"KGML-ag combine la compréhension la plus avancée des mécanismes agricoles avec les techniques d'IA de pointe et offre ainsi une nouvelle perspective puissante pour surveiller et gérer nos écosystèmes agricoles", a déclaré Zhenong Jin, l'auteur correspondant de cette étude. et professeur adjoint au département d'ingénierie des bioproduits et des biosystèmes de l'Université du Minnesota, qui codirige le groupe d'intérêt spécial KGML dans AI-CLIMATE.
Aujourd'hui, les chercheurs d'AI-CLIMATE étudient le potentiel du cadre KGML pour la foresterie, en tirant parti de ses capacités pour relever les défis urgents de la gestion forestière durable et de la capture et du stockage du carbone. L'équipe explore également une approche d'assimilation de données basée sur KGML pour utiliser de manière flexible les différents types de données satellite en croissance rapide.
"Le KGML est l'un des sujets de recherche clés de l'AI-CLIMATE", a déclaré Shashi Shekhar, titulaire de la chaire ADC de l'Université du Minnesota et professeur émérite de l'Université McKnight au Département d'informatique et d'ingénierie et chercheur principal de l'Institut AI-CLIMATE. .
"Ces premiers résultats démontrent l'immense potentiel de l'IA pour développer des méthodes plus précises et moins coûteuses d'estimation des émissions agricoles. Cela pourrait lubrifier les marchés du carbone et encourager l'adoption de pratiques intelligentes face au climat."
Plus d'informations : Licheng Liu et al, L'apprentissage automatique guidé par les connaissances peut améliorer la quantification du cycle du carbone dans les agroécosystèmes, Nature Communications (2024). DOI :10.1038/s41467-023-43860-5
Fourni par l'Université du Minnesota
