由明尼苏达大学领导的一组研究人员显著提高了农业一氧化二氮排放的数值预测性能。这种首创的知识引导机器学习模型比现有系统快1000倍，可以显著减少农业温室气体排放。
这项研究最近发表在《地球科学模型开发》上，这是一本专注于地球数值模型的非营利性国际科学杂志。研究人员来自明尼苏达大学、伊利诺伊大学香槟分校、劳伦斯伯克利国家实验室和匹兹堡大学。
与二氧化碳和甲烷等温室气体相比，一氧化二氮并不为人所知。事实上，一氧化二氮在大气中吸收热量的能力是二氧化碳的300倍。在过去40年里，人为排放的一氧化二氮(主要来自农业合成肥料和牛粪)也增长了至少30%。
“我们迫切需要尽快关闭阀门，但你无法管理你无法测量的东西。”这项研究的主要作者、明尼苏达大学生物制品和生物系统工程系数字农业小组的研究科学家刘立成说。
估算农田中的一氧化二氮是一项极其困难的任务，因为相关的生物地球化学反应涉及与土壤、气候、作物和人类管理实践的复杂相互作用，所有这些都难以量化。尽管科学家们已经提出了不同的方法来估计农田的一氧化二氮排放量，但大多数现有的解决方案要么在使用具有物理、化学和生物规则的复杂计算模型时过于不准确，要么在田间部署复杂的仪器时过于昂贵。
在这项新研究中，研究人员为农业生态系统开发了一种史无前例的知识引导机器学习模型，称为KGML-ag。机器学习是一种人工智能，它允许软件应用程序在没有明确编程的情况下更准确地预测结果。然而，之前的机器学习模型一直被批评为“黑箱”，科学家无法解释输入和输出之间发生了什么。现在，科学家们已经开发出了新一代的方法，将科学知识整合到机器学习中，以解开“黑匣子”。
KGML-ag是通过一个特殊的程序构建的，该程序结合了从先进的农业生态系统计算模型(称为ecosys)中学到的知识，来设计和训练一个机器学习模型。在小型的、真实的观察中，KGML-ag被证明比生态系统或纯机器学习模型更准确，比以前使用的计算模型快1000倍。
“这是第一次有起有伏的旅程，因为几乎没有文献告诉我们如何开发一个知识导向的机器学习模型，可以处理土壤中的许多交互过程，我们很高兴事情解决了。”刘说
KGML-ag的一个独特之处在于，它通过显式地表示与一氧化二氮生产和排放相关的许多不太明显的变量，超越了大多数机器学习方法。它还捕获了输入、输出和其他复杂中间变量之间的复杂因果关系。
“了解这些中间变量，如土壤含水量、氧气水平和土壤硝酸盐含量，非常重要，因为它们可以告诉司机一氧化二氮的排放，并为我们提供减少一氧化二氮的可能性。”通讯作者、明尼苏达大学生物产品和生物系统工程系助理教授金振农说，他同时也是数字农业小组的负责人。
KGML-ag的开发在一定程度上受到了由明尼苏达大学计算机科学与工程系董事教授、威廉·诺里斯(William Norris)教授Vipin Kumar领导的环境系统中知识引导机器学习的开创性研究的启发。这项研究包括湖泊温度预测和河流流量预测。
“这是计算机科学家与农业和环境专家密切合作，更好地保护我们的地球的又一个成功故事。”Kumar说。“这项新的努力将进一步加强明尼苏达大学目前在全国领先的现有基于知识的机器学习活动。”
未来，该团队将扩展KGML-ag，利用包括高分辨率卫星图像在内的各种因素来预测土壤中的碳排放。
“这是一项革命性的工作，它将最好的观测数据、基于过程的模型和机器学习结合在一起，该研究的合著者、伊利诺伊大学香槟分校(University of Illinois at Urbana-Champaign)副教授关开宇说。
关也是能源部能源高级研究计划局(ARPA-E)农业资源和管理可再生运输燃料监测和分析系统(SMARTFARM)项目的首席研究员，该项目为本研究提供资金。
“我们非常高兴能继续与金振农领导的明尼苏达大学团队合作，探索和实现KGML的全部潜力。”关补充道。
需要对温室气体排放进行准确、可扩展且具有成本效益的监测和报告，以核实抵消温室气体排放的所谓“碳信用”或许可。农民可以因减少温室气体排放的做法而获得补偿。KGML-ag框架为农业一氧化二氮、二氧化碳和甲烷排放的量化提供了巨大的机会，有助于验证碳信用，优化农业管理实践和政策制定。
“人们对农业为碳减排做出贡献的潜力非常兴奋，但除非我们有准确且具有成本效益的测量工具来评估地上和地下发生的事情，否则我们将看不到我们所知道的促进向净负农业过渡所必需的市场激励措施。”美国能源部ARPA-E项目主管大卫·巴布森说。
“来自明尼苏达州、伊利诺伊州、加利福尼亚州和宾夕法尼亚州的团队都明白这一点，”巴布森补充道。“我期待着研究团队进一步扩大这项研究。”
来源:https://cse.umn.edu/