【減量】新型的機器學習模型有助於減少農業溫室氣體排放

       由明尼蘇達大學(University of Minnesota)領導的一組研究人員顯著提高農業一氧化二氮排放的數值預測性能。首創的知識引導機器學習模型比當前系統快 1000倍，且可以顯著減少農業溫室氣體排放。
       一氧化二氮比起二氧化碳或甲烷等溫室氣體相比較不為人所知。實際上，一氧化二氮在大氣中吸收熱量的能力大約是二氧化碳的300倍。在過去40年裡，人為引起的一氧化二氮排放（主要來自農業合成肥料和牛糞）增長至少30%。估算農田中的一氧化二氮是一項極其困難的任務，因為相關的生物、地球化學反應會涉及與土壤、氣候、作物和人類管理實踐等彼此之間複雜的相互作用，而這些過程皆難以被量化。因此，儘管科學家們提出了不同的方法來估計農田的一氧化二氮排放，但大多數現有的解決方案在使用具有物理、化學和生物規則的複雜計算模型時較不準確，又或者在農田現場裝設儀器較昂貴。
       在這項新研究中，研究人員為農業生態系統開發一種首創的知識引導機器學習模型，稱為KGML-ag。機器學習是一種人工智能，它使軟體應用程序在預測結果方面變得更加準確，而無需明確的程式。然而，以前的機器學習模型因科學家無法解釋輸入和輸出之間發生的情況，因此被批評為「黑盒子。」而現在，科學家們開發新一代的方法，將科學知識融入機器學習以解開「黑匣子。」
       KGML-ag是透過一個特殊電腦程序所建構，該程序與稱為ecosys的高級農業生態系統計算模型中學到的知識結合，以設計和訓練機器學習模型。在實際小型觀察中，發現KGML-ag比ecosys或純機器學習模型更加精準，並且比以前使用的計算模型快1000倍。KGML-ag的一項獨特功能是它超越大多數機器學習方法，明確表示許多與一氧化二氮產生和排放相關的變數，並且捕獲輸入、輸出和其他的中間變數之間複雜的因果關係。透過了解這些中間變數是非常重要，例如：土壤含水量、氧氣水平和土壤硝酸鹽含量等，因為這些數據可以告知一氧化二氮排放的驅動因素，並為我們提供減少一氧化二氮的可能性。
       未來，該團隊將擴展 KGML-ag，使用多種因素（包含高分辨率衛星圖像）來預測土壤的碳排放量。需要對溫室氣體排放進行準確、可擴展且具有成本效益的監測和報告，以驗證所謂的「碳信用」或抵消溫室氣體排放的許可證。農民可以因減少溫室氣體排放的做法而獲得補助。KGML-ag為量化農業氧化二氮、二氧化碳和甲烷排放量提供巨大的機會，有助於驗證碳信用並優化農業管理實踐和政策制定。【延伸閱讀】- 從養蜂場到海洋測繪圖，任何人都可以使用Lobe輕鬆訓練機器學習模型

資料來源

• EurekAlert

文章摘譯

• 農業科技決策資訊平台管理團隊