Welkom bij
Moderne landbouw
!
Een standaardtechniek voor monocroptelers, vooral in de Corn Belt, is een wild overmatig gebruik van op stikstof gebaseerde meststoffen.
Dit kan allerlei negatieve milieueffecten hebben, waaronder watervervuiling en de uitstoot van broeikasgassen. Maar het is niet eenvoudig om uit te zoeken hoeveel kunstmest precies aan een veld moet worden toegevoegd en veel boeren doen er niet veel moeite voor. Geschat wordt dat we nu ongeveer 40 keer zoveel stikstof gebruiken als 75 jaar geleden, niet in verhouding staat tot de bevolkingsgroei in die periode.
Er zijn manieren om de gegevens die we hebben te gebruiken om erachter te komen hoeveel stikstofkunstmest moet worden gebruikt en wat voor soort opbrengst en milieu-effecten kunnen voortvloeien uit het veranderen van deze hoeveelheden. Maar die modellen zijn niet altijd toegankelijk. Nieuw werk van onderzoekers van de Universiteit van Minnesota biedt mogelijk een oplossing.
Dit werk omvat een zogenaamd procesgebaseerd gewasmodel:complexe combinaties van tonnen gegevens zoals weer, klimaat, bodemkwaliteit, voedingsstoffen, gewasvariëteit en inputs - gebruikt om opbrengsten te voorspellen en productiviteit te analyseren. Deze modellen winnen de laatste jaren aan populariteit, maar ze zijn ongelooflijk moeilijk te berekenen. “Hun toepassingen zijn verboden door dure reken- en gegevensopslagkosten, ' schrijven de Minnesota-onderzoekers. Dat maakt ze ontoegankelijk voor mensen buiten onderzoek of overheidstoepassingen.
Wat de onderzoekers deden, was iets creëren dat een metamodel wordt genoemd. Dit zal moeilijk te begrijpen zijn in een Aanvang soort manier, maar een metamodel is een model van een model. De onderzoekers gebruikten het originele model, genaamd ecosys , en vervolgens machine learning gebruikten om erachter te komen hoe dat model werkt, hoe het reageert op verschillende gegevens en wat voor soort resultaten het uitspuugt. Zij bouwden, in principe, een vereenvoudigd begrip van het originele model en hoe het zich gedraagt, zonder de hele, moeilijk, duur proces van het gebruik van het originele model.
Je zou verwachten dat dit metamodel veel minder nauwkeurig zou zijn dan het originele model, aangezien het een soort fotokopie van een fotokopie is, maar, in feite, bij het uitvoeren van het voor een aantal willekeurig geselecteerde boerderijen in het Midwesten, ze slaagden erin om 98 procent van alle variabelen in het oorspronkelijke model te verklaren - terwijl het seconden duurde, in plaats van dagen, rekenen.
Er zijn nog steeds nadelen; het metamodel houdt geen rekening met een heleboel variabelen die de zaken mogelijk kunnen verknoeien, zoals de effecten van cover cropping of de (lage, maar nog steeds aanwezig) mogelijkheid van irrigatie in plaats van regenval. Maar dit is nog steeds een heel interessante constructie; het maakt een snelle en uitgebreide analyse van enorme landbouwgebieden mogelijk. De onderzoekers pasten het toe op 99 provincies in de Corn Belt en bedachten een strategie om bijna $ 400 miljoen aan voordelen te creëren. Dat was te danken aan een combinatie van vermindering van vervuiling en besparingen door minder kunstmest te gebruiken, en die voordelen werden behaald ondanks een verlies aan opbrengst.
De onderzoekers zeggen wel dat dit waarschijnlijk nog niet door individuele boeren zou moeten worden gebruikt; het heeft wat meer werk nodig om meer variabelen op te nemen en het systeem te stroomlijnen voordat het klaar is. Maar het heeft wel het potentieel om een absoluut waanzinnige hoeveelheid gegevens met ongekende snelheden te interpreteren.
