En standardteknik för odlare av monogrödor, speciellt i majsbältet, är att vilt överanvända kvävebaserade gödselmedel.
Detta kan ha alla möjliga negativa miljöeffekter, inklusive vattenföroreningar och utsläpp av växthusgaser. Men att ta reda på exakt hur mycket gödningsmedel som ska tillsättas på en åker är inte lätt och många bönder bryr sig inte så mycket. Det uppskattas att vi nu använder cirka 40 gånger så mycket kväve än för 75 år sedan, långt ur proportion till befolkningstillväxten under den tidsperioden.
Det finns sätt att använda den data vi har för att ta reda på hur mycket kvävegödsel som ska användas och vilken typ av skörd och miljöeffekter som kan komma av att ändra dessa mängder. Men dessa modeller är inte alltid tillgängliga. Nytt arbete från forskare vid University of Minnesota kan ha en lösning.
Detta arbete involverar vad som kallas en processbaserad grödemodell – komplexa kombinationer av massor av data som väder, klimat, jordkvalitet, näringsämnen, grödor och insatsvaror – används för att förutsäga avkastning och analysera produktivitet. Dessa modeller har blivit populära de senaste åren, men de är otroligt svåra att beräkna. "Deras applikationer är förbjudna på grund av dyra beräknings- och datalagringskostnader, ” skriver Minnesotaforskarna. Det gör dem otillgängliga för personer utanför forskning eller statliga tillämpningar.
Det forskarna gjorde var att skapa något som kallas en metamodell. Detta kommer att bli svårt att förstå i en Början på ett sätt, men en metamodell är en modell av en modell. Forskarna använde den ursprungliga modellen, kallad ecosys , och använde sedan maskininlärning för att ta reda på hur modellen fungerar, hur den reagerar på olika data och vilken typ av resultat den spottar ut. De byggde, i grund och botten, en förenklad förståelse av den ursprungliga modellen och hur den beter sig, utan att behöva gå igenom hela, svår, dyr process att använda originalmodellen.
Du kanske förväntar dig att denna metamodell skulle vara mycket mindre exakt än den ursprungliga modellen, med tanke på att det är en slags fotokopia av en fotokopia, men, faktiskt, när du kör det för några slumpmässigt utvalda gårdar i Mellanvästern, de lyckades stå för 98 procent av alla variabler i den ursprungliga modellen – samtidigt som de tog sekunder, istället för dagar, att beräkna.
Det finns fortfarande nackdelar; metamodellen tar inte hänsyn till en massa variabler som potentiellt skulle kunna förstöra saker, såsom effekterna av täckbeskärning eller (låg, men fortfarande där) möjlighet till bevattning snarare än nederbörd. Men det här är ändå en riktigt intressant konstruktion; det möjliggör snabb och omfattande analys av enorma områden med jordbruksmark. Forskarna tillämpade det faktiskt på 99 län över Corn Belt och kom på en strategi för att skapa nästan 400 miljoner dollar i förmåner. Det berodde på en kombination av minskning av föroreningar och besparingar genom att använda mindre gödningsmedel och uppnådde dessa fördelar trots en förlust i avkastning.
Forskarna säger att detta förmodligen inte borde användas av enskilda bönder ännu; det krävs lite mer arbete med att införliva fler variabler och effektivisera systemet innan det är klart. Men det har potentialen att tillåta en helt galen mängd data att tolkas i oöverträffade hastigheter.
