Jadwal Sholat

Memuat jadwal sholatโ€ฆ

Editorial Ilmu Komputer & AI

Open AccessOA2024

Machine learning berbasis pengetahuan dapat meningkatkan kuantifikasi siklus karbon di agroekosistem

Kerangka Knowledge-Guided Machine Learning (KGML) mengintegrasikan model berbasis proses, penginderaan jauh resolusi tinggi, dan machine learning untuk meningkatkan kuantifikasi siklus karbon di agroekosistem. Diuji di U.S. Corn Belt, KGML mengungguli model berbasis proses konvensional dan model ML kotak hitam, dengan mengungkap 86% lebih banyak detail spasial pada perubahan karbon organik tanah.
Licheng Liu; Wang Zhou; Kaiyu Guan; Bin Peng; Shaoming Xu; Jin-Yun Tang; Qing Zhu; Jessica Till; Xiaowei Jia; Chongya Jiang; Sheng Wang; Zi-Qi Qin; Hui Kong; R. Grant; S. Mezbahuddin; Vipin Kumar; Zhe-Nong Jinยท Nature Communicationsยท 2024ยท DOI 10.1038/s41467-023-43860-5

Masalah inti

Kuantifikasi siklus karbon di agroekosistem yang akurat dan hemat biaya pada skala yang relevan untuk pengambilan keputusan sangat penting untuk mitigasi perubahan iklim dan memastikan produksi pangan yang berkelanjutan. Namun, pendekatan pemodelan berbasis proses atau berbasis data konvensional saja memiliki ketidakpastian prediksi yang besar akibat proses biogeokimia yang kompleks dan kurangnya observasi untuk membatasi variabel keadaan dan fluks kunci. Penelitian ini menjawab tantangan tersebut dengan mengusulkan kerangka Knowledge-Guided Machine Learning (KGML) yang mengintegrasikan pengetahuan yang tertanam dalam model berbasis proses, observasi penginderaan jauh resolusi tinggi, dan teknik machine learning. U.S. Corn Belt menjadi lokasi uji untuk menunjukkan efektivitas KGML dalam mengkuantifikasi dinamika siklus karbon.

Inovasi

Kerangka KGML menggabungkan tiga komponen utama: (1) model berbasis proses yang mengodekan pengetahuan domain tentang proses biogeokimia, (2) observasi penginderaan jauh resolusi tinggi yang memberikan batasan spasial, dan (3) algoritma machine learning yang belajar dari data dan keluaran model. Integrasi dilakukan dengan menanamkan keluaran model berbasis proses sebagai fitur atau batasan dalam arsitektur ML, sehingga model dapat memanfaatkan pemahaman mekanistik sekaligus pola berbasis data. Para penulis menguraikan protokol untuk meningkatkan KGML melalui berbagai jalur, yang dapat digeneralisasi untuk mengembangkan model hibrida guna memprediksi dinamika sistem bumi yang kompleks dengan lebih baik. Kerangka ini dirancang agar fleksibel dan dapat diperluas, sehingga dapat mengakomodasi berbagai model proses dan sumber data.
Pendahuluan
Kuantifikasi siklus karbon di agroekosistem yang akurat dan hemat biaya pada skala yang relevan untuk pengambilan keputusan sangat penting untuk mitigasi perubahan iklim dan memastikan produksi pangan yang berkelanjutan. Namun, pendekatan pemodelan berbasis proses atau berbasis data konvensional saja memiliki ketidakpastian prediksi yang besar akibat proses biogeokimia yang kompleks dan kurangnya observasi untuk membatasi variabel keadaan dan fluks kunci. Penelitian ini menjawab tantangan tersebut dengan mengusulkan kerangka Knowledge-Guided Machine Learning (KGML) yang mengintegrasikan pengetahuan yang tertanam dalam model berbasis proses, observasi penginderaan jauh resolusi tinggi, dan teknik machine learning. U.S. Corn Belt menjadi lokasi uji untuk menunjukkan efektivitas KGML dalam mengkuantifikasi dinamika siklus karbon.

Mengapa penting

Penelitian ini menyoroti keunggulan pendekatan pemodelan hibrida yang menggabungkan pengetahuan mekanistik dengan pembelajaran berbasis data. Dengan mengintegrasikan model berbasis proses, penginderaan jauh, dan ML, KGML mengatasi keterbatasan masing-masing pendekatan: model berbasis proses saja kurang memiliki batasan observasi, sedangkan model ML murni dapat mengabaikan hukum fisika dan menghasilkan prediksi yang tidak realistis. Para penulis membahas potensi generalisasi KGML ke ekosistem lain dan komponen sistem bumi lainnya, serta memberikan peta jalan untuk perbaikan lebih lanjut. Kemampuan kerangka ini mengungkap detail spasial perubahan karbon organik tanah berimplikasi bagi akuntansi karbon, strategi mitigasi iklim, dan pengelolaan pertanian berkelanjutan. Penelitian ini menyimpulkan bahwa machine learning berbasis pengetahuan merupakan arah yang menjanjikan untuk memajukan pemodelan sistem bumi.

Siapa yang sebaiknya membaca

Pembaca Research Digest dan praktisi rumpun ini.

Membuka konten memberโ€ฆ