Et forskerhold har udviklet en knowledge-guided machine learning-algoritme, som ved hjælp af satellitmålinger kan give langt mere præcise vurderinger af jordfugtighed på tværs af kloden. Forskerne håber, at dataene på sigt kan omsættes til interaktive kort, som kan hjælpe landmænd med at træffe bedre beslutninger om, hvornår de skal så deres afgrøder eller vande deres marker, fortæller en af forskerne bag projektet.
Fugten i jorden er blevet en slags usynlig temperaturmåler for kloden.
Den afslører, om marker har nok vand til at understøtte afgrødernes vækst – eller om jorden bliver for tør eller for våd til sund udvikling. Bliver jorden for tør, kan afgrøder opleve vandstress længe før skaderne bliver synlige i planterne.
Samtidig bruges jordfugtighed til at forstå, hvordan klimaforandringer ændrer på vandets bevægelser i landskabet.
Problemet er, at jordfugtighed er svær at måle i stor skala – netop dér, hvor beslutningerne skal træffes. Det er her, den nye algoritme kommer ind.
“Vores mål er at hjælpe landmænd og andre beslutningstagere med at træffe bedre beslutninger på baggrund af mere præcise data. Det er en markant forbedring i forhold til de muligheder, som tidligere var tilgængelige,” fortæller en af forskerne bag projektet, lektor Sheng Wang fra Center for Landscape Research in Sustainable Agricultural Futures ved Department of Agroecology på Aarhus Universitet.
Algoritmen og forskningen bag den er publiceret i Nature Scientific Data.
Når jorden tørrer ud, rammer det hele systemet
Det er bestemt ikke nyt at interessere sig for jordens indhold af vand. Jordfugtighed er ikke kun afgørende for høstudbytte, men også for den globale vand-, kulstof- og energicyklus.
I takt med at klimaforandringer ændrer disse kredsløb på tværs af kloden, opstår nye typer problemer.
I 2018 og 2020 ramte alvorlige tørker store dele af Europa og kostede landmænd dyrt, da afgrøder visnede og høster slog fejl. Jordfugtighed hænger tæt sammen med sådanne tørkeeffekter, fordi den afspejler, hvor meget vand der er tilgængeligt for planterne.
“Traditionelt måles jordfugt lokalt med sensorer placeret i jorden – en metode, der både er dyr og kun dækker små områder,” forklarer Sheng Wang.
Både amerikanske NASA og den europæiske pendant ESA har gjort det muligt at måle jordfugtighed indirekte fra rummet.
Det sker ved hjælp af passive mikrobølgesignaler, som måler den stråling, der udsendes fra Jordens overflade. Signalerne er følsomme over for vand tæt på overfladen og kan trænge gennem skyer, hvilket gør dem velegnede til overvågning i stor skala.
Fra satellitsignaler til estimater af jordfugtighed
De signaler, som sendes tilbage fra jordoverfladen, indeholder information om, hvor meget vand jorden rummer – men de skal fortolkes gennem modeller for at blive omsat til konkrete målinger.
Metoden er dog ikke helt præcis. Vegetation, jordbundsforhold, overfladetemperatur og terræn kan forstyrre signalet og gøre det sværere at vurdere, hvor meget vand jorden indeholder – især i områder med tæt vegetation.
Det er netop den udfordring, algoritmen forsøger at løse.
Ved at kombinere kunstig intelligens med satellitdata og omkring en halv million jordbaserede målinger indsamlet over 10 år på tværs af kloden har forskerholdet udviklet en model, som kan fortolke signalerne langt mere præcist – og som er testet op mod uafhængige målinger direkte i jorden.
Den knowledge-guided machine learning-baserede algoritme kombinerer fysisk forståelse af mikrobølgers radiative transfer med jordbaserede målinger for at forbedre estimater af jordfugtighed på tværs af mange forskellige klimaer og landskaber. I tidligere studier er algoritmen også blevet brugt til at undersøge kulstofkredsløb i landbrugsjord, biomasse over jorden og kvælstofoptag.
“Vi kombinerer vores fysiske forståelse af satellitsignalerne med kunstig intelligens, så vi både kan forklare og forbedre estimaterne,” siger Sheng Wang.
Ny model forbedrer eksisterende satellitmålinger markant
Den nye algoritme klarer sig bedre end eksisterende jordfugtighedsmodeller fra ESA og NASA – også når de evalueres op mod de samme jordbaserede målinger.
Præstationen blev vurderet ved hjælp af flere mål, blandt andet korrelationskoefficienten (R), på en skala fra 0 til 1, hvor 1 betyder meget tæt overensstemmelse med målte jordfugtighedsdata.
“I evalueringen nåede den nye algoritme op omkring 0,9 og viste dermed stærkere overensstemmelse med jordbaserede målinger end flere udbredte satellitbaserede jordfugtighedsprodukter. Det er en tydelig forbedring – også i områder, hvor satellitbaserede estimater traditionelt har været forbundet med stor usikkerhed,” siger førsteforfatter på studiet, Sijia Feng, ph.d.-studerende ved Aarhus Universitet.
Feng ledte studiet sammen med Aoyang Li, bachelorstuderende ved Agroecosystem Sustainability Center og National Center for Supercomputing Applications ved University of Illinois Urbana-Champaign.
I sin nuværende form er værktøjet endnu ikke direkte tilgængeligt for landmænd, og resultaterne skal stadig omsættes til brugbare løsninger og afprøves i praksis, men det er målet.
“For at gøre dataene lettere tilgængelige har vi også udviklet højopløselige kort over jordfugtighed og en interaktiv platform. Dataene kan tilgås fra både mobiltelefon og computer. Landmænd vil kunne overvåge jordfugtigheden og tilpasse deres dyrkningspraksis derefter,” slutter han.
