Een effectiever meststofbeheer bij de teelt van rijst, tarwe en maïs zou de wereldwijde ammoniakuitstoot met ruim een derde kunnen verminderen. Nieuw onderzoek dat gebruik maakt van machine learning, een specifieke vorm van kunstmatige intelligentie, toont dat aan. Ammoniak is een belangrijke luchtvervuiler, die in verband wordt gebracht met tal van gezondheidsproblemen en negatieve effecten op dieren en ecosystemen.
Machine learning is een vorm van kunstmatige intelligentie, waarbij systemen leren van verwerkte data of die data gebruiken om beter te presteren. Met behulp van deze techniek kon een internationaal team van wetenschappers de complexe relatie tussen milieu, klimaat en landbouwpraktijken analyseren. Het resultaat is de meest gedetailleerde kaart ooit van wereldwijde ammoniakuitstoot.
Effectief meststofbeheer
In de landbouw wordt stikstof veel gebruikt om de opbrengst van gewassen te verhogen. Een deel van die stikstof gaat echter verloren en komt als ammoniak terecht in de atmosfeer. Wereldwijd zorgt de gewassenteelt voor ongeveer 50-60 procent van de door de mens veroorzaakte ammoniakemissies. De hoeveelheid ammoniak die wordt uitgestoten door akkerland is afhankelijk van twee factoren. Ten eerste de hoeveelheid gebruikte stikstof, en ten tweede welk deel van die stikstof verloren gaat als ammoniak. Dit staat bekend als de ammoniakemissiefactor. Verschillende aspecten, zoals gewastype, bodemkenmerken en lokaal klimaat, bepalen de emissiefactor.
Ammoniakvervuiling verminderen is een enorme opgave
Tot nu toe werden inspanningen om de gevolgen van ammoniakvervuiling te verminderen veelal verhinderd door een gebrek aan goede en gedetailleerde gegevens. Het bleek met name erg moeilijk om de complexe relatie tussen natuurlijke en menselijke factoren in kaart te brengen. Machine learning hielp de onderzoekers ‘de beperkingen van bestaande berekeningsmethoden te overwinnen’, aldus hoofauteur en onderzoeksleider Yi Zheng. Een enorme stap op weg naar meer inzicht in deze ingewikkelde materie.
De onderzoekers stelden de meest uitgebreide open dataset ooit samen, met gegevens over ammoniakemissies, milieukenmerken en beheerspraktijken voor landbouwvelden wereldwijd. Hiermee trainden de onderzoekers het machine learning model, met informatie over lokale klimaat, bodemkenmerken, gewastype en irrigatie, samen met land- en mestbeheerpraktijken. Het model was in staat om de ammoniakemissiefactor voor een vierkant van 10 bij 10 kilometer land te voorspellen met een nauwkeurigheid van tegen de 80 procent.
Effectief meststofbeheer en lokale omstandigheden
De onderzoekers ontdekten dat optimaal kunstmestbeheer, met medeneming van lokale omstandigheden, kan leiden tot een vermindering van de wereldwijde ammoniakuitstoot met zo’n 38 procent. Het gaat daarbij om de drie hoofdgewassen rijst, tarwe en maïs. De onderzoeksresultaten bieden bruikbare inzichten voor beleidsmakers, aldus Zheng:
“Ik geloof dat de bevindingen van het team landen over de hele wereld kunnen helpen om regiospecifiek beleid en beheersmaatregelen aan te nemen, boeren te motiveren en op te leiden om het beheer van meststoffen te optimaliseren in overeenstemming met de lokale omstandigheden. Dit kan bijdragen aan vermindering van de ammoniakvervuiling, en verbetering van de voedselzekerheid. En dat hebben we broodnodig.”
Het gebruik van stikstof op akkerland – in de vorm van mest en synthetische kunstmest – zal tot 2050 naar verwachting met 46 procent stijgen. Dat komt door de toenemende vraag naar voedsel voor de groeiende wereldbevolking. Zonder alternatieve landbouwpraktijken zal de ammoniakuitstoot op akkerland ook stijgen. De onderzoekers voorspellen dat de verwachte ammoniakemissies met een optimaal meststofbeheer volledig kan worden gecompenseerd.
Machine learning maakt complexe patronen inzichtelijk
Het onderzoek levert niet alleen waardevolle gegevens op voor landbouwonderzoekers, beleidsmakers en boeren, maar toont ook het nut aan van machine learning. Het model kan voor nieuwe inzichten zorgen in complexe interacties tussen menselijke activiteiten en het milieu. Zheng:
“Kunstmatige intelligentie kan patronen blootleggen die traditionele methoden over het hoofd zien. Dit onderzoek toont het immense potentieel aan van big data en kunstmatige intelligentie bij het ondersteunen van duurzame ontwikkelingsdoelen.”
Bron:
- Mongabay
- Lees ook op AnimalsToday.nl:
©AnimalsToday.nl Meia van der Zee
