Neues ML-Modell verbessert lokale Kohlenstoffbilanz in Landwirtschaft

Eine aktuelle Veröffentlichung auf arXiv präsentiert ein innovatives Machine‑Learning‑Framework, das die Quantifizierung des Kohlenstoffkreislaufs in Agroökosystemen präziser und kosteneffizienter macht. Durch die Kombination von Transfer‑Learning und der Berücksichtigung räumlicher Heterogenität liefert das Modell wichtige Erkenntnisse für Klimaschutz und nachhaltige Landwirtschaft.

Das System, genannt FTBSC‑KGML (Fine‑Tuning‑Based Site Calibration – Knowledge‑Guided Machine Learning), nutzt einen Pre‑Training‑ und Fine‑Tuning‑Prozess, bei dem Remote‑Sensing‑Daten zu GPP, Klima und Boden über mehrere Midwestern‑Standorte hinweg einbezogen werden. Anschließend wird das global vortrainierte Modell an jedem einzelnen Standort angepasst, um standortspezifische Merkmale zu erlernen und die lokale Genauigkeit zu erhöhen – selbst bei begrenzten Datenmengen.

Ergebnisse zeigen, dass FTBSC‑KGML die Validierungsfehler senkt und die Erklärungsfähigkeit im Vergleich zu rein globalen Modellen deutlich verbessert. Durch die Integration von räumlicher Heterogenität bleibt das Modell gleichzeitig interpretierbar, was es zu einem vielversprechenden Werkzeug für Entscheidungsträger in der Agrarwirtschaft macht.