Skip to main content
Weiter zur Homepage der Europäischen Kommission (öffnet in neuem Fenster)
Deutsch de
CORDIS - Forschungsergebnisse der EU
CORDIS

Creating water-smart landscapes

Projektbeschreibung

Wegbereitung für nachhaltige landwirtschaftliche Verfahren

Da die Weltbevölkerung wächst, intensivieren sich die landwirtschaftlichen Aktivitäten, was zu einem erhöhten Düngemitteleinsatz und diffusen Nährstoffemissionen führt. Diese ausufernde Tendenz stellt eine erhebliche Bedrohung für die Gewässer dar, da der Nährstoffabfluss durch Intensivlandwirtschaft die Wasserqualität verschlechtert. Herkömmlichen Ansätzen der Land- und Wasserbewirtschaftung mangelt es oft an der nötigen Präzision, um Gebiete mit hoher Priorität zu ermitteln oder räumlich explizite Lösungen anzubieten. In diesem Zusammenhang sollen im vom Europäischen Forschungsrat finanzierten Projekt WaterSmartLand Hochrisikogebiete ermittelt und gezielte Lösungen vorgeschlagen werden. Im Rahmen des Projekts werden mithilfe von fortschrittlichen Analysen, Modellierung und maschinellem Lernen optimale Landbewirtschaftungsstrategien ermittelt, z. B. die Nutzung von Feuchtgebieten und Gewässerrandstreifen, um den Nährstoffabfluss zu verringern. Das Projekt bietet durch die Nutzung eines diskreten globalen Gittersystem-Datenwürfels und modernster Techniken maschinellen Lernens räumlich explizite Lösungen.

Ziel

With the growing human population, the diffuse nutrient emissions from agriculture are expected to increase with the rise of fertilizer use. This situation has created a need for sustainable intensification by increasing yields while simultaneously decreasing the environmental impacts. Nature-based solutions (NbS) such as wetlands and riparian buffer strips can efficiently reduce the nutrient runoff from agricultural catchments. However, most land and water management studies mostly do not identify specific priority areas where the nutrient runoff to the water bodies is the highest (hotspots) nor do they provide spatially explicit solutions to improve the environmental conditions. Identification of priority areas will be important for ensuring cost-effective interventions to reduce the impact of intensive agriculture.
The aim of the proposed project is to develop an analysis, modelling, and machine learning (ML) framework for finding spatially optimal land management scenarios for implementing NbS such as wetlands and riparian buffer strips to reduce agricultural nutrient runoff from catchments at different scales. Moreover, the project will identify the landscape predictor variables at different spatial scales for nutrient concentrations and their cross-scale interactions using ML.
We will implement a novel Discrete Global Grid System data cube to manage all environmental data needed for modelling. We will take advantage of the strength and flexibility of existing ML methods to deal with complex ecosystem responses, and to reveal new interactions among water quality predictor variables. ML together with geospatial analysis will help us to develop different spatially explicit NbS allocation scenarios which we will evaluate with process-based hydrological modelling. In addition, we will address the challenges of processing large datasets by using proven parallelisation and distributed computing toolkits.

Wissenschaftliches Gebiet (EuroSciVoc)

Schlüsselbegriffe

Programm/Programme

Thema/Themen

Finanzierungsplan

HORIZON-ERC - HORIZON ERC Grants

Alle im Rahmen dieses Finanzierungsinstruments finanzierten Projekte anzeigen

Aufforderung zur Vorschlagseinreichung

(öffnet in neuem Fenster) ERC-2023-COG

Alle im Rahmen dieser Aufforderung zur Einreichung von Vorschlägen finanzierten Projekte anzeigen

Gastgebende Einrichtung

TARTU ULIKOOL
Netto-EU-Beitrag
€ 1 909 500,00
Adresse
ULIKOOLI 18
51005 Tartu
Estland
Region
Eesti Eesti Lõuna-Eesti
Aktivitätstyp
Higher or Secondary Education Establishments
Links
Gesamtkosten
€ 1 909 500,00

Begünstigte (1)