Skip to main content
Aller à la page d’accueil de la Commission européenne (s’ouvre dans une nouvelle fenêtre)
français fr
CORDIS - Résultats de la recherche de l’UE
CORDIS

Creating water-smart landscapes

Description du projet

Ouvrir la voie à des pratiques agricoles durables

Avec l’augmentation de la population mondiale, les activités agricoles s’intensifient, entraînant une augmentation de l’utilisation d’engrais et des émissions diffuses d’éléments nutritifs. Cette tendance croissante constitue une menace importante pour les masses d’eau, car le ruissellement des nutriments provenant des pratiques agricoles intensives dégrade la qualité de l’eau. Les méthodes traditionnelles de gestion des terres et des eaux manquent souvent de la précision nécessaire pour identifier les zones prioritaires ou proposer des solutions spatialement explicites. Dans ce contexte, le projet WaterSmartLand, financé par le CER, mettra en évidence les zones à haut risque et proposera des solutions ciblées. Grâce à des analyses avancées, à la modélisation et à l’apprentissage automatique, le projet identifie des stratégies optimales de gestion des terres, telles que l’utilisation de zones humides et de bandes tampons riveraines, afin d’atténuer le ruissellement des nutriments. En exploitant un cube de données discret du réseau mondial et des techniques d’apprentissage automatique de pointe, le projet propose des solutions spatialement explicites.

Objectif

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.

Champ scientifique (EuroSciVoc)

Mots‑clés

Programme(s)

Thème(s)

Régime de financement

HORIZON-ERC - HORIZON ERC Grants

Voir tous les projets financés dans le cadre de ce programme de financement

Appel à propositions

(s’ouvre dans une nouvelle fenêtre) ERC-2023-COG

Voir tous les projets financés au titre de cet appel

Institution d’accueil

TARTU ULIKOOL
Contribution nette de l'UE
€ 1 909 500,00
Coût total
€ 1 909 500,00

Bénéficiaires (1)