Skip to main content
Vai all'homepage della Commissione europea (si apre in una nuova finestra)
italiano it
CORDIS - Risultati della ricerca dell’UE
CORDIS

Creating water-smart landscapes

Descrizione del progetto

Spianare la strada a pratiche agricole sostenibili

Con l’aumento della popolazione mondiale si assiste a un’intensificazione delle attività agricole, che determina un aumento nell’uso di fertilizzanti e nella generazione di emissioni diffuse di nutrienti. Questa tendenza in crescita rappresenta una minaccia significativa per i corpi idrici, poiché il deflusso di sostanze nutritive dalle pratiche agricole intensive degrada la qualità dell’acqua. Gli approcci tradizionali alla gestione del territorio e delle acque spesso non dispongono della precisione necessaria per identificare le aree ad alta priorità o per offrire soluzioni esplicite a livello spaziale. In questo contesto, il progetto WaterSmartLand, finanziato dal CER, individuerà le zone ad alto rischio e proporrà soluzioni mirate. Utilizzando analisi avanzate, modellizzazione e apprendimento automatico, il progetto identifica le strategie ottimali di gestione del territorio, come l’utilizzo di zone umide e fasce tampone ripariali, al fine di mitigare il deflusso dei nutrienti. Grazie allo sfruttamento di un cubo di dati discreto del sistema a griglia globale e di tecniche di apprendimento automatico all’avanguardia, WaterSmartLand offre soluzioni esplicite in termini spaziali.

Obiettivo

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.

Campo scientifico (EuroSciVoc)

Parole chiave

Programma(i)

Argomento(i)

Meccanismo di finanziamento

HORIZON-ERC - HORIZON ERC Grants

Vedi tutti i progetti finanziati nell’ambito di questo schema di finanziamento

Invito a presentare proposte

(si apre in una nuova finestra) ERC-2023-COG

Vedi tutti i progetti finanziati nell’ambito del bando

Istituzione ospitante

TARTU ULIKOOL
Contributo netto dell'UE
€ 1 909 500,00
Indirizzo
ULIKOOLI 18
51005 Tartu
Estonia
Regione
Eesti Eesti Lõuna-Eesti
Tipo di attività
Higher or Secondary Education Establishments
Collegamenti
Costo totale
€ 1 909 500,00

Beneficiari (1)