Creating water-smart landscapes

Opis projektu

Przecieranie szlaku dla zrównoważonych praktyk rolniczych

Wraz ze wzrostem liczby ludności na świecie intensyfikuje się działalność rolnicza, co prowadzi do większego zużycia nawozów i rozproszonych emisji składników odżywczych. Ten nasilający się trend stanowi poważne zagrożenie dla zbiorników wodnych, ponieważ spływ substancji odżywczych z pól uprawnych pogarsza jakość wody. Tradycyjnym metodom gospodarowania gruntami i zasobami wodnymi często brakuje precyzji niezbędnej do zidentyfikowania obszarów o wysokim priorytecie lub zaoferowania rozwiązań przestrzennych. W tym kontekście zespół finansowanego przez Europejską Radę ds. Badań Naukowych projektu WaterSmartLand wskaże obszary wysokiego ryzyka i zaproponuje ukierunkowane rozwiązania. Korzystając z zaawansowanej analizy, modelowania i uczenia maszynowego, uczeni pracują nad określeniem optymalnych strategii gospodarowania gruntami, takich jak wykorzystanie terenów podmokłych i pasów buforowych w strefach przybrzeżnych, w celu ograniczenia procesu wypłukiwania składników odżywczych. Dzięki wykorzystaniu kostki danych dotyczących złożonego systemu ziemskiego i najnowocześniejszych technik uczenia maszynowego projekt oferuje oczekiwane rozwiązania przestrzenne.

Cel

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.