Nature Communications: Основанное на знаниях машинное обучение может улучшить количественную оценку углеродного цикла в агроэкосистемах
Точная и экономически эффективная количественная оценка углеродного цикла в агроэкосистемах в масштабах, соответствующих принятию решений, имеет решающее значение для смягчения последствий изменения климата и обеспечения устойчивого производства продуктов питания. Однако традиционные подходы к моделированию, основанные на процессах или данных, сами по себе имеют большую неопределённость прогноза из-за подлежащих моделированию сложных биогеохимических процессов и отсутствия наблюдений, которые могли бы ограничить многие ключевые переменные состояния и потоков. Авторы предлагают структуру машинного обучения, управляемого знаниями, решающую вышеупомянутые проблемы путём интеграции знаний, заложенных в модель на основе процессов, наблюдения дистанционного зондирования с высоким разрешением и методы машинного обучения. Используя кукурузный пояс США в качестве испытательного стенда, авторы демонстрируют, что машинное обучение, управляемое знаниями, может превзойти традиционные модели машинного обучения, основанные на процессах, и модели «чёрного ящика», в количественной оценке динамики углеродного цикла. Представленный подход с высоким разрешением количественно выявляет на 86% больше пространственных деталей изменений органического углерода в почве, чем традиционные подходы с грубым разрешением. Более того, описан протокол улучшения машинного обучения, управляемого знаниями, различными путями, который можно обобщить для разработки гибридных моделей для лучшего прогнозирования сложной динамики земной системы.