AI helpt in kaart brengen hoe ecosystemen in heel Europa CO₂ opnemen
Nieuw onderzoek door Deltares en de universiteiten van Delft, Twente, Leipzig en Wenen laat zien hoe kunstmatige intelligentie kan helpen bij het monitoren van de gezondheid van ecosystemen en hun rol in de koolstofcyclus in verschillende landschappen – zonder dat er een locatie specifieke kalibratie nodig is.
Inzicht in de hoeveelheid koolstof die ecosystemen opnemen, is belangrijk om klimaatverandering tegen te gaan. Bossen, graslanden en landbouwsystemen spelen een belangrijke rol bij het vastleggen van CO₂, maar het blijft moeilijk om deze opname consistent en op grote schaal te meten. De studie onderzoekt hoe data gestuurde modellen hierbij kunnen helpen. Door veldmetingen te combineren met satellietgegevens, laten onderzoekers zien hoe kunstmatige intelligentie (AI) kan worden gebruikt om de productiviteit van ecosystemen op verschillende locaties in Europa te schatten.
Dit artikel is gepubliceerd in Elsevier Ecological Informatics
Van lokale metingen naar grootschalige inzichten
De productiviteit van ecosystemen wordt traditioneel gemeten met behulp van gespecialiseerde flux-torens. Hoewel deze zeer nauwkeurige gegevens opleveren, zijn ze beperkt in aantal en staan ze op specifieke locaties.
Om die beperking te ondervangen, combineerden de onderzoekers metingen van flux-torens met satellietwaarnemingen van de Europese Sentinel-2-missie. Vervolgens pasten ze drie modelleringsbenaderingen toe – statistische modellen, machine learning en deep learning – om te schatten hoeveel koolstof ecosystemen in de loop van de tijd opnemen.
De resultaten tonen aan dat moderne machine learning-methoden lokale metingen met succes kunnen opschalen naar regionaal niveau, wat nieuwe mogelijkheden biedt voor grootschalige milieumonitoring.
Eén model, meerdere ecosystemen
Een belangrijke innovatie die het onderzoek oplevert, is de ontwikkeling van een modelbenadering die meerdere locaties omvat. In plaats van voor elke locatie een apart model te bouwen, onderzochten de onderzoekers of één enkel model kan worden toegepast op verschillende ecosystemen – van bossen tot graslanden en akkerland.
Het onderzoek laat zien dat dit haalbaar is. Het best presterende model leverde een goede nauwkeurigheid, ook op de onbekende locaties.
“Dit is een belangrijke stap in de richting van het monitoren van de productiviteit van ecosystemen op grotere schaal, zonder dat er gedetailleerde lokale kalibratie nodig is”, zegt Anna Spinosa, datawetenschapper op het gebied van monitoring van de gezondheid van ecosystemen bij Deltares en eerste auteur van het artikel.
Verschillende sterke punten voor verschillende modellen
In het onderzoek werden ook verschillende modelleringstechnieken vergeleken:
- Machine learning (XGBoost) leverde de meest consistente prestaties op alle locaties
- Deep learning (LSTM) was beter in het vastleggen van extreme gebeurtenissen, zoals piekproductiviteit
- Statistische modellen bleven nuttig als uitgangspunt, maar hadden moeite met complexe patronen
Dit onderstreept dat geen enkele methode alle aspecten van het gedrag van ecosystemen kan vatten. Het combineren van benaderingen kan in toekomstige toepassingen de beste resultaten opleveren.
Implicaties voor klimaat- en ecosysteembeheer
Door schaalbare monitoring mogelijk te maken, kunnen deze methoden de besluitvorming op nationaal en Europees niveau ondersteunen.
De bevindingen zijn relevant voor een breed scala aan toepassingen:
- Klimaatbeleid: betere schattingen van de koolstofopname ondersteunen een betrouwbaardere koolstofboekhouding
- Nature-based Solutions: verbeterde monitoring van bossen en wetlands helpt bij het beoordelen van hun impact
- Water- en landbeheer: inzichten in de productiviteit van ecosystemen ondersteunen de aanpassing aan droogte en klimaatverandering
Uitdagingen en volgende stappen
Hoewel de resultaten veelbelovend zijn, wijst de studie ook op belangrijke beperkingen. De prestaties van modellen variëren per ecosysteem, en modellen kunnen nog steeds moeite hebben met zeer dynamische omgevingen, zoals landbouwsystemen.
Toekomstig onderzoek zal zich richten op het verbeteren van de robuustheid van modellen door aanvullende gegevens, zoals bodemeigenschappen en nieuwe satellietproducten, te integreren en door de aanpak uit te breiden naar meer regio’s.
Op weg naar operationele ecosysteemmonitoring
Over het geheel genomen toont het onderzoek het potentieel aan van het combineren van satellietgegevens en AI voor het op grote schaal monitoren van ecosysteemfuncties.
Naarmate datasets voor aardobservatie groeien en AI-methoden verbeteren, zou deze aanpak de basis kunnen vormen voor operationele systemen die de gezondheid van ecosystemen en de koolstofopname vrijwel in realtime volgen.
