Une technique standard pour les monocultures, surtout dans la Corn Belt, est d'abuser des engrais à base d'azote.
Cela peut avoir toutes sortes d'effets négatifs sur l'environnement, y compris la pollution de l'eau et les émissions de gaz à effet de serre. Mais déterminer exactement la quantité d'engrais à ajouter à un champ n'est pas facile et de nombreux agriculteurs ne s'en soucient pas beaucoup. On estime que nous utilisons maintenant environ 40 fois plus d'azote qu'il y a 75 ans, hors de proportion avec la croissance de la population au cours de cette période.
Il existe des façons d'utiliser les données dont nous disposons pour déterminer la quantité d'engrais azoté qui doit être utilisée et quel type de rendement et d'effets environnementaux peuvent découler de la modification de ces quantités. Mais ces modèles ne sont pas toujours accessibles. De nouveaux travaux de chercheurs de l'Université du Minnesota pourraient avoir une solution.
Ce travail implique ce qu'on appelle un modèle de culture basé sur les processus - des combinaisons complexes de tonnes de données telles que la météo, climat, qualité du sol, nutriments, variété de culture et intrants—utilisés pour prédire les rendements et analyser la productivité. Ces modèles ont gagné en popularité ces dernières années, mais ils sont incroyablement difficiles à calculer. « Leurs applications sont interdites par des coûts de calcul et de stockage de données coûteux, ” écrivent les chercheurs du Minnesota. Cela les rend inaccessibles à ceux qui ne font pas partie de la recherche ou des applications gouvernementales.
Les chercheurs ont créé ce qu'on appelle un métamodèle. Cela va être difficile à comprendre dans un Création en quelque sorte, mais un métamodèle est un modèle d'un modèle. Les chercheurs ont utilisé le modèle original, appelé ecosys , puis utilisé l'apprentissage automatique pour comprendre le fonctionnement de ce modèle, comment il réagit à diverses données et quels types de résultats il crache. Ils ont construit, essentiellement, une compréhension simplifiée du modèle d'origine et de son comportement, sans avoir besoin de parcourir l'intégralité, difficile, processus coûteux d'utilisation du modèle d'origine.
Vous pourriez vous attendre à ce que ce métamodèle soit beaucoup moins précis que le modèle d'origine, étant donné que c'est une sorte de photocopie d'une photocopie, mais, En réalité, lors de son exécution pour certaines fermes sélectionnées au hasard dans le Midwest, ils ont réussi à représenter 98 % de toutes les variables dans le modèle d'origine, tout en prenant quelques secondes, au lieu de jours, calculer.
Il y a encore des inconvénients; le métamodèle ne tient pas compte d'un tas de variables qui pourraient potentiellement tout gâcher, tels que les effets des cultures de couverture ou la (faible, mais toujours là) possibilité d'irrigation plutôt que de pluie. Mais cela reste une construction vraiment intéressante; il permet une analyse rapide et étendue de vastes étendues de terres agricoles. Les chercheurs l'ont en fait appliqué à 99 comtés de la Corn Belt et ont élaboré une stratégie pour créer près de 400 millions de dollars de bénéfices. Cela était dû à une combinaison de réduction de la pollution et d'économies grâce à l'utilisation de moins d'engrais et a obtenu ces avantages malgré une perte de rendement.
Les chercheurs disent que cela ne devrait probablement pas encore être utilisé par les agriculteurs individuels ; il a besoin de plus de travail pour incorporer plus de variables et rationaliser le système avant qu'il ne soit prêt. Mais il a le potentiel de permettre à une quantité absolument insensée de données d'être interprétées à des vitesses sans précédent.
