Využitie pôdy – či už ide o lesy, poľnohospodársku pôdu alebo mestské oblasti – má zásadný vplyv na pozemskú uhlíkovú bilanciu a tým aj na klimatické zmeny. Emisie CO2 zo zmeny využitia pôdy (ELUC) sú jedným z hlavných faktorov prispievajúcich ku klimatickým zmenám. Hoci samotné plánovanie využitia pôdy nestačí na dosiahnutie nulových čistých emisií, môže pomôcť kompenzovať emisie z odvetví, ktoré sa ťažšie dekarbonizujú. Správne rozhodnutia o tom, ako sa pôda využíva, môžu zmierniť emisie uhlíka z jej zmeny.

Plánovanie využitia pôdy si vyžaduje rozhodovanie, ktoré minimalizuje emisie uhlíka a zároveň zachováva uspokojivú úroveň prínosov zo strany pôdy, známych aj ako ekosystémové služby, ako napríklad zásobovanie potravinami. Optimalizácia tohto procesu je zložitá, pričom predchádzajúce metódy mali svoje obmedzenia.

Nový prístup s využitím neuroevolúcie

Cieľom nedávneho výskumu, vykonaného v rámci projektu Resilience, neziskového projektu ITU, je poskytnúť rozhodovacím činiteľom nástroj, ktorý im pomôže pochopiť dlhodobý vplyv ich rozhodnutí o využití pôdy na toky CO2 a navrhnúť, ako tieto rozhodnutia optimalizovať. Tento nástroj je založený na metóde nazývanej Evolutionary Surrogate-assisted Prescription (ESP).

Základná myšlienka ESP spočíva v tom, že sa najprv využíva historické údaje na naučenie substitučného modelu (predictor), ktorý predpovedá, ako rozhodnutia o využití pôdy v rôznych kontextoch ovplyvňujú emisie uhlíka. Substitučný model sa naučí z historických dát o zmenách využitia pôdy a simulácií súvisiacich emisií a odstraňovania uhlíka (konkrétne z dát LUH2 a modelu BLUE). Tento model dokáže efektívne vyhodnotiť rôzne možnosti dostupné pre rozhodovacích činiteľov.

Kontext pre rozhodovanie zahŕňa geografickú mriežkovú bunku (zemepisná šírka, dĺžka, plocha), časový bod (rok) a súčasné využitie pôdy (percento plochy pre každý typ využitia). Akcie predstavujú rozhodnutia, ako zmeniť využitie pôdy, s obmedzeniami – primárna pôda a mestské oblasti sa meniť nemôžu. Výsledky zahŕňajú ELUC (emisie zmeny využitia pôdy v tC/ha) a náklady na zmenu pôdy (percento zmenenej plochy).

Model BLUE poskytuje odhady ELUC na základe zmien využitia pôdy z LUH2. Hoci je BLUE presný, je výpočtovo náročný, a preto sa pre tréning efektívneho substitučného modelu použili jeho simulácie. LUH2 poskytuje údaje o využití pôdy pre rôzne typy, ako sú primárne a sekundárne lesy, nelesná vegetácia, mestské oblasti, plodiny a pastviny. Existujú však obmedzenia v dátach, ako je hrubé rozlíšenie a zoskupenie všetkých druhov plodín do jednej kategórie.

Predpisovanie politík pomocou evolučného hľadania

Následne sa pomocou evolučného hľadania objavujú účinné politiky využitia pôdy – predpisovacie modely (prescriptors). Tieto modely navrhujú akcie (zmeny využitia pôdy) pre daný kontext s cieľom optimalizovať výsledky. Pretože optimálne akcie nie sú vopred známe, výkonnosť každého kandidáta sa meria pomocou substitučného modelu.

Výsledkom tohto procesu je Pareto front riešení, ktoré predstavujú kompromis medzi znížením emisií uhlíka (ELUC) a rozsahom zmeny využitia pôdy. Každý bod na Pareto fronte je optimálnou politikou pre daný kompromis. Pre presnejšie predpovede bol ako substitučný model vybraný globálny neurónová sieť (NeuralNet), ktorá preukázala lepšiu schopnosť extrapolovať na veľké zmeny a zachytávať nelinearity v dátach v porovnaní s lineárnou regresiou (LinReg) a náhodným lesom (RF).

Kľúčové zistenia a praktické aplikácie

Evolúciou objavené predpisovacie modely (Evolved Prescriptors) dosiahli lepšie riešenia ako heuristické metódy, najmä v oblasti stredných zmien. Zistilo sa, že evolúcia objavila stratégiu, ktorá spočíva vo vykonávaní len niekoľkých veľkých zmien, a to v bunkách, kde majú najväčší vplyv na emisie. Aj keď evolučný predpisovací model takmer nikdy neprekoná heuristiku v žiadnej individuálnej bunke, priemerovaním výsledkov naprieč všetkými bunkami dominuje heuristike celkovo. Tieto modely odporúčajú najmä premenu ornej pôdy na sekundárny les. Tiež sa naučili zamerať väčšie zmeny v tropických, miernych a kontinentálnych regiónoch, zatiaľ čo suché oblasti menili menej.

Projekt Resilience ukázal, že je možné zahrnúť aj ďalšie obmedzenia, ako napríklad minimalizáciu straty ornej pôdy. Evolúcia dokázala nájsť riešenia, ktoré efektívne obchodujú medzi všetkými tromi cieľmi (ELUC, zmena pôdy, zmena ornej pôdy), čím sa stáva nástroj praktickejším. Zaujímavým zistením bolo, že evolučný predpisovací model prekonal heuristiku vo všetkých troch cieľoch zmenou menej ornej pôdy, ale kompenzovaním to znížením pastvín.

Význam ľudskej expertízy

Ukázalo sa, že začlenenie ľudskej expertízy je veľmi užitočné. Vstreknutie dvoch „zasiatych“ modelov do počiatočnej populácie (jeden pre žiadnu zmenu, druhý pre maximálnu zmenu na sekundárny les) významne zlepšilo výkonnosť a umožnilo evolúcii nájsť lepšie riešenia, najmä pre scenáre s malými zmenami. Tieto začiatočné modely prispeli k predkom takmer každého predpisovacieho modelu na konečnom Pareto fronte.

Nástroj pre rozhodovacích činiteľov

Tento projekt poskytuje dôkaz koncepcie nástroja pre rozhodovacích činiteľov, ktorý im môže pomôcť pri optimalizácii rozhodnutí o využití pôdy. Interaktívne demo je dostupné online, kde si používatelia môžu prezerať navrhované zmeny využitia pôdy pre konkrétne lokality, vidieť predpokladané výsledky (zníženie emisií, zmena plochy) a experimentovať s alternatívnymi kompromismi a úpravami.

Budúca práca zahŕňa použitie podrobnejších dát, zlepšenie presnosti predikčného modelu pomocou ensemblingu, odhad neistoty predpovedí, vývoj transparentných pravidiel namiesto neurónových sietí, pridanie ďalších cieľov (napr. kvalita vody, produkcia potravín) a plánovanie na dlhšie obdobia.

V konečnom dôsledku strojové učenie môže hrať dôležitú úlohu pri posilňovaní rozhodovacích činiteľov, aby konali v otázkach klimatických zmien prostredníctvom efektívneho plánovania využitia pôdy. JaroR

Štúdia je publikovaná v časopise Environmental Data Science .

Glosár kľúčových pojmov

• Terestrická uhlíková bilancia: Čistý tok uhlíka medzi atmosférou a pevninskými ekosystémami (pôda a vegetácia). Ovplyvnená procesmi ako fotosyntéza (odoberá uhlík) a rozklad/požiare/zmeny využívania pôdy (uvoľňuje uhlík).
• Emisie zo zmeny využívania pôdy (ELUC – Emissions from Land-Use Change): Emisie CO2 (alebo odstránenie, ak je negatívne) priamo pripísané zmenám v spôsobe využívania pôdy, ako napríklad odlesňovanie pre poľnohospodárstvo alebo opätovné zalesňovanie.
• Negatívne emisné technológie (NET – Negative Emission Technology): Procesy alebo technológie, ktoré odstraňujú CO2 z atmosféry. Príkladom v kontexte využívania pôdy je zalesňovanie (afforestation).
• Evolučná optimalizácia (Evolutionary Optimization): Optimalizačné metódy inšpirované biologickou evolúciou, ako sú genetické algoritmy. Používajú procesy ako mutácia a kríženie na postupné zlepšovanie riešení populácie kandidátov.
• Neurónové siete (Neural Networks): Výpočtové modely inšpirované štruktúrou a funkciou biologických neurónových sietí. Používajú sa v strojovom učení na predikciu a rozhodovanie.
• Náhradný model (Surrogate Model): Jednoduchší, výpočtovo menej náročný model, ktorý napodobňuje správanie zložitejšieho systému. Používa sa na rýchle hodnotenie kandidátov pri optimalizačnom vyhľadávaní, keď je hodnotenie pôvodného systému príliš pomalé.
• Evolutionary Surrogate-assisted Prescription (ESP): Metóda strojového učenia, ktorá kombinuje evolučnú optimalizáciu s náhradným modelom. Najprv sa naučí prediktor (náhradný model) z historických dát, a potom sa pomocou tohto prediktora evolučnou optimalizáciou objaví preskriptor (rozhodovacia politika).
• Preskriptor (Prescriptor): Model alebo politika, ktorá odporúča akcie (rozhodnutia) v danom kontexte s cieľom optimalizovať určité výsledky.
• Prediktor (Predictor): Model, ktorý predpovedá výsledky daných akcií v danom kontexte na základe historických údajov. Slúži ako náhradný model v metóde ESP.
• Pareto front (Pareto front): V multiobjektívnej optimalizácii je to súbor nedominovaných riešení. Riešenie je nedominované, ak nemožno zlepšiť v jednom cieli bez zhoršenia v aspoň jednom inom cieli. Predstavuje množinu najlepších kompromisov.
• LUH2 (Land-Use Harmonization dataset): Globálny súbor údajov poskytujúci ročné informácie o zlomkoch využívania pôdy, prechodoch využívania pôdy a kľúčových informáciách o poľnohospodárskom manažmente v mriežkovom formáte.
• BLUE (Bookkeeping of Land-Use Emissions model): Polopriemyselný štatistický model, ktorý vypočítava toky CO2 na základe zmien v obsahu uhlíka v biomase a pôde spôsobených zmenami využívania pôdy.
• RHEA (Realizing Human Expertise through AI): Rámec na začlenenie expertnej ľudskej znalosti do procesov umelou inteligenciou, napríklad destilovaním expertne navrhnutých riešení do počiatočnej populácie evolučných algoritmov.
• Hyperobjem (Hypervolume): Metrika používaná v multiobjektívnej optimalizácii na hodnotenie výkonnosti súboru riešení (napr. Pareto frontu). Meria objem priestoru cieľov, ktorý je dominovaný súborom riešení vzhľadom na referenčný bod.