以数据为导向,优化县级管管理,以实现中国低碳,增收入的米生产

科学领域:

• 农业科学 农业科学
• 环境科学 环境科学
• 机器学习应用 机器学习应用

背景情况:

• 草管理是复杂的,需要平衡气候变化减缓与大米生产的粮食安全.
• 对于可持续农业来说,特定地点的回收优化是必不可少的.

研究的目的:

• 制定一个综合框架,以优化中国主要大米种植地区的吸管回收和移除率.
• 确定特定地点的草管理策略,尽量减少温室气体 (GHG) 排放,而不会对大米产量产生负面影响.

主要方法:

• 利用机器学习 (ML) 模型,XGBoost 显示出卓越的性能,以预测草回报对温室气体排放 (CH4,N2O),土壤有机碳和大米产量的影响.
• 开发了一个补充的草物流模型来管理多余的草,避免燃烧.
• 进行了生态系统净经济效益 (NEEB) 分析.

主要成果:

• 在单一的米系统中,73%的吸管回报率使得产量增加了26.5%,温室气体排放减少了105%.
• XGBoost准确预测了草回报对排放,土壤碳和产量的影响.
• 由于产量-排放权衡,建议在双系统中去除草.
• 产量增加和降低肥料使用带来的经济效益超过了草管理成本.

结论:

• 在ML的指导下,特定于地点的数据驱动的草管理策略可以显著减少温室气体排放,提高农业的可持续性.
• 经济效益是巨大的,即使碳的社会成本被认为是最小的.
• 该框架为大米生产的可持续农业发展提供了一条道路.