评估废弃干旱地区的回收潜力,使用知识导向机器学习 (KGML) 和遥感

科学领域:

• 农业科学 农业科学
• 环境科学 环境科学
• 数据科学数据科学数据科学

背景情况:

• 越来越严重的水资源短缺和粮食安全需求需要评估废弃干旱土地的回收潜力.
• 干旱土地农业面临重大挑战,需要创新的管理策略.

研究的目的:

• 开发和验证以知识为导向的机器学习框架,用于干旱土地回收的水碳空间优化.
• 确定合适的废弃干旱地区进行回收,并估计经济回报.

主要方法:

• 集成了一个以知识为导向的机器学习框架与遥感.
• 预测的灌用水量,净初级生产率和1公里分辨率的土壤有机碳.
• 验证了整个黄河流域中部地区的框架.

主要成果:

• 确定大约40% (∼800,000公) 的废弃干地适合回收,估计每年经济回报为4000万美元.
• 在节水制度和高潜力区域下,回收性能被优化,而不仅仅是通过植被生长.
• 预计回收潜力在低和中等排放场景下保持稳定,但在2031-2050年高排放轨迹下下降.

结论:

• 开发的框架是可转让的,具有成本效益,并且在评估回收潜力和指导全球干旱地区气候适应性资源管理方面表现出稳定性.
• 恢复提供了生态和经济的副效益,但需要大量的预先投资和长期的财政支持,因为长期的回报期.
• 该研究强调,需要在回收的早期阶段提供持续的财政支持,以确保长期的财务自给自足和成功的过渡.