يمكن أن يحسن التعلم الآلي الموجه بالمعرفة من تقدير دورة الكربون في النظم الزراعية

لمعالجة الفجوات الحالية في قدرات نمذجة ميزانية الكربون، طورنا إطار عمل KGML جديد يجمع بين المعرفة البيوجيوكيميائية السابقة لديناميات الكربون مع نموذج تعلم عميق لتوليد توقعات موثوقة لتدفقات الكربون الزراعي، وعوائد المحاصيل، والتغيرات في مخزونات الكربون في التربة (KGML-ag-Carbon، الشكل 1). تم دمج بيانات برج تدفق التباين الإيدي (EC) في الموقع، وبيانات عوائد المسح الإقليمي، وبيانات الإنتاج الأولي الإجمالي (GPP) المستشعرة عن بعد، وبيانات اصطناعية تم إنشاؤها بواسطة نموذج PB في KGML-ag-Carbon. يتم إثبات فعالية النموذج هنا لإنتاج الذرة وفول الصويا في الغرب الأوسط الأمريكي (الشكل S1)، مع نتائج دقيقة للغاية لتدفقات الكربون، وعوائد المحاصيل، والتغيرات في الكربون في التربة بدقة مكانية (250 م) وزمنية (يومية) عالية، مما يوفر بيانات قابلة للاستخدام لمديري الأراضي. كما قمنا بتحليل التحسين الناتج عن كل مكون من مكونات KGML واستجابات بيوجيوكيميائية معينة. يمثل تصميم النموذج المقدم هنا حلاً للتحديات في محاكاة الأنظمة الديناميكية غير المتجانسة، مما سيساعد في تعزيز التطبيقات الأوسع لـ KGML لفهم العمليات الأرضية.

النتائج

نظرة عامة على إطار KGML-ag-Carbon

أداء النموذج في توقعات إنتاج المحاصيل وتدفقات الكربون

قمنا بإجراء عدة تجارب إضافية لتقييم أداء KGML-ag-Carbon تحت تقسيمات مختلفة لمجموعات بيانات التدريب والتحقق والاختبار، بما في ذلك الأداء خارج العينة لتوقعات العائد في المجالات المكانية والزمنية (الشكل S9a-f). على سبيل المثال، استخدمنا بيانات من إلينوي للاختبار وبيانات من ولايات أخرى للتدريب والتحقق، واستخدمنا عدة سنوات متتالية من البيانات للتدريب والتحقق مع سنوات أخرى للاختبار. كما قمنا بفحص تأثير استخدام سنوات متطرفة ذات عوائد مرتفعة أو منخفضة بشكل استثنائي للاختبار وسنوات أخرى للتدريب والتحقق. نلاحظ أن نموذج KGML-ag-Carbon يتفوق على نماذج التعلم الآلي البحتة والنماذج المعتمدة على العمليات في توقع العائد في السنوات المتطرفة (الشكل S9e، f) بشكل أساسي لأنه مقيد بكل من الملاحظات والبيانات الاصطناعية الناتجة عن نموذج PB. وبالمثل، تم التحقيق في الأداء خارج العينة لتوقعات Reco وNEE على كل من المقاييس الزمنية السنوية واليومية، وتم فحصها بشكل خاص لمواقع (أبراج تدفق EC US-NE 1-3) التي تحتوي على ملاحظات طويلة الأجل تغطي الفترة من 2001 إلى 2019 (الشكل S9g-l). تظهر النتائج أداءً أفضل باستمرار لنموذج KGML-ag-Carbon مقارنة بالتعلم الآلي البحت في جميع الحالات المختبرة. يمكن العثور على تفاصيل اختبارات المتانة على أداء KGML-ag-Carbon في قسم الطرق.

طرق لتقليل عدم اليقين في KGML-ag-Carbon

تقديرات تدفق الكربون عالية الدقة عبر الغرب الأوسط الأمريكي

الشكل 3 | مساهمات هيكل النموذج واستراتيجيات التدريب في تحسين أداء KGML-ag-Carbon. أ مساهمات من مكونات مختلفة لـ KGML-ag-Carbon في تحسين دقة توقع عائد الذرة السنوي من خلال إضافة مكون واحد إلى نموذج ML النقي بشكل متسلسل. و5 تجارب مستقلة لمجموعات النماذج مع بيانات تدريب صغيرة وكبيرة، على التوالي. المساهمات في تحسين دقة توقع تدفق NEE التراكمي السنوي. تجارب مستقلة لمجموعات النماذج مع بيانات تدريب صغيرة وكبيرة. البيانات في و مقدمة كقيم متوسطة الانحراف المعياري. القيم الموجودة أسفل كل شريط تمثل متوسط زيادة الأداء من الخطوة السابقة. ML بدون GPP تشير إلى نموذج ML النقي بدون مدخلات GPP؛ بيانات GPP تشير إلى نموذج ML مع مدخلات GPP؛ Pretrain تشير إلى نموذج بيانات GPP المدرب مسبقًا باستخدام البيانات الاصطناعية التي تم إنشاؤها بواسطة النموذج القائم على العمليات؛ الهيكل يشير إلى النموذج الذي يحتوي على هيكل هرمي، تم تدريبه مسبقًا باستخدام بيانات اصطناعية، ويشمل مدخلات GPP؛ خسارة KG تشير إلى نموذج الهيكل الذي يأخذ في الاعتبار مصطلحات خسارة موجهة بالمعرفة؛ KGML-

الشكل 4 | النمط المكاني لمتوسط التدفقات الكربونية السنوية المتراكمة (2000-2019) من KGML-ag-Carbon وتوزيعاتها مقارنة بمنتج Trendy-v9. أ المنتج المتوسط لعدة سنوات من GPP المستشعر عن بُعد بناءً على الانعكاس القريب من الأشعة تحت الحمراء MODIS (SLOPE GPP)، والذي يعد أحد مدخلات KGML-ag-Carbon. تنبؤات التدفقات السنوية المتراكمة لرا وRh المتوسطة على مدى عدة سنوات بواسطة KGML-ag-Carbon. ج التنبؤات السنوية المتراكمة لNEE المتوسطة على مدى عدة سنوات بواسطة KGML-ag-Carbon. د-و توزيعات GPP السنوية المتراكمة.

نقاش
فوائد ميزانيات الكربون عالية الدقة

الشكل 5 | توزيع التقديرات خلال الفترة من 2000 إلى 2020 وإظهار تأثير الدقة الخشنة على . أ الـ تقدير مستمد من نهج ميزان الكتلة باستخدام KGML-ag-Carbon مع ميزانيات كربونية بدقة 0.0025 درجة. نسبة الكسر المقدرة في (أ) مقارنةً بمخزون SOC من SoilGrids، مقتصرًا على المناطق التي تزيد فيها زراعة الذرة أو فول الصويا عن 50٪؛ ج توزيع المدرج التكراري للنسبة المئوية

الرؤى المستفادة من تطوير KGML-ag-Carbon

طرق محتملة لتحسين تقديرات غازات الدفيئة الزراعية بواسطة KGML

قابلية نقل KGML-ag-Carbon إلى تطبيقات أخرى

طرق

بيانات التدريب الاصطناعي المسبق لنموذج KGML

مجموعة البيانات للتخصيص، والتحقق، والاستنتاجات

هيكل KGML-ag-Carbon

استراتيجيات التدريب لـ KGML-ag-carbon

اختبار القوة لأداء KGML-ag-Carbon

كشف مساهمات مكونات KGML-ag-Carbon

تنبؤات عالية الدقة عبر منطقة الغرب الأوسط الأمريكي

التحقيق في فوائد القياس عالي الدقة

وصف بيئة التطوير

ملخص التقرير

توفر البيانات

توفر الشيفرة

References

1. Forster, P. et al. Chapter 7: The Earth’s Energy Budget, Climate Feedbacks, and Climate Sensitivity. https://doi.org/10.25455/ WGTN.16869671.V1 (2021).
2. Skea, J. et al. Climate Change 2022: Mitigation of Climate Change. https://www.ipcc.ch/report/ar6/wg3/ (2022).
3. Clark, M. A. et al. Global food system emissions could preclude achieving the and climate change targets. Science 370, 705-708 (2020).
4. Bossio, D. A. et al. The role of soil carbon in natural climate solutions. Nat. Sustain. https://doi.org/10.1038/s41893-020-0491-z (2020).
5. Fargione, J. E. et al. Natural climate solutions for the United States. Sci. Adv. 4, eaat1869 (2018).
6. Wollenberg, E. et al. Reducing emissions from agriculture to meet the target. Glob. Chang. Biol. 22, 3859-3864 (2016).
7. Oldfield, E. E. et al. Crediting agricultural soil carbon sequestration. Science 375, 1222-1225 (2022).
8. Novick, K. A. et al. Informing nature-based climate solutions for the United States with the best-available science. Glob. Chang. Biol. 28, 3778-3794 (2022).
9. Bradford, M. A. et al. Soil carbon science for policy and practice. Nat. Sustain. 2, 1070-1072 (2019).
10. Ranganathan, J., Waite, R., Searchinger, T. & Zionts, J. Regenerative Agriculture: Good for Soil Health, but Limited Potential to Mitigate Climate Change. https://www.wri.org/insights/regenerative-agriculture-good-soil-health-limited-potential-mitigate-climatechange (2020).
11. Smith, P. et al. How to measure, report and verify soil carbon change to realize the potential of soil carbon sequestration for atmospheric greenhouse gas removal. Glob. Chang. Biol. 26, 219-241 (2020).
12. Guan, K. et al. A scalable framework for quantifying field-level agricultural carbon outcomes. Earth-Science Reviews 243, 104462 (2023).
13. Zhou, W. et al. Quantifying carbon budget, crop yields and their responses to environmental variability using the ecosys model for U.S. Midwestern agroecosystems. Agric. Meteorol. 307, 108521 (2021).
14. Irrgang, C. et al. Towards neural Earth system modelling by integrating artificial intelligence in Earth system science. Nat. Mach. Intell. https://doi.org/10.1038/s42256-021-00374-3 (2021).
15. Jung, M. et al. Scaling carbon fluxes from eddy covariance sites to globe: synthesis and evaluation of the FLUXCOM approach. Biogeosciences 17, 1343-1365 (2020).
16. Rasp, S., Pritchard, M. S. & Gentine, P. Deep learning to represent subgrid processes in climate models. Proc. Natl Acad. Sci. USA 115, 9684-9689 (2018).
17. Zhan, W. et al. Two for one: partitioning CO2 fluxes and understanding the relationship between solar-induced chlorophyll fluorescence and gross primary productivity using machine learning. Agric. Meteorol. 321, 108980 (2022).
18. Hutson, M. TAUGHT TO THE TEST: AI software clears high hurdles on IQ tests but still makes dumb mistakes. Can better benchmarks help?. Science 376, 570-573 (2022).
19. Karpatne, A. et al. Theory-guided data science: a new paradigm for scientific discovery from data. IEEE Trans. Knowl. Data Eng. 29, 2318-2331 (2017).
20. Grosz, B. et al. The implication of input data aggregation on upscaling soil organic carbon changes. Environ. Model. Softw. 96, 361-377 (2017).
21. Karpatne, A., Kannan, R. & Kumar, V. Knowledge Guided Machine Learning: Accelerating Discovery using Scientific Knowledge and Data. (CRC Press, 2022).
22. Willard, J., Jia, X., Xu, S., Steinbach, M. & Kumar, V. Integrating scientific knowledge with machine learning for engineering and environmental systems. ACM Comput. Surv. https://doi.org/10. 1145/3514228 (2022).
23. Kraft, B., Jung, M., Körner, M., Koirala, S. & Reichstein, M. Towards hybrid modeling of the global hydrological cycle. Hydrol. Earth Syst. Sci. https://doi.org/10.5194/hess-26-1579-2022 (2022).
24. ElGhawi, R. et al. Hybrid Modeling of evapotranspiration: inferring stomatal and aerodynamic resistances using combined physicsbased and machine learning. ESSOAr https://doi.org/10.1002/ essoar. 10512258.1 (2022).
25. He, X. et al. Improving predictions of evapotranspiration by integrating multi-source observations and land surface model. Agric. Water Manag. 272, 107827 (2022).
26. Beucler, T. et al. Enforcing analytic constraints in neural networks emulating physical systems. Phys. Rev. Lett. 126, 098302 (2021).
27. Reichstein, M. et al. Deep learning and process understanding for data-driven Earth system science. Nature 566, 195-204 (2019).
28. Liu, L. et al. KGML-ag: a modeling framework of knowledge-guided machine learning to simulate agroecosystems: a case study of estimating N2O emission using data from mesocosm experiments. Geosci. Model Dev. 15, 2839-2858 (2022).
29. Grant, R. A Review of the Canadian Ecosystem Model-ecosys. in Modeling Carbon and Nitrogen Dynamics for Soil Management (CRC Press, 2001).
30. Cho, K., van Merrienboer, B., Bahdanau, D. & Bengio, Y. On the Properties of Neural Machine Translation: Encoder-Decoder Approaches. https://doi.org/10.48550/arXiv.1409.1259 (2014).
31. Stuart Chapin, F., III, Matson, P. A. & Mooney, H. A. Principles of Terrestrial Ecosystem Ecology. (Springer Science & Business Media, 2011).
32. Reichle, D. E. The Global Carbon Cycle and Climate Change. (Elsevier Science Publishing, 2019).
33. Baker, J. M. & Griffis, T. J. Examining strategies to improve the carbon balance of corn/soybean agriculture using eddy covariance and mass balance techniques. Agric. Meteorol. 128, 163-177 (2005).
34. Jiang, C., Guan, K., Wu, G., Peng, B. & Wang, S. A daily, 250 m and real-time gross primary productivity product (2000-present) covering the contiguous United States. Earth Syst. Sci. Data 13, 281-298 (2021).
35. Sitch, S. et al. Recent trends and drivers of regional sources and sinks of carbon dioxide. Biogeosciences 12, 653-679 (2015).
36. Al-Kaisi, M. M. & Kwaw-Mensah, D. Quantifying soil carbon change in a long-term tillage and crop rotation study across lowa landscapes. Soil Sci. Soc. Am. J. 84, 182-202 (2020).
37. Ibrahim, M. A., Chua-Ona, T., Liebman, M. & Thompson, M. L. Soil organic carbon storage under biofuel cropping systems in a humid, continental climate. Agron. J. 110, 1748-1753 (2018).
38. Poffenbarger, H. J. et al. Maximum soil organic carbon storage in Midwest U.S. cropping systems when crops are optimally nitrogenfertilized. PLoS ONE 12, e0172293 (2017).
39. Olson, K., Ebelhar, S. A. & Lang, J. M. Long-term effects of cover crops on crop yields, soil organic carbon stocks and sequestration. Open J. Soil Sci. 04, 284-292 (2014).
40. Jin, V. L. et al. Twelve years of Stover removal increases soil erosion potential without impacting yield. Soil Sci. Soc. Am. J. 79, 1169-1178 (2015).
41. Schmer, M. R., Jin, V. L., Wienhold, B. J., Varvel, G. E. & Follett, R. F. Tillage and residue management effects on soil carbon and nitrogen under irrigated continuous corn. Soil Sci. Soc. Am. J. 78, 1987-1996 (2014).
42. Stanley, P., Spertus, J., Chiartas, J., Stark, P. B. & Bowles, T. Valid inferences about soil carbon in heterogeneous landscapes. Geoderma 430, 116323 (2023).
43. Goidts, E., Van Wesemael, B. & Crucifix, M. Magnitude and sources of uncertainties in soil organic carbon (SOC) stock assessments at various scales. Eur. J. Soil Sci. 60, 723-739 (2009).
44. Asseng, S., Ewert, F. & Rosenzweig, C. Uncertainty in simulating wheat yields under climate change. Nature Clim Change. Nat. Clim. Change 3, 827-832 (2013).
45. Mezbahuddin, S. et al. Assessing effects of agronomic nitrogen management on crop nitrogen use and nitrogen losses in the western Canadian prairies. Front. Sustain. Food Syst. 4, 512292 (2020).
46. Grant, R. F. et al. Net biome productivity of irrigated and rainfed maize-soybean rotations: Modeling vs. Measurements. Agron. J. 99, 1404-1423 (2007).
47. Grant, R. F. et al. Controlled Warming Effects on Wheat Growth and Yield: Field Measurements and Modeling. Crop Ecol. Physiol. https://doi.org/10.2134/agronj2011.0158 (2011).
48. Zhou, Q. et al. Recent rapid increase of cover crop adoption across the U.S. midwest detected by fusing multi-source satellite data. Geophys. Res. Lett. 49, e2022GL100249 (2022).
49. Wang, S. et al. Cross-scale sensing of field-level crop residue cover: Integrating field photos, airborne hyperspectral imaging, and satellite data. Remote Sens. Environ. 285, 113366 (2023).
50. Zhang, J. et al. Combining remotely sensed evapotranspiration and an agroecosystem model to estimate center-pivot irrigation water use at high spatio-temporal resolution. Water Resour. Res. 59, e2022WR032967 (2023).
51. Ghosh, R. et al. Robust Inverse Framework using knowledge-guided self-supervised learning. in Proc 28th ACM SIGKDD Conference on Knowledge Discovery and Data Mining. https://doi.org/10.1145/ 3534678.3539448 (ACM, 2022).
52. Ding, F. & Xue, Y. X-MEN: guaranteed XOR-maximum entropy constrained inverse reinforcement learning. in Uncertainty in Artificial Intelligence 589-598 (PMLR, 2022).
53. Jia, X. et al. Graph-based reinforcement learning for active learning in real time: an application in modeling river networks. Proc 2021 SIAM International Conference on Data Mining (SDM). 621-629 https://doi.org/10.1137/1.9781611976700.70 (2021).
54. Mekonnen, Z. A., Riley, W. J., Randerson, J. T., Grant, R. F. & Rogers, B. M. Expansion of high-latitude deciduous forests driven by interactions between climate warming and fire. Nat. Plants 5, 952-958 (2019).
55. Grant, R. F., Lin, S. & Hernandez-Ramirez, G. Modelling nitrification inhibitor effects on N 2 O emissions after fall- and spring-applied slurry by reducing nitrifier NH4 oxidation rate. Biogeosciences https://doi.org/10.5194/bg-17-2021-2020 (2020).
56. Qin, Z. et al. Assessing the impacts of cover crops on maize and soybean yield in the U.S. Midwestern agroecosystems. Field Crops Res. https://doi.org/10.1016/j.fcr.2021.108264 (2021).
57. Li, Z. et al. Assessing the impacts of pre-growing-season weather conditions on soil nitrogen dynamics and corn productivity in the U.S. Midwest. Field Crops Res. https://doi.org/10.1016/j.fcr.2022. 108563 (2022).
58. Ma, Z. et al. Interaction of hydrological and anthropogenic processes controls the relationship between streamflow discharge and nitrogen concentration in the U.S. Midwestern watersheds. B45L-1769 (2021).
59. Yang, Y. et al. Distinct driving mechanisms of non-growing season N2O emissions call for spatial-specific mitigation strategies in the US Midwest. Agricult. Forest Meteorol. https://doi.org/10.1016/j. agrformet.2022.109108 (2022).
60. Walther, S. et al. Technical note: a view from space on global flux towers by MODIS and Landsat: the FluxnetEO data set. Biogeosciences https://doi.org/10.5194/bg-19-2805-2022 (2022).
61. Pastorello, G. et al. The FLUXNET2O15 dataset and the ONEFlux processing pipeline for eddy covariance data. Sci. Data 7, 225 (2020).
62. Bauer, P. et al. The digital revolution of Earth-system science. Nat. Comput. Sci. 1, 104-113 (2021).
63. Wang, S., Di Tommaso, S., Deines, J. M. & Lobell, D. B. Mapping twenty years of corn and soybean across the US Midwest using the Landsat archive. Sci. Data 7, 307 (2020).
64. Khandelwal, A. et al. Physics Guided Machine Learning Methods for Hydrology. https://doi.org/10.48550/ARXIV.2012.02854 (2020).
65. Hochreiter, S. & Schmidhuber, J. Long short-term memory. Neural Comput. 9, 1735-1780 (1997).
66. Chung, J., Gulcehre, C., Cho, K. & Bengio, Y. Empirical Evaluation of Gated Recurrent Neural Networks on Sequence Modeling. https:// doi.org/10.48550/arXiv.1412.3555 (2014).
67. Bahdanau, D., Cho, K. & Bengio, Y. Neural Machine Translation by Jointly Learning to Align and Translate. https://doi.org/10.48550/ arXiv.1409.0473 (2014).
68. Xu, S. et al. Mini-Batch Learning Strategies for modeling long term temporal dependencies: a study in environmental applications. in Proc 2023 SIAM International Conference on Data Mining (SDM) 649-657 (Society for Industrial and Applied Mathematics, 2023).
69. Kumar, M. P., Packer, B. & Koller, D. Self-paced learning for latent variable models. in Proc 24th Annual Conference on Neural Information Processing Systems 1189-1197 (Curran Associates, Inc., 2010).
70. Bengio, Y., Louradour, J., Collobert, R. & Weston, J. Curriculum learning. in Proc 26th Annual International Conference on Machine Learning. https://doi.org/10.1145/1553374.1553380 (ACM, 2009).
71. Poggio, L. et al. SoilGrids 2.0: producing soil information for the globe with quantified spatial uncertainty. SOIL 7, 217-240 (2021).
72. Cao, Q. et al. On the spatial variability and influencing factors of soil organic carbon and total nitrogen stocks in a desert oasis ecotone of northwestern China. Catena 206, 105533 (2021).

شكر وتقدير

مساهمات المؤلفين

المصالح المتنافسة

معلومات إضافية

Knowledge-guided machine learning can improve carbon cycle quantification in agroecosystems

To address the existing gaps in carbon budget modeling capabilities, we developed a novel KGML framework that combines prior biogeochemical knowledge of carbon dynamics with a deep learning model to generate reliable predictions of agricultural carbon fluxes, crop yields, and changes in soil carbon stocks (KGML-ag-Carbon, Fig. 1). In-situ eddy covariance (EC) flux tower data, regional survey yield data, remotely-sensed gross primary production (GPP) data, and synthetic data generated by a PB model were assimilated into KGML-ag-Carbon. The model effectiveness is demonstrated here for corn and soybean production in the U.S. Midwest (Fig. S1), with highly accurate outputs for carbon fluxes, crop yields, and changes in soil carbon at high spatial ( 250 m ) and temporal (daily) resolution, providing usable data for land managers. We also analyzed the improvement resulting from each KGML component and certain biogeochemical responses. The model design presented here exemplifies a solution to challenges in simulating dynamic heterogeneous systems, which will help advance broader applications of KGML for understanding Earth processes.

Results

Overview of the KGML-ag-Carbon framework

Model performance in crop yield and carbon flux predictions

We conducted several additional experiments to evaluate the performance of KGML-ag-Carbon under different training, validation, and testing dataset splits, including out-of-sample performance of yield predictions in the spatial and temporal domains (Fig. S9a-f). For example, we used data from Illinois for testing and data from other states for training and validation and used several continuous years of data for training and validation with other years for testing. We also examined the effect of using extreme years with exceptionally high or low yields for testing and other years for training and validation. We note that the KGML-ag-Carbon model outperforms pure ML and process-based models in predicting yield in extreme years (Fig. S9e, f) primarily because it is constrained by both observations and synthetic data generated from the PB model. Similarly, out-of-sample performance for Reco and NEE predictions was investigated on both annual and daily temporal scales and specifically examined for sites (EC flux towers US-NE 1-3) with longer-term observations covering 2001-2019 (Fig. S9g-l). The results demonstrate consistently better performance of KGML-ag-Carbon compared to pure ML in all tested situations. The details of robustness tests on the KGML-ag-Carbon performance can be found in the Methods section.

Pathways to reduce KGML-ag-Carbon uncertainty

High-resolution carbon flux estimates across the U.S. Midwest

Fig. 3 | The contributions of model structure and training strategies to improving KGML-ag-Carbon performance. a The contributions from different components of KGML-ag-Carbon in improving the annual corn yield prediction accuracy by sequentially adding one component to the pure ML model. and 5 independent experiments for model ensembles with small and large training data, respectively. The contributions to improving the annual cumulative NEE flux prediction accuracy. independent experiments for model ensembles with both small and large training data. Data in and are presented as mean values standard deviation. Values below each bar represent the mean performance increase from the previous step. ML w/o GPP indicates the pure ML model without GPP input; GPP Data indicates the ML model with GPP inputs; Pretrain indicates the GPP Data model pre-trained using the synthetic data generated by the process-based model; Structure indicates the model that contains hierarchical architecture, is pre-trained with synthetic data, and includes GPP inputs; KG Loss indicates the Structure model that considers knowledge-guided loss terms; KGML-

Fig. 4 | The spatial pattern of averaged (2000-2019) annual accumulated carbon fluxes from KGML-ag-Carbon and their distributions compared with the Trendy-v9 product. a The multi-year averaged remotely sensed GPP product based on MODIS near-infrared reflectance (SLOPE GPP), which is one of the KGML-ag-Carbon inputs. The multi-year averaged annual accumulated Ra and Rh fluxes predicted by KGML-ag-Carbon. c The multi-year averaged annual accumulated NEE predicted by KGML-ag-Carbon. d-f The distributions of annual accumulated GPP,

Discussion
The benefits of high-resolution carbon budgets

Fig. 5 | The distribution of estimated during 2000-2020 and the demonstration of the impact of coarse resolution on . a The estimation derived from the mass balance approach using KGML-ag-Carbon with 0.0025 -degree-resolution carbon budgets. The percentage fraction of the estimated in (a) compared to the SoilGrids SOC stock, limited to regions with over 50% corn or soybean planting; c The histogram distribution of percentage

Insights gained from the development of KGML-ag-Carbon

Potential paths to improve agricultural GHG estimations by KGML

Transferability of the KGML-ag-Carbon to other applications

Methods

Synthetic pre-training data for the KGML model

Datasets for fine-tuning, validation, and extrapolations

The structure of KGML-ag-Carbon