Kunstig dræning af landbrugsmarker har en enorm indflydelse på hydrologien, næringsstofkredsløbet og sedimentdynamikken. I regioner med tempereret klima og finstruktureret jord, såsom Danmark, er dræning en afgørende vandforvaltningspraksis. Det kan kontrollere afstrømning, forhindre vandmætning og endda øge effektiviteten af vandforbruget. Man risikerer dog, at næringsstoffer og kemiske rester bliver transporteret gennem drænsystemet og direkte ud i vandområder såsom søer, floder eller kystvande.

”Der er forskellige afbødningsstrategier for kvaliteten af ​​det drænede vand med hensyn til kvælstof- eller fosforudvaskning. En af dem er konstruerede vådområder,” siger ph.d. Saghar K. Motarjemi fra Institut for Agroøkologi på Aarhus Universitet.

Konstruerede vådområder kan reducere kvælstofbelastningen i omkringliggende vandløb

Konstruerede vådområder er et middel til at fjerne for store mængder kvælstof fra drænvand. De gør brug af naturlige nitratreducerende processer i et kontrolleret miljø.

”Konstruerede vådområder er hovedsageligt installeret for at reducere forureningen i drænvand fra landbrugsmarker eller afstrømning fra industriområder. Men for at designe disse vådområder i passende størrelser, er det nødvendigt at kvantificere den mængde vand, der kommer fra markdrænene. Ligesom det er afgørende at kende vandmængden, når man skal studere udvaskning af næringstoffer via markdræn," forklarer Saghar K. Motarjemi.

Maskinlæring baner vejen

Men hvordan forudser man, hvor meget vand, der vil blive drænet fra markerne? Det afhænger af flere forskellige variabler, og nogle af dem er nemmere end andre at måle, såsom nedbør.

”Vi ønskede at udvikle en model, der ville være i stand til at forudsige mængden af drænet vand på nationalt plan. Med andre ord var vi nødt til at udvikle en model, der kunne repræsentere forskellige geologiske regioner. Derfor har vi indsamlet data fra 53 drænstationer over hele Danmark for at udvikle et datasæt baseret på både de klimatiske variabler, som f.eks. nedbør og temperatur, og den topografiske information, som naturligvis er stedspecifik,” forklarer Saghar K. Motarjemi.

Variablerne blev brugt til at træne en række maskinlæringsmodeller. Maskinlæringsmodeller er filer, der er blevet trænet til at genkende visse typer mønstre. Du kan træne en model med specifikke data, forsyne den med en algoritme, som kan bruges til at ræsonnere over og lære af disse data. Når modellen er blevet trænet, vil den kunne ræsonnere over ukendt data, og komme med forudsigelser om dem. I dette tilfælde blev modellerne brugt til at lede efter mønstre og finde, hvilke variabler, der er vigtige for at forudsige den årlige mængde drænvand på nationalt plan.

Nedbør og højde forklarede det meste af variationen

Forsynet med de rigtige data var maskinlæringsmodellerne i stand til at forudsige den årlige mængde drænvand med høj nøjagtighed på forskellige lokaliteter.

"Noget andet, vi fandt ud af, var, at for de datadrevne modeller, der er brugt i denne undersøgelse, var højde som en topografisk parameter, udover til for årlig mængde nedbør, meget vigtig for at forudsige, hvor meget vand, der ville blive drænet fra en given mark," siger Saghar K. Motarjemi.

I forhold til en årlig forudsigelse klarede maskinlæringsmodellerne sig meget godt, og de vil sandsynligvis kunne bruges til at forudsige mængden drænet vand på nye steder, ligeså vi håber, at de vil kunne generere et nationalt drænkort.