Clear Sky Science · sv

Modellering av markorganiskt kol i jordbruksmark under flera klimatscenarier med maskininlärning i västra Indien

· Tillbaka till index

Varför kol i våra jordar betyder något för alla

Friska jordar gör mer än att odla grödor — de låser även tyst bort stora mängder kol som annars skulle värma planeten. Denna artikel undersöker vad som kan hända med det dolda kolet i jordbruksjordar i västra Indien när klimatet förändras under detta sekel, och hur smartare odlingsmetoder kan hjälpa till att skydda både livsmedelsproduktion och klimat. Med hjälp av satellitdata och moderna datorlärmetoder visar författarna att de val vi gör kring energi, markanvändning och jordbruk i dag kommer att starkt påverka hur mycket kol våra åkermarker kan hålla i framtiden.

Figure 1
Figure 1.

En närmare titt på fälten i västra Indien

Studien fokuserar på Karvir Taluka, en jordbruksregion i Maharashtra där bönder odlar grödor som sockerrör, ris, sorghum och baljväxter på kuperad tropisk terräng. Under de senaste fyra decennierna visar satellitbilder att åkerarealen gradvis minskat, från ungefär 520 till 440 kvadratkilometer, i takt med att markanvändningen förändrats. Samtidigt visar klimatdata relativt stabila temperaturer fram till omkring 2019, följt av prognoser som pekar mot uppvärmning fram till 2100, och nederbörd som i stort ligger inom historiska ramar men med fler extrema händelser. Dessa lokala förändringar i markanvändning och klimat skapar förutsättningar för att förstå hur markorganiskt kol — blandningen av nedbrutet växt- och djurmaterial som ger jorden mycket av dess livskraft — kommer att utvecklas.

Hur framtida världar formar jorden under våra fötter

För att utforska olika möjliga framtider använder författarna IPCC:s gemensamma socioekonomiska banor, eller SSP:er. Dessa scenarier sträcker sig från en hållbarhetsfokuserad värld med låga växthusgasutsläpp till en fossildriven, högutsläppsframtid. För Karvirs åkermarker omvandlade teamet dessa globala scenarier till lokala projektioner av temperatur, nederbörd, värmeböljor, torka och köldperioder för åren 2020 till 2100. Under den mildaste banan stiger medeltemperaturerna bara marginellt och extrema värmeperioder förblir begränsade. Under den mest intensiva banan (känd som SSP5-8.5) kan medeltemperaturer däremot nå omkring 34 °C vid 2100 och varma perioder kan sträcka sig över större delen av året, vilket drastiskt förändrar förutsättningarna för grödor och marklivet.

Att lära datorer läsa jorden

I stället för att enbart förlita sig på långsamma och kostsamma fältprover kombinerade forskarna laboratoriemätningar från ett lokalt jordprovningslabb med globala jordkartor, satellitbilder och klimatdata som bearbetats i Google Earth Engine och geografiska informationssystem. De matade denna information till tre maskininlärningsmodeller — Random Forest, Extreme Gradient Boosting (XGB) och Support Vector Regression — för att lära hur markkol relaterar till faktorer som temperatur, nederbörd, höjd över havet, sluttning, jordtextur, växtlighetens grönhet och odlingsmetoder. Efter träning på historiska data (1982–2024) testades modellerna mot oberoende laboratorieanalyser. XGB stack ut genom att noggrant matcha uppmätta värden och fånga subtila, icke-linjära samband mellan miljö, förvaltning och markkol.

Vad modellerna säger om morgondagens jordar

Med den bäst presterande modellen projicerade teamet markorganiskt kol i åkermarker för åren 2040, 2060, 2080 och 2100 under fem olika SSP-framtider. I lågutsläpps-scenarier förblir genomsnittligt markkol relativt högt — kring mitten av 40 gram per kilogram i mitten av århundradet — även om det ändå minskar något fram till 2100. I kontrast förväntas i den högutsläppsbanan SSP5-8.5 det genomsnittliga markkolet i åkermarker falla med ungefär hälften mellan 2040 och 2100, med många områden som sjunker under 30 gram per kilogram. Rumsliga kartor visar att dagens kolrika zoner stadigt ger vika för fattigare jordar i takt med att stigande temperaturer, längre värmeböljor och mer ojämn nederbörd påskyndar nedbrytningen av organiskt material och eroderar jorden. Studien noterar dock också en nylig ökning av markkol sedan 2018 på platser där bönder antagit bevarandeåtgärder som minimerad jordbearbetning, marktäckning, kompostering och bättre resterhantering.

Figure 2
Figure 2.

Hantera osäkerhet och agera på det vi vet

Författarna granskar noggrant osäkerhetskällor — från ofullständiga klimat- och jorddata till begränsningar i maskininlärningsmodeller — men deras övergripande budskap är tydligt. Även med dessa osäkerheter är förändringens riktning konsekvent: varmare, mer extrema klimat tenderar att avlägsna kol från åkermark, särskilt under högutsläppsscenarier. Resultaten visar dock också att lokal förvaltning kan avsevärt bromsa eller till och med vända förluster, vilket syns i de senaste ökningar som kopplats till konserverande jordbruksmetoder.

Vad detta betyder för mat, klimat och jordbrukare

För icke-specialister är slutsatsen enkel men brådskande: hur vi driver våra ekonomier och sköter våra fält kommer att avgöra om jordar förblir en stark allierad i kampen mot klimatförändringarna. Om utsläppen förblir mycket höga kommer åkermarker i regioner som Karvir sannolikt att förlora stora delar av sitt lagrade kol, bli mindre bördiga och mindre kapabla att dämpa översvämningar, torka och värme. Under renare energibanor, och med en bred införsel av metoder som minskad jordbearbetning, täckgrödor och organiska tillsatser, kan dessa samma jordar fortsätta att lagra kol och säkra skördarna. Denna studie visar hur kombinationen av satelliter, lokala mätningar och maskininlärning kan vägleda klimatsmarta odlingsmetoder och policys, och hjälpa skydda både jordbrukares försörjning och planetens största landbaserade kolbank.

Citering: Adeel, A., Hasani, M. & Jadhav, A.S. Soil organic carbon modeling in cropland under several climatic scenarios using machine learning in western India. Sci Rep 16, 5485 (2026). https://doi.org/10.1038/s41598-026-35191-4

Nyckelord: markorganiskt kol, klimatförändringsscenarier, konserverande jordbruk, fjärranalys, maskininlärning