Data Driven Discoveries in a Changing Climate (D3-C2): De Wageningse aanpak

New data-driven solutions

• Impact of climate change on dairy cow welfare using high-frequent behavioural sensor data
• AI driven discovery of the linkage between climate extremes and food fraud

Emerging DS/AI methods

• A digital twin of the global water and food system
• Impact of heat stress on current and future agricultural labour productivity in India

New data-driven solutions

• Heat stress detection in broilers using sensor data
• I-KNOW-FOO: Interlinking and creating KNOWledgegraphs for near-zero CO2 emission diets and climate-change robust FOOd production
• AI techniques to evaluate the effectiveness of nature-based solutions in reducing urban heat islands
• Decision support system for adapting sowing dates for maximum productivity
• ML-CLIMATE
• Enhancing drought resilience through forest restoration

Emerging DS/AI methods

• Integrating machine learning and mechanistic modelling towards adaptation of plants to climate change
• Use AI to Improve Climate Change Adaptation of Smart Greenhouse

Open data challenges

• Plant breeding optimization through Reinforcement Learning

Emerging DS/AI methods

• AI4Chocolate: AI for resilient cocoa farming
• A differentiable reaction-diffusion model for predicting vegetation dynamics in the Sahel
• Predicting future compound and cascading drought and heatwaves in Europe including their impacts

New data-driven solutions

• Framework to predict start and end of future cropping seasons: potential and limitations
• Landslide hazard assessment in mountainous areas

Emerging DS/AI methods

• Improving climate information services for sustainable agriculture by integrating scientific and indigenous forecasts using machine learning
• Unveiling Climate Resilience: A Comparative Analysis of Agenda-Setting Dynamics in the UK and the Netherlands

New data-driven solutions

• A machine learning approach: Seasonal impact of climate change on Vibrio contamination on food products in the Dutch market
• DeepSTRMM: Deep Learning-based Streamflow Monitor
• Quantification of climate impact for breeding and decision support at dairy farms
• Machine learning for Nature-based Solutions
• Social networks & plant-based diet diffusion
• Enhanced Remote Sensing – Machine Learning based crop insurance index product (A case study in Ethiopia for Maize)
• ASPAR_KR: a global and open-source Aspergillus fumigatus azole resistance knowledge repository

Emerging DS/AI methods

• Machine learning for selecting crop varieties as climate adaptation measure

• AI driven discovery of the linkage between climate extremes and food fraud
• Discover the impact of climate change on dairy cow welfare using high-frequent behavioural sensor data
• A digital twin of the global water and food system
• BreedGym
• Scientific machine learning to simplify hydrological modelling in a changing climate
• Use AI to improve climate change adaptation of smart greenhouse
• Climate impact on agricultural labour productivity
• AI techniques to evaluate the effectiveness of nature-based solutions in reducing urban heat islands
• ML-CLIMATE
• Turing meets Turing
• Integrating machine learning and mechanistic modelling towards adaptation of plants to climate change
• Enhancing drought resilience in Africa through large-scale tree planting
• Heat stress reduction in broilers using sensor data

Onze visie is dat ai-methodologie ons in staat zal stellen om patronen in gegevens te identificeren en zo de gevolgen van klimaatverandering beter te begrijpen, nieuwe oplossingen te ontwikkelen voor aanpassing aan een veranderend klimaat en ons voor te bereiden op klimaatactie. Gegevensgestuurde ontdekkingen kunnen het belangrijkste element zijn voor het versnellen van de identificatie, ontwikkeling en acceptatie van evidence-based oplossingen voor aanpassing aan een veranderend klimaat.

Ontwerpen van oplossingen voor aanpassing aan de klimaatverandering, met inbegrip van zowel op de natuur gebaseerde oplossingen als klimaat slimme systemen. Ook de natuur gebaseerde oplossingen, zoals bos- en landschapsherstel, zijn algemeen erkend om de klimaatbestendigheid te vergroten. Empirisch bewijs in dit opzicht is echter schaars. Bijvoorbeeld het kwantificeren van waar en in welke mate vegetatieherstel kan verbeteren, droogtebestendigheid in kwetsbare gebieden in een veranderend klimaat blijft een uitdaging. In deze onderzoekslijn gaan we mogelijkheden onderzoeken om op de natuur gebaseerde toekomsten te ontwikkelen door scenario's te ontwikkelen van gegevens. Bijvoorbeeld generatieve machine learning-benaderingen voor het genereren van scenario's. Hiervoor kunnen geavanceerde visualisatietechnieken (c.f. WANDER) synergetisch worden ingezet.

Er zijn drie subthema's geïdentificeerd waar aanpassing aan klimaatverandering op het gebied van voedselsystemen en de leefomgeving kan profiteren van datagestuurde ontdekkingen:

1. door ons begrip van het probleem te verbeteren door historische of gesimuleerde gegevens over de gevolgen van klimaatverandering te analyseren en te visualiseren;
2. door doeltreffende oplossingen te ontwerpen voor aanpassing aan een veranderend klimaat, met inbegrip van zowel op de natuur gebaseerde oplossingen als klimaatslimme systemen;
3. om de effectiviteit van klimaatadaptatiebeleid en publieke betrokkenheid te volgen.

Onze gewenste uitkomsten voor onderzoek zijn:

• Nieuwe datagestuurde oplossingen voor aanpassing aan de klimaatverandering – Projecten dragen bij aan het monitoren en analyseren van klimaatimpactgegevens om evidence-based oplossingen te ontwikkelen. Innovaties kunnen liggen in de identificatie of beoordeling van mogelijkheden voor aanpassing aan de klimaatverandering, door DS/AI-technieken te implementeren die al in andere gebieden/domeinen worden gebruikt. Hier komt de innovatiekracht voort uit interdisciplinair onderzoek. Dit zal op korte termijn gevolgen hebben voor maatregelen voor aanpassing aan de klimaatverandering.
• Verbreden en versterken van het Portfolio Van Wageningen Climate Solutions – Dit zijn lopende projecten die klimaatadaptatieoplossingen ontwerpen voor klimaatslimme systemen, zowel voor op de natuur gebaseerde oplossingen als voor klimaatslimme systemen. Innovaties komen voort uit methodologische doorbraken, het ontwikkelen van nieuwe AI-technieken voor de specifieke problemen en onderzoeksvragen van de aanpassing aan de klimaatverandering. Dit zal op de lange termijn gevolgen hebben voor de maatregelen voor aanpassing aan de klimaatverandering.
• Versterking van de DS/AI-expertise van WUR – Om nieuwe of bestaande DS/AI-methoden succesvol toe te passen op specifieke uitdagingen op het gebied van klimaatverandering, is de ontwikkeling van nieuwe expertise binnen WUR nodig om vruchtbare resultaten te leveren: het samenbrengen van bestaande gegevens met computationele experimenten en de uitgebreide betrokkenheid van domeinexpertise.
• Verbeter de zichtbaarheid van WUR in de DS/AI-community – Dit zal DS/AI van buiten WUR aantrekken om verbinding te maken met onze domeinkennis. Hier sluiten we aan bij de uitdagingen met impact op lange termijn voor WUR. Dit zal ook onze partnerschappen versterken met netwerken zoals de Nederlandse AI-coalitie, ICAI-laboratoria en Climate Change AI, en grote technologiebedrijven, zoals IBM, Google, Microsoft en dataplatforms.
• Zichtbaarheid Wageningen Climate Solutions verbeteren – Nieuwe datagedreven ontdekkingen versterken de positie van WUR in de wereldklimaatdiscussie. WUR zal zijn positie als wereldwijd toonaangevend centrum voor onderzoek naar aanpassing aan klimaatverandering versterken door DS/AI te integreren, die in wezen multiplicatieve effecten hebben en nieuwe samenwerkingen brengen.

Deliverables / onderzoekslijnen

Het investeringsthema D3-C2 is gericht op het ondersteunen van samenwerkingssubsidies, die duidelijk gericht zijn op een van de drie thema-uitdagingen (figuur 2), en de ambitie hebben om:

• opkomende DS/AI-methoden te bevorderen door nieuwe methoden te verkennen en AI-systemen te ontwikkelen die bijdragen aan onderzoek naar aanpassing aan de klimaatverandering. Deze projecten moeten laten zien hoe ze het DS/AI-expertiseportfolio van WUR versterken en een hoge academische ambitie hebben; of
• nieuwe datagedreven oplossingen voor aanpassing aan klimaatverandering te ontwikkelen, door gevestigde data science-methoden en WUR-domeinexpertise samen te brengen om samen nieuwe, ambitieuze klimaatonderzoeksoplossingen te ontwikkelen. Projecten in deze categorie zijn gericht op het verbreden van het WUR-klimaatonderzoeksportfolio, met de ambitie om nieuwe impactvolle toepassingen te ontwikkelen die langdurige problemen met aanpassing aan de klimaatverandering aanpakken; of
• open data-uitdagingen voor klimaatadaptatie te organiseren, door big climate data van WUR en wereldwijde open data-faciliteiten (bijvoorbeeld Copernicus en GBIF) samen te brengen en relevante DS/AI-problemen te formuleren. Zo kunnen we (extern) AI-talent aantrekken om met WUR in zee te gaan en bij te dragen aan onderzoek naar aanpassing aan klimaatverandering. Domeinexpertise van WUR zal een katalysator zijn voor het definiëren van de juiste klimaatproblemen waar de DS/AI-gemeenschap aan zal worden uitgenodigd om bij te dragen. Projecten in deze categorie zullen zich duidelijk richten op specifieke DS/AI-conferenties om hun ontwikkelde data-uitdaging te presenteren, samen met statistieken en benchmarkgegevens.