🇺🇸 Anisha Dhoot

Die beiden Hälften des Projekts beantworten unterschiedliche Fragen. KelpNutriBoost adressiert die Kosten für Betriebsmittel und die CO2-Bilanz: Kelp ist an der Küste Oregons im Überfluss vorhanden, wächst ohne Dünger oder Süßwasser und enthält Stickstoff sowie Spurenelemente, die Algenextrakte seit langem zu einem bewährten Bodenverbesserer machen. Das Mischen mit Pflanzenkohle — ein stabiler, kohleartiger Stoff, der durch das Erhitzen organischer Materialien ohne Sauerstoff gewonnen wird — ist eine Technik mit umfangreicher Forschungsliteratur, die für ihre Fähigkeit geschätzt wird, Nährstoffe zu binden und Wasser im Boden zu speichern.

Das Ungewöhnliche ist das Ausgangsmaterial für die Pflanzenkohle. Statt auf landwirtschaftliche Reststoffe zurückzugreifen, nutzte Dhoot recycelten Kunststoff und behandeltes Abwasser als Rohstoff, wodurch zwei Abfallströme, deren Entsorgung normalerweise Geld kostet, in einen landwirtschaftlichen Input verwandelt werden. Es ist die Art von Substitution, die erst hinterher offensichtlich erscheint, und der Teil des Projekts, der es von einer reinen Schulaufgabe zu einem Vorhaben mit echtem wirtschaftlichen Argument hebt.

Earth-AI ist die zweite Komponente und in gewisser Weise die anspruchsvollere für eine 16-Jährige: ein Machine-Learning-Modell, das lokale Klima- und Bodendaten verarbeitet, um das Pflanzenwachstum vorherzusagen. Dhoot brachte sich das Programmieren durch Online-Kurse selbst bei, um das Modell zu bauen. Zusammen bilden Dünger und Modell eine Plattform, die sie Smart Carbon Recycling nennt: Input auf der einen Seite, ein Entscheidungstool auf der anderen.

Der Gloria Barron Prize for Young Heroes wählt jedes Jahr fünfzehn Gewinner aus hunderten Nominierungen in den USA und Kanada aus und vergibt an jeden 10.000 Dollar zur Fortführung der Arbeit. Es handelt sich eher um eine Auszeichnung für Dienst und Führung als um einen reinen wissenschaftlichen Wettbewerb; es ist wichtig, dies genau zu benennen: Der Preis würdigt das Projekt und seine Anwendung, nicht ein durch Fachkollegen geprüftes Ergebnis.

Diese Unterscheidung ist der ehrliche Rahmen für diesen Eintrag. Dokumentiert ist eine selbstgebaute Plattform mit zwei funktionierenden Komponenten, ein nationaler Preis, der von einem externen Gremium aus einer großen Auswahl entschieden wurde, sowie Berichte in den Nachrichten und im öffentlichen Radio von Oregon. Was nicht dokumentiert ist, sind Ertragsdaten im Feldeinsatz. Die Behauptung auf dieser Seite ist die, die durch den Datensatz gestützt wird: Eine 16-Jährige hat ein landwirtschaftliches System entworfen, gebaut und dafür nationale Anerkennung erhalten, das einen aus Abfällen gewonnenen Dünger mit einem selbst programmierten Vorhersagemodell kombiniert.

Stickstoffdünger sind für einen erheblichen Anteil der weltweiten landwirtschaftlichen Emissionen verantwortlich, sowohl bei ihrer Herstellung — das Haber-Bosch-Verfahren ist energieintensiv und basiert weitgehend auf fossilen Brennstoffen — als auch bei der Verwendung, bei der überschüssiger Stickstoff in Wasserwege gelangt und als Lachgas freigesetzt wird. Algenextrakte und Pflanzenkohle sind zwei der am besten untersuchten kohlenstoffarmen Interventionen für dieses Problem, was Dhoots Projekt eher innerhalb als neben einem aktiven Forschungsfeld platziert.

Der Reiz der Pflanzenkohle liegt darin, dass sie zwei Probleme gleichzeitig adressiert: Sie speichert Kohlenstoff in einer stabilen Form, die über Jahrhunderte hinweg gegen Zersetzung resistent ist, und sie verbessert die Bodenstruktur, indem sie Wasser und Nährstoffe hält, die ansonsten ausgewaschen würden. Die Herstellung aus recyceltem Kunststoff und behandeltem Abwasser statt aus Pflanzenresten ist die unkonventionellere Wahl, die dem Projekt neben dem landwirtschaftlichen auch ein Abfallmanagement-Argument verleiht.

Der Machine-Learning-Teil verdient eine eigene Anmerkung. Die Modellierung der Eignung von Pflanzen anhand von Klima- und Bodenvariablen ist ein Standardproblem in der landwirtschaftlichen Datenwissenschaft. Eine funktionierende Version zu bauen, erfordert das Sammeln von Daten, die Auswahl von Merkmalen, das Training eines Modells und dessen Evaluierung — ein Ablauf, der auf Universitätsniveau gelehrt wird. Dies mit 16 Jahren durch selbstgesteuerte Online-Kurse zu erreichen, ist der Teil des Projekts, der sich am schwersten verkürzen lässt, weshalb der Eintrag eine Plattform beschreibt und nicht nur ein einzelnes Produkt.

Die ehrliche Einschränkung eines jeden wissenschaftlichen Schulprojekts ist der Maßstab, und das gilt auch hier. Ein Biodünger, der in Versuchen validiert wurde, ist kein Biodünger, der über eine ganze Wachstumssaison auf bewirtschaftetem Ackerland validiert wurde, und ein auf verfügbaren Daten trainiertes Modell ist kein Modell, das gegen Erträge getestet wurde, die es zuvor nicht gesehen hat. Dhoot hat dies nie behauptet, und diese Seite tut es ebenfalls nicht. Aufgezeichnet ist eine fertige, funktionierende Plattform aus zwei Teilen, gebaut von einer Sechzehnjährigen, die sich die zweite Hälfte selbst beigebracht hat, und ausgezeichnet durch einen nationalen Preis, der aus hunderten Nominierungen in zwei Ländern ausgewählt wurde.