全球氮素利用效率的空间异质性及其驱动因子

《Journal of Agriculture and Food Research》：Spatial heterogeneity and driving factors of global nitrogen use efficiency

　　

提升氮素利用效率（NUE）对于推进粮食安全与可持续农业至关重要，然而环境梯度上NUE的巨大差异阻碍了精准全球氮素管理的实施。研究人员将全球3479个观测数据与多源遥感数据集相结合，采用机器学习方法开发了高分辨率（5 km2）全球NUE数据库。研究发现，NUE因作物类型和区域而异（玉米40.86%、小麦41.09%、水稻49.18%）。例如，玉米在高纬度和干旱地区表现出较高的NUE，小麦在温带气候区达到最优NUE，而水稻在热带地区表现最佳。此外，玉米的氮素利用效率低于小麦或水稻，导致南美洲、东亚和中非出现大幅氮素盈余。研究进一步证实气候是NUE的主导调控因子，最优的水热条件支持更高的氮素利用。综上所述，该工作为制定区域特异性氮素管理策略提供了高分辨率空间基础，为优化施肥同时最小化环境危害提供了空间路线图。

该研究发表于《Journal of Agriculture and Food Research》，旨在解决全球氮素利用效率（NUE）评估中的关键科学问题。氮素（N）是全球作物生产中使用最广泛的肥料元素，但仅42%-47%的施氮量被作物回收，其余部分从农业系统中流失。1961-2018年间，尽管氮素施用量年均增长3%，全球NUE却从59%下降至46%。未被回收的氮素通过硝酸盐淋溶和径流、氨挥发以及硝化-反硝化过程中的气态排放（包括N₂O和N₂）造成环境污染，威胁生物地球化学氮循环的行星边界，导致气候变化、陆地酸化、水体污染和富营养化。随着全球人口增长和膳食结构向肉类消费转变，氮素投入预计将持续增加，加剧粮食生产与环境可持续性之间的平衡挑战。为实现这一目标，需将全球作物生产NUE从约40%提升至2050年的约70%。然而，NUE全球估计的不确定性阻碍了氮高效管理措施的设计与应用，这些不确定性主要源于：多数先前研究聚焦单一作物和局地尺度，限制了成果向更广范围的推广；区域数据不一致导致不同作物生长环境间NUE估计存在显著偏差。因此，急需建立高分辨率全球NUE数据库，以理解NUE的空间变异并识别最需要改进管理措施的区域。

研究人员开展了以下研究：整合全球3479个样本点数据，结合遥感与土壤属性等多源数据，训练并优化机器学习模型，构建高分辨率全球NUE数据库。研究旨在回答三个核心问题：玉米、小麦和水稻NUE的全球空间格局如何？不同气候带间NUE模式是否存在作物类型差异？哪些氮素投入、气候、土壤和地形预测因子与NUE空间变异最相关？

研究采用的关键技术方法包括：基于随机森林（RF）模型的集成学习框架，将田间NUE观测值与5 km分辨率栅格预测层（包括氮素施用量、气候变量、土壤属性和地形信息）进行点-格网匹配；通过10折交叉验证评估模型性能，采用网格搜索优化超参数；运用置换变量重要性分析量化各预测因子的相对贡献，并通过100次随机置换计算重要性分数；利用100次自助重采样表征空间预测不确定性，以变异系数（标准差/均值）表示；采用双变量色彩合成映射进行二维耦合分析，可视化NUE与主导预测因子的联合空间梯度；将像素级NUE预测聚合至国家尺度，与基于FAOSTAT数据的国家NUE估计值进行外部验证。

研究结果部分：

**模型性能、不确定性与国家尺度验证：** 随机森林模型生成的全球NUE地图显示出作物和地区间的显著空间异质性。玉米、水稻和小麦的模型R²分别为0.36、0.84和0.66，MAE分别为12.60、13.79和12.03，RMSE分别为17.05、23.78和16.07。玉米较低的R²表明其NUE可能受品种差异、灌溉、轮作、施肥时机等未被现有栅格预测因子充分表征的额外因素影响。水稻模型性能较原始分析有所改善，但不同折间的预测误差仍存在变异。基于这些模型，作物尺度平均预测NUE为玉米40.86%、水稻49.18%、小麦41.09%，水稻在三者中平均预测NUE最高。不确定性地图显示预测稳定性存在空间差异，低预测NUE且低不确定性的区域为近期管理评估提供更稳健的目标，而高不确定性区域则需补充田间观测后再提出明确的区域建议。与FAO国家尺度NUE估计值的验证显示显著正相关关系（R²=0.22，P<0.001，RMSE=17.99，MAE=14.59），表明栅格预测捕捉了部分国家尺度NUE梯度。

**玉米、小麦和水稻NUE的全球空间异质性：** 玉米在美国东北部、欧洲东北部等高纬度地区NUE较高，而在降水丰沛的温带和热带地区（如南美洲南部巴西和乌拉圭、中国南部）NUE较低。玉米在寒冷、干旱和高纬度地区NUE较高，归因于其深根系和高效养分吸收机制，即使在干旱条件下也能维持高氮吸收能力，且凉爽气候和充足日照促进其光合作用和养分利用。小麦在东西欧、中亚等干旱地区表现出较高NUE，但低NUE区主要分布在中西欧、中国东部和美国中西部。小麦NUE不严格遵循纬度或气候模式，在广泛纬度范围内的干旱地区均表现高效，与其对半干旱环境的适应性相关。黑海周边区域出现明显对比：相似纬度下，欧洲部分区域小麦NUE较低而俄罗斯南部较高，这可能与干旱度、降水、温度季节性、氮施用量和土壤条件等预测因子的区域差异共同塑造的水热和养分背景有关。水稻NUE的空间异质性显著不同，高效区集中在东南亚和东亚沿海，低效区位于南亚内陆（包括印度和孟加拉国）。这一分歧较少由水资源可得性单独驱动，而更多受区域气候模式、水管理基础设施和相应农业实践的交互作用影响。中国南部沿海等高NUE区受益于长期稳定的季风季节，使降雨、关键生育期与施肥计划良好同步，加之先进灌排设施支持浅间歇灌溉等精准水分管理，减少反硝化和径流氮损失，并可在双季稻系统中实施分次施肥。相反，印度和孟加拉国内陆面临更短、更强烈且变率更大的季风，导致水供应与作物需求错配，集中暴雨造成显著养分淋溶和径流，加上灌排设施欠发达，难以维持稳定水层，农民往往依赖单季系统中少量集中施肥，导致氮损失率高、NUE低。

**预测因子重要性与二维耦合分析：** 变量重要性分析表明，三种作物NUE空间变异与不同的氮素投入、气候、土壤和地形预测因子组合相关。对玉米而言，降水季节性、土壤属性、地形和氮施用量共同影响模型预测；对水稻，降水季节性和干旱相关变量最为重要；对小麦，干旱度、氮施用量、降水和温度相关变量预测重要性较高。二维耦合分析进一步揭示了预测NUE与主导预测因子的空间协变格局：玉米和rice的PSEA-NUE耦合图显示北美、欧洲和东亚部分区域高预测NUE与特定降水季节性格局的对应关系；rice的PSEA-NUE耦合集中于南亚和东南亚季风控制区；小麦的AI-NUE耦合图在欧洲、中亚、华北等旱作麦区呈现显著区域对比，表明干旱度梯度对理解小麦NUE模式具有重要意义。

**氮素管理的区域启示：** 预测NUE模式表明三种作物可能需要区域差异化的氮素管理策略。低预测NUE且模型预测相对稳定的区域，适合采取改进施肥推荐、优化氮素供应与作物需求同步、精准养分管理等针对性干预措施。而低预测NUE但高不确定性的区域（包括印度和撒哈拉以南非洲部分区域），应优先补充田间观测和区域数据收集，再实施严格管理目标。尽管模型纳入氮施用量，但施肥时机、肥料类型、灌溉制度、品种选择和耕作等其他管理措施仍难以在全球尺度一致表征。此外，将田间尺度NUE观测与5 km栅格预测因子匹配可能平滑局地微地形、微气候、土壤和管理异质性，因此区域政策含义应解读为宏观空间指导而非田间处方。

讨论部分总结：上述结果强调需要通过多种栅格预测因子综合解读NUE模式，而非将区域差异归因于单一环境或管理因子。研究的主要局限在于：田间观测与5 km栅格预测因子的匹配可能引入尺度相关不确定性，栅格值代表平均状态，可能平滑微尺度变异；尽管纳入氮施用量，但施肥时机、肥料类型、灌溉、品种选择、耕作和秸秆管理等管理措施无法在全球尺度一致表征，这些因素可能导致NUE未解释的空间变异，并部分解释作物间模型性能差异，尤其在农业系统异质、田间观测有限或预测不确定性高的区域。未来研究应整合更高分辨率环境数据、更详细的管理信息和更多田间观测。

研究结论部分翻译：

"我们开发了首个高分辨率全球玉米、小麦和水稻氮素利用效率（NUE）数据库，通过整合机器学习与多源数据集实现。该工作为全球尺度推进氮素管理提供了科学基础。分析揭示了这些主要谷类作物NUE的空间分布模式，这些见解对于优化氮素施用和减轻相关环境风险至关重要。玉米、小麦和水稻的NUE在全球尺度呈现显著空间异质性，模式因作物类型和气候区域而异。玉米在高纬度和干旱地区预测NUE较高，小麦在多个旱作和半干旱地区预测NUI相对较高，水稻在热带和温带沿海区域达到较高预测NUE。预测因子重要性分析表明，这些空间模式与作物间氮素投入、水热条件、土壤属性和地形因素的不同组合相关。这些结果强调需要通过多种栅格预测因子解读NUE模式，而非将区域差异归因于单一环境或管理因子。"