《Nutrient Cycling in Agroecosystems》：Comparing mass balance-based nutrient management planning tools to support crop fertilisation decisions
编辑推荐：
养分管理规划（NMP）工具旨在通过使施用量与作物需求以及土壤和大气条件相匹配，在提高作物产量的同时，最大限度降低过量施肥带来的环境危害。研究人员比较了来自9个国家（奥地利、保加利亚、中国、捷克、匈牙利、意大利、新西兰、西班牙和英国）的14种广泛使用的NMP工具
养分管理规划（NMP）工具旨在通过使施用量与作物需求以及土壤和大气条件相匹配，在提高作物产量的同时，最大限度降低过量施肥带来的环境危害。研究人员比较了来自9个国家（奥地利、保加利亚、中国、捷克、匈牙利、意大利、新西兰、西班牙和英国）的14种广泛使用的NMP工具。所有工具均在田块尺度和季节尺度上采用质量平衡方法。为评估这些工具，研究人员构建了3类矩阵，分别记录24项理想特征、22项养分循环过程与来源以及38项所需输入数据的有无情况。为比较各NMP工具，研究人员对各评价类别计算了累积得分。此外，研究人员通过两个理论案例研究，比对了耕作系统与畜牧系统中冬小麦的肥料推荐结果。聚类分析将14种工具划分为6个聚类，反映出其在复杂性、易用性、适应性和互操作性方面存在不同水平。所需输入数据数量与所考虑的氮（N）过程和来源数量之间呈显著正相关，证实输入需求能够反映工具的成熟程度。较为全面的工具在畜牧系统中往往推荐较低的N施用量，这表明较简单的工具由于遗漏关键过程，可能高估了N需求。然而，实际易用性特征并不会决定推荐结果的差异。尽管N推荐值总体上与各国指南大体一致，但P和K推荐值表现出明显更高的变异性，反映出这些大量营养元素（macronutrients）尚缺乏统一协调的指南。
该文发表于《Nutrient Cycling in Agroecosystems》，围绕基于质量平衡的养分管理规划（NMP）工具在农场施肥决策中的应用开展系统比较研究。研究背景在于，农业养分管理的核心目标是既保障作物高产，又减少过量施肥导致的环境风险，而实现这一目标的关键，在于准确统筹作物养分需求、土壤供肥能力、养分损失途径及实际管理约束。现有NMP工具虽然已在不同国家得到应用，但不同地区在氮（N）、磷（P）、钾（K）施肥计算方法、土壤测试方法和推荐逻辑上差异显著，导致工具之间缺乏可比性。既往研究多聚焦国家层面的法规或推荐方法，或仅给出汇总性调查结果，较少系统比较农户和技术人员实际可用的数字化工具本身。特别是，对单个工具的内部特征、所纳入的养分循环过程、所需输入信息以及在标准化条件下输出的施肥推荐结果，尚缺少系统评估。因此，开展本研究有助于识别不同工具的优势与局限，并为研究人员、农业技术人员和农户选择合适工具提供依据。
研究人员从TUdi项目9个合作国家中筛选出14种常用NMP工具，纳入标准包括：采用质量平衡法、在空间上作用于田块尺度、在时间上作用于季节尺度，并且能够通过在线文档、开发者访谈或专业用户访谈获得足够说明资料。研究的目标包括三方面：一是评估14种工具在特征、所考虑过程和输入信息上的相似程度；二是利用两个理论案例比较这些工具对作物施肥量的推荐；三是分析工具综合评价与养分推荐结果之间的关系。研究结果表明，这些工具虽然均以质量平衡为理论基础，但在结构复杂程度、适应场景、所依赖数据量和推荐结果方面存在明显差异，其中较复杂工具通常能给出较低的氮肥推荐量，提示其对氮供给过程的刻画更全面。研究的重要意义在于，论文不仅展示了NMP工具发展存在显著异质性，也指出更复杂的工具未必更易推广，而输入要求、过程模拟深度和推荐结果之间存在实质联系。
作者采用的主要技术方法可概括为以下几类。首先，依据统一标准筛选14种NMP工具，并围绕易用性、复杂程度、适应性和互操作性建立工具特征评价框架。其次，以有无矩阵方式记录24项理想特征、22项养分循环过程与来源及38项输入数据，并据此计算累积得分。再次，使用R语言进行聚类分析，基于Jaccard距离和Ward算法对工具相似性进行分类。随后，借助两个冬小麦理论案例（分别代表耕作系统和畜牧系统）比较不同工具的N、P、K施肥推荐量。最后，通过相关性分析评估工具特征总分、输入数量、氮过程数量与氮肥推荐量之间的关系。案例数据来源于既有理论情景，并补充了土壤P、K含量与气候数据，且统一简化为0–30 cm单一土层。
在研究结果部分，论文首先给出“Evaluation of the NMP tools”的结果。研究人员通过聚类分析将14种工具归为3个主分支和6个聚类。第一主分支主要包括参考表；第二主分支包括电子表格和本地或在线应用；第三主分支包括决策支持系统（DSS，决策支持系统）以及高级本地或在线应用。不同聚类在工具特征、养分循环过程、来源以及输入数据量方面差异明显。保加利亚工具MEM-NAK所在聚类表现为复杂程度中等，但易用性、适应性和互操作性较低，反映其适用范围有限；LK-Düngerrechner和捷克表格工具所在聚类是最简单的一组，虽然易用性高，但所考虑的N、P、K过程与来源最少，输入需求也最低；PLANET and MANNER、Fert_Office、Digifert所在聚类在多数特征上处于中等水平，N过程与来源得分相对较高，但适应性较低；grano.net和Overseer所在聚类最为全面，在易用性、适应性和互操作性上得分较高，同时也是纳入N、P、K过程和来源最多、输入数据最多的一组；Fast Navigator、TUdi、FertiliCalc所在聚类以高复杂性和高适应性为特征，尤其重视N过程与来源；Nutrient Expert和Pro Planta所在聚类则兼具较高易用性与中等复杂度，其P和K过程与来源考虑较多，而N方面在工具间存在差异。该部分结果说明，NMP工具并不简单等同于其软件类型，真正决定分类的是其内部结构、数据需求和过程表达水平。
在“Nutrient recommendations”部分，研究人员比较了所有工具在两个理论案例中的施肥推荐值。结果显示，全部工具均给出N和P施肥需求，多数工具也提供K推荐量。总体而言，不同工具间N推荐值相对稳定，变异系数约为20%，而P和K的变异性显著更大，分别约为60%和70%。在耕作系统案例中，MEM-NAK给出的N推荐量最高，为217 kg N ha
?1，而ProPlanta最低，为115 kg N ha
?1；P推荐值从6 kg P ha
?1到119 kg P ha
?1不等；K推荐值从0 kg K ha
?1到140 kg K ha
?1。与耕作系统相比，畜牧系统中整体养分需求发生变化：N和P分别下降约30%和40%，而K上升约25%。在畜牧系统中，PLANET and MANNER推荐的N最高，为150 kg N ha
?1，保加利亚工具最低，为72 kg N ha
?1；P最高推荐仍来自MEM-NAK，最低来自PLANET and MANNER；K最高来自FertiliCalc，而PLANET and MANNER为0 kg K ha
?1。这一结果表明，尽管各工具在N推荐上的总体一致性较高，但在P和K推荐方面缺乏统一标准，差异相当显著。
在“Overall comparison”部分，研究人员进一步分析工具评价指标与推荐结果之间的关系。结果显示，工具特征总分、输入数据数量以及所考虑的N过程数量之间存在显著正相关，相关系数（r）为0.78–0.94，且p＜0.001。这说明，需要更多输入信息的工具，通常也纳入了更多N循环过程，整体上反映出更高的工具成熟度与科学细化程度。与此同时，输入数据数量和N过程数量与畜牧系统中的N推荐量呈负相关，说明越是全面的工具，越倾向于推荐较低的N施用量。相反，工具特征总分与N推荐量并无显著相关关系，这表明决定N推荐结果的关键，不是易用性、互操作性等实践特征本身，而是工具对N循环过程的建模深度。文中还指出，保加利亚工具在多个相关分析中表现为离群值，因此在部分N推荐统计中被剔除。
在讨论部分，作者首先讨论了“Characteristics and adoption of NMPs”。研究人员指出，将14种NMP工具分成6组，有助于识别简单工具与复杂工具之间的结构差异，但分类并不完全对应于表格、在线应用或本地应用等表现形式。最不先进的工具往往是纸质表格或手册，而先进的本地应用和数字化决策支持系统则显示出更高复杂度。论文还强调，N过程在不同工具中的刻画远比P和K详细，这既与N循环本身更复杂、损失途径更多有关，也与政策长期更加关注N施肥密切相关，尤其是欧盟《硝酸盐指令》推动了NMP工具的发展。研究结果进一步证实，工具中纳入的过程和输入越多，其综合特征得分往往越高，但农户并不一定偏好最复杂的工具。既往调查和文中引述数据显示，很多地区仍广泛使用纸质表格和电子表格，而复杂软件的采用率并不高。因此，终端用户通常将简便性和易用性置于更高优先级。作者据此提出，工具设计应分层级构建、强化与农场管理系统及土壤和气象数据库的互操作性，并通过多主体协同开发与持续培训提高用户信任和采纳度。
随后在“Nutrient recommendations”的讨论中，作者指出，土壤属性、作物类型和肥料管理是运行NMP工具时最重要的输入数据。除少数最简单工具外，几乎所有工具均将土壤性质作为关键输入，这说明土壤养分含量、结构、pH和土壤有机质（SOM，soil organic matter，土壤有机质）对精准施肥至关重要，但这些信息在田块尺度上并不总是容易获得。作物数据是第二重要的输入类别，因为作物吸收量是养分平衡的核心输出。不同工具对作物吸收量的估算方法不同，例如某些工具将秸秆是否移除纳入计算，从而影响K推荐量；有些工具还估算根系吸收量，尽管根系在收获后留在土壤中。此外，部分工具考虑了气候对目标产量的修正，或引入空间变异信息，如NDVI（归一化植被指数）图和土壤图，用于刻画田块内部差异。作者还将本研究结果与既有国家指南比较，指出N推荐量总体与国家指南相近，但P和K差异显著更大，这与作物P、K浓度差异、土壤供肥阈值、有机肥供应和前茬残体贡献差异有关。总体上，越复杂的N管理工具越倾向于推荐较低N施用量，原因在于其能更充分考虑矿化、前茬残留N等供给途径；而简单工具若忽略这些供给项，容易高估需求，但若同时忽略淋洗、反硝化和挥发等损失，又可能低估需求，因此其偏差方向取决于遗漏项的相对大小。
研究结论部分可译述如下：对于需要全面推荐结果的用户，如研究人员和专业顾问，最适合的是纳入大量养分循环过程且需要较多输入数据的决策支持系统，例如grano.net和Overseer。这些工具更为详细的质量平衡计算往往产生较低、也更精细的N肥推荐量，但并非全部可免费使用；TUdi和Fast Navigator则可作为有效的免费替代方案。相比之下，诸如PLANET and MANNER、Fert_Office和Digifert等中等复杂度工具，在科学严谨性与使用便利性之间提供了实践性折中，适合技术人员和具备一定知识的农户使用，其推荐结果总体与国家指南一致。尽管更简单、可及性更高的工具输入要求较少，仅考虑基本过程，如参考表MEM-NAK和保加利亚工具，但它们给出的推荐范围最宽，且适应性有限。总体而言，更全面的工具会产生较低且可能更准确的N推荐量，而较简单工具则存在过量施肥及潜在环境风险。未来一方面需要科研人员更加准确地估算P和K推荐所涉及的过程与来源，另一方面也需要政策制定者建立清晰的监管框架，以推动相关方法的实施。
