图片摘要

氧化亚氮 (N₂O) 是一种强效的温室气体，其全球变暖潜势约为二氧化碳的300倍，不仅是全球第三大温室气体，也是当前主要的臭氧消耗物质。农业活动贡献了约60%的人为N₂O排放，这些排放主要来自土壤中微生物的硝化和反硝化过程，受氮肥投入、土壤湿度、温度等多种因素影响。巴西和印度作为全球最大的甘蔗生产国，合计占全球产量的50%以上。甘蔗生产需要大量的水和氮肥，尤其是巴西塞拉多地区，因长期干旱灌溉普遍，但灌溉与施肥结合可能加剧N₂O的排放。传统过程模型如DAYCENT、DNDC等虽能模拟排放，却因复杂变量交互和高数据需求限制了其应用。那么，能否找到更高效准确的方法，预测不同灌溉条件下甘蔗田的N₂O排放，助力农民平衡产量与减排呢？

巴西利亚大学机械工程系Díbio L. BORGES教授等针对此问题，在塞拉多地区的甘蔗试验田开展了相关实验。他们设置了四种灌溉处理：雨养对照 (仅初始灌溉40 mm)、17%、46%和75%作物蒸散量的灌溉水平，采集了30次N₂O通量数据，并同步测量土壤铵、硝酸盐浓度、水填充孔隙度、土壤温度等13个变量，共获得390个数据点。研究人员采用随机森林 (RF) 和多层感知器 (MLP) 两种机器学习模型，对这些数据进行了训练和测试，以评估其预测N₂O排放的能力。

结果显示，随机森林模型在预测N₂O排放方面表现最优，其决定系数 (R²) 达到0.8736，意味着能解释超过87%的N₂O排放变异，远超多层感知器模型。通过模型分析，研究团队识别出了影响甘蔗田N₂O排放的四个关键变量，按重要性排序依次为铵 (NH₄⁺)、硝酸盐 (NO₃^-)、水填充孔隙度 (WFPS) 和土壤温度 (ST)。进一步研究发现，75%作物蒸散量的灌溉处理导致N₂O排放最高，而46%的灌溉处理能在不降低产量的情况下有效减少排放，这为甘蔗种植中的灌溉管理提供了参考。

本研究采用数据驱动的机器学习方法，相比传统过程模型，它更能处理变量间的非线性关系且应用更高效。此外，研究团队将实验数据和代码开源，方便其他研究者扩展应用到其他作物或地区，推动农业温室气体排放预测的研究进展。这一成果为甘蔗产业的可持续发展提供了新工具，有助于农民优化灌溉和施肥方案，在保证产量的同时减少了温室气体的排放，同时开源资源也为全球相关研究贡献了宝贵力量，助力应对气候变化与臭氧层保护的挑战。

图1.随机森林模型预测的N₂O通量与观测值的对比。

图2.排名前五的特征 (NH₄⁺、NO₃^-、WFPS、ST、平均相对湿度) 的尺度化置换重要性分布箱线图。

图3.随机森林模型确定的各测量变量的尺度化变量重要性。

图4.预测 N₂O 通量的个体条件期望图：(a) NO₃^-，(b) NH₄⁺，(c) 土壤水分孔隙率 (WFPS)。

图5.单个特征贡献外推图 (预测变化百分比)：(a) NO₃^-，(b) NH₄⁺，(c) WFPS，(d) 土壤温度。

（来源：EngineeringJournals微信公众号）

相关论文信息：https://journal.hep.com.cn/fase/EN/10.15302/J-FASE-2025663