📄 agriculture

Field-calibrated ammonia volatilization models for rice and wheat, validated in APSIM

本研究在 APSIM 平台内开发并验证了用于预测水稻和麦类作物氨挥发的简单且经过田间校准的线性模型，证明了这些经验导出的工具能够准确模拟季节性损失和日动态，其性能与复杂的基于过程的模型相当。

原作者： Renu Singh, Manisha Verma, Manoj Shrivastava

发布于 2026-08-03

📖 1 分钟阅读☕ 轻松阅读

原作者： Renu Singh, Manisha Verma, Manoj Shrivastava

原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

农场钱包里的隐形漏洞

想象一下，农场就像一个巨大的、饥肠辘辘的厨房，农民们在这里烹饪水稻和麦子等作物。为了喂养这些植物，农民会添加一种叫做氮肥的特殊成分，它就像是让作物长得又大又壮的盐和胡椒。但棘手的地方在于：有时，这些氮并不会留在土壤里去喂养植物，而是会变成一种叫做氨的气体，悄悄地飘向空中。这被称为“挥发”。这就像是把一桶水倒在海绵上，但在海绵喝饱之前，有些水就已经蒸发掉了。每当这种情况发生时，农民就会损失金钱，因为他们支付了植物从未吸收的肥料钱，同时空气也会变得稍微脏一点。

科学家们一直试图为这个“隐形漏洞”建立“天气预报”。其中一些预报就像超级复杂的电子游戏，需要知道每一秒钟的精确风速、土壤温度和湿度才能运行。虽然这些复杂模型很准确，但由于大多数农民并没有那么多数据，因此很难使用。这篇由印度农业研究学院研究人员撰写的论文提出了一个更简单的问题：我们能否仅通过几个易于测量的指标（比如我们使用了多少肥料以及室外有多热）来预测这种泄漏？他们想要寻找一种“捷径”，这种捷径要像那些超级复杂的模型一样准确，但又要比它们更容易被现实中的农民和科学家使用。

伟大的氮素搜寻：寻找漏洞

研究人员在印度恒河平原（一个巨大的农业区）开展了一场侦探任务，调查了五个不同的田间实验。他们观察了水稻和小麦田，查看在不同条件下有多少氮气逃逸到了空气中。他们并没有从头开始构建一个庞大且复杂的计算机模拟系统，而是决定根据他们在田间实际观察到的情况，建立两条简单的“经验法则”。

水稻法则：热量与堆积
对于水稻，团队发现氮气向空气中流失的量主要取决于两件事：你往田里倒了多少肥料以及天气有多热。他们创建了一个简单的数学方程，其作用就像一个计算器。如果你告诉它所使用的氮量和温度水平，它就能以惊人的准确度预测损失量。事实上，这个简单的公式解释了他们在水稻田中观察到的**94.3%**的变化。主要的驱动因素是肥料的用量：每增加一公斤氮，损失量就会增加约 0.048 kg N ha⁻¹。热量起到了较小但仍然重要的作用；温度每升高一度，损失量就会增加 0.60 kg N ha⁻¹。这就像一个漏水的水龙头：你打开的水量越大（肥料），滴落就越多；如果房间更热，水蒸发得也会更快。

小麦法则：时机就是一切
对于小麦，情况则有所不同。研究人员测试了许多因素，包括土壤耕作方式、施肥时间以及使用了哪种类型的肥料。他们发现，最重要的因素并不是土壤如何耕作，而是何时施肥。如果农民在最开始阶段（基施肥时机）就把所有的氮都施下去，会有大量的氮气逃逸。但如果他们等待并利用传感器引导稍晚施肥，损失就会显著下降。他们的小麦公式解释了 94.2% 的变化。有趣的是，他们发现一旦考虑了施肥的时间和方式，耕作类型（保护性耕作 vs 传统耕作）本身其实并不重要。事实证明，人们认为看到的“耕作”效应，实际上只是由于在这些田地中使用了不同的施肥时间和肥料类型而产生的副作用。

“管理脚本”的魔力
故事在这里变得非常酷。研究人员并没有止步于编写这些简单的公式。他们想看看这些公式是否可以存在于一个名为 APSIM Next Generation 的著名大型计算机模拟程序中——该程序用于逐日模拟整个耕作季节。他们编写了一个特殊的“管理脚本”（可以把它想象成一个微型机器人助手），这个助手可以读取他们的简单公式并将其应用到复杂的模拟中。

当他们运行模拟时，这个机器人助手做了一件神奇的事情。它预测土壤中的氮会在施肥后的 3 到 4 天达到峰值，这与现实生活完全一致。在季节结束时，模拟的总损失量与他们简单公式的预测值在小数点后第三位都保持一致。对于水稻，简单的公式和复杂的模拟都显示损失量为 14.024 kg N ha⁻¹。对于小麦，两者也一致为 21.640 kg N ha⁻¹。这证明了你不一定需要一个超级复杂的模型才能得到精确的答案；一个经过田间测试的简单规则甚至可以在庞大的模拟系统中承担重任。

堵住漏洞
最后，团队测试了堵住漏洞的方法。他们发现，在肥料中添加特殊的“抑制剂”（如 NBPT）可以阻止 40% 的氮气逃逸。其他天然添加剂（如大蒜提取物或植物油）可以阻止约 17% 到 27% 的逃逸。这表明，如果农民使用正确的时机（基于小麦法则）并添加一点这些抑制剂，他们可以节省大量的肥料并保持空气清洁。

总结

这篇论文表明，我们并不总是需要测量每一滴风速和热量来了解氮是如何从作物中逃逸的。通过使用基于田间校准的简单规则，并将重点放在大因素上（如使用了多少肥料、何时施肥以及天气有多热），我们可以几乎像使用世界上最复杂的模型一样准确地预测氨的损失。研究人员证明，这些简单的规则可以成功地植入先进的农业模拟中，为我们提供一个强大且易于使用的工具，帮助农民省钱并保护环境。虽然这些模型是在针对印度的特定数据进行测试，但这种方法提出了一种应对氮流失的新途径：保持简单，立足于真实的田间数据，然后让计算机完成剩下的工作。

技术摘要：APSIM 中用于水稻和小麦的田间校准氨挥发模型

问题陈述
氨（NH₃）挥发是尿素施肥的水稻和小麦系统中氮素流失的关键途径，通常占施用氮量的 10–40%。这种损失降低了氮利用效率（NUE），影响了农场盈利能力，并导致大气氮沉降。虽然存在过程模型（如 Volt'Air、FAN）来通过机制模拟这些损失，但它们需要详细且连续测量的输入数据，如土壤含水量、地表温度、风速和边界层阻力。在常规农艺试验中，这些数据往往难以获取，特别是在捕捉印度恒河平原（IGP）多样化站点年份响应所需的广泛数据方面。因此，需要实用的、基于经验校准的模型，利用易于获取的农艺数据（如氮肥施用量、施用时机、耕作方式）来预测累积田间规模的 NH₃ 损失，且其准确度能与复杂的机制模型相媲美。

方法论
本研究综合了在 ICAR-IARI（新德里）及其在印度恒河平原（IGP）所属站点进行的五项独立田间实验数据。这些实验改变了特定的管理因子：

水稻（实验 A）： 温度梯度（环境温度对比梯度隧道水平）和氮肥施用量（0–150 kg N ha⁻¹）。
小麦（实验 B、C、D、E）： 耕作系统（保护性耕作对比传统耕作）、基施氮肥时机（由 GreenSeeker 传感器引导）、氮源/施用方式（例如，条施尿素、苦楝涂层、缓释肥）以及添加剂（脲酶抑制剂、植物提取物）。

研究开发了两个基于普通最小二乘多元线性回归的经验模拟模型：

模型 1（水稻）： 一个将累积 NH₃-N 损失与氮肥施用量和序数温度水平联系起来的线性方程。
模型 2（小麦）： 一个将累积 NH₃-N 损失与耕作系统、基施时机水平以及氮源/施用方式虚拟变量联系起来的线性方程。

随后，这两个模型都被集成到 APSIM Next Generation 平台（版本 2026.7.8083.0）中作为 Manager-script 组件。集成过程涉及一个机械性的每日模拟，其中：

通过监测地表尿素库来检测肥料施用。
预测的 NH₃ 损失从土壤铵（NH₄⁺）库而非尿素库中扣除，以符合水解后 NH₄⁺-NH₃ 的平衡。
使用指数上升至最大值函数（ $Cumulative\ NH_3\text{-}N(t) = L_{max} \times [1 - \exp(-k \cdot t)]$ ）将总季节性损失（ $L_{max}$ ）在时间上进行分配，其中速率常数（ $k$ ）经过校准以匹配田间观察到的水解动力学。
实现了一条规则以处理多个作物季节，如果新的施用发生在其最后一次施用 60 天之后，则重置损失事件。

关键结果

模型性能：
- 水稻模型： 解释了 94.3% 的方差（ $R^2 = 0.943$ ；RMSE = 0.69 kg N ha⁻¹； $n=16$ ）。氮肥施用量是主导因素（每施用 1 kg N 导致 +0.048 kg N ha⁻¹ 的损失），温度水平贡献了较小但显著的影响（每个梯度水平 +0.60 kg N ha⁻¹）。
- 小麦模型： 解释了 94.2% 的方差（ $R^2 = 0.942$ ；RMSE = 1.62 kg N ha⁻¹； $n=39$ ）。基施时机是最强的预测因子；将早期基施改为由传感器引导的分次施肥显著降低了损失。氮源和施用方式也具有显著影响，其中条施尿素超颗粒的损失最低。值得注意的是，一旦考虑了氮素时机和来源，耕作系统没有表现出显著的独立影响。
添加剂功效： 在小麦中，脲酶抑制剂（特别是 NBPT）与仅使用推荐氮肥量相比，使累积 NH₃-N 损失减少了 40%。氢醌和 garlic extract（大蒜提取物）添加剂分别减少了 27% 和 17% 的损失。
APSIM 验证： 当嵌入 APSIM 时，两个模型都能精确到小数点后三位地重现其基于回归的季节总量（水稻：14.024 kg N ha⁻¹；小麦：21.640 kg N ha⁻¹）。每日动态显示 NH₄⁺ 库在施用后 3–4 天达到峰值，这与田间观察一致。耦合系统能够成功模拟每日损失动力学，而无需进行作物特定的调整，而是依赖于通用的土壤氮库相互作用。

意义与主张
作者声称，简单的、经田间校准的线性模型可以有效地模拟生长季节内水稻和小麦的 NH₃ 挥发，在利用仅有的易于获取的农艺预测因子的同时，提供与复杂过程模型相当的准确度。研究表明，这些经验模型可以成功嵌入成熟的作物-土壤模拟平台（APSIM Next Generation）中，以捕捉真实的每日行为，从而超越了仅作为季节总量预测工具的用途。

这种集成验证了一种耦合方法，即 Manager-scripts 与标准的土壤氮库（尿素和 NH₄⁺）进行交互，提供了一种“非 Python 确认”，证明此类脚本可以在机械化环境中忠实地重现回归预测。本文认为，这种方法——将来自独立试验的测量数据结合到简单的经验模型中，并将其嵌入模拟平台——为缺乏详细气象数据的区域氮素管理和排放清单提供了一个实用的解决方案。作者指出，虽然模型在样本内表现良好，但未来仍需通过独立数据集对其进行验证，并将其耦合扩展到更广泛的环境条件下。

农场钱包里的隐形漏洞

伟大的氮素搜寻：寻找漏洞

总结

类似论文