一种基于遥感数据的混合模型，用于模拟高时空变化的施肥量和大气中的N?O对稻田中N?O排放量的影响

《Agricultural and Forest Meteorology》：A hybrid model driven by remotely-sensed data for simulating the impact of high spatiotemporal variations in fertilization and atmospheric N 2O on N 2O emissions in paddy fields

稻田过量施肥导致N?O排放成为热点问题，本研究开发混合模型NAU-RS?-N?O，通过多源遥感数据（施肥信息、LST）驱动水质参数模型，结合随机森林（RF）算法预测溶解态N?O浓度，并融合水-空气界面气体交换模型模拟动态大气N?O浓度，实现每日稻田尺度N?O排放的高精度（R2=0.72）和空间分辨率预测。

　　本文研究了一种创新性的模型，用于预测水稻田中氮氧化物（N?O）的每日田间排放量。该模型结合了多源遥感数据、机器学习算法以及水-气界面气体交换模型，旨在克服传统方法在处理施肥异质性和大气N?O浓度动态变化方面的局限性。通过整合这些先进技术，研究团队提出了一种称为NAU-RS_P-N?O的混合模型，能够更精确地模拟N?O排放的时空分布，从而为农业领域的温室气体减排提供新的思路和工具。

N?O作为一种重要的温室气体，其全球变暖潜力远高于二氧化碳，是大气中具有显著气候影响的物质之一。在中国，农业用地尤其是水稻种植区，是N?O排放的主要来源之一。随着全球人口的快速增长，对粮食的需求不断上升，导致化肥使用量大幅增加，而过量的化肥施用则成为N?O排放的主要驱动因素。因此，准确评估水稻田中的N?O排放对于实现农业可持续发展和减缓气候变化具有重要意义。

传统的N?O排放估算方法，如气室测量和通量塔观测，虽然在局部范围内具有较高的精度，但其成本高、时间消耗大，难以推广到更大范围的应用。此外，基于经验的回归模型往往忽略了物理机制，导致区域尺度上的预测存在较大不确定性。而现有的过程模型，如DNDC-Rice、SWAT-GHG、RZWQM2和SWAT-N?O，虽然考虑了复杂的参数化过程，但其依赖于特定地区的数据和复杂的模型结构，这在扩大应用范围时也带来了挑战。因此，需要一种能够有效捕捉施肥异质性和大气N?O浓度变化的新方法。

遥感技术在这一领域展现出巨大潜力。它能够提供高时空分辨率的数据，包括施肥信息、地表温度（LST）等关键环境参数，从而克服了地面观测的局限性。遥感数据的广泛应用使得研究人员能够更全面地了解水稻田中N?O排放的时空变化特征。然而，仅依靠遥感数据仍不足以准确预测N?O排放，还需要结合机器学习算法，以揭示输入变量与输出变量之间的隐含关系，提高模型的预测精度。

在本研究中，团队首先通过相关性分析确定了影响溶解态N?O浓度的关键水体质量参数（WQPs），包括总氮（TN）、溶解性有机氮（DIN）、pH值和水温（WT）。随后，利用机器学习算法构建了溶解态N?O浓度预测模型，并通过SHAP分析对模型的可解释性进行了评估。这种分析方法能够揭示不同输入变量对模型预测结果的影响程度，从而为优化模型提供依据。

接下来，团队使用多源遥感数据驱动水体质量参数模型，生成了具有高时空分辨率的WQPs数据集。这些数据不仅涵盖了施肥信息，还包括了地表温度等环境参数，从而能够更准确地反映水稻田中水体质量的动态变化。通过将这些数据整合到溶解态N?O模型中，团队进一步模拟了区域尺度上的N?O排放情况。这一过程确保了模型能够考虑到不同区域之间存在的差异性，提高了预测的准确性和适用性。

最后，团队将机器学习算法预测出的溶解态N?O浓度数据输入到水-气界面气体交换模型中，考虑了大气N?O浓度的动态变化，从而进一步预测了N?O的排放量。这种模型不仅能够捕捉到N?O排放的短期波动，还能够反映其长期趋势，为农业管理提供了更加全面的参考依据。

本研究的混合模型NAU-RS_P-N?O在多个方面表现出色。首先，通过整合遥感数据和机器学习算法，该模型能够有效处理施肥异质性问题，从而更准确地模拟N?O排放的时空分布。其次，该模型在预测N?O排放量方面取得了较高的精度，其平均R2值达到0.72，平均绝对误差（MAE）为1.56 mg·m?2·d?1，均方根误差（RMSE）为1.65 mg·m?2·d?1，表明模型具有较强的预测能力。此外，该模型还能够揭示不同环境因素对N?O排放的影响，从而为农业政策制定者和农民提供科学依据，以优化施肥管理，减少N?O排放。

在施肥管理方面，研究团队强调了氮素管理的重要性。氮素的过量施用不仅增加了N?O的排放，还可能导致土壤和水体的污染，影响生态系统的健康。因此，科学合理的氮素施用策略是减少N?O排放的关键。该模型通过分析施肥异质性对N?O排放的影响，能够帮助研究人员识别高排放热点区域，从而为精准农业提供支持。例如，在某些水稻田中，由于施肥时间和数量的不均衡，可能会形成局部的N?O排放高峰，这些区域需要特别关注，以采取针对性的管理措施。

大气N?O浓度的动态变化也是影响排放的重要因素。由于N?O具有较长的大气寿命，其浓度的变化可能会对全球气候产生深远影响。因此，模型在预测N?O排放时，需要考虑大气浓度的实时变化，以确保预测结果的准确性。团队通过将溶解态N?O浓度数据与大气N?O浓度变化相结合，使得模型能够更全面地反映N?O排放的全过程，从而提高预测的可靠性。

此外，本研究还对机器学习算法在N?O排放预测中的应用进行了深入探讨。团队发现，使用随机森林（RF）算法能够有效提高模型的预测能力，特别是在处理复杂数据和多变量关系方面表现出色。RF算法通过构建多个决策树，并对它们的预测结果进行集成，从而降低了模型的偏差和方差，提高了预测的稳定性。同时，该算法的可解释性较强，能够通过SHAP分析揭示各个输入变量对预测结果的具体贡献，这对于模型的优化和实际应用具有重要意义。

研究团队还指出，传统的基于经验的模型在处理N?O排放问题时存在一定的局限性。这些模型通常依赖于简单的统计关系，而无法充分考虑复杂的物理和化学过程。相比之下，机器学习算法能够自动学习和提取数据中的潜在模式，从而提高模型的预测精度。然而，机器学习算法的预测结果仍然受到输入数据质量和模型训练方法的影响，因此需要高质量的遥感数据作为基础，以确保模型的可靠性。

在实际应用中，NAU-RS_P-N?O模型可以用于监测和评估水稻田中N?O排放的时空变化，为农业管理和环境政策提供科学支持。例如，该模型可以用于评估不同施肥策略对N?O排放的影响，从而帮助农民选择更环保的施肥方式。此外，该模型还可以用于预测N?O排放的长期趋势，为制定应对气候变化的政策提供依据。由于N?O排放与全球变暖密切相关，因此，通过减少农业领域的N?O排放，可以有效缓解温室效应，为实现碳中和目标做出贡献。

综上所述，本研究提出的NAU-RS_P-N?O模型，通过整合多源遥感数据、机器学习算法和水-气界面气体交换模型，成功地模拟了水稻田中N?O排放的时空分布。该模型不仅提高了预测的准确性，还揭示了施肥异质性和大气N?O浓度变化对排放的影响，为农业领域的温室气体减排提供了新的方法和思路。未来，该模型可以进一步优化，以适应更多类型的农业环境，并结合实时监测数据，实现对N?O排放的动态预测和管理。同时，该模型的应用还可以拓展到其他农业领域，如小麦、玉米等作物种植区，以全面评估农业生产对温室气体排放的影响。