编辑推荐：
本文围绕氮肥优化管理展开综述。随着合成氮肥使用引发诸多环境问题，优化策略备受关注。文章梳理了全球氮肥使用历史、优化方法，分析不同策略优劣及整合潜力，探讨面临的挑战与未来方向，为实现可持续农业氮肥管理提供思路。
1. 引言
在合成氮肥出现前，作物生产主要依赖自然氮源，如土壤氮矿化、有机物分解、大气沉降和生物固氮等。当时，氮肥供应有限，这成为马尔萨斯陷阱的主要驱动因素之一，该理论认为人口增长最终会超过农业系统满足粮食需求的能力。工业规模生产合成氮肥后，在一定程度上弥补了粮食需求与氮供应之间的差距，支持了全球人口增长。但近几十年来，合成氮肥的使用超过了生态系统的自然固氮能力，造成了养分循环失衡，引发了一系列环境问题。
过去 60 年，全球氮肥施用量增长了 10 倍，作物产量增长了 4 倍。虽然这极大地促进了粮食安全，但也带来了难题：如何在不损害环境可持续性的前提下提高农业生产力。过量施用氮肥成为关键问题，超过 50% 的施氮量从植物 - 土壤系统中流失，造成资源浪费和环境退化，引发水污染、雾霾形成、温室气体（GHG）排放等问题。例如，氮肥中的过量氮会渗入地下水或随地表径流流失，导致淡水系统富营养化，破坏水生生态系统，造成有害藻华；氨（NH3）挥发会形成颗粒物，导致雾霾；氮氧化物（NOx）会形成地面臭氧和二次颗粒物；氮肥还是氧化亚氮（N2O）排放的主要来源，其全球变暖潜能是二氧化碳的 298 倍。
为解决这些问题，人们提出了多种氮肥管理策略，如 4R 养分管理框架，强调正确的肥料来源、用量、施用时间和地点，以优化氮素利用并减少环境危害。确定合适的施肥量受多种因素影响，包括作物品种、产量目标、土壤肥力、气候变异性、作物管理实践等。早期的精准氮管理实践主要基于土壤测试，随着精准农业的发展，确定最佳施肥量的方法不断演进，纳入了先进的传感器技术、预测模型和数据分析。
2. 全球氮肥施用的历史变化和驱动因素
氮肥的使用历史悠久且复杂，始于 19 世纪合成肥料的发现。20 世纪初哈伯 - 博施法的发展，使得氨气大规模生产成为可能，为氮肥提供了主要氮源，推动了 20 世纪作物产量的大幅增长和全球人口的增加。二战后，农业向集约化转变，大量使用化学肥料，尤其是氮肥，这一时期高产品种的引入和氮肥的广泛使用，在绿色革命中发挥了关键作用。
2.1 发达国家对全球氮肥施用的影响
1982 年左右，全球氮肥使用增量速率出现变化，通过分段回归发现，1982 - 2022 年增长率减半。许多发达国家在 20 世纪 80 年代初，氮肥施用达到收益递减点，随着作物产量趋于平稳，额外施氮的增量效益下降，施肥速率放缓。以美国为例，农业政策的变化、环境意识的提高和耕作实践的改变，影响了氮肥施用轨迹。1985 年《农场法案》引入更强的保护条款，政府将补贴与环境标准挂钩，鼓励农民减少肥料投入。同时，经济因素也影响了肥料需求，20 世纪 80 年代农场危机期间，农民为降低成本，探索更有针对性的施肥方式。此外，土壤科学和测试技术的进步，使更可靠的土壤和组织测试成为标准，帮助农民根据实际作物吸收和土壤养分水平做出施肥决策。
2.2 发展中国家氮肥使用的趋势和影响因素
发展中国家预计将继续增加氮肥使用量和强度，占全球氮肥消费的 77%。印度自 2000 年代以来成为全球第二大氮肥消费国，反映了其农业集约化的努力，政府提高农民获取肥料的举措推动了氮肥使用。巴西氮肥消费量急剧上升，2000 年后施用量增长了 5 倍，其农业发展得益于政治意愿、补贴和激励措施，以及大豆、玉米和甘蔗等作物对氮肥的高需求。巴基斯坦的情况类似，国家主导的农业支持、市场影响和人口增长推动了氮肥使用。
中国在 20 世纪 80 年代后成为最大的氮肥消费国，2013 年后，由于政策干预推广可持续农业实践，氮肥使用量开始下降。如 2015 年逐步取消肥料制造补贴政策，推出 “化肥使用零增长” 战略。不同省份的氮肥使用趋势受区域农业实践、政策干预和环境因素影响，沿海省份减少氮肥使用，而内陆省份在西部大开发战略推动下，氮肥使用量曾有所上升，但在 “化肥使用零增长” 战略实施后也有所放缓，同时政府推广土壤测试项目，为农民提供定制化的养分建议。
3. 优化施肥方法
3.1 从 20 世纪初到 20 世纪 70 年代：科学氮肥推荐的基础
氮肥推荐方法的发展可追溯到 20 世纪初，随着对可持续农业实践需求的增加，人们对土壤化学和养分在植物生长中的作用有了更深入的理解。19 世纪末 20 世纪初，Justus von Liebig 等人为理解养分对植物健康的重要性奠定了基础，Mitscherlich 定律描述了养分施用与作物产量之间的关系。早期的推荐主要基于经验观察和田间试验，农民和农学家在试验田测试不同氮肥并观察作物产量。二战后，氨气过剩生产能力使农民更容易获得氮肥，同时土壤测试作为一种营销手段出现，最终证明对农民施肥决策具有重要作用，促进了氮肥的广泛使用。
20 世纪 70 年代，绿色革命期间氮肥的大量使用促使施肥推荐向更科学、基于研究的方向转变。这一时期出现了高产作物品种、灌溉技术进步和土壤管理实践改进。人们认识到作物对氮肥的低回收率，提出了土壤氮平衡等关键原则，强调了解农业系统中氮输入和输出以优化肥料使用。土壤测试为评估土壤氮水平提供了基础数据，土壤氮平衡概念发展为斯坦福方程，为确定最佳氮肥施用量提供了定量框架，在美国玉米带等高产系统中发挥了重要作用。同时，还开发了数学模型来优化氮肥用量，提高了作物种植的盈利能力和可持续性，这些方法的原则为现代工具和模型奠定了基础。
3.2 从 21 世纪初到 20 世纪 20 年代：精准氮管理的进展
21 世纪初的技术进步革新了氮管理，非破坏性方法和遥感技术的发展使实时监测作物和土壤中的氮含量成为可能。叶绿素计的使用是一项重大突破，它可通过测量叶片叶绿素含量来反映氮素状况，用于指导生长季的氮肥施用。然而，土壤氮测试在应用中遇到挑战，传统方法如凯氏定氮法耗时耗力，决策滞后。随着技术发展，实时、现场测试方法逐渐出现，高光谱反射技术和近端传感技术的应用，能够更准确地量化土壤和植物中的氮状况，为精准氮管理提供支持。
2010 年代，环境影响开始被纳入氮肥推荐系统的主要目标。中国南方应用科斯定理设计施肥策略，减少氮淋失并确保作物产量，北方也有类似方法提出。英国率先量化氮肥的外部成本，推动了基于 “环境和社会效益” 分析的氮肥推荐制定。当考虑外部成本时，推荐的氮肥施用量低于追求最大产量时的用量，这体现了可持续性优先的原则。
同时，计算机技术、遥感和系统科学的进步促进了过程导向模型的发展，如 DSSAT、APSIM 和 STICS 等。这些模型能够模拟作物对不同环境条件和氮管理实践的响应，但在 2010 年代前，由于监测技术的限制，其在氮肥推荐中的应用有限。
2020 年代，农业面临新挑战，极端天气事件增加，需要与联合国可持续发展目标（SDGs）保持一致。气候变异性影响土壤氮动态，传统施肥指南可能不再适用。物联网（IoT）和深度学习模型等技术在氮肥管理中发挥重要作用。IoT 设备提供实时环境和土壤数据，使农民能够应对极端天气，调整施肥策略，减少氮损失并优化产量。深度学习模型通过分析大量复杂数据，能够更准确地预测作物养分需求，支持精准农业实践，符合 SDGs 的要求。
4. 推荐策略的协同潜力
氮肥推荐策略可分为三类：基于土壤和植物氮水平的策略、基于作物响应和活性氮（Nr）损失的策略，以及将土壤和 / 或植物测试数据整合到氮肥响应模型中的策略。
4.1 基于土壤和植物氮水平的策略
该策略依赖于作物氮需求与土壤或植物氮状况之间的相关性。土壤测试通过在田间特定点进行，评估土壤氮有效性，确定基线养分状态。现代土壤测试技术，如便携式传感器和光谱土壤传感器，可实时、连续地进行土壤养分评估，实现更精准的现场管理。植物氮状态传统上通过叶片测试确定，现在遥感技术可更高效地大面积评估，利用氮敏感光谱指数，如归一化差异红边指数（NDRE）、归一化差异植被指数（NDVI）和绿色归一化差异植被指数（GNDVI）等，分析植物对光的吸收和反射情况，评估植物活力和氮状态。
该策略的有效性取决于两个关键因素：一是选择合适的土壤和 / 或植物指标预测作物氮需求，多指标方法可提高准确性，但需考虑成本效益；二是考虑作物氮需求与氮肥投入之间的关系，评估农业系统中的氮平衡，确定最佳施肥量，但由于氮循环的复杂性、环境和作物条件的变异性以及测量限制，存在一定不确定性。尽管如此，该策略能根据当地土壤和作物条件提供定制化建议，便于在生长季进行实时调整，为精准农业提供关键数据。
4.2 基于作物响应和 Nr 损失的策略
此策略关注氮肥投入对作物产量和 / 或 Nr 损失的影响，而非直接关注作物氮需求和系统氮平衡。通过确定边际作物产量增加等于边际施肥成本时的氮肥施用量，实现经济或环境回报的最大化。它依赖多年、多地不同氮肥施用量的田间试验数据，考虑环境条件、土壤类型和管理实践的变异性，确保推荐的适用性。随着农业目标向可持续性转变，经验模型的响应指标从产量扩展到经济回报和 Nr 损失，利用生命周期评估等工具量化氮污染的社会和环境成本。
该策略与农民和政策制定者的目标一致，即提高生产力和减少环境影响，且简化了数据解释，降低了用户理解的难度。但它可能无法充分捕捉农场层面土壤特性、种植系统或管理实践的变异性，忽视特定地点的响应，也未深入研究系统内氮的运动、转化和利用机制。
4.3 将基于土壤和植物氮水平的策略整合到氮肥响应模型中
整合上述两种策略可平衡氮肥推荐的有效性和成本。整合通常包括两个步骤：第一步，结合土壤、植物和气候数据确定经济和环境最优的氮肥用量，然后直接利用土壤和 / 或植物测试结果调整施肥量，无需计算作物氮需求，比基于静态产量的经验模型更灵活、更具响应性。
第二步，通过模型创新提高精度，开发机理模型和应用机器学习（ML）技术。机理模型明确表示土壤氮循环的生化和物理过程，模拟氮的时空变异性，帮助确定最佳施肥量，减少环境损失并提高产量，但校准、验证和应用需要大量数据。ML 模型则通过分析大规模、高维数据集，识别影响土壤氮动态和作物生长的复杂模式和关系，有效捕捉非线性关系，近期研究成功将其应用于优化氮肥推荐，在一定程度上克服了机理模型对大量数据的依赖，提高了预测准确性。
5. 施肥优化的挑战与展望
5.1 挑战
尽管建模和技术取得了进展，但全球氮肥推荐策略的采用率仍然较低，且地区差异大。发达国家中，美国约 30 - 60% 的大规模农民使用土壤 / 植物氮测试确定施肥量，欧盟内法国采用率约 80%，丹麦仅约 23%。发展中国家情况各异，中国和印度的采用率分别为 25 - 36% 和 59%，墨西哥仅 1.7%。这反映出农业基础设施，尤其是土壤测试和推广服务存在的问题。
技术挑战主要包括模型精度、数据局限性和与增效技术（EETs）的整合问题。当前模型难以准确反映土壤、植物和环境之间的复杂相互作用，在不同地区应用时可能出现过拟合或偏差，影响施肥决策的准确性，降低农民对模型的信任。数据方面，数据的质量、数量和时间覆盖范围影响预测准确性，数据收集与当前条件的时间差异、样本收集与实验室分析的延迟，以及数据周期长度不足，都可能导致推荐与实际需求不匹配。EETs 如增效肥料（EEFs）、覆盖作物、免耕系统和高效作物品种等，其有效性受多种因素影响，且缺乏历史数据用于模型校准和验证，现有模型难以考虑其对氮需求的动态影响。
经济和教育因素也制约了推荐系统的采用。农民对风险较为敏感，采用新系统的成本包括初始投资、维护成本和间接成本等，较高的成本使许多农民，尤其是小农户，更倾向于传统实践。此外，推荐系统的复杂性和学习难度也阻碍了其广泛应用。
5.2 未来展望
应对这些挑战需要多方面的努力。为提高模型精度，应加强多学科合作，将农民、研究人员和农学家的实践经验融入模型开发和验证中。利用人工智能驱动的预测模型，如神经网络、随机森林和梯度提升等，结合空间明确的数据集，学习养分分布和作物响应模式，并通过重新训练不断提高预测能力。对于时间序列数据，长短期记忆（LSTM）网络可有效捕捉时间依赖性，集成方法可结合多个模型的输出，提高推荐的可靠性。
为解决数据滞后问题，利用遥感、物联网和无人机等技术实现作物健康、土壤养分和环境条件的实时监测，通过数据融合技术整合信息，减少不确定性，提高氮管理策略的及时性和准确性，使小农户也能受益。
将 EETs 整合到氮肥推荐模型中，需要更灵活的系统。加强作物和动物生产的整合，促进粪肥回收利用，减少对化学氮肥的依赖。开展更多田间试验和长期实验，评估不同实践在各种条件下的性能，完善模型校准和验证。
简化技术，降低氮肥推荐系统的复杂性，专注核心功能，采用分阶段方法，降低初始投资成本。将人工智能技术融入系统，自动化复杂计算，降低硬件和数据基础设施要求，使技术更易获取。
开发直观、用户友好的决策支持系统（DSS），将复杂数据转化为易懂的格式，如地图、图表等，通过移动平台提供实时、特定地点的推荐，减少农民对农业推广人员的依赖，提高用户参与度和决策效率。
政府政策在推动可持续农业实践中起着关键作用。如美国农业部的可持续农业研究和教育（SARE）计划、欧盟的共同农业政策（CAP）、中国的 “化肥使用零增长” 政策等，都通过补贴、支持研究等方式，鼓励可持续的农业实践。创新政策工具，如农业氮信用体系，可激励农民采用最佳管理实践，减少氮污染，促进农业向精准、可持续的氮肥管理方向发展。
6. 结论
氮肥优化管理的发展早于工业肥料生产时代，随着科学认识和技术的进步，其重点从单纯增加粮食供应转向解决环境问题。本文对比了基于土壤 / 植物氮测试和基于作物响应及 Nr 损失指标的两种主要推荐策略，分析了它们的优缺点和整合潜力。尽管取得了进展，但全球采用率仍较低，为实现联合国可持续发展目标，未来需进一步完善模型、改进数据质量，并将推荐有效整合到实际农业系统中。这需要政策制定者、研究人员、企业家和利益相关者共同努力，推动农业实现更可持续、高效和有弹性的氮肥管理。
