《Field Crops Research》：Context-specific targeting of conservation agriculture reduces short-term yield penalty risk for maize and beans in Rwanda
编辑推荐：
背景与目标：土壤侵蚀是卢旺达小农耕作系统的主要威胁。梯田虽有效，但成本高且减少可耕地面积。若相对于当前耕作（current tillage, CT）的短期产量惩罚仍可为农户接受，保护性农业（conservation agriculture, CA）可作为一种有
背景与目标：土壤侵蚀是卢旺达小农耕作系统的主要威胁。梯田虽有效，但成本高且减少可耕地面积。若相对于当前耕作（current tillage, CT）的短期产量惩罚仍可为农户接受，保护性农业（conservation agriculture, CA）可作为一种有前景的补充措施。研究人员评估了CA系统相对于CT的季节性和累积产量表现、农户对CA下土壤侵蚀控制的感知，以及CA产量保持在农户可接受范围内的地点水平条件。方法：在卢旺达10个农业生态区的473个农场中，对玉米–普通豆轮作中结合减耕、间作覆盖作物和残茬保留的CA系统进行了6个种植季（3年）评价。根据观测产量比与农户陈述采纳意愿之间的经验关系，推导出农户知情可接受的CA产量表现阈值（CA:CT产量比≥0.90）。采用随机森林（random forest, RF）模型识别CA表现的地点水平驱动因素，并构建基于可观测田块特征的靶向方法。结果与结论：平均而言，CA玉米产量较CT低19%，普通豆低24%，但农户一致感知CA减少侵蚀，凸显短期产量惩罚与长期土壤保护之间的权衡。播种时覆盖物覆盖量、累计降雨量和杂草压力是CA表现的关键驱动因素。地点水平靶向将实现可接受产量表现的概率从30%提高至50%，尽管最初仅约20%的地点被识别为适合CA。地点水平靶向为管理CA短期产量惩罚与长期土壤保护效益之间的权衡提供了现实路径。意义：本研究表明，在异质性耕作环境中推广复杂的、基于系统的农艺技术需要超越平均处理效应。共同定义的表现阈值和情境特异性驱动因素的识别可以改善靶向，但其本身仍不足。研究人员认为，将这些与适应性推广策略相结合，对于提供更现实的实现影响路径是必要的。此处开发的靶向框架可直接应用于卢旺达的推广项目，并为其他复杂、基于系统的农业创新提供可复制模型。
研究背景与问题：卢旺达人口密度高（534 inhabitants km
?2）、平均农场规模小（0.35 ha），陡坡、侵蚀性降雨和连续耕作导致土壤酸化、土壤有机碳耗竭、养分开采和侵蚀，威胁粮食安全、农村生计和环境可持续性。结构措施如梯田可减少径流和侵蚀，但劳动力密集、成本高、减少可耕地面积（5–23%），且仅适合特定坡度；农林业受生物物理和社会经济约束，推广仍不均衡。保护性农业（conservation agriculture, CA；基于少免耕、永久土壤覆盖和作物多样化的系统）可补充田界和等高线保护措施，但CA表现随生物物理和管理条件强烈变化，统一推荐常难奏效。已有研究多为站内试验、样本量或地理代表性有限，或缺少解释CA表现变异所需的详细农艺、社会经济和生物物理数据；农户视角也较少整合到“可接受”CA产量表现的判定中。因此，研究人员在卢旺达异质性小农环境中开展多季同田对比，旨在评估CA相对于当前耕作（current tillage, CT）的季节和累积产量表现、农户对土壤侵蚀的感知，并识别CA可实现可接受产量表现的地点条件。
研究开展、结论与意义：研究人员在10个农业生态区473个农场、6个种植季中比较CA与CT，发现CA平均减产玉米19%、普通豆24%，但农户一致感知CA减少侵蚀；播种时覆盖物覆盖量、累计降雨和杂草压力是关键驱动因素。基于地点水平靶向，可将达到可接受产量表现的概率由30%提高至50%，但仅约20%地点最初被识别为适合CA。研究意义在于表明，在异质性环境中推广复杂系统技术不能仅依赖平均处理效应，需要共同定义表现阈值、识别情境驱动因素并结合适应性推广策略；该靶向框架可直接用于卢旺达推广项目，并为其他复杂农业创新提供可复制模型。
关键技术方法（≤250字）：研究在卢旺达10个农业生态区开展三年六季（2022年9月至2025年8月）农户田间试验，样本来源于One Acre Fund（1AF）农户试验网络，580户入组，431户提供六季有效产量数据、149户提供3–5季，摘要报告473个农场。采用农户田块内配对随机设计，CA与CT并排，CA含减耕、覆盖作物间作和残茬保留；测定产量、侵蚀感知和采纳意愿，采用线性混合效应模型（linear mixed-effects model, LMM）、线性平台模型、随机森林（random forest, RF）和分类树（classification tree），并以焦点小组讨论验证。
研究结果：
3.1 Yield performance and perceived soil erosion effects of CA（CA的产量表现与感知土壤侵蚀效应）：混合效应模型显示，总体CA:CT产量比为0.78（95% CI：0.77–0.80），即CA较CT低22%；玉米为0.81（低19%），普通豆为0.76（低24%）；CA仅在18%地点优于CT。即使表现最好的Central Plateau和Mayaga-Bugesera，平均CA:CT也仅为0.89和0.93，CA优于CT的地点仅占28–29%。农户感知方面，从第二季起超过85%农户报告CA减少侵蚀，且跨低、中、高坡度类别一致；该感知与1AF独立站内试验测得的CA下土壤流失降低58%–97%方向一致。
3.2 Participatory farmer-defined threshold of acceptable CA performance（参与式农户定义的可接受CA表现阈值）：线性平台模型显示，农户采纳意愿随CA:CT产量比升高，断点约为1.13，平台采纳概率为0.83；从平台下降15个百分点对应CA:CT为0.88。敏感性分析中，下降10%和20%分别对应0.96和0.79，分组大小改变时结果较稳健。研究人员保守取0.90作为操作阈值；焦点小组中Gisagara和Rwamagana农户分别认为10%和20%减产可接受；按0.90阈值，30%地点表现为可接受。
3.3 Drivers of CA performance（CA表现的驱动因素）：随机森林模型对玉米解释36%方差（RMSE=0.15），海拔和杂草压力为主导因素，累计降雨（播种至120天）、质量校正有机改良用量、播种时覆盖度和相对播期次之；对普通豆解释27%方差（RMSE=0.19），播种时覆盖度、累计降雨（播种至60天）和海拔为主导因素，土壤质地、杂草压力和坡度次之。焦点小组支持残茬/覆盖物和杂草压力（尤其狗牙根
Cynodon dactylon）的重要性，并提出覆盖作物早期竞争这一未纳入随机森林的约束。
3.4 Site-level targeting of CA（CA的地点水平靶向）：第二个随机森林分类模型以易观测变量预测“极差、差、可接受”表现，保留8个预测因子：农业生态区、有机改良用量、相对播期、狗牙根存在、播种时覆盖度、坡度、土壤颜色和土壤质地。靶向约20%地点时，其中约50%预测为可接受；非靶向时仅30%地点可接受。分类树将推荐给预测“可接受”的31.9%数据集，使可接受比例由28.5%升至48.3%，平均CA:CT由0.81升至0.91。
讨论总结：讨论指出，无靶向推广该CA方案会在各环境产生一致减产，总体22%的减产处于撒哈拉以南非洲和全球报告范围的偏负端；覆盖作物与主作物早期竞争是设计中的权衡，覆盖物不足和杂草（尤其狗牙根）是关键限制，肥料输入可能减弱氮固定，水分滞涝不太可能，土壤紧实未测而不能排除。农户定义阈值约0.90，即约10%减产可接受，低于结构措施5–23%的可耕地损失；侵蚀控制收益超出农场，提示生态服务支付等补偿机制可能有必要。靶向将可接受概率由30%提高至50%，与其他推广技术成功率相比处于低端，且CA管理变革更大；社会学习重要，应将CA定位为短期土壤保护策略。覆盖物的作用更可能由抑草而非保水驱动，有机改良为正向因素，作物–季节特异性要求靶向与管理优化联合。局限包括自愿参与偏创新农户、未测pH、杂草压力间接评估、管理变异、阈值基于陈述意愿、焦点小组仅两区、六季仅短期。
研究结论部分翻译：平均而言，在卢旺达无差别推广所测试的CA方案至少在最初三年不太可能产生正面产量影响；然而，在特定地点条件下，CA能够且已被证明优于CT。因此挑战在于从统一推荐转向更快速、情境特异性的CA实践优化，并结合靶向框架和工具识别农户最可能受益的地点。另一方面，农户一致感知侵蚀减少，支持将CA定位为短期土壤保护策略；这些即时土壤保护效益能否在中长期转化为土壤健康和作物生产力改善仍有待检验。农户验证的CA相对于CT可接受减产阈值10%，代表由农户证据得到的更宽10–20%耐受范围中的保守操作阈值，为CA实施初期评价提供务实基准；该阈值直接关联农户陈述的采纳意愿，并处于结构侵蚀控制措施相关生产力损失的低端，强化了CA作为补充性侵蚀控制选项的相对吸引力。同时，过渡期减产是农户成本，而减少侵蚀的收益超出农场，提示生态服务支付或其他激励机制可能支持CA采纳。地点水平靶向将实现可接受CA产量表现的概率提高到接近该地区其他广泛推广农业技术的报告水平；然而，半数控靶向地点仍经历不可接受产量结果，加上最初被识别为适合的地点比例有限（约20%），强调仅靠靶向不能为所测试系统带来广泛影响。更广泛地，研究结果表明，在异质性环境中推广复杂的、基于系统的技术需要超越平均处理效应；共同定义的表现指标、识别情境特异性表现驱动因素以及适应性推广策略，提供了比统一推荐更现实的实现影响路径。这一逻辑可扩展到其他具有强情境依赖性和高结果变异性的农业创新；在规模上实现这一点，需要能够与农户紧密合作支持持续学习和适应的研究基础设施，从一次性试验转向嵌入农业创新生态系统的迭代、长期共同创造过程，但实现这一愿景将需要超出典型短期研究项目范围的资助模式和机构承诺。
