畜牧业密集混合土地利用区域的大气氨土地利用回归模型

《Environmental Pollution》：Land-Use Regression Models for Atmospheric Ammonia in a Livestock-Dense, Mixed Land-Use Area.

　　

摘要

大气氨（NH₃）暴露与人类健康和生态系统的不利影响有关。畜牧业是氨排放的主要来源。为了评估潜在的健康风险并制定有效的缓解策略，表征大气氨浓度至关重要。土地利用回归（LUR）模型已被广泛用于估算空气污染物水平，但尚未报道成功的氨LUR模型，部分原因是缺乏高密度监测网络。在本研究中，我们使用畜牧业和非畜牧业相关预测因子，在荷兰一个畜牧业密集、土地利用混合的区域开发了氨的LUR模型。我们评估了三种不同的模型算法（标准线性回归[SLR]、最小绝对收缩与选择算子[LASSO]和随机森林），涵盖三组预测因子集合。这三组集合分别包括畜牧场数量及距离（基础变体）、特定畜牧场的排放速率（排放变体），或1公里×1公里扩散模型模拟氨浓度与基础变体的组合（混合变体）。所有模型表现良好，交叉验证（CV）决定系数（R²）范围为0.63至0.75。随机森林模型并未优于SLR和LASSO模型（平均CV R²分别为0.65对0.72和0.66）。与育肥猪、犊牛、蛋鸡和农业草地相关的变量是氨浓度升高的最强预测因子，其次是人口密度变量，所有变量均与实测浓度呈正相关。虽然SLR浓度图在三变体之间显示了相似的空间模式，但排放变体可能最能捕捉局部变异性。总体而言，LUR建模为表征农业区域的氨浓度提供了一种稳健的工具，从而为地球健康评估和排放缓解策略提供了有价值的输入。

引言

氨（NH₃）是一种主要的空气污染物，其排放与畜牧业粪便和农业化肥的使用密切相关（Nair和Yu, 2020）。在荷兰，335,000户家庭位于集约化畜牧场250米范围内，这些区域观察到较高浓度的氨和其他畜牧业相关空气污染物（Hagenaars等, 2017; L?等, 2025; Van Os等, 2016）。长期暴露于较高环境氨浓度会对人类健康构成风险，并与哮喘和慢性阻塞性肺病等呼吸系统疾病有关（Borlée等, 2017; Loftus等, 2015; Radon等, 2007; Van Kersen等, 2020）。这些健康影响可能源于氨本身，也可能源于以氨为标志物的畜牧业相关空气污染物（Loftus等, 2015; Smit和Heederik, 2017）。除了对人类健康的影响外，氨在自然区域的沉降会通过降低土壤pH值或造成直接损害而伤害含有敏感植物物种的生态系统，同时为其他植物充当肥料。这可能导致生物多样性丧失，这是荷兰和整个欧洲面临的一个重大问题（Post等, 2020）。

鉴于氨的这些负面影响，准确表征其环境空气浓度至关重要。然而，在畜牧业密集区域，由于氨浓度在主要排放源（畜牧场）周围存在强烈梯度，以及排放位置和大小的不确定性，这使得准确表征仍然具有挑战性。在荷兰常见的这些畜牧业密集区域，室外浓度在几百米范围内可以存在显著差异（L?等, 2025; Sommer等, 2009; Sutton等, 1998; Tietema等, 2023）。因此，依赖单一附近或中心位置监测点的数据存在显著暴露错分风险。为解决这一问题，扩散模型被广泛使用（Sauter等, 2025; Wichink Kruit等, 2017）。这些模型整合排放数据和物理传输方程，包括沉降过程和化学转化方程，以模拟污染物在环境中的扩散方式。扩散模型通过实测数据进行验证和校准，但该过程无法完全校正排放清单和模型假设中的不确定性。

作为扩散模型的常见替代方案是土地利用回归（LUR）。其关键优势在于以实际测量数据为基础，这些数据天然地捕捉了排放源和扩散机制。这些机制因与扩散模型等相关假设的困难性而难以建模。LUR模型基于空间预测变量（例如土地利用、距畜牧场距离和道路网络）预测空气污染物的环境浓度（Azmi等, 2023; Hoek等, 2008）。为开发这些模型，获取监测站点周围区域的预测变量并将其与实测浓度进行统计学关联。这些预测变量与污染物浓度之间的关系使用线性回归模型（例如最小二乘法、最小绝对收缩与选择算子[LASSO]或岭回归）或非线性技术（如随机森林[RF]）进行建模。

尽管LUR在其他领域（如工业行业和交通相关的二氧化氮排放）中得到广泛应用，但尚未记录氨的LUR模型。在先前的一项研究中，我们在一个畜牧业密集、混合用途区域建立了一个高密度氨监测网络（L?等, 2025）。在本研究中，我们旨在利用这些测量数据，基于畜牧业和非畜牧业相关预测因子开发和评估长期氨暴露的LUR模型。此外，我们探讨了不同的预测因子集合和模型算法如何影响模型性能。我们假设，监测网络的高空间分辨率可以为稳健的氨LUR模型开发提供坚实的基础。

章节摘要

研究设计

荷兰90%的氨排放源自农业，特别是来自畜禽舍、粪便储存设施、粪肥施用和化肥。其他贡献来源包括家庭（3.5%）、交通（2.8%）以及工业和废物管理（2.1%）（CBS, 2022）。在这项探索性研究中，我们利用位于荷兰中部的一个畜牧业密集区域的高质量密度空气质量监测网络数据，对氨浓度的空间变异进行建模。

结果

监测点实测两年平均氨浓度范围为2.8至30.1 μg/m³，表明存在显著的空间变异性。一般预测变量在各站点之间也显示出相当大的变化（表1）。实测氨浓度的分布如图2所示。

同一预测因子的连续缓冲区之间，以及同一动物类型的预测因子之间观察到高度相关性，而不同动物类型之间的相关性较低至

讨论

我们的研究结果代表了在畜牧业密集区域，利用高密度空气质量监测网络开发的长期平均氨浓度LUR模型的首个实例。十折CV R²值在0.63至0.75之间，表明所得模型在解释该设置下空间变异性方面是稳健的。关键预测因子与畜牧业、农业草地和人口密度相关。预测浓度地图上的模式在三变体之间仅显示微小差异，

结论

本研究呈现了畜牧业密集混合土地利用区域长期平均氨浓度LUR模型的首个实例。所有模型表现良好，一致识别出畜牧业相关变量和农业草地为主导预测因子，人口密度变量为次要贡献者。在模型变体中，基于排放的模型比基础模型和混合模型更准确地捕捉局部变异性，这归功于其对所有畜牧业来源的详细纳入。

CRediT作者贡献声明

Serigne L?：撰写 – 原始草稿、可视化、验证、资源、项目管理、方法论、调查、正式分析、数据整理、概念化。Dick Heederik：撰写 – 审阅与编辑、调查、资金获取、概念化。Roel Vermeulen：撰写 – 审阅与编辑、概念化。Gerard Hoek：撰写 – 审阅与编辑、指导、方法论、调查、概念化

未引用参考文献

Compendium voor de Leefomgeving, 2024.

生成式人工智能和AI辅助技术在写作过程中的声明

在准备本作品的过程中，作者使用了ChatGPT以提高文本的可读性。使用此工具后，作者对内容进行了审阅和编辑，并根据需要进行了修改，对已发表文章的内容承担全部责任。

资助

本研究完全由Regio Deal Food Valley项目资助。这是一个由荷兰政府、Gelderland和Utrecht省以及8个市镇（Barneveld、Ede、Nijkerk、Renswoude、Rhenen、Scherpenzeel、Veenendaal、Wageningen）联合资助的合作项目。在"Regiodeal Foodvalley联盟"中合作关注畜牧业实践转型的合作伙伴包括乌特勒支大学、瓦赫宁根大学和研究、Aeres家禽专家中心，

利益冲突声明

? 作者声明他们没有已知的竞争经济利益或个人关系，这些情况可能已经影响或被认为影响了本论文中报告的工作。

致谢

本研究得到于2020年成立的Regio Deal Food Valley项目的支持（https://www.regiofoodvalley.nl/）。该项目旨在推动向可持续食品系统的转型。Food Valley项目是知识机构、公司和政府机构之间的合作，旨在改善循环畜牧业、食品和健康方面。我们感谢本项目所有志愿者开展测量工作。

Serigne B. L?|Dick J.J. Heederik|Roel H.C. Vermeulen|Gerard Hoek

荷兰乌特勒支大学风险评估科学研究所