本研究由Qihui Wang、Feng Zhou（通讯作者，邮箱：zhouf@pku.edu.cn）、Ziyin Shang、Philippe Ciais、Wilfried Winiwarter、Robert B. Jackson等来自北京大学、法国气候与环境科学实验室（LSCE）、国际应用系统分析研究所（IIASA）、斯坦福大学、联合国粮农组织（FAO）等机构的科研人员共同完成。该研究论文发表于《National Science Review》2020年第7卷第2期，第441至452页，并于2019年7月11日在线发表，属于地球科学领域。

一、研究背景

农田是全球最大的人为氧化亚氮（N₂O）排放源。N₂O是一种强效温室气体，其百年尺度全球增温潜势远高于二氧化碳，同时也会破坏平流层臭氧。然而，基于政府间气候变化专门委员会（IPCC）第一层级（Tier 1）和第三层级（Tier 3）方法估算的全球农田N₂O排放仍存在很大不确定性。IPCC Tier 1方法通常假定排放因子（emission factor，EF）在时间和空间上恒定，但越来越多的观测证据表明，EF对施氮量（N rate）的响应是非线性的，且强烈依赖于气候、土壤等环境条件。Tier 3方法虽然基于过程模型，但其参数校准往往局限于少数观测站点，且受氮输入网格数据不确定性的影响较大。因此，本研究旨在利用基于站点观测的统计升尺度方法，独立于过程模型假设，重新评估1961—2014年全球农田N₂O排放，并为约束IPCC Tier 1和Tier 3方法提供新的基准。

二、研究流程

本研究主要包括四个步骤。

第一，构建全球农田N₂O观测数据集。作者从在线数据库、观测网络和同行评议文献中汇总了来自全球180个分布站点的1206条腔室法（chamber-based）观测记录，涵盖28个国家。数据筛选标准包括：具有零氮对照处理、未使用控释肥或硝化抑制剂、覆盖完整作物生长季、在田间条件而非实验室或温室中进行、采样频率不低于每周一次。每条记录用于计算与施氮量相关的排放因子，公式为EF = (E − E₀)/N，其中E为施氮处理下的N₂O通量，E₀为零氮对照的N₂O通量，N为施氮量。最终获得旱地作物（upland crops）1052条观测（来自152个站点）和水稻（paddy rice）154条观测（来自28个站点）。

第二，开发空间参考非线性模型（spatially referenced non-linear model，SRNM）。该模型假设N₂O排放因子与施氮量之间呈二次函数关系，即EF = αN + β，其中α和β随气候、土壤和灌溉等环境因子在空间上变化。模型参数通过贝叶斯递归回归树版本2（Bayesian recursive regression tree v2，BRRT v2）算法，利用全球观测数据集进行训练。模型使用六个环境因子作为预测变量：土壤pH、黏粒含量、土壤有机碳（SOC）、容重（BD）、生长季累积降水量与灌溉量之和、平均气温。

第三，重建高分辨率氮输入网格数据。作者收集了38个国家15593个行政单元（县、市、省或州级）的合成氮肥消费统计数据，时间覆盖1980—2014年；对1961—1980年数据，利用各国1980年代的亚国家分配比例将粮农组织统计数据库（FAOSTAT）的国家总量进行降尺度处理。同时整合了Zhang等提供的5弧分分辨率农田粪肥施用网格数据（1860—2014年），以及基于FAOSTAT的作物残余物还田氮数据。三者合并后生成全球15593个行政单元的农田氮输入数据集，再根据作物类型分配为旱地作物和水稻的施氮量，最终重采样为5弧分分辨率。

第四，进行情景模拟与归因分析。作者设计了五个情景（S0—S4）：S0使用SRNM导出的网格化EF和高分辨率、分作物的氮输入数据；S1使用低分辨率氮输入但保持相同EF；S2使用IPCC Tier 1默认EF；S3使用IPCC Tier 1默认EF和FAO氮输入（扣除草地合成肥施用）；S4与S3相同但不按作物分配氮输入。通过比较S0与S1—S4的差异，分别量化空间分辨率、EF差异、氮输入量级和作物分配的影响。

三、主要结果

模型性能方面，交叉验证显示SRNM对旱地作物EF的调整决定系数（R²_adj）为0.65（n = 1052，斜率0.92，p <0.001），水稻EF的R²_adj为0.87（n = 154，斜率0.91，p <0.001），表明模型具有较好的预测能力。

全球旱地作物EF从1960年代的0.80 ± 0.06%上升至2005—2014年的1.05 ± 0.04%；水稻EF则较为稳定，维持在0.46%—0.53%之间。与IPCC Tier 1默认值相比，本研究在1990—2014年的旱地作物EF与默认值一致，但1961—1989年约低15%，水稻EF则在1961—2014年全期约高67%。空间上，EF的均值主要受环境条件控制，占全球农田面积的77%；而EF的时间变化趋势则主要受施氮量增加控制，占全球农田面积的57%。

全球农田N₂O排放量从1960年代的0.33 Tg N yr⁻¹增加到2000年代的1.17 Tg N yr⁻¹，1961—2014年平均为0.82 ± 0.34 Tg N yr⁻¹。排放热点在1960年代位于西欧和美国东部，近十年来转移至中国东部、南亚北部和巴西南部。与FAOSTAT、EDGAR v4.3.2和GAINS等基于IPCC Tier 1方法的全球清单相比，本研究估计值低约23%—25%。敏感性分析表明，1961—2014年间，氮输入量级较低解释了82%的排放差异，旱地作物EF较低解释了42%，作物分配修正贡献18%，而更高的空间分辨率贡献为−42%（即部分抵消了上述降低作用）。1990年代之前，与Tier 1清单的差异主要由氮输入数据的降低所主导；之后则主要由SRNM导出的旱地作物EF较低所主导。

与Tier 3方法（NMIP模型集合）相比，在扣除约1.52 ± 0.16 Tg N yr⁻¹的“背景”人为排放后，本研究结果（0.82 ± 0.34 Tg N yr⁻¹）与NMIP结果（0.75 ± 0.53 Tg N yr⁻¹）基本一致。背景排放指在无新增施肥条件下的排放，包括土壤矿化、大气沉降和前期施肥残留效应。

四、结论与意义

本研究建立了一个基于全球站点观测的非线性EF升尺度框架，并结合高分辨率、分作物的氮输入数据，重新评估了1961—2014年全球农田直接N₂O排放。结果表明，全球农田N₂O排放比IPCC Tier 1全球清单低约四分之一，主要归因于氮输入数据的不同和基于观测的非线性EF。该研究进一步表明，N₂O排放对施氮量的响应具有显著的空间异质性，环境条件（特别是土壤pH、SOC和气候）在空间格局中起主导作用，而施氮量变化在时间趋势中作用更大。这一发现对制定更具针对性的减排政策具有重要参考价值。

本研究的科学价值在于：第一，提供了一个独立于过程模型假设的数据驱动估计，可用于约束IPCC Tier 1和Tier 3方法；第二，明确了排放差异的主要来源，即氮输入数据的改进和非线性EF的采用；第三，强调了背景人为排放在全球N₂O收支中的重要性。其应用价值在于：提供的高分辨率排放空间分布可为各国温室气体清单编制和减缓措施优化提供依据。由于N₂O排放的非线性特征和环境调控作用，最有效的减排措施应优先针对高施氮量且环境条件有利于N₂O生成的区域。

五、研究亮点

本研究的亮点包括：第一，构建了全球最大的农田N₂O排放因子观测数据集，旱地作物和水稻观测数量均超过以往数据集的两倍；第二，首次将基于全球站点观测的非线性EF与基于亚国家统计的高分辨率氮输入数据相结合，实现了全球农田N₂O排放的升尺度估算；第三，通过情景模拟系统区分了EF与氮输入数据对排放差异的贡献，揭示了不同历史时期的主导因素；第四，明确指出IPCC Tier 1默认EF对水稻的估计偏低约67%，这一发现对全球水稻种植区的排放清单编制具有重要意义。

六、局限性与展望

作者同时指出了研究的局限性。观测数据在部分区域仍较稀疏，如东欧、南亚、俄罗斯、中亚和中东，这些区域合计贡献约20%的全球农田N₂O排放。SRNM模型未纳入具体农田管理措施（如灌溉技术、耕作方式和秸秆管理）。此外，土壤属性数据为时间常数，可能影响对N₂O排放动态演变的刻画。未来可将背景人为排放的遗留效应纳入过程模型模拟，以进一步提高全球N₂O收支的准确性。