本文是一篇发表于《自然·食品》（Nature Food）期刊上的原创性研究论文。该研究由北京大学、法国气候与环境科学实验室（LSCE）、联合国粮农组织、荷兰环境评估局、斯坦福大学、科罗拉多州立大学等多家国际机构的科学家共同合作完成，通讯作者为北京大学的周丰研究员。论文于2021年11月正式在线发表。
这项研究的核心科学领域是农业环境学与全球变化生态学，具体聚焦于农业土壤的一氧化二氮（N2O）排放。N2O是一种强效温室气体，其对全球变暖的增温潜力是二氧化碳的约300倍，并可导致平流层臭氧损耗。农田氮肥施用是全球人为N2O排放的最大来源。为了应对气候变化，减少农业N2O排放至关重要，但前提是不能以牺牲粮食产量为代价。然而，全球范围内，在不影响作物产量的前提下，可实现多大程度的N2O减排潜力，以及这些减排潜力具体分布在哪里（即“热点”区域），目前尚不清楚。这构成了各国和国际组织制定有效N2O减排计划的主要障碍。
减排潜力的估算高度依赖于对“排放因子”（Emission Factor, EF）的准确认识。EF定义为施入土壤的氮肥中直接以N2O-N形式排放的百分比。政府间气候变化专门委员会（IPCC）为各国温室气体清单编制提供的“Tier 1”默认EF值是全球恒定的，但大量研究表明，EF受到气候、土壤性质以及施肥、灌溉、耕作等管理措施的共同强烈影响，具有巨大的空间异质性。以往的研究或基于有限的数据，或侧重于单一影响因素（如施氮量），缺乏一个综合考虑环境和管理变量、具有全球高空间分辨率、且针对不同作物的EF地图。这种数据的缺失，导致对全球减排潜力的评估存在很大的不确定性和偏差。
因此，本研究旨在解决三个关键科学问题：第一，全球农田N2O排放因子（EF）的空间异质性究竟有多大？第二，在全局和区域尺度上，哪些驱动因素（气候、土壤、管理）对EF的空间变异影响最大？第三，在维持作物产量的前提下，全球农田土壤直接的N2O排放可以减少多少（即减排潜力）？减排的“热点”区域在哪里？
本研究详细的工作流程可以概括为以下几个核心步骤：
第一步：全球观测数据集的系统收集与整理。 研究团队从已发表的文献和在线数据库中，系统收集了基于静态箱法测量的全球农田N2O排放野外观测数据，最终建立了一个包含1507个有效EF值的数据集。这些数据覆盖了1980年至2018年间，全球31个国家、234个站点的观测结果，涉及玉米、小麦、水稻和其他作物。对于每一条记录，研究者都详细收集了包括地理位置、N2O通量、作物类型、气候变量（生长期平均温度、降水、湿度指数）、土壤变量（土壤有机碳、pH、粘土含量、容重）、管理变量（施氮量、肥料类型、施用频率与方式、灌溉比例、耕作比例）以及实验参数（采样频率、持续时间、重复数）在内的六大类信息。数据的严格筛选（如必须有零氮对照、排除使用硝化抑制剂等增效肥料的试验）确保了数据质量和一致性。
第二步：构建线性混合效应（Linear Mixed-Effects, LME）模型，预测全球高分辨率EF地图。 这是本研究方法学的核心。研究团队没有使用模拟复杂生物地球化学过程的过程模型，而是采用了一种数据驱动的方法。他们为玉米、小麦、水稻和其他作物分别构建了LME模型。模型将经过对数变换的EF值作为因变量，将上述收集到的气候、土壤和管理变量作为固定效应，并将“试验站点”作为随机效应（同时考虑截距和施氮量斜率的随机变化）。通过模型变量筛选（基于AIC准则），最终为每种作物确定了最重要的预测变量。随后，利用这套LME模型和一套专门为本研究开发的全球网格化（5弧分分辨率，约10公里×10公里）输入数据集（包括2000年全球作物种植区内的气候、土壤、施肥管理、灌溉和耕作数据），预测绘制了全球四种作物类型的EF空间分布图。
第三步：识别EF空间变异的主要驱动因素。 为了回答“哪些因素最重要”的问题，研究者采用了两种互补的分析方法。首先，在全局尺度上，他们运用“多模型推断”方法，计算了各个预测变量在解释EF变异中的“相对重要性”。其次，在区域尺度上，他们使用了移动窗口（如3.75° × 3.75°）的偏相关分析，识别在每个局部区域内，哪个变量与EF的变异相关性最强，从而被定义为该区域的“主导驱动因子”。
第四步：评估全球农田N2O减排潜力并识别热点区域。 减排潜力估算结合了空间显式的EF信息和氮盈余削减数据。首先，研究者从全球田间试验数据中，确定了在保证作物产量不降低的前提下，四种作物各自的氮盈余“安全阈值”（例如，玉米为48 kg N ha-1）。这个阈值被认为是在维持粮食安全和减少氮污染之间取得平衡的“行星边界”水平。其次，利用全球网格化的氮输入（化肥、粪肥、生物固氮、大气沉降）和输出（作物带走氮）数据，计算了每个网格的当前氮盈余。然后，计算了每个网格为实现“安全阈值”需要削减的施氮量（如果当前氮盈余高于阈值）。最后，将削减后的施氮量代入之前建立的LME模型中，重新计算该情景下的N2O排放，其与基准情景（当前管理）排放的差值，即为该网格的N2O减排潜力。通过将全球所有网格的减排潜力从高到低排序并累积，识别出贡献大部分减排潜力的“热点”区域。
研究的主要结果如下：
1. EF的全球空间格局呈现出惊人的异质性。 尽管全球平均EF值与IPCC默认值大致相当（例如玉米为1.02%），但在不同地区，EF值的变化范围极大：玉米为0.08%至3.77%，小麦为0.03%至2.42%，水稻为0.03%至1.90%，其他作物为0.01%至3.12%。这意味着，在某些地区施用同样多的氮肥，其产生的N2O排放可能是其他地区的数十倍甚至上百倍。研究生成的高分辨率EF地图，首次在全球范围内清晰地展示了这种“高EF”和“低EF”区域交错分布的复杂图案，远非IPCC默认的恒定值或仅考虑管理的模型所能揭示。
2. 在全局和区域尺度上，气候和土壤因素是EF空间变异的最主要驱动者，而非管理措施。 多模型推断分析显示，对于所有作物，土壤有机碳（SOC）含量、气候变量（如湿度指数）等环境因素的相对重要性最高，而施氮量等管理措施的相对重要性较低。这颠覆了人们通常认为“施氮量是决定EF最关键因素”的认知。移动窗口的偏相关分析进一步证实，在大多数作物的主要种植区，EF的变异主要与SOC呈正相关（例如，小麦74%的种植区、水稻近三分之二的种植区）。这意味着，富含有机质的土壤（通常出现在寒冷或潮湿地区）本身更容易在施肥后产生大量N2O，这可能与有机质为反硝化微生物提供了丰富的碳源有关。其次，湿度和灌溉比例在部分玉米和其他作物区也是重要的正相关驱动因子，因为它们增加了土壤湿度，创造了利于反硝化作用的缺氧环境。管理措施（如施氮量）的重要性在更局部的尺度上（如0.75°移动窗口）才变得更加突出。
3. 全球农田N2O具有可观的减排潜力，且高度集中在少数“热点”区域。 研究估算，通过将氮盈余削减至不牺牲产量的“安全阈值”，全球农田土壤直接的N2O排放可以减少30%（95%置信区间为17-53%），相当于每年减少0.30 Tg N2O-N的排放。这个减排量相当于中国和美国两国农田直接N2O排放量的总和。非主粮作物（如蔬菜、水果）贡献了总减排潜力的63%，这主要是因为这些作物通常氮肥利用率较低且EF值较高。
更具政策意义的是，这种减排潜力分布极不均匀，呈现出明显的“帕累托”特征：全球20%的农田面积贡献了约65%的总减排潜力。 这些减排“热点”主要分布在潮湿的亚热带气候区（如中国东南部、美国东南部），以及潜育土和强淋溶土分布的地区。前十名减排潜力最大的国家（中国、美国、印度、巴西、墨西哥、德国、巴基斯坦、印度尼西亚、法国、孟加拉国）贡献了全球总潜力的68%。值得注意的是，减排“热点”并不完全等同于氮盈余最高的区域，而是高氮盈余与高EF值区域的叠加地带。这意味着，针对这些“热点”区域采取减排措施，将能实现“事半功倍”的效果。
本研究的结论是：通过采用数据驱动的方法，首次绘制了全球高分辨率、作物特异性的N2O排放因子地图，揭示了排放因子存在两个数量级的空间变异，并且其主要由气候和土壤等环境因素驱动，而非管理措施。基于此，研究量化了在不影响粮食生产前提下的全球农田N2O减排潜力及其空间分布，明确指出约三分之二的减排机会集中于全球五分之一的耕地面积上，主要集中在潮湿亚热带气候区和特定土壤类型区。这一发现强调了从“我们能减少多少排放？”向“在哪里减排最有效？”的政策思维转变的必要性，为实现有针对性、高效率的N2O减排行动提供了关键的科学依据。
本研究的亮点和价值在于： 1. 数据驱动与高分辨率制图：研究基于迄今为止最全面的农田N2O野外观测数据集（1507个点位），采用线性混合效应模型这一数据驱动方法，避免了复杂过程模型的不确定性，生成了全球首套5弧分分辨率的作物特异性EF地图。 2. 颠覆性认知：研究发现，在宏观尺度上，气候和土壤等环境因素对EF空间格局的控制作用超过了施氮量等管理措施，这改变了我们对N2O排放驱动机制的固有理解，指出单纯关注施肥技术可能不足以准确评估全球减排格局。 3. “热点”靶向策略：研究不仅量化了全球总减排潜力，更重要的是通过空间显式分析，精准识别了贡献绝大部分减排潜力的“热点”区域。这为国际社会和国家层面制定低成本、高效率的减排政策提供了明确的行动靶点，具有极强的政策指导意义。 4. 多学科方法整合：研究整合了生态学、土壤学、气候学、农学、统计学和地理信息系统等多学科方法与数据，实现了从田间观测到全球模拟、从机理探讨到政策应用的全链条分析。
此外，研究也坦承了其局限性，例如模型对EF的预测存在平均13-27%的低估；大部分观测数据未覆盖休闲期，可能低估了温带小麦区和热带水稻区的排放；以及微观尺度生物物理过程未被充分量化所带来的不确定性。研究者建议未来应优先开展高频、全年度的观测，完善对照田的历史信息记录，并利用高分辨率卫星和机器学习等手段提升农业管理数据集的精度。
这项研究通过创新的数据整合与空间分析方法，为理解和管理全球农田N2O排放提供了全新的视角和工具。其成果不仅可用于优化各国温室气体排放清单、指导野外观测网络布局，更重要的是，它倡导了一种基于空间靶向的“精准减排”新范式，对于全球协同应对气候变化、在保障粮食安全的同时实现温室气体减排目标，具有重大的科学价值和实践意义。