這項“試”了六年的研究，讓農田施肥更環保

　　2018年，當團隊成員徐鵬提出計算全球農田施肥氨排放的想法時，數據和計算方法的巨大挑戰橫亙眼前，鄭一的內心并無太大把握。

　　“先邁第一步，否則沒有任何希望！”鄭一抱著試一試的想法，帶領團隊從繁瑣的數據收集工作起步。彼時的他們，猶如遠航的帆船在茫茫大洋中尋找新的陸地。可就在6年后，他們成功了。

　　在人工智能技術得到空前發展的當下，由南方科技大學環境科學與工程教授鄭一帶領的團隊，利用機器學習方法對全球三大糧食作物——水稻、小麥和玉米的氨排放進行了詳細評估，建立了目前全球精度最高的農田氨排放數據集，這項研究成果于近日被發表在《自然》期刊上。

　　這項研究成果從投稿到發表，僅僅花了大半年的時間，審稿人評價這項研究“非常及時”，“是目前最為詳細的一項全球性研究，代表著可持續農業和氮管理科學研究邁出了重要的一步”。

　　刻畫全球最高清農田氨排放圖景

　　氨是主要的大氣污染物之一，也是霧霾形成的重要推手。氨氣是農田氮肥施用過程中排放的主要含氮氣體之一，有數據顯示，農田氨排放占全球人為源氨排放的51%至60%。因此，農田氨減排是環境保護和可持續發展的重要任務。

　　“氣候、土壤、水文等自然環境條件均影響氨減排效果，但如何量化這些影響，并在全球不同地區準確預測農田氨排放，仍面臨著數據和方法的瓶頸，此前尚未有全球范圍內關于農田氨排放的精準刻畫。”鄭一說道。

　　自2016年以來，鄭一課題組一直探索用大數據與人工智能技術解決資源和環境問題。這項研究的契機緣起于2018年，那時，恰逢徐鵬從北京大學獲得博士學位，加入鄭一課題組進行博士后研究，他的研究方向正好是農田氮素流失，思想的碰撞帶來了科研領域的交叉創新。

　　這項從“試一試”開始的研究，整整持續了六年。

　　六年間，鄭一帶領團隊收集了除南極洲外各大洲的數據，形成一套含2627個有效樣本的全球氨排放田間觀測數據，據此建立基于機器學習的人工智能模型。利用這一模型，自下而上地計算了全球三大糧食作物——水稻、玉米、小麥的農田氨排放，產出了5弧分（約10公里）網格精度的全球農田氨排放因子和排放強度數據集，重新評估了全球農田氨排放總量，并識別了肥料優化管理措施，并估算了減氨潛力。

　　“以往的研究產出數據的空間分辨率大多較粗或數據老舊，一般為國家尺度或30弧分精度，難以指導實際的農田肥料管理；此外，以往的研究未全面考慮肥料管理措施的減排作用。”論文第一作者徐鵬說道。

　　這一研究揭示，2018年，全球的水稻、小麥和玉米三大作物的農田氨排放量為430萬噸氮，而優化這三大作物生長過程中的肥料管理，將能讓這部分氨排放降低最多38%。

　　“另外，由于氣候變暖，未來農田氨排放將進一步加劇，且氣候變化對農田氨排放的影響存在顯著區域差異。”論文通訊作者鄭一指出，目前全球實施減排措施尚面臨經濟成本高、農業集約化程度不足等重要障礙，這項研究給出了全球農田氨排放的高清圖景，為世界各地實施差異化減排措施提供了指導性建議。

　　向最具挑戰的地方去

　　“最困難的還是田間實驗數據的收集、甄別與整理，最享受的則是研究中的‘一驚一乍’。”回憶起研究過程，鄭一笑著說。

　　“這個過程是‘驚喜’和‘擔憂’不斷交替的。當我們驚喜于機器學習預測效果非常出色時，總在擔心是不是方法沒用對；當我們發現估算出來的全球排放總量明顯低于之前估計時，又擔心是不是數據弄錯了，當經過數據核對與分析，合理解釋了前后的差異，擔憂再次轉化為驚喜。”

　　正是這種“一驚一乍”的過程，推動了鄭一團隊的研究走向更高的水平。

　　“做科研需要到最具挑戰的地方去，解決最困難的科研難題。”談起鄭一真正走進環境科學領域，還要從17年前說起。

　　那時，剛剛從美國加利福尼亞大學圣巴巴拉分校博士畢業的鄭一，很快便得到了美國環境咨詢公司工作的機會，然而，朝九晚五的上班族生活僅僅持續了半年左右的時間。

　　“我這人喜歡刨根問底，內心還是向往科研，希望能解決一些有難度的問題。”鄭一回憶道。

　　2007年，我國針對青年海歸人才的政策還沒出臺，支持科研的力度也比不上現在，但鄭一感覺到，中國的資源環境問題更具挑戰性，在中國從事相關研究將具有更為廣闊的發展空間。

　　就這樣，鄭一毫不猶豫地辭去工作，回到祖國。

　　“這些年來，我國在資源環境領域的研究投入非常大，資源環境難題也在一件一件地解決，與十七年前相比，我國環境科學領域的學者已經真正具備了全球視野，有了解決全球環境難題的能力，證明了我當時的選擇沒有錯。”鄭一如是說。

　　人工智能技術“加速”環境科學發展

　　近年來，鄭一帶領團隊運用大數據與人工智能的先進方法，開展從流域到全球的多尺度研究，并取得了一系列成果。

　　此前，他們在關于中國有機農業和保護性農業實現氨減排的研究中，揭示了機器學習方法能夠從數百個有限的樣本數據中定量分辨不同自然環境條件的影響，相關成果發表于《環境科學與技術》。

　　“正是這一前期工作的成功，堅定了我們完成這項全球性研究的信心，希望通過擴大樣本量，實現用機器學習預測全球農田氨排放。”鄭一說道，這一研究揭示，從全球整體來看，選用高效肥和在土壤深層施肥是最有效的減氨措施，但這并非放之四海而皆準。

　　“例如，高效肥適用于全球83%的水稻種植面積、61%的小麥種植面積和50%的玉米種植面積。選用什么樣的措施組合？能產生多大的減排效果？都需要視當地氣候、土壤、水文等條件而定。而人工智能可以告訴我們怎么定。”

　　我國自然地理條件復雜，這一研究有助于指導我國采用區域差異化的政策措施，引導和扶持農民因地制宜地優化農田肥料管理，減少氨排放。

　　在鄭一看來，人工智能已在許多領域展示出顛覆性的能力，在環境科學領域也是如此，可以挖掘出傳統方法未曾發現的環境規律。“人工智能與環境科學的前沿交叉領域還有許多的空白需要填補，國內外都處于探索的初期，還沒有啟動加速度。我國學者應抓住機遇，爭取在這個全新的賽道上領跑。”鄭一說道。

　　下一步，研究團隊將綜合分析農田氮素的多種流失形式，以及農田管理措施的多維效應，探索一條兼顧糧食生產、空氣質量、碳匯效應和水安全的農業可持續發展路徑。