这项“试”了六年的研究，让农田施肥更环保

　　2018年，当团队成员徐鹏提出计算全球农田施肥氨排放的想法时，数据和计算方法的巨大挑战横亘眼前，郑一的内心并无太大把握。

　　“先迈第一步，否则没有任何希望！”郑一抱着试一试的想法，带领团队从繁琐的数据收集工作起步。彼时的他们，犹如远航的帆船在茫茫大洋中寻找新的陆地。可就在6年后，他们成功了。

　　在人工智能技术得到空前发展的当下，由南方科技大学环境科学与工程教授郑一带领的团队，利用机器学习方法对全球三大粮食作物——水稻、小麦和玉米的氨排放进行了详细评估，建立了目前全球精度最高的农田氨排放数据集，这项研究成果于近日被发表在《自然》期刊上。

　　这项研究成果从投稿到发表，仅仅花了大半年的时间，审稿人评价这项研究“非常及时”，“是目前最为详细的一项全球性研究，代表着可持续农业和氮管理科学研究迈出了重要的一步”。

　　刻画全球最高清农田氨排放图景

　　氨是主要的大气污染物之一，也是雾霾形成的重要推手。氨气是农田氮肥施用过程中排放的主要含氮气体之一，有数据显示，农田氨排放占全球人为源氨排放的51%至60%。因此，农田氨减排是环境保护和可持续发展的重要任务。

　　“气候、土壤、水文等自然环境条件均影响氨减排效果，但如何量化这些影响，并在全球不同地区准确预测农田氨排放，仍面临着数据和方法的瓶颈，此前尚未有全球范围内关于农田氨排放的精准刻画。”郑一说道。

　　自2016年以来，郑一课题组一直探索用大数据与人工智能技术解决资源和环境问题。这项研究的契机缘起于2018年，那时，恰逢徐鹏从北京大学获得博士学位，加入郑一课题组进行博士后研究，他的研究方向正好是农田氮素流失，思想的碰撞带来了科研领域的交叉创新。

　　这项从“试一试”开始的研究，整整持续了六年。

　　六年间，郑一带领团队收集了除南极洲外各大洲的数据，形成一套含2627个有效样本的全球氨排放田间观测数据，据此建立基于机器学习的人工智能模型。利用这一模型，自下而上地计算了全球三大粮食作物——水稻、玉米、小麦的农田氨排放，产出了5弧分（约10公里）网格精度的全球农田氨排放因子和排放强度数据集，重新评估了全球农田氨排放总量，并识别了肥料优化管理措施，并估算了减氨潜力。

　　“以往的研究产出数据的空间分辨率大多较粗或数据老旧，一般为国家尺度或30弧分精度，难以指导实际的农田肥料管理；此外，以往的研究未全面考虑肥料管理措施的减排作用。”论文第一作者徐鹏说道。

　　这一研究揭示，2018年，全球的水稻、小麦和玉米三大作物的农田氨排放量为430万吨氮，而优化这三大作物生长过程中的肥料管理，将能让这部分氨排放降低最多38%。

　　“另外，由于气候变暖，未来农田氨排放将进一步加剧，且气候变化对农田氨排放的影响存在显著区域差异。”论文通讯作者郑一指出，目前全球实施减排措施尚面临经济成本高、农业集约化程度不足等重要障碍，这项研究给出了全球农田氨排放的高清图景，为世界各地实施差异化减排措施提供了指导性建议。

　　向最具挑战的地方去

　　“最困难的还是田间实验数据的收集、甄别与整理，最享受的则是研究中的‘一惊一乍’。”回忆起研究过程，郑一笑着说。

　　“这个过程是‘惊喜’和‘担忧’不断交替的。当我们惊喜于机器学习预测效果非常出色时，总在担心是不是方法没用对；当我们发现估算出来的全球排放总量明显低于之前估计时，又担心是不是数据弄错了，当经过数据核对与分析，合理解释了前后的差异，担忧再次转化为惊喜。”

　　正是这种“一惊一乍”的过程，推动了郑一团队的研究走向更高的水平。

　　“做科研需要到最具挑战的地方去，解决最困难的科研难题。”谈起郑一真正走进环境科学领域，还要从17年前说起。

　　那时，刚刚从美国加利福尼亚大学圣巴巴拉分校博士毕业的郑一，很快便得到了美国环境咨询公司工作的机会，然而，朝九晚五的上班族生活仅仅持续了半年左右的时间。

　　“我这人喜欢刨根问底，内心还是向往科研，希望能解决一些有难度的问题。”郑一回忆道。

　　2007年，我国针对青年海归人才的政策还没出台，支持科研的力度也比不上现在，但郑一感觉到，中国的资源环境问题更具挑战性，在中国从事相关研究将具有更为广阔的发展空间。

　　就这样，郑一毫不犹豫地辞去工作，回到祖国。

　　“这些年来，我国在资源环境领域的研究投入非常大，资源环境难题也在一件一件地解决，与十七年前相比，我国环境科学领域的学者已经真正具备了全球视野，有了解决全球环境难题的能力，证明了我当时的选择没有错。”郑一如是说。

　　人工智能技术“加速”环境科学发展

　　近年来，郑一带领团队运用大数据与人工智能的先进方法，开展从流域到全球的多尺度研究，并取得了一系列成果。

　　此前，他们在关于中国有机农业和保护性农业实现氨减排的研究中，揭示了机器学习方法能够从数百个有限的样本数据中定量分辨不同自然环境条件的影响，相关成果发表于《环境科学与技术》。

　　“正是这一前期工作的成功，坚定了我们完成这项全球性研究的信心，希望通过扩大样本量，实现用机器学习预测全球农田氨排放。”郑一说道，这一研究揭示，从全球整体来看，选用高效肥和在土壤深层施肥是最有效的减氨措施，但这并非放之四海而皆准。

　　“例如，高效肥适用于全球83%的水稻种植面积、61%的小麦种植面积和50%的玉米种植面积。选用什么样的措施组合？能产生多大的减排效果？都需要视当地气候、土壤、水文等条件而定。而人工智能可以告诉我们怎么定。”

　　我国自然地理条件复杂，这一研究有助于指导我国采用区域差异化的政策措施，引导和扶持农民因地制宜地优化农田肥料管理，减少氨排放。

　　在郑一看来，人工智能已在许多领域展示出颠覆性的能力，在环境科学领域也是如此，可以挖掘出传统方法未曾发现的环境规律。“人工智能与环境科学的前沿交叉领域还有许多的空白需要填补，国内外都处于探索的初期，还没有启动加速度。我国学者应抓住机遇，争取在这个全新的赛道上领跑。”郑一说道。

　　下一步，研究团队将综合分析农田氮素的多种流失形式，以及农田管理措施的多维效应，探索一条兼顾粮食生产、空气质量、碳汇效应和水安全的农业可持续发展路径。