2018年,當團隊成員徐鵬提出計算全球農(nóng)田施肥氨排放的想法時,數(shù)據(jù)和計算方法的巨大挑戰(zhàn)橫亙眼前,鄭一的內(nèi)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(lǐng)團隊從繁瑣的數(shù)據(jù)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(shù)得到空前發(fā)展的當下,由南方科技大學環(huán)境科學與工程教授鄭一帶領(lǐng)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(nóng)田氨排放數(shù)據(jù)集,這項研究成果于近日被發(fā)表在《自然》期刊上。
這項研究成果從投稿到發(fā)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(xù)農(nóng)業(yè)和氮管理科學研究邁出了重要的一步”。
刻畫全球最高清農(nóng)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(nóng)田氮肥施用過程中排放的主要含氮氣體之一,有數(shù)據(jù)顯示,農(nóng)田氨排放占全球人為源氨排放的51%至60%。因此,農(nóng)田氨減排是環(huán)境保護和可持續(xù)發(fā)展的重要任務。
“氣候、土壤、水文等自然環(huán)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(qū)準確預測農(nóng)田氨排放,仍面臨著數(shù)據(jù)和方法的瓶頸,此前尚未有全球范圍內(nèi)關(guān)于農(nóng)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(shù)據(jù)與人工智能技術(shù)解決資源和環(huán)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(nóng)田氮素流失,思想的碰撞帶來了科研領(lǐng)域的交叉創(chuàng)新。
這項從“試一試”開始的研究,整整持續(xù)了六年。
六年間,鄭一帶領(lǐng)團隊收集了除南極洲外各大洲的數(shù)據(jù),形成一套含2627個有效樣本的全球氨排放田間觀測數(shù)據(jù),據(jù)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(nóng)田氨排放,產(chǎn)出了5弧分(約10公里)網(wǎng)格精度的全球農(nóng)田氨排放因子和排放強度數(shù)據(jù)集,重新評估了全球農(nóng)田氨排放總量,并識別了肥料優(yōu)化管理措施,并估算了減氨潛力。
鄭一(右一)與團隊在進行田間采樣分析 受訪者供圖
“以往的研究產(chǎn)出數(shù)據(jù)的空間分辨率大多較粗或數(shù)據(jù)老舊,一般為國家尺度或30弧分精度,難以指導實際的農(nóng)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(nóng)田氨排放量為430萬噸氮,而優(yōu)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(nóng)田氨排放將進一步加劇,且氣候變化對農(nóng)田氨排放的影響存在顯著區(qū)域差異。”論文通訊作者鄭一指出,目前全球?qū)嵤p排措施尚面臨經(jīng)濟成本高、農(nóng)業(yè)集約化程度不足等重要障礙,這項研究給出了全球農(nóng)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(zhàn)的地方去
“最困難的還是田間實驗數(shù)據(jù)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(fā)現(xiàn)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(shù)據(jù)弄錯了,當經(jīng)過數(shù)據(jù)核對與分析,合理解釋了前后的差異,擔憂再次轉(zhuǎn)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(zhàn)的地方去,解決最困難的科研難題。”談起鄭一真正走進環(huán)境科學領(lǐng)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(yè)的鄭一,很快便得到了美國環(huán)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(xù)了半年左右的時間。
“我這人喜歡刨根問底,內(nèi)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(xiàn)在,但鄭一感覺到,中國的資源環(huán)境問題更具挑戰(zhàn)性,在中國從事相關(guān)研究將具有更為廣闊的發(fā)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(huán)境領(lǐng)域的研究投入非常大,資源環(huán)境難題也在一件一件地解決,與十七年前相比,我國環(huán)境科學領(lǐng)域的學者已經(jīng)真正具備了全球視野,有了解決全球環(huán)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(shù)“加速”環(huán)境科學發(fā)展
近年來,鄭一帶領(lǐng)團隊運用大數(shù)據(jù)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(guān)于中國有機農(nóng)業(yè)和保護性農(nóng)業(yè)實現(xiàn)氨減排的研究中,揭示了機器學習方法能夠從數(shù)百個有限的樣本數(shù)據(jù)中定量分辨不同自然環(huán)境條件的影響,相關(guān)成果發(fā)表于《環(huán)境科學與技術(shù)》。
鄭一(右二)與研究團隊合影 受訪者供圖
“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(xiàn)用機器學習預測全球農(nóng)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(chǎn)生多大的減排效果?都需要視當?shù)貧夂颉⑼寥馈⑺牡葪l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(qū)域差異化的政策措施,引導和扶持農(nóng)民因地制宜地優(yōu)化農(nóng)田肥料管理,減少氨排放。
在鄭一看來,人工智能已在許多領(lǐng)域展示出顛覆性的能力,在環(huán)境科學領(lǐng)域也是如此,可以挖掘出傳統(tǒng)方法未曾發(fā)現(xiàn)的環(huán)境規(guī)律。“人工智能與環(huán)境科學的前沿交叉領(lǐng)域還有許多的空白需要填補,國內(nèi)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(lǐng)跑。”鄭一說道。
下一步,研究團隊將綜合分析農(nóng)田氮素的多種流失形式,以及農(nóng)田管理措施的多維效應,探索一條兼顧糧食生產(chǎn)、空氣質(zhì)量、碳匯效應和水安全的農(nóng)業(yè)可持續(xù)發(fā)展路徑。
相關(guān)論文鏈接:https://www.nature.com/articles/s41586-024-07020-z
本文鏈接:這項“試”了六年的研究,讓農(nóng)田施肥更環(huán)保http://www.lensthegame.com/show-11-3096-0.html
聲明:本網(wǎng)站為非營利性網(wǎng)站,本網(wǎng)頁內(nèi)容由互聯(lián)網(wǎng)博主自發(fā)貢獻,不代表本站觀點,本站不承擔任何法律責任。天上不會到餡餅,請大家謹防詐騙!若有侵權(quán)等問題請及時與本網(wǎng)聯(lián)系,我們將在第一時間刪除處理。