浙江大学环境与资源学院、浙江大学生态文明研究院数字生态方向罗忠奎研究员课题组，联合南京农业大学、北京师范大学、澳大利亚联邦科学与工业研究组织（CSIRO）和郑州大学提出一种多目标农田管理优化框架，将过程机理模型与人工智能算法相结合，实现高分辨率时空尺度的快速模拟与多管理组合协同优化，明确了我国华北平原冬小麦-夏玉米轮作系统1km空间尺度上作物稳产-固碳-减排管理时空变化格局，实现管理处方一张图，助力智慧农业和农业绿色发展。
研究成果以“Spatiotemporal co-optimization of agricultural management practices towards climate-smart crop production”为题，于2024年1月2日发表于Nature Food(《自然-食物》、影响因子23.2)。南京农业大学国家信息农业工程技术中心智慧农业创新团队成员肖浏骏副教授为第一作者，浙江大学环境与资源学院研究员罗忠奎为通讯作者，北京师范大学地理科学学部副教授王国成、澳大利亚CSIRO首席科学家王恩利、郑州大学农学院副教授刘胜利、浙江大学资源学院史舟教授、常锦峰研究员和南京农业大学朱艳教授共同参与研究。该成果得到国家重点研发政府间国际科技创新合作项目（2021YFE0114500），国家自然基金（42001105）等项目资助。
气候变化、资源过度消耗、土壤退化和温室气体大量排放已经成为制约农田可持续生产的不稳定因素。在此背景下，联合国粮农组织提出气候智能型农业（Climate-Smart Agriculture，CSA）发展倡议，既要增强农业生产适应性，又能实现固碳减排，缓解气候变化。我国也提出农业绿色发展规划，转变农业发展方式，将当前高资源投入、高环境代价的农业转变为高生产力、高资源利用效率和低环境代价的绿色农业。如何因地制宜、因时制宜地优化农田管理措施，平衡粮食生产和环境代价，既是难点，也迫在眉睫。
图1 基于过程机理模型与人工智能算法融合的多目标管理优化框架
本研究提出一种新的多目标管理优化框架（图1），将过程机理模型与人工智能算法相结合，实现高分辨率时空尺度的快速模拟与多管理组合协同优化。首先利用长期定位站点试验数据对基于过程的农田生产系统模型进行校正与验证，然后将其与六种学习模型（拉索回归、支持向量机、随机森林、XGBoost四种机器学习模型和多层感知机、卷积神经网络两种深度学习模型）相耦合，选出最优的代理模型，最后采用多目标遗传算法，优化出我国华北平原冬小麦-夏玉米轮作系统1km空间尺度上作物稳产、土壤固碳和温室减排目标下最优施肥、灌溉和秸秆还田管理组合。
图2 华北平原1km分辨率多目标优化管理及其产量、土壤有机碳、温室气体排放模拟的时空分布
研究发现，华北平原历史时期，小麦和玉米的优化氮肥施用量分别为190和168kg N ha–1，灌溉量分别为202mm和104mm，优化的残留物保留比例分别为小麦85%和玉米93%（图2）。在整个地区，最佳管理组合在空间上表型明显的空间差异。通过管理优化，未来小麦可以在保证产量不降低的情况下降低水肥的投入。玉米因为是C4作物，CO2施肥效应并不明显，且对高温和干旱比较敏感，玉米潜在产量在未来所有下降，且无法通过增加水肥投入进行补偿。值得注意的是，秸秆还田在历史时期对于土壤固碳具有重要的贡献，但是100%的秸秆还田并非最佳选择，特别是在未来情境下，土壤固碳潜力在逐渐降低，过多的秸秆还田不仅不能增加碳固存，还会增加N2O的排放，因此最优的秸秆还田比例呈现下降趋势。
作者还对最优管理的时空格局做了影响因素分析，结果发现气候是导致最优管理措施变异的最主要因素，土壤物理化学属性也非常重要。
图3 华北平原历史和未来情景稳产-固碳-减排管理
原文链接：https://doi.org/10.1038/s43016-023-00891-x