《Field Crops Research》：Multi-objective optimization of rice production and environmental sustainability under climate change in the Yangtze River Delta: A DNDC-random forest framework approach
编辑推荐：
水稻生产力与环境影响协同优化研究：基于DNDC-RF框架的多目标分析揭示长江三角洲地区有机肥替代可降低35%温室气体排放，同时保持产量。气候变化情景下，早中期产量提升22%，晚期下降42%，空间分异显示北部抗逆性强，南部脆弱性突出。
梁书硕|何平|楚庆南|何文天|李若晨|徐新鹏|姜荣|刘双|曹林奎|沙志敏
上海交通大学农业与生物学院，中国上海东川路800号，200240
摘要
在气候变化背景下，如何在维持水稻产量的同时最小化环境影响仍不明确。我们开发了一个DNDC-Random Forest（DNDC-RF）框架，将基于过程的DNDC模型与随机森林机器学习相结合，以评估水稻产量、氨（NH?）挥发和温室气体排放，并通过多目标肥料管理探索优化潜力。DNDC模型在模拟水稻产量方面的表现更为优越（R2 = 0.83），而DNDC-RF框架则提高了预测准确性（R2 = 0.93–0.97）。使用NSGA-III算法进行的多目标优化显示，长江三角洲地区在不同区域的最佳肥料管理策略存在差异：部分用有机肥料替代化学肥料（MF）可以在保持产量相当的同时，将温室气体排放量减少25–35％。在SSP126情景下，两种处理方式在整个2021–2100年期间都保持了产量增长，初期产量增加了21.8–22.4％；而SSP585情景下则导致产量逐渐下降，最终比基准水平低42.3％。空间分析表明，北部县区的气候适应性更强，而南部沿海县区的脆弱性更高。我们的研究结果为开发既能提高产量又能确保环境可持续性的气候智能型农业实践提供了科学支持。
引言
长江三角洲（YRD）的可持续水稻生产面临着在气候变化条件下满足日益增长的食物需求同时最小化环境影响的双重挑战。稻田存在一个复杂的环境悖论：虽然水稻通过光合作用吸收大气中的二氧化碳（CO?），但同时通过土壤生物化学过程释放大量温室气体（GHGs）和氨（NH?）（He等人，2024年；IPCC，2022年）。这些排放具有深远的环境影响，因为温室气体加速了全球变暖，而氨则导致空气质量恶化、酸沉降和生态系统富营养化（Liu等人，2013年；Sutton等人，2021年）。氮（N）肥料的施用进一步加剧了这一问题：尽管氮对提高产量至关重要，但过量施用会加剧一氧化二氮（N?O）和氨（NH?）的排放，从而加剧全球变暖、空气污染和富营养化（Duan等人，2019年；MacLeod等人，2020年）。
气候变化正在根本性地改变稻田生态系统的碳和氮循环动态。升高的CO?浓度通过增加根系分泌物和残渣输入来提高植物生物量生产，可能促进土壤有机质的积累（Zhu等人，2019a）。同时，温度升高加速了微生物活动，研究表明，土壤温度每升高1℃，农业土壤中的微生物呼吸速率会增加10–15％（Carey等人，2016年）。这种温度驱动的加速作用导致土壤有机质分解加剧和甲烷（CH?）排放增加（Yvon-Durocher等人，2014年；Jiang等人，2025年）。
施肥管理实践显著影响稻田的温室气体排放，但其效果复杂且有时相互矛盾。长期田间实验表明，虽然化学氮肥的施用能确保高产量，但在排水期间会显著增加N?O排放（25–35％），并在淹水条件下增加CH?排放（Lam等人，2017a）。有机肥料的施用对温室气体排放的影响仍有争议（Meng等人，2025年）。一些研究称，有机肥料通过改善土壤结构和增强碳封存作用减少了总温室气体排放（18–25％），但其他研究观察到甲烷生成和反硝化过程显著增加（He等人，2023a）。因此，气候变化和管理实践的综合效应会显著改变排放动态，但它们对水稻产量、温室气体和氨挥发量的联合影响在区域尺度上仍缺乏定量研究。
为了解决这些复杂的多因素相互作用及其区域尺度影响，基于过程的农业模型已成为重要工具。特别是Denitrification-Decomposition（DNDC）模型，已成为模拟农业生态系统中的碳和氮循环过程以及量化气候变化和管理实践影响的强大工具（Giltrap等人，2010年；Chu等人，2023年；Shen等人，2025年）。DNDC模型的机制方法能够详细模拟生物地球化学过程，包括不同环境条件下的土壤有机碳动态、温室气体排放和作物生长。然而，将模型应用于区域或大范围空间存在重大挑战。模型初始化和参数化在多样化农业景观中的不确定性限制了模型的应用（Lu等人，2025年）。此外，基于过程的模型在农业生产系统中的实际适用性和计算效率需要仔细考虑。为了克服这些限制同时保持预测准确性，机器学习技术，特别是随机森林（RF）方法，通过有效处理复杂非线性关系、适应包含缺失值的大型数据集以及管理大规模空间异质性，提供了补充解决方案，而无需进行广泛的参数校准。
长江三角洲地区为研究这些复杂相互作用提供了理想的自然实验室。作为中国最集约化的农业区之一，该地区是国家水稻生产和粮食安全的重要贡献者，其高产农业系统在中国粮食供应中起着关键作用。更重要的是，该地区的气候条件、土壤类型和耕作方式存在高度的空间变异性，这使其能够代表气候变化下水稻生产系统面临的更广泛挑战（Hultgren等人，2025年；Liang等人，2025年）。YRD地区的集约化农业实践意味着在这里开发的优化策略在全国范围内应用时可能产生重大的环境和经济影响。尽管许多研究已经探讨了农业管理实践对该地区水稻生产系统的影响（Zhang等人，2022年），但这些研究通常集中在特定方面，如水稻产量、温室气体排放或氨挥发。然而，可持续水稻生产需要同时优化生产力、环境保护和经济可行性——这些结果是相互关联的，不能独立优化（Muren等人，2025年）。因此，需要一个综合评估多个环境和农艺因素的方法，但目前这方面还缺乏。因此，对于不同管理策略如何同时影响YRD地区的水稻产量、温室气体排放和氨损失的理解仍然有限，特别是在未来的气候变化情景下。这一知识空白为该关键地区开发可持续农业实践带来了很大的不确定性。
本研究的主要目标是：a）通过将模型输出与YRD地区的实际产量、温室气体排放（CH?和N?O）和氨挥发数据进行了比较，来验证DNDC模型的模拟能力；b）在气候变化背景下，评估不同施肥策略下水稻产量、温室气体排放和氨损失的时空动态。研究结果将为YRD地区开发气候智能型农业实践和优化肥料管理策略提供科学支持。
研究区域
长江三角洲地区包括江苏省、浙江省、安徽省和上海市（图1a）。该地区具有亚热带季风气候，四季分明，气候空间变异性显著。年平均气温分别为江苏省13–16°C，浙江省15–18°C，安徽省14–17°C，上海市17.6°C。年降水量在江苏省为800–1200毫米，在浙江省为1100–1900毫米（更高地区……）
DNDC模型校准和性能评估
DNDC模型使用YRD地区稻田的现场特定测量数据进行了校准，包括不同施肥管理下的作物产量和气体排放（NH?、N?O和CH?）数据。表S4列出了每个研究站点使用的校准作物和土壤参数。通过系统评估四个输出变量来评估模型的可靠性，以确定其在区域应用中的可靠性。
DNDC模型性能
在这项研究中，我们通过将DNDC模型模拟的水稻产量、氨（NH?）排放和温室气体（CH?和N?O）排放结果与YRD地区九个代表性站点的实测数据进行了比较，评估了模型的性能。DNDC模型在不同输出变量和站点上的准确度有所不同，在模拟水稻产量方面表现优于模拟气体排放。
结论
本研究开发了一个DNDC-RF框架，将基于过程的建模与机器学习相结合，以优化水稻生产系统的农业资源管理。多目标优化显示出显著的资源节约潜力，最多可减少53％的氮肥投入，同时保持产量并减少25–35％的温室气体排放。有机肥料的替代（各地区占比10–40％）证明了有效的养分循环和废物利用。
作者贡献声明
梁书硕：撰写——初稿、验证、方法论、数据分析、概念构建。何平：撰写——审稿与编辑、监督、方法论、概念构建。楚庆南：撰写——审稿与编辑、方法论、调查。何文天：撰写——审稿与编辑、方法论、调查。李若晨：撰写——审稿与编辑、方法论、数据分析。徐新鹏：撰写——审稿与编辑、资源协调、调查。姜荣：撰写——审稿
利益冲突声明
作者声明没有已知的财务利益或个人关系可能影响本文所述的工作。
致谢
本工作得到了国家重点研发计划（项目编号2023YFD2300402）和上海农业科技创新项目（项目编号2024–02–08–00–12-F00012）的支持。我们还要感谢编辑和审稿人的建设性意见。
