意大利畜牧业废水转化为生物能源的协同发展愿景：2035年的时空分析及优化方案

《Journal of Cleaner Production》：A vision for livestock effluent-to-bioenergy synergy in Italy: Spatio-temporal analysis and lean scenarios towards 2035

　　詹·席 | 费宏良 | 弗朗切斯科·马里内洛 | 安德烈亚·佩祖奥洛
意大利帕多瓦大学土地、环境、农业与林业系，莱尼亚罗，35020

**摘要**
农业在甲烷减排、水资源保护以及农村清洁能源发展方面扮演着关键角色，但目前几乎没有工具能够在地方层面上同时监测畜牧业氮负荷、基于粪便的生物气潜力以及硝酸盐的调节情况。我们提出了一种针对意大利的计算治理框架，该框架将地方畜牧业废弃物管理与国家生物能源目标相协调。该框架以氮（N）作为核心的监管约束，通过连续有效限制（Li）来量化7822个市镇的管理压力，并将空间准备情况与2035年的预测结果相结合，以支持在严格环境约束下的战略规划。利用统一的数据（2010–2024年），土地使用数据和排放因子，我们计算了氮负荷、基于粪便的甲烷潜力和甲烷密度的年度指标。在2021年的基准情况下，畜牧业排放了2.6 × 10^5吨氮，并产生了4.1 × 10^8立方米的甲烷潜力，这些主要集中在波河谷的乳制品和养猪业地区，而大多数市镇的氮负荷仍然较低。氮压力和甲烷潜力的空间分布存在明显差异，一个与植物生长无关的准备度指数能够识别出高氮压力与甲烷密度同时增加的优先市镇。在精益厌氧消化（AD）情景下（S1–S3），能源产出、甲烷减排（CO2当量）、氨气减少以及目标合规性均有所提高，这些益处主要集中在准备度较高的地区。LightGBM模型的预测准确性很高（R2 > 0.95），并显示全国范围内增长乏力，但在某些受限制地区合规性却在下降。总体而言，该框架整合了氮压力、厌氧消化选址以及可解释的市镇预测数据，以支持在欧盟和全球气候目标框架下的粪便管理解读和治理评估。

**1. 引言**
在全球将农业和能源系统置于气候变化行动核心的框架下，农业如何同时减少甲烷排放、保护水资源并扩大清洁能源规模？理想情况下是将温度升幅限制在远低于2°C，最好是1.5°C（联合国大会，2015年）。已有150多个国家加入了“全球甲烷承诺”，承诺到2030年将人为甲烷排放量比2020年的水平减少30%（国际能源署，2022年；全球甲烷承诺，2021年）。欧盟的“REPowerEU”战略和“生物质甲烷行动计划”目标是在2030年前每年生产350亿立方米的生物质甲烷，为此提供了370亿欧元的投资，并建立了专门的生物质甲烷产业合作伙伴关系，将牲畜粪便和农业残留物确定为关键原料（欧洲委员会，2022年）。然而，鉴于厌氧消化基础设施的10–15年投资周期，将分析时间延长至2035年可以更现实地观察管理措施对长期影响的效果。

欧洲农业政策也体现了这些优先事项。2023–2027年的共同农业政策（CAP）为气候缓解、适应措施和可再生能源分配了3870亿欧元（约占欧盟预算的三分之一）（欧洲委员会，2023年），支持养分管理、厌氧消化（AD）和低碳农业技术的发展。根据《硝酸盐指令》（1991年），在硝酸盐脆弱区（NVZs），基于粪便的氮排放量上限为每公顷每年170公斤氮，要求通过扩大基于粪便的能源生产来履行水资源保护义务（ISPRA，2021年）。意大利位于气候、能源和水质议程的交汇处（Sica等，2023年），该国有超过2000个生物气厂和80–100个生物质甲烷设施，主要集中在养牛密度高的北部地区，这反映了在粪便能源方面的大量投资（Labianca等，2024年）。最近的政策，包括“恢复与韧性计划”（PNRR）和部长级法令09/2022，为新建或改造的生物质甲烷厂提供了19亿欧元的支持（CIB，2025年）。波河谷地区就是一个典型的例子：这里的奶牛和养猪场密集，粪便扩散的土地有限，同时硝酸盐脆弱区覆盖范围广泛（CMCC，2024年）。国家评估进一步表明，这些压力在具有实际管理意义的空间尺度上发挥作用，突显了需要基于空间特征的治理（Ferrari等，2021年）。该地区每年排放10,000–20,000吨氮，其中农业通过氨气和二次气溶胶贡献了高达25%的颗粒物污染；管理粪便以缓解而非加剧这些压力是一个具有空间差异性的挑战。在这种情况下，氮（N）成为生物能源规模化发展的关键因素。虽然厌氧消化为甲烷回收提供了一条途径，但它并不能去除氮；相反，它只是将营养物质浓缩并固定于消化产物中，这些消化产物仍受《硝酸盐指令》的应用限制。因此，土地接收氮的生物物理和法律能力（第2.2–2.4节通过市镇特定的限制Li进行概括）是决定畜牧业与生物能源协同效应可行性的根本瓶颈。意大利的官方土壤消耗监测数据显示，土地占用情况持续存在，并通过年度指标在市镇层面进行报告，最近的变化主要集中在波河谷地区、伦巴第-威尼斯地带和亚得里亚海岸的部分地区（ISPRA，2023年）。因此，下面采用的固定土地基准应放在持续的土地变化背景下理解，而不是作为一个动态的土地使用模型。

那么，有哪些工具可以管理这种复杂性呢？一些研究使用行政数据、排放因子和空间叠加数据在次国家级别上估算氮负荷和基于粪便的生物能潜力。Ferrari等人（2021年）绘制了波河谷地区的基于粪便的能源和氮风险分布图，而Pirelli等人（2021年）估计2016年约有80,000吨粪便氮通过生物气处理，其中四分之三发生在波河流域，三分之一发生在伦巴第地区。基于GIS的多标准分析结合了作物和粪便地图与环境及基础设施限制，以确定最佳生物能源选址（Shi等人，2024年），但大多数研究依赖于粗糙的空间单元或静态时间切片（Di Perta等人，2024年）。数字创新重塑了农业监测和空间分析方式。卫星观测和机器学习（ML）模型可以绘制生物量、牧草状况和干旱压力（Weiss等人，2020年），而地理空间仪表板集成风险评估各项要素（Pinna等人，2024年），支持农业环境风险评估。农业残留物的时空分析可以划定生物量供应区域，评估温室气体减排与养分回收之间的权衡，并为生物能源规划提供依据，包括意大利的作物-粪便案例；然而，国家级别的准备度指数（ND-GAIN，2017年）仍过于汇总，无法反映地方硝酸盐限制、粪便流动（Weiss等人，2020年）或可回收甲烷潜力（Shi等人，2025年）。少数研究通过综合考虑氮压力、硝酸盐脆弱区限制和基于粪便的甲烷可用性，在市镇层面评估厌氧消化的准备情况。

尽管取得了这些进展，仍存在四个突出问题：缺乏整合畜牧业结构、土地基础、排放量和氮负荷随时间变化的市镇数据；硝酸盐脆弱区阈值与甲烷潜力之间的关联度较低，限制了氮与生物能源的协同效应；依赖现有设施而非前瞻性的、与植物生长无关的优先排序；以及有限的可用于市镇层面的氮和甲烷预测，影响了长期规划。因此，我们提出了以下问题：2010–2024年间意大利各地氮负荷和甲烷潜力的分布和聚集情况（问题1）；哪些市镇面临严重的废弃物管理压力及其原因（问题2）；在精益厌氧消化情景下，哪些地区的能源、排放和合规性提升相一致，以及这些地区是否具备相应准备度（问题3）；轻量级ML模型能否准确预测到2035年的市镇氮和甲烷水平，考虑到典型的10–15年厌氧消化投资周期，以及这些预测如何改变准备度格局（问题4）。为了超越现有的模块化数据，本研究提出了一个具有四个目标的计算治理框架（O）：

O1：建立2010–2024年市镇数据的连续清单，整合畜牧业、土地和排放信息（第2.1–2.3节）；
O2：评估与硝酸盐脆弱区相关的合规性、氮压力临界性及空间聚集情况（第2.4–2.5节）；
O3：定义一个与植物生长无关的准备度指数，并识别在精益厌氧消化情景下的高优先级市镇（第2.6–2.7节）；
O4：预测到2035年的氮和甲烷水平，并分析准备度的动态变化（第2.8–2.9节）。

该框架引入了三项创新：通过压力比率参数化的监管约束、基于空间准备度指数的区域优先排序，以及使用LightGBM对2035年畜牧业轨迹进行压力测试，作为超越2030年气候目标的中期治理窗口（第3节）。

在操作层面，该框架支持顺序性分析。第3.1节中的市镇清单为基准和合规结果提供了基础，第3.2节整合了2010–2024年的全国基准数据，第3.3节通过将甲烷机会与监管压力联系起来，支持准备度优先排序。第3.4节比较不同情景下的响应，第3.5节在当前固定约束下进行有限的压力测试。第3.6节通过实施筛选和区域差异化将这些结果转化为政策解读。

**2. 材料与方法**
本节介绍了空间框架、数据集和顺序分析工作流程（图1），详细内容见补充材料（SI）中的完整视图（V1–V13）。定义了市镇单位和时间覆盖范围，并统一了畜牧业、参数和土地使用输入数据（第2.1–2.2节）；计算了氮和甲烷指标（第2.3节）。采用连续的硝酸盐脆弱区阈值进行合规性评估，随后基于标准化的甲烷密度和氮压力进行空间聚集和准备度指数分析（第2.4–2.6节）。这些数据用于构建厌氧消化情景、使用SHAP的机器学习预测以及敏感性检查，为结果分析提供支持（第2.7–2.9节）。

**下载：**
- 下载高分辨率图片（969KB）
- 下载完整尺寸图片

**图1. 分析框架的顺序治理工作流程。**
清单输入（V1–V3）支持逐步构建指标、合规性评估和压力诊断、空间聚集、准备度排序、情景比较以及在当前固定约束下的有限压力测试。这些阶段生成了用于治理转化、区域差异化和政策解读的分析结果（V4–V13），详细信息见附件2（SI）。

**2.1. 研究区域**
分析范围涵盖了ISTAT 2024年几何数据中的所有意大利市镇（7822个单位），这些市镇通过PRO_COM标识，并与土地面积（面积平方公里）关联，以计算密度指标和空间权重（ISTAT，2024年）。市镇与NUTS-2和NUTS-3区域进行关联，以便汇总分析（欧盟，2016年）。畜牧业指标按年份（2010–2024年）进行计算，以2021年为基准年，反映了2019年后的硝酸盐脆弱区更新情况，以及首次具备统一畜牧业（包括家禽）和硝酸盐脆弱区数据的情况，从而捕捉当前状况，为预测提供了支持（欧洲委员会，2021年）（第2.8节）。

**2.2. 数据集和预处理**
分析融合了三个统一的数据组件（图1）：市镇-年份畜牧业面板（V1）、氮、甲烷和氨的参数表（V2），以及土地使用和硝酸盐脆弱区查询表（V3）（IPCC，2019年）；所有数据集均使用PRO_COM，并遵循统一的物种分类和时间范围以确保内部一致性。

**2.2.1. 畜牧业清单面板**
畜牧业清单面板（附件2中的V1）以长格式存储，每个市镇-年份-物种对应一条记录，共包含七个归类物种组：奶牛、肉牛、母猪、猪、家禽、蛋鸡和火鸡（ISTAT，2024年）。数据基于官方统计信息（2010–2024年牛肉、2011–2024年猪肉、2016–2024年家禽），实现了对所有7822个市镇的全面覆盖，无需统计插补（ISTAT，2024年）。该面板为所有氮、甲烷和氨指标以及后续的准备度、情景和预测分析提供了基础；指标值结合了特定物种的数量和参数表及查询视图，同时保持了用于汇总和模型分析的长格式结构（第2.2.3节和第2.3节）。

**附表1. 畜牧业清单面板和查询视图的结构。**
| 字段 | 描述 | 类型/单位 | 示例 |
|-------------|------------------------------------|--------------------------------------------|----------------------------------------|
| PRO_COM | ISTAT市镇代码（2025年几何数据） | 整数 | 1001 |
| COMUNE | 市镇名称 | 字符串 | Agliè |
| year | 日历年份（2010–2024年，取决于物种） | 整数 | 2010 |
| species | 畜牧业物种组（奶牛、肉牛、母猪、猪、家禽、蛋鸡、火鸡） | 分类 | |
| head_count | 每个市镇-年份内指定物种的动物数量 | 整数 | 10 |
| area_km2 | 市镇总土地面积（ISTAT，2024年几何数据） | 平方公里 | 13.24 |
| UAA_ha | 利用的农业面积（基于2020年农业普查） | 平方公里 | 600.9 |
| NVZ_share | 指定为硝酸盐脆弱区的市镇面积比例 | 浮点数 | 0–10.0 |
| NVZ_flag | 硝酸盐脆弱区标志（NVZ_share ≥ 0.5时为1；否则为0） | 布尔值 | 0 |
| Li | 市镇连续氮应用阈值（公式定义） | 浮点数 | 34 |
| 2.2.2. 粪便和排放参数**
粪便生产、排放和转换参数存储在V2中，这些参数在所有指标和情景中保持一致（IPCC，2006年）。该表包括氮排放因子、粪便链参数（液态和固态）、特定物种的甲烷可用性以及CH4/NH3排放因子，定义了从畜牧业数量到氮排放、甲烷潜力和排放的物理和监管链接（第2.3节指标构建、第2.7节厌氧消化情景和能源-排放-合规性权衡）（IPCC，2006年）。V2确保了基准、准备度和预测的一致性。主要参数组用于分析（详细信息见V2_Parameters，附件2）。
**参数组符号（示例）**
- **UnitCoverage** 和 **role**
- **氮排泄因子**
EF_N_kg_per_head_yr（kg N per head annual）
按物种划分的氮排泄因子（第2.3.1节）（IPCC，2006；Ferrari等人，2021）
- **每人粪肥产量**
FM_tt（新鲜粪肥产量，per person per year）
按物种和形式划分的新鲜粪肥产量（第2.3.2节）
- **干物质和挥发性固体**
DM_frac, VS_frac（比例，0–1）
干物质和挥发性固体比例（第2.3.2节）
- **来自挥发性固体的甲烷产量**
Yield_m3_per_tVS（m3 CH4 per ton VS）
每吨挥发性固体的甲烷产量（浆液/固体）（第2.3.2节）
- **收集可行性**
availability（比例，0–1）
可收集的甲烷份额（牛0.5；猪/家禽0.8）（第2.3.2节）
- **基础形态重量（粪肥形式）**
s_base（比例，0–1）
按物种划分的主要粪肥形态份额（Ferrari等人，2021）
- **甲烷排放因子**
EF_CH4_enteric（牛肠道排放因子），EF_CH4_manure（粪肥排放因子）
（kg CH4 per person per year）
- **一级牛甲烷排放因子**
（第2.3.3节）
- **基于TAN的NH3因子（猪/家禽）**
EF_NH3_TAN（kg NH3 per person per year）
或 kg NH3 per kg TAN
猪和家禽的NH3排放因子（第2.3.3节）
- **EEA（2019）**
甲烷全球变暖潜能值（GWP_CH4）
无量纲值，用于CO2e转换（第2.3.3节）
- **AD情景参数**
c, d, ?, r_NH3（无量纲参数，适用于S1–S3情景）（第2.7节）
- **2.2.4. 现有AD设施数据集**
为评估植物独立性准备指数与历史部署模式的一致性，我们汇编了来自Gestore dei Servizi Energetici（GSE，2020）的现有AD设施点数据集。该数据集包括地理坐标和设施级别的运行/生产属性（例如，能源输出代理值），随后在市政级别进行了汇总以用于案例说明（Ferrari等人，2021）。所有层在空间叠加前都统一到一致的坐标参考系统。通过将点与ISTAT 2024年的市政多边形（PRO_COM）进行空间连接，获得了每个市政的设施数量，作为2021年的基准。

**2.3. 指标构建**
衍生出三个指标组：
(i) 氮排泄量和负荷，
(ii) 可回收甲烷潜力和密度，
(iii) 基线甲烷/NH3排放量和CO2e。这些指标存储在V4/V5（附件2）中，是所有合规性、准备情况、情景和预测分析的基础。

**2.3.1. 净氮和氮负荷**
对于每个市政i和年份t，总净氮排泄量（Ni,texcrete）为各物种的贡献量（基于 livestock 数量和氮排泄因子（公式（1））之和（IPCC，2006）。氮负荷等于净排泄量除以2020年农业普查得出的单位面积氮（UAA），该值随时间保持不变（公式（2）（ISTAT，2024）。
用于地图绘制和描述性分析（第3.1节），市政被划分为4个氮负荷类别：<10、10–20、20–170和>170（kg N ha?1 year?1）（硝酸盐指令，1991）。
(1) Ni,texcrete = ∑sHi,t,s·EFsN
公式（2）
N_loadi,t = Ni,texcrete / UAAi
其中Hi,t,s是年份t市政i中物种s的数量，EFsN是相应的氮排泄因子（kg N per head year?1）。

**2.3.2. 可回收甲烷潜力**
可回收的基于粪肥的甲烷潜力（CH4i,tpotential）为各物种的粪肥产量、挥发性固体、甲烷产量和可用性因子之和（公式（3）；公式S1–S2，附件1）（IPCC，2006）。市政甲烷潜力通过总面积标准化得到甲烷密度（CH4density,i,t；公式（4）（ISTAT，2024）。甲烷潜力和密度与氮负荷一起用于基线映射（第3.1节）、空间聚类（第3.2节）和准备情况评估（第3.3节）。
(3) CH4i,tpotential = ∑sCH4i,t,ss
公式（4）
CH4density,i,t = CH4i,tpotential / areakm2,i
其中areakm2,i是来自V3_lookup的市政面积（km2）。

**2.3.3. 基线甲烷和氨排放**
同时，每年编制肠道发酵（CH4i,tenteric）和粪肥管理（CH4i,tmanure）的甲基烷排放基线清单。一级排放因子分别估算牛肠道和粪肥的甲烷排放（EEA，2019），而IPCC的粪肥模块和EMEP/EEA基于TAN的因子估算猪和家禽的总甲烷和氨排放（IPCC，2006）。总甲烷排放量使用AR6 100年甲烷全球变暖潜能值（GWPCH4 = 27.2；公式（5））转换为CO2e（CH4i,tCO2e）（IPCC，2021），作为基于情景的缓解分析的基准（第2.7节；第3.4节）。

**2.4. NVZ合规指标和压力比率**
氮合规性使用一个连续的、特定于市政的阈值，反映NVZ土地份额。对于每个市政i，有效限制L?是NVZ（170）和非NVZ（340）上限的凸组合（公式（6）（欧盟委员会，2021），基于V3中的NVZ_sharei和国家废水使用规则（Ministero delle Politiche Agricole e Forestali，2006）。完全位于NVZ内的市政采用170 kg N ha?1 year?1；其他市政采用340 kg N ha?1 year?1；基线合规性将氮负荷（公式（2）与L?进行比较，如果负荷≤L?，则标记为“OK”，否则标记为“Exceed”，并计算废水管理临界裕度（氮负荷 ? L?）。状态和超出情况存储在V5_Derived_full中，并支持合规性地图和聚类（第3.2节）。
作为比较，定义了一个无量纲压力比率（stress_ratioi,t；公式（7）），即氮负荷除以L?（Ferrari等人，2021），用于了解合规模式（第3.2节）和准备情况指数（第2.6节）。按NVZ状态划分的年度总结存储在V12_Readiness_stress中，用于支持长期轨迹分析（第3.5节）。
公式（6）
Li = 170·NVZ_sharei + 340·(1?NVZ_sharei)
公式（7）
stress_ratioi,t = N_loadi,t / Li

**2.5. 空间统计**
使用自相关统计方法评估2021年的氮负荷和甲烷密度的空间聚类。从市政中心点构建一个15公里的反距离空间权重矩阵，代表牲畜废水的典型经济运输限制，以定义粪肥管理和沼气收集区域（Ferrari等人，2021）。计算氮负荷（公式（2）和甲烷密度的全球Moran's I（公式（4）），显著性来自排列检验（结果存储在V7_Spatial-stats中）。局部空间关联指标（LISA）将市政分为高-高、低-低、高-低或低-高组，以形状文件形式存储，并用于聚类地图和热点诊断（第3.2节）。

**2.6. 准备情况指数构建和验证**
**2.6.1. 准备情况指数设计**
为了优先考虑氮压力大和基于粪肥的甲烷密度高的市政，通过稳健标准化定义了一个植物独立的准备情况指数。对于每个市政-年份，甲烷密度和氮压力（stress_ratio）使用国家中位数和MAD转换为稳健的z分数（公式S3–S4，附件1），以减少对极端值的敏感性。准备情况指数是这些z分数的乘积（zi,tCH4_density; zi,tstress_ratio；公式（8）），在甲烷潜力和废水压力之间保持中性平衡（Cafaro等人，2021）。正值（Readiness_zi,t）表示高甲烷和氮压力；负值表示低密度、低压力条件，有利于同时具有沼气潜力和NVZ压力缓解的地点。
对于2021年，根据合规状态（相对于Li，公式（2））和甲烷密度（相对于国家中位数，公式（4）将市政分类为四个象限。标签和分数存储在V8_Readiness_2021中，用于空间分析（第3.3节）。在每个NUTS 2/3区域内，根据准备情况对市政进行排名，以得出区域优先列表（图4b），包括独立于现有AD装置的顶级子集，提供不受装置影响的比较基础（Perpi?á等人，2013）。
公式（8）
Readiness_zi,t = zi,tCH4_density · zi,tstress_ratio

**2.6.2. 外部一致性和案例选择**
此外，根据植物独立的准备情况指数（公式（8）对市政进行排名，并将其分为十个等大小的组（十分位数）。将现有的AD设施与市政进行空间连接，以获得每个市政的设施数量。基于此分类，我们报告了（i）各准备情况十分位数的设施累计份额（图4c）和（ii）一个增强因子，定义为位于顶级准备情况市政的设施观测份额与在假设设施位置与准备情况无关的情况下预期份额之间的比率。这个基准对应于构建中的最高十分位数，作为结构参考。
为了补充国家一致性检查，我们提供了市政级别的案例说明。候选市政被限制在最高准备情况十分位数（2021）内，并要求至少托管一个现有的AD设施。优先考虑那些观测到的部署信号较强的市政，这些信号通过市政级别的设施属性空间聚合体现出来。选定的案例用于比较基于情景的模型效益与实际设施存在的状况和运营特征。

**2.7. AD情景和能源-排放-合规权衡**
三种AD情景将基线粪肥甲烷排放量转换为能源、温室气体减排和NH3协同效益，反映了从保守管理到高强度技术采用的不同政策目标水平。情景S1（保守）、S2（基线）和S3（雄心勃勃）在捕获效率（c）、净销毁（d）、泄漏（?）和NH3避免（rNH3）方面有所不同（Pirelli等人，2021）。参数在V2中报告，并在表S1中总结，影响在生物物理和监管限制范围内进行评估。这些情景支持在现有地域和监管条件下的比较性治理解释，而不是技术经济评估。
从V4_Baseline_all中的基线粪肥甲烷排放量开始，使用c计算甲烷捕获量（CH4i,tcaptured），并转换为体积（公式（9）。能源输出采用每立方米甲烷的固定产量，并以GWh表示（Energy_GWhi,t；公式（10））。
甲烷减排量量化为相对于基线的粪肥甲烷排放量减少量（ΔCH4i,t），并使用甲烷的全球变暖潜能值转换为CO2e（ΔCH4i,tCO2e；公式（11））。氨减少量（ΔNH3i,t；公式（12）根据rNH3（S1–S3分别为0.10、0.20或0.30，如Pirelli等人（2021）应用于基线市政NH3排放量（NH3i,ttotal），得出避免的排放量和AD后的排放量（NH3i,ttotal?ΔNH3i,t）。
为了评估合规性影响，使用相同的阈值Li（公式（6）重新计算每个情景下的氮负荷和状态。从“Exceed”状态转变为“OK”状态的市政有助于合规性的提高，定义为合规份额的增加。情景输出包括捕获的CH4、能源、CH4/NH3减少量、氮负荷和合规性，在严格的生物物理和监管边界内进行综合，以定义现实世界的决策（第3.4节）。重要的是，AD回收了甲烷，但保留了氮，将其矿化为消化物（Lamolinara等人，2022）。在高压力NVZ中，AD应与处理（例如分离和营养物再分配）结合使用，以使土地应用符合Li限制并防止二次污染（Barampouti等人，2020）。
公式（9）
CH4i,tcaptured = c·CH4i,tmanure / 0.67
其中0.67（kg CH4 m?3）用于转换甲烷的质量和体积（IPCC，2021）。
公式（10）
Energy_GWhi,t = 9.94·CH4i,tcaptured
公式（11）
ΔCH4i,tCO2e = ΔCH4i,t · GWPCH4
公式（12）
ΔNH3i,t = rNH3·NH3i,ttotal

**2.8. 面板-ML预测**
**2.8.1. 预测目标、特征和历史面板构建**
预测框架使用市政-年份面板（V9_Panel_ML_base）根据观测到的牲畜和结构条件预测氮负荷和基于粪肥的甲烷潜力。每个市政i和年份t包括实现的目标（第2.3节）和描述牲畜结构、土地使用、监管背景和时空标识符的预测因子。牲畜结构包括物种数量（奶牛、牛、猪_sow、猪_swine、家禽、蛋鸡）、一年滞后值和物种份额；土地使用和监管包括UAA、NVZ_share和NVZ_flag；标识符包括年份、NUTS-2和NUTS-3。所有变量均统一到ISTAT 2024的几何形状（第2.1–2.3节）。
分别训练LightGBM模型来预测氮负荷和甲烷潜力。氮负荷在log(1 + x)尺度上建模以稳定方差，而甲烷潜力在其原始尺度上建模。超参数通过滚动时间交叉验证进行调整（Bergmeir和Benítez，2012）。国家模型训练到年份t，并在t + 1时进行验证，以防止未来的泄漏；区域分层的变体限制了NUTS区域内的空间泄漏。性能使用MAE、RMSE、R2、rMAE和对于氮负荷≤340 kg N ha?1 year?1的政策相关MAE（公式（2）进行评估（第3.5节）。

**2.8.2. 预测输入数据集构建**
为了生成2025–2035年的预测，构建了一个未来特征面板（V10），以反映历史面板（V9）。土地使用和监管变量（UAA、NVZ_share、NUTS代码）保持不变。这种静态几何选择是一种故意的方法论方法，用于作为反事实压力测试；通过固定生物物理和监管限制，模型考察在当前固定限制下牲畜轨迹的影响。这些预测应被视为在固定当前结构限制下的压力测试输出，而不是土地使用或政策变化的动态预测。
在一切照旧的情况下推导牲畜特征：预测区域物种趋势并按区域份额向下调整到市政。预测的数量和份额与V9保持一致；静态预测因子向前传递；通过移动市政时间序列生成滞后特征。滞后氮负荷使用2011–2024年的观测值，在2024年后设置为零，并在预测过程中迭代更新（第2.8.3节）。结果的2025–2035年面板将预测因子与历史面板（公式S13–S22，附件1）对齐。

**2.8.3. 后处理和预测设计**
氮负荷预测在转换后的尺度上生成（第2.8.1节），然后反向转换，并限制为非负值；没有牲畜的市政接受零预测（第2.3节；公式（1）、（3）、（4））。因为包括滞后氮负荷（公式S22），预测是迭代的；甲烷潜力在没有滞后的情况下建模（公式（3）、（4）），并一次性预测。预测面板（V11_Forecast_2025-2035）结合NVZ查找（V3），可用于计算甲烷密度（公式（4））、压力比率（公式（7）和合规性（公式（6）（第3.5节）。

**2.8.4. 可解释的机器学习和特征归因**
为了解释驱动因素，在市政-年份级别为训练有素的LightGBM模型计算SHAP值（Lundberg和Lee，2017）。聚合的绝对SHAP值产生全球重要性排名，将牲畜结构、UAA和NVZ覆盖与氮压力（公式（7）联系起来，并将预测（第2.8节）与驱动因素分析（第3灵敏度、动态性和可重复性

为了评估框架的稳健性，我们对2021年的基准数据进行了三级灵敏度分析。首先，对牲畜氮负荷（±10%）和粪便甲烷潜力（±20%）进行了全局扰动，以考虑牲畜统计数据和通用IPCC/EEA排放因子（IPCC，2006年）的参数不确定性（结果见表S5）。其次，通过改变空间权重阈值（10–30公里）和准备就绪组成部分的相对权重（公式（8）来测试结构稳定性。第三，通过±10%的土地面积扰动来评估2020年UAA_ha基准的稳定性。通过版本化视图（V1–V13，补充信息）来确保可重复性，这些视图记录了所有模型阶段的字段、单位和角色。

3. 结果与讨论

3.1. 综合国家基准（2010–2024年）

利用第2.2–2.3节中的指标，概述了国家基准的市政氮负荷和基于粪便的甲烷潜力模式。2021年，氮负荷在集约化畜牧系统和广泛或边缘地区之间存在显著的空间对比（图3a）。高负荷的市政区集中在北部奶牛和养猪带，而阿尔卑斯山和亚平宁山内部地区的氮压力较低。甲烷密度也显示出类似的地理分布（图3b；公式（4））。高CH4密度与集约化畜牧带重合，反映了大型牲畜群和有限的土地利用面积（UAA），而广泛和山区则结合了低氮负荷和可以忽略的甲烷潜力。总体而言，这些地图表明在哪些地方粪便管理对减少氮压力和提供生物能源供应具有最大作用。

2021年的区域聚合进一步证实了这种集中趋势（表3）：尽管其他地方的UAA较大，但少数NUTS-2地区占据了全国氮排放和甲烷潜力的不成比例的部分，这促成了区域化准备就绪评估和情景分析（第3.3–3.4节）。

表3. 国家和区域基准摘要

| 地区（NUTS2） | 市政区数量 | UAA（10^3公顷） | 总氮排放量（千吨氮/年）（公式（1） | 平均氮负荷（千克氮/公顷/年） | P90氮负荷（千克氮/公顷/年） | 总CH4潜力（10^6立方米/年）（公式（3） | 平均CH4密度（10^3立方米/平方公里） |
|--------------|------------|----------------|-------------------|------------------|------------------|-------------------|-------------------|
| 意大利（全国） | 78 | 221 | 364.7 | 263.7 | 25.0 | 57.9 | 405.9 | 2.04 |
| 阿布鲁佐 | 30 | 54 | 22.9 | 2.6 | 5.9 | 13.8 | 4.3 | 0.4 |
| 巴西利卡塔 | 13 | 50 | 4.3 | 2.1 | 5.0 | 9.0 | 1.1 | 0.14 |
| 卡拉布里亚 | 40 | 45 | 6.4 | 2.0 | 3.9 | 2.0 | 0.15 |
| 坎帕尼亚 | 55 | 49 | 2.4 | 3.1 | 10.5 | 15.5 | 4.3 | 0.32 |
| 埃米利亚-罗马涅 | 33 | 105 | 9.9 | 43.3 | 44.1 | 119.2 | 56.1 | 3.09 |
| 弗留利-威尼斯朱利亚 | 21 | 52 | 26.3 | 10.0 | 28.8 | 184.5 | 14.6 | 2.01 |
| 拉齐奥 | 37 | 86 | 11.1 | 4.8 | 6.8 | 18.8 | 4.4 | 0.16 |
| 利古里亚 | 23 | 44 | 1.1 | 2.6 | 4.2 | 0.09 | 0.01 |
| 伦巴第 | 150 | 29 | 46.0 | 83.5 | 48.0 | 160.2 | 154.7 | 5.66 |
| 马尔凯 | 22 | 54 | 2.5 | 4.2 | 12.3 | 307.2 | 1.2 |
| 莫利塞 | 13 | 61 | 87.0 | 2.1 | 4.5 | 42.1 | 3.5 |
| 皮埃蒙特 | 11 | 80 | 92.0 | 5.5 | 71.1 | 111.3 | 70.8 | 12.3 |
| 普利亚 | 25 | 71 | 130 | 0.1 | 2.6 | 2.2 | 4.8 | 3.6 |
| 萨德尼亚 | 37 | 71 | 229.8 | 5.0 | 15.9 | 9.7 | 7.9 | 10.4 |
| 西西里 | 39 | 113 | 54.6 | 2.8 | 39.2 | 4.1 | 0.19 |

3.2. 综合国家基准（2010–2024年）

使用第2.2–2.3节中的指标，概述了国家基准的市政氮负荷和基于粪便的甲烷潜力模式。2021年，氮负荷在集约化畜牧系统和广泛或边缘地区之间显示出强烈的空间对比（图3a）。高负荷的市政区主要集中在北部奶牛和养猪带，而阿尔卑斯山和亚平宁山内部的氮压力较低。甲烷密度也显示出类似的地理分布（图3b；公式（4））。高CH4密度与集约化畜牧带重合，反映了大型牲畜群和有限的UAA，而广泛和山区则结合了低氮负荷和可以忽略的甲烷潜力。这些地图共同表明了在哪些地方粪便管理对减少氮压力和提供生物能源供应具有最大的影响力。

3.3. 结果与讨论

3.1. 综合国家基准（2010–2024年）

使用第2.2–2.3节中的指标，概述了国家基准的市政氮负荷和基于粪便的甲烷潜力模式。2021年，氮负荷在集约化畜牧系统和广泛或边缘地区之间显示出强烈的空间对比（图3a）。高负荷的市政区主要集中在北部奶牛和养猪带，而阿尔卑斯山和亚平宁山内部的氮压力较低。甲烷密度也显示出类似的地理分布（图3b；公式（4）。高CH4密度与集约化畜牧带重合，反映了大型牲畜群和有限的UAA，而广泛和山区则结合了低氮负荷和可以忽略的甲烷潜力。这些地图共同表明了在哪些地方粪便管理对减少氮压力和提供生物能源供应具有最大的影响力。

3.3. 结果与讨论

3.1. 综合国家基准（2010–2024年）

使用第2.2–2.3节中的指标，概述了国家基准的市政氮负荷和基于粪便的甲烷潜力模式。2021年，氮负荷在集约化畜牧系统和广泛或边缘地区之间显示出强烈的空间对比（图3a）。高负荷的市政区主要集中在北部奶牛和养猪带，而阿尔卑斯山和亚平宁山内部的氮压力较低。甲烷密度也显示出类似的地理分布（图3b；公式（4）。

3.3. 结果与讨论

3.1. 综合国家基准（2010–2024年）

使用第2.2–2.3节中的指标，概述了国家基准的市政氮负荷和基于粪便的甲烷潜力模式。2021年，氮负荷在集约化畜牧系统和广泛或边缘地区之间显示出强烈的空间对比（图3a）。高负荷的市政区主要集中在北部奶牛和养猪带，而阿尔卑斯山和亚平宁山内部的氮压力较低。甲烷密度也显示出类似的地理分布（图3b；公式（4）。

3.3. 结果与讨论

3.1. 综合国家基准（2010–2024年）

使用第2.2–2.3节中的指标，概述了国家基准的市政氮负荷和基于粪便的甲烷潜力模式。2021年，氮负荷在集约化畜牧系统和广泛或边缘地区之间显示出强烈的空间对比（图3a）。高负荷的市政区主要集中在北部奶牛和养猪带，而阿尔卑斯山和亚平宁山内部的氮压力较低。甲烷密度也显示出类似的地理分布（图3b；公式（4）。

3.3. 结果与讨论

3.1. 综合国家基准（2010–2024年）

使用第2.2–2.3节中的指标，概述了国家基准的市政氮负荷和基于粪便的甲烷潜力模式。2021年，氮负荷在集约化畜牧系统和广泛或边缘地区之间显示出强烈的空间对比（图3a）。高负荷的市政区主要集中在北部奶牛和养猪带，而阿尔卑斯山和亚平宁山内部的氮压力较低。甲烷密度也显示出类似的地理分布（图3b；公式（4）。

3.3. 结果与讨论

3.1. 综合国家基准（2010–2024年）

使用第2.2–2.3节中的指标，概述了国家基准的市政氮负荷和基于粪便的甲烷潜力模式。2021年，氮负荷在集约化畜牧系统和广泛或边缘地区之间显示出强烈的空间对比（图3a）。高负荷的市政区主要集中在北部奶牛和养猪带，而阿尔卑斯山和亚平宁山内部的氮压力较低。甲烷密度也显示出类似的地理分布（图3b；公式（4）。

3.3. 结果与讨论

3.1. 综合国家基准（2010–2024年）

使用第2.2–2.3节中的指标，概述了国家基准的市政氮负荷和基于粪便的甲烷潜力模式。2021年，氮负荷在集约化畜牧系统和广泛或边缘地区之间显示出强烈的空间对比（图3a）。高负荷的市政区主要集中在北部奶牛和养猪带，而阿尔卑斯山和亚平宁山内部的氮压力较低。甲烷密度也显示出类似的地理分布（图3b；公式（4）。

3.3. 结果与讨论

3.1. 综合国家基准（2010–2024年）

使用第2.2–2.3节中的指标，概述了国家基准的市政氮负荷和基于粪便的甲烷潜力模式。2021年，氮负荷在集约化畜牧系统和广泛或边缘地区之间显示出强烈的空间对比（图3a）。高负荷的市政区主要集中在北部奶牛和养猪带，而阿尔卑斯山和亚平宁山内部的氮压力较低。甲烷密度也显示出类似的地理分布（图3b；公式（4）。

3.3. 结果与讨论

3.1. 综合国家基准（2010–2024年）

使用第2.2–2.3节中的指标，概述了国家基准的市政氮负荷和基于粪便的甲烷潜力模式。2021年，氮负荷在集约化畜牧系统和广泛或边缘地区之间显示出强烈的空间对比（图3a）。高负荷的市政区主要集中在北部奶牛和养猪带，而阿尔卑斯山和亚平宁山内部的氮压力较低。甲烷密度也显示出类似的地理分布（图3b；公式（4）。

3.3. 结果与讨论

3.1. 综合国家基准（2010–2024年）

使用第2.2–2.3节中的指标，概述了国家基准的市政氮负荷和基于粪便的甲烷潜力模式。2021年，氮负荷在集约化畜牧系统和广泛或边缘地区之间显示出强烈的空间对比（图3a）。高负荷的市政区主要集中在北部奶牛和养猪带，而阿尔卑斯山和亚平宁山内部的氮压力较低。甲烷密度也显示出类似的地理分布（图3b；公式（4）。

3.3. 结果与讨论

3.1. 综合国家基准（2010–2024年）

使用第2.2–2.3节中的指标，概述了国家基准的市政氮负荷和基于粪便的甲烷潜力模式。2021年，氮负荷在集约化畜牧系统和广泛或边缘地区之间显示出强烈的空间对比（图3a）。高负荷的市政区主要集中在北部奶牛和养猪带，而阿尔卑斯山和亚平宁山内部的氮压力较低。甲烷密度也显示出类似的地理分布（图3b；公式（4）。

3.3. 结果与讨论

3.1. 综合国家基准（2010–2024年）

使用第2.2–2.3节中的指标，概述了国家基准的市政氮负荷和基于粪便的甲烷潜力模式。2021年，氮负荷在集约化畜牧系统和广泛或边缘地区之间显示出强烈的空间对比（图3a）。高负荷的市政区主要集中在北部奶牛和养猪带，而阿尔卑斯山和亚平宁山内部的氮压力较低。甲烷密度也显示出类似的地理分布（图3b；公式（4）。

3.3. 结果与讨论

3.1. 综合国家基准（2010–2024年）

使用第2.2–2.3节中的指标，概述了国家基准的市政氮负荷和基于粪便的甲烷潜力模式。2021年，氮负荷在集约化畜牧系统和广泛或边缘地区之间显示出强烈的空间对比（图3a）。高负荷的市政区主要集中在北部奶牛和养猪带，而阿尔卑斯山和亚平宁山内部的氮压力较低。甲烷密度也显示出类似的地理分布（图3b；公式（4）。

3.3. 结果与讨论

3.1. 综合国家基准（2010–2024年）

使用第2.2–2.3节中的指标，概述了国家基准的市政氮负荷和基于粪便的甲烷潜力模式。2021年，氮负荷在集约化畜牧系统和广泛或边缘地区之间显示出强烈的空间对比（图3a）。高负荷的市政区主要集中在北部奶牛和养猪带，而阿尔卑斯山和亚平宁山内部的氮压力较低。甲烷密度也显示出类似的地理分布（图3b；公式（4）。

3.3. 结果与讨论

3.1. 综合国家基准（2010–2024年）

使用第2.2–2.3节中的指标，概述了国家基准的市政氮负荷和基于粪便的甲烷潜力模式。2021年，氮负荷在集约化畜牧系统和广泛或边缘地区之间显示出强烈的空间对比（图3a）。高负荷的市政区主要集中在北部奶牛和养猪带，而阿尔卑斯山和亚平宁山内部的氮压力较低。甲烷密度也显示出类似的地理分布（图3b；公式（4）。

3.3. 结果与讨论

3.1. 综合国家基准（2010–2024年）

使用第2.2–2.3节中的指标，概述了国家基准的市政氮负荷和基于粪便的甲烷潜力模式。2021年，氮负荷在集约化畜牧系统和广泛或边缘地区之间显示出强烈的空间对比（图3a）。高负荷的市政区主要集中在北部奶牛和养猪带，而阿尔卑斯山和亚平宁山内部的氮压力较低。甲烷密度也显示出类似的地理分布（图3b；公式（4）。

3.3. 结果与讨论

3.1. 综合国家基准（2010–2024年）

使用第2.2–2.3节中的指标，概述了国家基准的市政氮负荷和基于粪便的甲烷潜力模式。2021年，氮负荷在集约化畜牧系统和广泛或边缘地区之间显示出强烈的空间对比（图3a）。高负荷的市政区主要集中在北部奶牛和养猪带，而阿尔卑斯山和亚平宁山内部的氮压力较低。甲烷密度也显示出类似的地理分布（图3b；公式（4）。

3.3. 结果与讨论

3.1. 综合国家基准（2010–2024年）

使用第2.2–2.3节中的指标，概述了国家基准的市政氮负荷和基于粪便的甲烷潜力模式。2021年，氮负荷在集约化畜牧系统和广泛或边缘地区之间显示出强烈的空间对比（图3a）。高负荷的市政区在收益出现的地方，它们与高准备度区域相吻合，这表明反硝化作用（AD）在甲烷潜力和监管压力重叠的区域最有效地支持氮管理（方程（4）、方程（7））。总体而言，图5显示，在各种情景下，能源产出、CH4减排和NH3减少是共同增长的，而合规性提升则相对温和且具有空间选择性，这证实了依赖植物的情景更倾向于优先考虑低遗憾区域，而不是统一的氮合规性。因此，对于较高的技术收益应采取解释性观点，因为这些情景没有模拟聚合、物流和相关实施因素。

3.5. 2025–2035年的预测、驱动因素和准备度的变化
LightGBM模型将市政面板从2010年扩展到2024年，并在Business-as-usual的畜牧轨迹下预测到2035年（第2.8节）。这些预测应被视为在当前固定结构约束下的压力测试结果，而不是对未来土地使用或政策变化的动态预测。这种有限的解释也与更广泛的官方统计数据一致，这些数据显示畜牧业活动主要集中在东北部地区，该地区占总数的大约一半，在威尼托省则接近三分之一，而意大利仍是欧盟较大的畜牧业系统之一，并且在2010年至2020年间，畜牧业存栏量的下降幅度小于农场总数的下降幅度（ISTAT，2024年）。首先评估预测的可靠性（表S4；图6c和d），然后是氮负荷和基于粪肥的甲烷潜力的预测分布和长期轨迹（图6a和b），最后是与合规性和准备度动态的联系（图S1）。

下载：下载高分辨率图像（1MB）
下载：下载全尺寸图像

图6. 市政CH4潜力和氮负荷的预测表现和驱动因素。（a）2021年基于粪肥的CH4潜力分布以及2030年和2035年的预测，以箱形图和经验累积分布函数（CDF）显示；中位数和上尾部分有所上升。（b）相应的氮负荷诊断，上百分位数增长比中位数周围更为明显。（c–d）在滚动时间交叉验证下的样本外验证（第2.8节），显示出高预测能力和紧密集中的残差。（e–f）SHAP摘要，确定主要驱动因素：猪头数和总畜牧量对CH4潜力的影响，以及总头数、单位面积动物数量（UAA_ha）、滞后氮负荷、猪和奶牛成分，以及非 ventured zone（NVZ）份额对氮负荷的影响。额外的诊断信息见补充信息（SI）。

3.5.1. 模型性能和预测可靠性
在滚动时间交叉验证下，两个目标都显示出高且稳定的样本外能力（图6c和d；表S4）。甲烷潜力的R2 = 0.966，MAE = 4.4 × 103 m3，RMSE = 3.5 × 10? m3，残差在整个范围内紧密集中，包括高潜力市政区。氮负荷的表现类似，R2 = 0.996，MAE = 1.87 kg N ha?1，RMSE = 12.15 kg N ha?1，表明即使在最高值部分，误差也保持较小。少数较大的残差与极端市政区相关，而不是偏差。这些诊断结果支持使用2025–2035年的预测来分析分布变化和上尾动态，而不是进行点对点的预测。

3.5.2. 预测分布和长期轨迹
两个指标的预测分布都向右移动（图6a和b）。从2021年到2035年，氮负荷的中位数略有上升，而上百分位数（P75–P90）增长更快，这表明在已有密集畜牧区的压力主要增加（方程（2））。甲烷潜力显示出更强的尾部响应：大多数市政区的水平仍然较低到中等，但到2030年和2035年，上尾部明显扩大，在箱形图和CDF中与中位数明显分开（图6a）。这反映了甲烷潜力和密度的乘法结构（方程（4））。总体而言，趋势表明在氮负荷和甲烷密度加剧的地方，集中程度也在增加（方程（2）、（4））。

3.5.3. 氮负荷和甲烷潜力的驱动因素（SHAP分析）
SHAP诊断澄清了预测模式背后的结构性驱动因素（图6e和f）。对于氮负荷，总畜牧量是主要的正贡献因素，这与其在负荷指标中的公式化一致（方程（2）），而单位面积动物数量（UAA_ha）通过扩大土地基础产生了强烈的负效应。这表明氮压力主要由土地-畜群配置决定，而不仅仅是畜群规模。滞后的氮负荷是顶级预测因子之一，捕捉到了畜群结构和粪肥管理的时间持续性，其中猪和奶牛系统在土地可用性受限的情况下进一步加剧了预测负荷（方程（1）。

3.5.4. 准备度动态、合规轨迹和优先级变化
预测的氮负荷意味着与连续的非 ventured zone（NVZ）阈值Li相比，合规轨迹出现分歧（方程（6）；图S1）。全国范围内的合规性仍然很高，但在2020年后下降，主要是由NVZ内的市政区驱动，其合规性从2010年的98%下降到2035年的83–85%，而非NVZ地区的合规性接近 full compliance。这种分歧反映了NVZ内氮负荷增长相对于Li的速度更快（方程（7）。
AD准备度的变化反映了不断增加的氮压力和发展的甲烷密度。ΔReadiness2035?2021的分布严重左偏（图S1），表明相对准备度普遍下降，同时有一小部分高优先级案例出现，其中甲烷密度（方程（4）和压力比率（方程（7）共同增加。
使用基于基线的阈值（第2.9节），我们将2021年和2035年持续高准备度的市政区（顶部十分位数）与2035年新出现的市政区区分开来（方程（8）。全国范围内，有572个市政区保持持续的高优先级，而67个新出现的市政区（表S2）。持续的热点集中在波河谷的奶牛-猪带，而新出现的案例较少且分散。在这种固定约束的压力测试中，不对称性表明AD机会更多地集中在现有的热点地区，而不是地理上分散的地区。这种有限的解释在外部土壤消耗监测也报告继续的土地占用情况下可能特别相关，包括波河谷的部分地区、埃米利亚走廊和亚得里亚海沿岸的部分地区（ISPRA，2023年）。

3.5.5. 准备度信号对全局扩展的鲁棒性
全局扩展敏感性测试确认了基于准备度的优先级划分的稳定性（表S5）。氮排泄量变化±10%使全国氮负荷从22.6 kg N ha?1变为27.6 kg N ha?1（方程（2）），并将合规性相对于基线阈值Li变化+0.41至?0.33个百分点，但高准备度市政区的数量仅略有变化（704–832；方程（8））。相比之下，甲烷可用性的扩展从0.8增加到1.2显著增加了总CH4潜力（从3.25 × 10? m3增加到4.87 × 10? m3；方程（4）），但对合规性没有影响，但通过准备度的甲烷密度组分将高准备度市政区的数量增加了100个。即使在不同的空间权重（10–30 km）和UAA_ha扰动下，优先级群体在结构上仍然保持稳健，顶部十分位的空间重叠超过85%。这证实了该框架的治理信号主要由畜牧业强度驱动，而不是由次要的结构或土地基础变化驱动。

3.6. 政策含义：可计算治理的路线图
该框架的治理价值在于将第3.1–3.5节的顺序输出转化为实施和政策解释。清单确定了畜牧压力和基于粪肥的甲烷机会的集中地点；合规性和压力诊断显示了监管余地的最大限制；准备度排名了这些压力共位的市政区；情景分析比较了技术-政策响应；预测阶段将这些信号作为在当前固定约束下的有限压力测试进行扩展。基于此，该框架最好被视为一个独立于植物的筛选工具，用于差异化的治理，而不是特定地点的工程或技术经济评估。

3.6.1. 区域特定的可行性和部署逻辑
政策解释应从框架的独立于植物的性质开始。高准备度的市政区结合了增加的氮压力和集中的甲烷机会，使它们成为治理筛选的优先地点，而不是自动选址。在这些地区，当反硝化作用被视为与甲烷回收相关的氮处理策略的一部分时最为相关，该策略受到市政特定限制Li的约束（Pirelli等人，2021年）。这在波河谷的畜牧带尤为重要，因为在这些地区，消化物管理和营养再分配对于避免二次氮压力以及从二元合规向更连续的边际管理转变至关重要（Sica等人，2023年）。
这些带并不均匀。相邻的市政区在土地空间、畜牧组成和相对于Li的压力方面可能有显著差异，因此同一个区域集群可能包含相对可管理的系统和需要更严格营养处理保障、监测和许可关注的局部瓶颈。因此，准备度应被视为治理筛选的信号，而不是替代特定地点的技术评估。

3.6.2. 高准备度集群中的战略选址和快速许可
区域差异很重要，因为相同的准备度模式并不意味着到处都有相同的实施逻辑。在北部高密度集群中，集中的饲料原料、更强的畜群强度和更紧的氮空间可能更适应于以集群为导向的筛选方法和更有针对性的许可关注，因为甲烷回收和废水管理压力在同一市政区内更加明显地共位（Labianca等人，2024年）。在这种情况下，最高准备度市政区的战略选址仍然具有政策相关意义，因为表S3显示，在能源和排放方面，情景增益的规模比在合规性增益方面更强，这表明干预的空间位置可能在监管缓解中比技术强度本身发挥更明显的作用。
相比之下，在许多中部、南部和岛屿地区，稀疏和分散的准备度信号可能与不同的实施瓶颈相关。分散的饲料原料和较小的农场单位可能意味着更大的距离负担，表明需要更高的协调负担，并可能表明物流复杂性大于北部畜牧带，即使NVZ压力不太严格。在这种情况下，政策解释应从仅基于集群的加速转向聚合支持、合作收集安排、模块化或较小的反硝化作用配置，以及与当地能源或电网使用的上下文敏感链接（欧盟委员会，2022年）。在实践中，这可能对应于农场规模的反硝化作用，其中粪肥在当地仍然集中，以及在地方条件下可以组织合作收集的区级配置。在这两种情况下，治理价值不仅限于甲烷回收，还包括通过消化物管理进行营养回收，以及在地方机构条件允许的情况下，与更广泛的可再生能源社区的链接（Barampouti等人，2020年）。这些含义是解释性的，而不是模型化的，不应被视为特定地点的技术、经济或物流评估的替代品。

3.6.3. 基于预测的治理和投资时机
因此，情景和预测输出应被视为有限的治理信号，而不是直接的项目评估。情景（S1–S3）比较了在不同技术-政策假设下的能源产出、甲烷减排、氨减少和合规响应的方向和相对幅度，但它们并不确定工厂级别的经济可行性、能源价格敏感性、补贴响应性或详细的成本结构。同样，预测阶段可以帮助筛选在固定点假设下可能面临更多压力的市政区，但它不应被视为土地使用变化、市场调整或未来政策改革的动态预测。在这种情况下，该框架可以帮助筛选并优先考虑需要早期治理关注的领域：例如，在准备度已经很高的地方，在情景增益方向一致的地方，或在有界限的前瞻性压力信号表明在现有结构条件下当前压力可能会加剧的地方。这些信号支持差异化地安排许可、监测和支持措施，但它们本身并不指定项目设计或确定性的投资时机。在当前范围内，这只能被视为一个概念性的政策含义：支持方案可以根据区域密度和聚合水平进行差异化，对分散的集体组织提供更多的支持，而对已经集中的设置则需要更多的支持。另一个治理含义涉及空气质量的共同效益。根据S1–S3估计的NH3减少也可能具有更广泛的环境相关性，特别是在畜牧密集的背景下（CMCC，2024年），尽管本研究没有模拟PM2.5的形成和大气扩散。因此，NH3减少的空气质量重要性应被视为一个有限的定性共同效益，而不是当前框架的量化结果。

总之，该框架确定了氮压力、甲烷机会、情景响应和有限压力信号在市政尺度上的集中地点，而政策解释将这些输出转化为不同领土背景下的差异化实施关注。关键方面，如动态土地利用变化、物流优化、详细的成本结构、能源价格动态、补贴响应性以及PM2.5的形成等方面在当前框架中并未被建模，因此需要在现有框架内进行解释。

4. 结论
本研究为市政层面的畜牧业废水管理发展了一种顺序治理逻辑，并回答了关于分布、约束、准备程度和未来发展压力的四个相互关联的问题。对于问题1（RQ1），2021年的基准数据显示，畜牧业排放了260万吨氮（2.6 × 10^5吨N），产生了410万立方米的甲烷潜能（4.1 × 10^8立方米甲烷）。氮的压力和甲烷密度主要集中在波河谷的奶牛-猪养殖带以及少数西北部热点地区，而不是在整个意大利均匀分布。对于问题2（RQ2），连续的非脆弱区（NVZ）权重限制揭示了废水压力变得关键的区域：大多数市政当局仍符合规定，但在大型畜群与有限土地空间重叠的地区，废水压力和压力强度加剧。空间统计分析确认这些压力并非随机分布，而是具有聚集性，尤其是在甲烷密度方面，这进一步强调了从市政层面进行畜牧业废水管理分析的价值。对于问题3（RQ3），独立于处理设施的准备程度指数识别出甲烷回收机会与氮压力同时存在的市政当局，在基准情景下，到2035年将有572个持续存在的高优先级市政当局和67个新出现的高优先级市政当局。准备程度不仅仅与畜群规模相关，还反映了监管压力的具体作用点，这有助于解释为什么伦巴第和皮埃蒙特等地区在优先事项中占据主导地位，而意大利中部和南部地区则往往以孤立或新出现的焦点形式出现。情景分析结果显示，方案S1-S3使能源产量从616吉瓦时增加到1144吉瓦时，甲烷减排量从86万吨二氧化碳当量增加到196万吨二氧化碳当量，氨减排量从4.4万吨增加到131万吨；然而，合规性的提升仍然较为有限且具有空间选择性。对于问题4（RQ4），LightGBM模型的预测能力很高（R2 > 0.96），2035年的压力测试表明，在更受限制的地区，合规性下降，同时准备程度的变化加剧了现有热点地区的压力，而不是使其在地理上扩散。

总体而言，这些研究结果应被视为计算得出的筛选信号，而非针对具体处理设施的指令。其价值在于揭示压力集中的区域、准备程度较高的地区，以及在现有固定约束条件下需要差异化治理关注的领域。尽管一些界限是明确的，但范围仍有限：处理设施层面的经济因素、详细物流、动态土地利用变化、政策或市场反馈、PM2.5的形成以及工程选址约束等方面并未被直接建模；而诸如区域整合方式（如农场规模配置与地区规模配置的对比）等仍需通过解释来得出结论。未来的研究可以通过整合动态土地利用信息、替代性的畜牧业发展路径、更强的大气质量耦合机制以及对碎片化供应条件的更直接的区域评估来扩展这一框架。即便在这些界限内，本研究也为连接氮 Regulation（氮排放管理）、甲烷回收和未来发展治理提供了透明的市政层面基础，从而支持更清洁、更具空间差异性的畜牧业废水管理。

CRediT 作者贡献声明：
- 史展：撰写初稿、软件开发、方法论设计、调查实施、数据分析、概念构建。
- 梁飞红：撰写审查与编辑、数据可视化、模型验证。
- 马里内洛弗朗切斯科：撰写审查与编辑、数据可视化、方法论设计。
- 佩祖奥洛安德烈亚：撰写初稿、模型验证、项目监督、方法论设计、资金筹集、数据分析、概念构建。