《Agricultural Systems》:New approach to calculate agri-environmental indicators using greenhouse gas emissions in Switzerland as an example
编辑推荐:
提出了一种农业环境监测(agri-environmental monitoring)的新方法(此处以温室气体(GHG)排放为例)。该方法依赖于广泛的农场级数据汇编。基于农场的温室气体排放可以轻松聚合到更大尺度。确定了两个区域排放热点,与高动物密度相关。瑞士农业
提出了一种农业环境监测(agri-environmental monitoring)的新方法(此处以温室气体(GHG)排放为例)。该方法依赖于广泛的农场级数据汇编。基于农场的温室气体排放可以轻松聚合到更大尺度。确定了两个区域排放热点,与高动物密度相关。瑞士农业补贴系统可以进行优化以减少排放。
### 论文解读:以瑞士温室气体排放为例的农业环境指标新算法
#### 研究背景与问题
农业在保障粮食供应的同时,也对环境造成了负面影响,包括地下水污染、全球变暖和土壤退化(FAO, 2017; Mbow et al., 2020)。瑞士已实施立法和经济激励措施以促进环境可持续农业,但农业部门的环境目标尚未实现(FOEN and FOAG, 2016)。瑞士联邦农业局(FOAG)运行着一个农业环境监测项目,通过数据(如牲畜数量、矿物肥料使用)计算温室气体(GHG)排放和农药风险等指标,以评估政策进展并支持决策。此前,该项目依赖瑞士农业环境数据网络(SAEDN),收集约300个农场的详细管理数据,但样本量有限,无法覆盖部分区域和农场类型(如南部瑞士、特种作物)。为改进覆盖度和空间分辨率,SAEDN被新监测系统MAUS(Monitoring des AgrarUmweltsystems Schweiz)取代。本论文发表在《Agricultural Systems》,旨在以GHG排放指标为例,展示MAUS概念,计算不同区域和农场/生产系统的GHG排放,并通过敏感性分析识别最有效的减排杠杆,为国家和州级政策提供依据。
#### 主要技术方法
研究人员通过整合多种现有数据源,采用“自下而上”方法计算所有瑞士农场的GHG排放。关键技术包括:1) 使用SAGE1.0(Swiss Ammonia and Greenhouse Gas Emission version 1.0)模型计算甲烷(CH
4)、氧化亚氮(N
2O)和二氧化碳(CO
2)排放,遵循国家清单方法但可应用于单个农场;2) 数据来源包括FOAG的结构数据、各州的作物地理参考数据、农业协会的收获和牛奶数据、HAFL的管理调查以及Agroscope的附加数据等,覆盖所有瑞士农场;3) 采用LASSO(Least Absolute Shrinkage and Selection Operator)回归分析识别影响区域排放差异的关键预测因子;4) 对三个案例农场(奶牛场、混合猪禽场、无动物农场)进行蒙特卡罗模拟(10,000次)并结合线性回归,评估变量变化对排放的影响。样本队列来源包括全部瑞士农场(约50,000个)以及特定子样本(如HAFL调查的2000-3000个农场、Agroscope的约300个农场数据)。
#### 研究结果
**3.1 区域差异**:研究人员计算了2021年瑞士农业GHG排放。平均排放为5.2 t CO
2eq/(ha-UAA·yr)。空间分布显示两个排放热点:中央瑞士(卢塞恩州)和东北瑞士(图尔高州),排放分别为7.9和6.8 t CO
2eq/(ha-UAA·yr),与高于平均的动物密度(2.2和1.7 LU/(ha-UAA·yr))相关。LASSO回归分析表明,动物密度是排放的最重要预测因子(系数3.17),其次为反刍动物比例(1.43),而州作为区域政策的代理变量也有显著影响。
**3.2 农场/生产系统差异**:按动物密度分类,<0.5 LU/(ha-UAA·yr)的农场平均排放1.4 t CO
2eq/(ha-UAA·yr),而>2 LU/(ha-UAA·yr)的农场为11 t CO
2eq/(ha-UAA·yr)。有机农场(15%的瑞士农场)平均排放3.5 t CO
2eq/(ha-UAA·yr),显著低于非有机农场的5.5 t CO
2eq/(ha-UAA·yr),主要由于有机农场动物密度较低(0.94 vs. 1.3 LU/(ha-UAA·yr))和放弃矿物肥料。
**3.3 案例农场敏感性分析**:三个案例农场排放差异巨大:无动物农场56 t CO
2eq(0.75 t/(ha-UAA·yr)),混合猪禽农场133 t CO
2eq(2.6 t/(ha-UAA·yr)),奶牛场1364 t CO
2eq(13 t/(ha-UAA·yr))。线性回归显示:对无动物农场,商业氮肥和石灰用量是唯一影响排放的变量(系数0.121和0.043);对混合猪禽农场,牲畜数量影响最强(系数1.728),其次为商业氮肥(0.105)和石灰(0.067);对奶牛场,牲畜数量影响最强(0.707),其次为产奶量(0.222),而粪肥施用技术和放牧时间影响较小(约0.02)。
#### 讨论与结论
讨论部分指出,MAUS计算结果与国家清单相比略低(5.68 vs. 5.90 Mt CO
2eq),差异主要源于使用更新的NH
3排放因子和不同数据源。MAUS具有数据利用效率高、空间分辨率高、支持政策模拟等优势,但也面临数据整合工作量大、部分变量需参考值替代等局限。研究人员强调,当前瑞士补贴系统与气候目标不完全一致,部分补贴按牲畜单位发放反而鼓励了高排放,建议调整为面积或绩效导向的补贴,同时需考虑社会经济影响。
**研究结论翻译**:这项研究表明,新的瑞士农业环境监测项目MAUS能够在瑞士全境进行空间明确、农场级别的农业环境指标计算,本文以GHG排放为例进行了展示。结果揭示了清晰的GHG排放热点,主要位于高动物密度区域,并确认牲畜数量是农业排放的主要驱动因素。其他因素(如饲喂强度、商业肥料用量)也影响排放,但影响较弱且因农场类型而异。MAUS从而为政策制定者提供了一个坚实的证据基础,以识别减排可能最有效的区域和杠杆。对当前补贴计划的定性评估表明,这些计划可能未充分与气候目标对齐,因为其中一些提供了增加牲畜数量的激励。研究人员提出,调整至基于面积或绩效的支付方式可能有助于更有效地减少GHG排放,同时需要考虑对农民的社会和经济影响。