Токсичный смог и плодородие почвы: как NO2 «душит» урожай основных культур в Китае

Диоксид азота (NO2) влияет на климат, качество воздуха, фиксацию азота в почвах и производство сельскохозяйственной продукции, однако его трансграничное воздействие остается не до конца изученным. В данном исследовании объединены 15 глобальных наборов данных для оценки трансграничного влияния соединений азота на урожайность культур и здоровье почв. Мы используем методы машинного обучения для создания моделей прогнозирования урожайности основных зерновых культур (кукурузы, риса, сои и пшеницы), подверженных воздействию NO2.

Наши результаты свидетельствуют о стабильности процесса фиксации азота в почвах Китая в период с 2015 по 2020 год, хотя перевыпас скота и обезлесение могут привести к его снижению. Увеличение общего содержания азота в почве на 0,62–2,1 г/кг способно снизить концентрацию NO2 на 10–30%. Проведенное исследование показывает, что в текущих агросредах для основных зерновых культур (58,5–94,2%) уже превышен диапазон концентраций NO2, который культуры способны переносить, особенно в регионах вблизи северных городских кластеров. Это подчеркивает необходимость региональных мер, таких как прецизионное управление азотными удобрениями, для одновременного повышения фиксации азота в почве и урожайности культур.

Анализ сценариев показывает, что контроль над NO2 может повысить урожайность кукурузы и риса в контексте "озеленения" сельского хозяйства, в то время как увеличение общего содержания азота улучшает урожайность пшеницы и сои. Это предлагает решение для продвижения устойчивого сельского хозяйства путем увязки управления круговоротом азота с повышением урожайности культур и экологической устойчивостью.

Почва играет ключевую роль как важнейший резервуар азота и наряду с климатическими факторами существенно влияет на закономерности распределения глобальных сельскохозяйственных угодий [1]. Азотфиксирующие бактерии, связанные с растениями, более эффективны, чем свободноживущие, благодаря симбиотическим преимуществам, таким как совместное использование ресурсов и оптимизированные условия со стороны растения-хозяина [2]. Однако освоение и использование сельскохозяйственных земель не только изменяют структуру и функцию почвенных микробных сообществ, но и влияют на фиксацию азота в почве [3]. В последние годы растущий глобальный спрос на продовольствие создал огромное давление на сельскохозяйственное производство, требуя увеличения урожайности культур и одновременно сталкиваясь с усугубляющимися экологическими проблемами [4]. Зависимость от азотных удобрений для увеличения производства сельскохозяйственных культур и кормов привела к значительным потерям азота — более половины азотных удобрений, вносимых на пашню, попадает в атмосферу и воду, что способствует глобальному ежегодному использованию 120 мегатонн химических азотных удобрений [5]. Уровни фиксации азота и выбросы оксидов азота (NOx) с пахотных земель зависят от множества факторов окружающей среды, включая нормы внесения азотных удобрений, содержание органического углерода в почве, температуру, влажность и уровень pH [6,7]. Поскольку глобальный спрос на продовольствие продолжает расти, в дальнейшем крайне важно оценить, как может измениться фиксация азота на пахотных землях, а также последствия этих изменений для азотного загрязнения и атмосферных выбросов.

Негативное воздействие азота на агроэкосистемы было признано еще в прошлом веке [8]. Чрезмерное использование азота в агроэкосистемах увеличило азотный след [9] и значительно нарушило экологическое разнообразие сообществ [10]. Диоксид азота (NO2) способствует загрязнению воздуха и непосредственно усиливает изменение климата, способствуя образованию озона и других парниковых газов, что представляет серьезную угрозу для среды произрастания сельскохозяйственных культур [11]. Однако несколько исследований [12] показали, что в определенных условиях NO2 может преобразовываться в доступные для растений формы азота, такие как нитрат (NO3−) и аммоний (NH4+), тем самым усиливая снабжение азотом в экосистемах и способствуя росту культур. Азот, являясь ключевым фактором, определяющим урожайность, пользуется высоким спросом для производства сельскохозяйственных культур зерновых и бобовых культур [13]. Бобовые фиксируют значительно большее количество азота (50–300 кг N/га/год) по сравнению с зерновыми (5–25 кг N/га/год). Это делает бобовые ключевыми для повышения плодородия почвы и снижения зависимости от синтетических удобрений, особенно при интегрировании их в зерновые севообороты [14,15]. На этом фоне рециркуляция органических источников азота в агроэкосистемах стала ключевой стратегией обеспечения устойчивого развития продовольственных систем в пределах экологических возможностей Земли [16]. Поэтому выбросы NO2 в процессе фиксации азота в почве являются важными индикаторами для изучения взаимосвязи между круговоротом азота и урожайностью культур.

Несколько исследований все чаще изучают роль почвы и климата в определении урожайности и условий производства сельскохозяйственных культур. Например, исследования показали, что при повышении температуры на 1 °C урожайность пшеницы может снизиться на 6% [17]. В то же время почва высокого качества может снизить чувствительность урожайности сельскохозяйственных культур к изменчивости климата и повысить среднюю урожайность [18]. Аналогичные исследования подтвердили, что качество почвы может как повышать урожайность культур, так и смягчать последствия изменения климата в различных экосистемах [19,20]. Исследования также предполагают, что сельскохозяйственная деятельность приводит к снижению азотфиксирующих функций почвенных микроорганизмов, что, в свою очередь, влияет на круговорот азота [3]. Высокие концентрации NO2 негативно влияют на азотфиксирующие микроорганизмы в почве и нарушают общий круговорот азота [21]. Посредством синергетического управления азотными и водными ресурсами урожайность риса можно увеличить на 9%, одновременно сократив выбросы парниковых газов на 21% [22]. Все эти исследования подчеркивают неразрывную связь между урожайностью сельскохозяйственных культур и почвенными и климатическими условиями.

Несмотря на эти данные, текущие исследования взаимодействия между почвой, изменением окружающей среды и урожайностью сельскохозяйственных культур не полностью изучили динамику круговорота азота. Отсутствие исследований трансграничного воздействия круговорота азота на почвенные и климатические условия препятствовало эффективной реализации стратегий управления азотными удобрениями [23]. Хотя предыдущие исследования признавали взаимодействие между климатом, почвой и урожайностью [18,24], большинство из них сосредоточено на адаптации культур к общим климатическим и почвенным условиям, без полного учета конкретного влияния переменных окружающей среды на урожайность сельскохозяйственных культур через круговорот азота. Это приводит к ограниченной объяснительной способности существующих моделей. Более того, исследования, изучающие влияние круговорота азота — будь то в почве или в атмосфере — на урожайность культур, все еще не содержат комплексной оценки трансграничного воздействия азота.

В этом исследовании изучается трансграничное воздействие NO2 на фиксацию азота на пахотных землях и его влияние на урожайность сельскохозяйственных культур при различном общем содержании азота в почве (TNC). Мы разработали модель прогнозирования урожайности для основных зерновых культур — Oryza sativa L. (рис), Triticum aestivum L. (пшеница), Glycine max (L.) Merr. (соя) и Zea mays L. (кукуруза) — под влиянием NO2, используя методы машинного обучения Random Forest Regression (RFR) и Extreme Gradient Boosting (XGBoost). RFR известен своей надежностью, способностью работать с большими наборами данных и высокой точностью в задачах классификации и регрессии, в то время как XGBoost особенно эффективен для работы с несбалансированными данными и может обеспечить высокую прогнозную точность. Обе модели широко используются в экологических и сельскохозяйственных исследованиях благодаря их способности улавливать сложные закономерности в больших наборах данных, что делает их подходящими для нашей модели прогнозирования урожайности. С помощью анализа частичных корреляций и значений Shapley Additive Explanations (SHAP) мы определили трансграничное воздействие концентраций NO2 на урожайность сельскохозяйственных культур и установили оптимальные диапазоны концентраций NO2. Дополнительно, мы спрогнозировали изменения урожайности с 2030 по 2050 год при разных уровнях фиксации азота в почве, представленных TNC, применяя сценарии A1 (сбалансированный) и B1 (чистая энергия) из Специального доклада по сценариям выбросов (SRES). Это исследование было направлено на предложение эффективных стратегий управления круговоротом азота для повышения экологической устойчивости сельскохозяйственных систем.

2.1. Сбор данных

Наша модель прогнозирования урожайности с использованием машинного обучения включает переменные, обычно используемые в исследованиях роста сельскохозяйственных культур [11,25], такие как фенология, климат и свойства почвы. Фенологические данные включали индекс площади листьев (LAI) и вегетационный индекс (NDVI) в качестве входных данных, в то время как климатические данные включали среднюю температуру поверхности (AT), эвапотранспирацию (ET) и осадки (Precip). AT тесно связана с температурой полога сельскохозяйственной культуры, а ET и Precip являются ключевыми переменными в моделях прогнозирования урожайности сельскохозяйственных культур [25]. Данные, использованные в этом исследовании, были получены из общедоступных баз данных. Процесс фиксации азота сопровождается процессом денитрификации; данные дистанционного зондирования закиси азота (N2O) также были включены в качестве переменных для анализа трансграничного воздействия азота в воздухе и почве [26]. Дополнительно, набор данных SoilGrids [27] использовался для включения девяти различных свойств почвы и учета разных глубин почвы в зависимости от типа культуры. В частности, данные о почве с глубины 0–5 см использовались для кукурузы, пшеницы и сои, в то время как для риса использовались данные с глубины 5–15 см, чтобы лучше наблюдать трансграничное воздействие NO2. Данные, использованные в этом исследовании, были получены из официальных общедоступных баз данных. Провинциальные данные по производству сельскохозяйственных культур для Китая были предоставлены Национальным бюро статистики Китая (https://data.stats.gov.cn/, доступ осуществлен 26 октября 2024 г.). Данные о выбросах N2O были получены из выбросов почвы, связанных с сельскохозяйственным сектором, как сообщалось в EDGAR (Emissions Database for Global Atmospheric Research, https://edgar.jrc.ec.europa.eu/, доступ осуществлен 25 июля 2024 г.) [28], что обеспечило их релевантность и соответствие направленности данного исследования. Данные о выбросах NO2 были получены от TROPOMI (https://www.tropomi.eu/data-products/nitrogen-dioxide, доступ осуществлен 19 июня 2024 г.) [29], данные по осадкам (Precip) — от CHIRPS (https://chc.ucsb.edu/data/chirps, доступ осуществлен 15 сентября 2024 г.) [30], данные по эвапотранспирации (ET) — от MOD16A2v061 (https://lpdaac.usgs.gov/products/mod16a2v061/, доступ осуществлен 16 сентября 2024 г.), данные по средней температуре поверхности (AT) — от MOD11A2v006 (https://lpdaac.usgs.gov/products/mod11a2v006/, доступ осуществлен 16 сентября 2024 г.), данные по индексу площади листьев (LAI) — от MOD15A2Hv006 (https://lpdaac.usgs.gov/products/mod15a2hv006/, доступ осуществлен 16 сентября 2024 г.), данные по почве — от SoilGrids (https://soilgrids.org/, доступ осуществлен 15 сентября 2024 г.), а данные по урожайности сельскохозяйственных культур — из базы данных Spatial Production Allocation Model (SPAM) 2020 v1.0 (https://mapspam.info/data/, доступ осуществлен 15 сентября 2024 г.) [31]. Из-за сложностей, связанных с получением данных, не представлялось возможным исследовать конкретные сорта глобально потребляемых бобовых. Вместо этого наше исследование сосредоточено на общих категориях сельскохозяйственных культур, а не на конкретных сортах. Классификация сельскохозяйственных культур в этом исследовании основана на наборе данных SPAM, чтобы обеспечить согласованность и надежность анализа, соответствуя имеющимся ограничениям по данным. Все данные были интегрированы и случайным образом отобраны с помощью Google Earth Engine (GEE) (https://code.earthengine.google.com/, доступ осуществлен 6 сентября 2024 г.).

При изучении взаимосвязи между NO2 и TNC мы обеспечили точность данных, отбирая случайные точки выборки, расположенные в основных зернопроизводящих регионах, с использованием растровых данных MODIS о землепользовании, в частности, масок 12 (пашня) и 14 (орошаемые земли). Первоначальный размер выборки составлял 4000 точек, и эта проверка гарантировала, что все данные получены с пахотных земель, избегая влияния несельскохозяйственных территорий. Для изучения влияния факторов окружающей среды на урожайность сельскохозяйственных культур мы установили 2500–3500 точек выборки для каждой культуры. Поскольку данные об урожайности сельскохозяйственных культур для невозделываемых земель были нулевыми, дальнейший отбор точек выборки не требовался, что упростило предварительную обработку данных и обеспечило как согласованность, так и полноту. Чтобы точно проанализировать влияние различных факторов на урожайность сельскохозяйственных культур в течение одного и того же периода времени, мы стандартизировали период исследования на основе доступных лет растрового набора данных, установив его с 2020 по 2021 год. Чтобы минимизировать погрешность из-за сезонности, мы собирали данные, связанные с урожайностью, от стадии быстрого роста (когда третий лист полностью развернут) до стадии созревания для каждой зерновой культуры. Вегетационные периоды для пшеницы, кукурузы, риса и сои были определены как декабрь 2020 г. — май 2021 г., май 2020 г. — сентябрь 2020 г., июнь 2020 г. — октябрь 2020 г. и июнь 2020 г. — октябрь 2020 г. соответственно. После получения данных об урожайности сельскохозяйственных культур и факторах окружающей среды в растровом формате мы выполнили синтез каналов для наборов данных с разным разрешением, чтобы извлечь собственные значения для всех переменных-признаков в единых пространственных координатах. Этот процесс, проведенный с использованием GEE, позволил создать набор данных случайных точек выборки урожайности сельскохозяйственных культур и связанных с ними факторов окружающей среды. После Z-теста окончательное количество действительных точек выборки составило 662 для кукурузы, 890 для риса, 1063 для сои и 843 для пшеницы. Из-за отсутствия собранных данных об управлении сельскохозяйственными угодьями за 2020–2021 годы данное исследование не включает данные о практике управления. Чтобы смягчить возможные ошибки модели из-за отсутствия данных об управлении пашней и сложности стандартизации таких данных для разных культур, урожайность сельскохозяйственной культуры была установлена в условиях естественных осадков (т. е. общая урожайность минус часть от искусственного орошения). Поскольку рис менее зависим от естественных осадков, для этой культуры использовались данные об общей урожайности. Этот набор данных исследования содержит информацию об урожайности сельскохозяйственных культур, связанных с ними факторах окружающей среды с точки зрения круговорота азота и пространственных координатах точек выборки. Исходные данные предоставлены с этой статьей.

2.2. Моделирование урожайности основных зерновых культур

2.2.1. Обзор методологии

В этом исследовании изучается трансграничное воздействие азота как в воздухе, так и в почве с использованием моделей машинного обучения, сочетая модель RFR и модель XGBoost. Эта модель была разработана на основе 16 переменных-признаков, включая NO2, TNC, LAI, ET и свойства почвы для риса, кукурузы, пшеницы и сои. Как модель XGBoost, так и модель RFR были проверены на точность и прошли настройку параметров для оптимизации производительности. Чтобы уменьшить ошибки одной модели, была использована модель Stacking для интеграции моделей RFR и XGBoost, что привело к созданию модели прогнозирования урожайности сельскохозяйственных культур, учитывающей трансграничное воздействие NO2. Проверка точности показана в Таблице 1. MSE (среднеквадратическая ошибка) использовалась для оценки точности прогноза модели. Подробное описание моделей RFR и XGBoost предоставлено в дополнительных методах.

Таблица 1. Проверка точности для составной модели (RFR и XGBoost).

2.2.2. Модель прогнозирования урожайности Random Forest Regression

Мы разработали модель прогнозирования урожайности RFR с использованием библиотеки Scikit-learn на Python. Изначально мы обработали пропущенные значения и применили конструирование признаков. Целевой переменной в этом исследовании является урожайность зерновых культур, в то время как переменные-признаки состоят из 15 входных показателей, представляющих водно-почвенно-воздушные параметры среды произрастания сельскохозяйственной культуры. Впоследствии мы разделили данные на обучающую и тестовую выборки, причем тестовая выборка использовалась для оценки производительности и точности модели. Применялось соотношение 80:20. Затем модель RFR была инициализирована с использованием библиотеки Scikit-learn на Python, с фиксированным случайным состоянием для обеспечения воспроизводимости и проверки результатов эксперимента. Модель RFR прогнозирует путем интеграции множества деревьев решений, где прогнозы каждого дерева усредняются или принимаются путем голосования для получения окончательного прогноза, что можно выразить как:

где 𝑦̂ представляет окончательное прогнозируемое значение; 𝑀 — количество деревьев решений; 𝑦̂ (𝑚) обозначает прогнозируемое значение 𝑚-го дерева. Модель RFR состоит из нескольких деревьев решений, каждое из которых обучается на разных подмножествах данных и делает прогнозы с помощью механизма голосования. В результате, в отличие от моделей линейной регрессии, модель RFR не имеет явной математической формулы для своего вывода и может быть оптимизирована только путем настройки ее гиперпараметров. Производительность модели была оптимизирована путем настройки гиперпараметров случайного леса (количество оценщиков, максимальная глубина, минимальное количество образцов для разделения и минимальное количество образцов в листе), используя Grid Search для автоматизации этого процесса. Grid Search автоматизирует процесс настройки гиперпараметров для получения оптимальной модели, что представлено следующей формулой:

где 𝛩 представляет пространство гиперпараметров, содержащее все возможные комбинации; 𝜃̂ — оптимальная комбинация гиперпараметров; 𝐾 обозначает количество блоков перекрестной проверки; 𝐿(𝑦_𝑘, 𝑦̂_𝑘(𝜃)) — функция потерь, которая измеряет разницу между прогнозируемым значением 𝑦̂_𝑘 и истинным значением 𝑦_𝑘; и 𝑦̂_𝑘(𝜃) — прогнозируемое значение модели с гиперпараметром 𝜃 для проверочного набора в 𝑘-м блоке перекрестной проверки.

2.2.3. Модели прогнозирования урожайности XGBoost

Хотя XGBoost выигрывает от некоторых концепций и методов, используемых в Random Forests, его основные принципы и алгоритмические механизмы значительно отличаются. XGBoost — это алгоритм дерева решений, основанный на градиентном бустинге, где на каждой итерации новое дерево решений проектируется для исправления ошибок прогнозирования всех предыдущих деревьев. Основная цель XGBoost — минимизировать функцию потерь, которая обычно состоит из двух компонентов: (1) ошибки обучения, которая измеряет разницу между прогнозами модели и истинными метками, и (2) члена регуляризации, который контролирует сложность модели и предотвращает переобучение. Таким образом, целевая функция XGBoost может быть выражена как:

где 𝐿(𝜃) — ошибка обучения, а Ω(𝜃) — член регуляризации. Чтобы аппроксимировать функцию потерь, XGBoost упрощает вычисления, используя разложение Тейлора второго порядка:

где 𝑔_𝑖 — производная первого порядка, представляющая скорость изменения функции потерь по отношению к текущему прогнозу, а ℎ_𝑖 — производная второго порядка, отражающая скорость изменения градиента. ŷ^{(𝑡)}_𝑖 — прогноз модели в раунде 𝑡, 𝑇 — количество листовых узлов в текущем дереве, 𝛾 — параметр регуляризации, контролирующий количество листовых узлов для предотвращения переобучения, а 𝜆 — параметр регуляризации, который контролирует размер весов 𝑤_𝑗, где 𝑤_𝑗 представляет вес 𝑗-го листового узла. XGBoost использует жадный алгоритм, конструируя деревья решений итеративно путем выбора точки разделения, которая максимизирует прирост целевой функции на каждом слое:

где 𝐺_𝐿 и 𝐻_𝐿 представляют суммы градиента и гессиана для левого дочернего узла, а 𝐺_𝑅 и 𝐻_𝑅 — соответствующие суммы для правого дочернего узла. Чтобы предотвратить переобучение, XGBoost вводит методы обрезки и регуляризации, контролируя веса листовых узлов через параметр 𝛾 и сложность дерева через параметр 𝜆.

2.2.4. Анализ переменных-признаков

Мы проанализировали переменные-признаки, используя анализ важности признаков из модели RFR, анализ частичной зависимости и анализ SHAP из модели XGBoost. Оценка важности признаков основывалась на расщеплении узла по Джини и мерах важности признаков замены. Уменьшение неоднородности узла до и после разделения определяет показатель важности каждого признака. Хотя RFR фиксирует нелинейные взаимосвязи между признаками, его способность моделировать взаимодействия признаков ограничена.

SHAP, основанный на значении Шепли из теории игр, отражает силу вклада признаков через величину значений SHAP. При вычислении значений SHAP учитывается предельный вклад значений признаков по всем возможным комбинациям признаков. Хотя это увеличивает вычислительную сложность, это предоставляет наиболее справедливую интерпретацию важности признаков. Дополнительно, значения SHAP предоставляют объяснения для индивидуальных прогнозов, а не для глобальной интерпретации. Эта характеристика делает SHAP подходящим для широкого спектра моделей машинного обучения. Используя анализ частичной зависимости, мы дальнейшим образом исследовали влияние NO2 на урожайность сельскохозяйственных культур. Коды, использованные в этом исследовании, доступны по адресу: https://github.com/xiejhhhhhh/Transboundary-Impacts-of-NO2-on-Soil-Nitrogen-Fixation-Systems-and-Their-Effects-on-Four-Grain-Crops (доступ осуществлен 19 сентября 2024 г.). Мы создали блок-схему, которая суммирует стратегию сбора данных и статистического моделирования (Рисунок 1). Эта схема визуально показывает ключевые этапы нашей методологии.

Рисунок 1. Структура процесса сбора данных и статистического моделирования. Фенологические данные включали эвапотранспирацию (ET), среднюю температуру поверхности (AT), индекс площади листьев (LAI), нормированный разностный вегетационный индекс (NDVI), осадки (Precip). Данные о почве включали ил, глину, объемную плотность (bdod), общее содержание азота (nitrogen), pH в H2O (pHH2O), песок, емкость катионного обмена при pH7 (cec), органический углерод почвы (soc). Термины в скобках относятся к ключевым почвенным и экологическим показателям. Данные об урожайности сельскохозяйственных культур взяты из базы данных Spatial Production Allocation Model (SPAM) 2020 v1.0.

3.1. Пространственное распределение фиксации азота в почве и тенденции изменений

Чтобы наши результаты исследования в конечном итоге отразились в изменениях урожайности сельскохозяйственных культур, мы определили площадь пахотных земель, покрывающую 95% от общего производства сельскохозяйственных культур зерновых, на основе национальных статистических данных. Основываясь на этом, мы нанесли на карту основные зернопроизводящие регионы Китая и создали карту плотности общего азота (Рисунок 2), чтобы наглядно показать основные интересующие области. Наши результаты показывают отчетливые пространственные климатические распределительные характеристики в основных зернопроизводящих регионах Китая. За исключением сои, провинции в одних и тех же климатических зонах не только имеют схожие рейтинги производства сельскохозяйственных культур зерновых, но и географически близки друг к другу. Производство сельскохозяйственных культур риса в основном сосредоточено в южном Китае, в то время как регионы производства сельскохозяйственных культур пшеницы и кукурузы значительно перекрываются. Соепроизводящие регионы более рассредоточены. Из распределения плотности общего азота в почве, показанного на Рисунке 2, мы можем наблюдать, что Северо-Китайская равнина — главный регион производства сельскохозяйственных культур риса, кукурузы, пшеницы и сои — демонстрирует самые низкие уровни фиксации азота, а также низкую общую плотность азота в почве. Это открытие предполагает, что низкая плотность азота на Северо-Китайской равнине может быть связана с длительной сельскохозяйственной практикой в этом районе. Чтобы проверить эту гипотезу, мы дальнейшим образом изучили уровни фиксации азота на разных типах земель и оценили тенденцию изменения уровней фиксации азота в почве по Китаю.

Рисунок 2. Основные зернопроизводящие регионы и распределение плотности общего азота на пахотных землях Китая. (a) Распределение пашни в основных рисоводческих регионах и общая плотность азота в почве, в основном в (1) трех северо-восточных провинциях и (2) южных провинциях. (b) Распределение возделываемых земель и общая плотность азота в почве в основных пшеницеводческих регионах, расположенных в основном в (3) северном, (4) юго-западном и (5) северных регионах. (c) Распределение возделываемых земель и общая плотность азота в почве в основных кукурузопроизводящих регионах, включая (6) три северо-восточные провинции, (7) регионы Сычуань, Юньнань, Гуйчжоу, Внутренняя Монголия, Северо-Китайская равнина и (8) регион Синьцзян. (d) Распределение возделываемых земель и общая плотность азота в почве в соепроизводящих регионах, в основном сосредоточенных в (9) северо-восточном, (10) юго-западном и (11) частях Северо-Китайской равнины. Разделение основных зернопроизводящих регионов основывалось на национальной статистике производства сельскохозяйственных культур за 2020 год; данные о пространственном распределении пахотных земель были получены из набора данных о землепользовании CNLUCC [32] с разрешением 30 м за 2020 год; данные о концентрации общего азота были получены из набора данных основных свойств почвы высокого разрешения China Soil Information Grids [33].

Мы количественно оценили изменения уровней фиксации азота на разных типах земель в Китае в ходе урбанизации путем агрегирования и обработки данных TNC по типам землепользования и почвам на 3458 случайных участках выборки по всей стране (Рисунок 3a). Мы обнаружили, что пашня, застроенные земли и водные объекты (болота, водно-болотные угодья и т.д.) увеличились на 5,44 × 10⁶ га, 6,93 × 10⁵ га и 1,61 × 10⁶ га соответственно, в то время как леса, луга и непригодные земли уменьшились на 1,09 × 10⁶ га, 1,60 × 10⁶ га и 5,06 × 10⁶ га соответственно с 2015 по 2020 год. Наиболее значительными изменениями были преобразование непригодных земель в пашню и лугов в пашню. В целом, изменения в землепользовании с 2015 по 2020 год показали тенденцию постепенного преобразования лугов и непригодных земель в пашню.

Рисунок 3. Общая тенденция TNC почвы и его вариация по разным типам земель. (a) Блок-схема матрицы перехода земель в Китае с 2015 по 2020 год. (b) Статистический анализ TNC различных типов земель. (c) Эволюция TNC в ходе урбанизации в Китае. Матрица перехода земель была построена с использованием набора данных CNLUCC, данные об общем содержании азота в почве были получены из SoilGrids, соответствующие типы земель были взяты из данных классификации земель MODIS.

Извлечение признаков и статистический анализ показали, что в 2020 году (Рисунок 3b) леса (4857 сг/кг), луга (3579 сг/кг) и пашня (3035 сг/кг) имели высокий TNC, в то время как непригодные земли имели более низкий (2132 сг/кг). Интегрируя средний TNC с данными о землепользовании, мы обнаружили, что общий уровень фиксации азота в почве Китая оставался относительно стабильным (примерно 0,1% изменения) между 2015 и 2020 годами. Снижение TNC, в основном из-за сокращения лесов и лугов, было компенсировано преобразованием непригодных земель в пашню. Это исследование показало, что снижение TNC почвы происходило наиболее быстро во время преобразования лесов в луга или пашню (Рисунок 3c). Несмотря на общую стабильность уровней фиксации азота в почве, текущее преобразование непригодных земель в пашню приближается к своему пределу. Если потери лесов и лугов продолжатся, TNC почвы может быстро снизиться.

3.2. Фиксация азота в почве как буфер для рассеивания NO2

Мы использовали набор данных почвенной информации SoilGrids, модуль TROPOMI спутника Sentinel 5 precursor и 878 точек выборки и построили график взаимосвязи между NO2 и TNC (Рисунок 4), после чего провели линейный регрессионный анализ.

Рисунок 4. Линейный регрессионный анализ между TNC и NO2 для основных зерновых культур. (a) Точечная диаграмма линейной зависимости между TNC и NO2 для всех точек выборки (R = −0,76). (b) Линейная зависимость TNC и NO2 для 202 точек выборки кукурузы (R = −0,76). (c) Линейная зависимость TNC и NO2 для 267 точек выборки риса (R = −0,70). (d) Линейная зависимость TNC и NO2 для 224 точек выборки сои (R = −0,84). (e) Линейная зависимость TNC и NO2 для 165 точек выборки пшеницы (R = −0,68).

Результаты показали, что в целом TNC на пахотных землях основных продовольственных культур демонстрировал значительную отрицательную линейную зависимость (R = −0,77) с окружающим NO2. При разделении точек выборки по типу культуры мы наблюдали, что соя (R = −0,84) и кукуруза (R = −0,76), оба типа кормовых зерновых, демонстрировали наиболее выраженные отрицательные корреляции с уровнями окружающего NO2, тогда как корреляции для риса и пшеницы были сравнительно слабыми. Это может быть связано с высокой чувствительностью систем фиксации азота в почве кормовых зерновых к NO2. Предполагаемые по подобранному уравнению значения предполагают, что концентрация NO2 снизится примерно на 10%, 20% и 30% при увеличении TNC на 0,62 г/кг, 1,31 г/кг и 2,10 г/кг соответственно, используя 2020 год в качестве базового уровня. Эти результаты подчеркивают, что почвы, обогащенные TNC, могут помочь контролировать выбросы NO2, ингибируя или поглощая NO2 посредством трансформации азота, поглощения азота, фиксации азота и других путей, тем самым смягчая загрязнение воздуха и изменение климата.

3.3. Реакция урожайности сельскохозяйственных культур на концентрацию NO2 и ее пространственное распределение

Чтобы прояснить взаимосвязь между концентрацией NO2 и урожайностью сельскохозяйственных культур, мы провели углубленный анализ, сосредоточенный на трансграничном воздействии NO2 на систему фиксации азота в почве. На графиках зависимости смещения для кукурузы и риса урожайность значительно увеличивалась в пределах низких диапазонов NO2 (кукуруза: NO2 ≈ 1–3 × 10⁻⁵ тропосферных вертикальных колонных плотностей (VCD); рис: NO2 ≈ 2–4 × 10⁻⁵ VCD). По мере роста концентраций NO2 их вклад в урожайность увеличивался, но выходил на плато после 4–5 × 10⁻⁵ VCD. Соя демонстрировала отличную реакцию из-за своих симбиотических ризобий; низкие уровни NO2 (<3,5 × 10⁻⁵ VCD) нарушали фиксацию азота, в то время как умеренные уровни (3,5 × 10⁻⁵ < NO2 < 7 × 10⁻⁵ VCD) смягчали этот эффект. Пшеница положительно реагировала на низкие концентрации NO2 (≈1–2 × 10⁻⁵ VCD), но чрезмерный NO2 снижал эффективность удобрений и способствовал деградации почвы. Точечные диаграммы SHAP из модели XGBoost соответствовали графикам зависимости смещения RFR (Рисунок 5), показывая надежность анализа в оценке эффектов NO2. Это предполагает, что, хотя низкие и умеренные концентрации NO2 связаны с улучшением роста основных зерновых культур, концентрации выше определенного уровня могут давать незначительные преимущества, приводя к насыщению азотом или подкислению почвы.

Рисунок 5. Графики зависимости смещения RFR и точечные диаграммы SHAP для урожайности основных зерновых культур под влиянием NO2. (a) Графики зависимости смещения RFR и точечные диаграммы SHAP для урожайности кукурузы под влиянием NO2. (b) Графики зависимости смещения RFR и точечные диаграммы SHAP для урожайности риса под влиянием NO2. (c) Графики зависимости смещения RFR и точечные диаграммы SHAP для урожайности сои под влиянием NO2. (d) Графики зависимости смещения RFR и точечные диаграммы SHAP для урожайности пшеницы под влиянием NO2.

Мы определили оптимальный диапазон концентрации NO2 для каждой культуры и пространственное распределение этого диапазона (Рисунок 6). Для кукурузы урожайность значительно увеличивалась в диапазоне концентрации NO2 1–3 × 10⁻⁵ VCD, который покрывает только 36,3% основных кукурузопроизводящих регионов. В основных кукурузопроизводящих регионах, в частности на Северо-Китайской равнине и Северо-Восточной равнине, уровни NO2 превышали способность культур поглощать азот. Для риса эффективный диапазон NO2 составлял 2–4 × 10⁻⁵ VCD, покрывая 41,5% основных рисоводческих регионов, причем более стабильная азотная среда наблюдалась в Северо-Восточной равнине и юго-западных регионах. Оптимальный диапазон для сои составлял 3,5–7 × 10⁻⁵ VCD, покрывая 38,3% основных соепроизводящих регионов, хотя во многих областях все еще наблюдались несовместимые выбросы NO2. Для пшеницы эффективный диапазон составлял 1–2 × 10⁻⁵ VCD, покрывая только 5,77% основных пшеницеводческих регионов. Следовательно, основные зернопроизводящие регионы в настоящее время испытывают пересыщение NO2. Пшеница сталкивается с самой серьезной проблемой NO2, в то время как рис демонстрирует наилучшую адаптивность к текущим уровням NO2. NO2, как промежуточный продукт в круговороте азота во время роста сельскохозяйственных культур, отражает накопление азота в окружающей среде. Однако чрезмерное удобрение и неконтролируемые выбросы привели к тому, что уровни NO2 превысили оптимальные диапазоны.

Рисунок 6. Пространственное распределение оптимального диапазона концентрации NO2 для основных зерновых культур в Китае. (a) Пространственное распределение оптимального диапазона концентрации NO2 для кукурузы в основных кукурузопроизводящих регионах. (b) Пространственное распределение оптимального диапазона концентрации NO2 для риса в основных рисоводческих регионах. (c) Пространственное распределение оптимального диапазона концентрации NO2 для сои в основных соепроизводящих регионах. (d) Пространственное распределение оптимального диапазона концентрации NO2 для пшеницы в основных пшеницеводческих регионах. Легенда показывает степень воздействия NO2 на разные культуры, с цветами от синего (низкое воздействие) до красного (высокое воздействие). Красные области выделяют регионы, где культуры более уязвимы к неблагоприятным эффектам NO2. Базовая карта из Google Earth.

3.4. Реакция урожайности сельскохозяйственных культур на все переменные-признаки

Ранжирование по важности в RFR может углубить наше понимание масштаба трансграничного воздействия NO2. На основе результатов ранжирования по важности модели RFR, NO2 имел высокую важность в моделях прогнозирования урожайности сельскохозяйственных культур для кукурузы, риса и пшеницы, с показателями важности 0,179, 0,404 и 0,140 соответственно (Рисунок S1). Рис, в частности, демонстрировал значительно большее влияние NO2 по сравнению с другими переменными-признаками, вероятно, потому что рост риса больше зависит от атмосферных и водных переменных-признаков, чем от свойств почвы. В основных соепроизводящих регионах отрицательная корреляция между TNC и NO2 была значительной, хотя TNC занял второе место (0,141) по важности для сои и третье (0,091) для кукурузы.

Корреляции между другими переменными и урожайностью сельскохозяйственных культур, полученные из модели XGBoost, также заслуживают анализа как потенциальные факторы, влияющие на результаты. Результаты ранжирования SHAP для XGBoost в целом соответствовали ранжированию важности переменных из RFR. Однако из-за присущей SHAP случайности, основанной на теории игр, некоторые переменные с аналогичным влиянием показали небольшие вариации в ранжировании, хотя общая тенденция оставалась неизменной. Результаты указывают, что Precip и AT — это две переменные, коррелирующие с урожайностью кукурузы (Рисунок 7a). У риса pH (H2O) и емкость катионного обмена (CEC) являются основными переменными, причем значения pH (H2O) показывают значительную отрицательную корреляцию с урожайностью (Рисунок 7b). Для сои Precip, TNC и pH (H2O) являются важными переменными, причем Precip показывает значительную положительную корреляцию с урожайностью (Рисунок 7c). У пшеницы pH (H2O) и AT являются ключевыми переменными, но низкие значения pH (H2O) показывают умеренную отрицательную корреляцию с урожайностью (Рисунок 7d). Мы суммируем четыре ключевых наблюдения о тенденциях этих переменных: (1) NO2 показывает положительную корреляцию с урожайностью сельскохозяйственных культур в определенном диапазоне концентраций. (2) AT влияет на урожайность кукурузы и пшеницы, причем оптимальные температуры улучшают фотосинтез и налив зерна. (3) Precip ключевой для урожайности кукурузы и сои, причем соответствующие уровни улучшают развитие корней. (4) pH (H2O) по-разному влияет на культуры: рис процветает в кислых почвах, соя предпочитает нейтральные или слабокислые почвы, а пшеница может переносить более широкий диапазон условий. Однако экстремальные уровни pH все еще влияют на производство сельскохозяйственных культур основных культур.

Рисунок 7. Влияние всех переменных-признаков на основные зерновые культуры в моделях прогнозирования урожайности XGBoost. (a) Влияние всех переменных-признаков на модели прогнозирования урожайности кукурузы. (b) Влияние всех переменных-признаков на модели прогнозирования урожайности риса. (c) Влияние всех переменных-признаков на модели прогнозирования урожайности сои. (d) Влияние всех переменных-признаков на модели прогнозирования урожайности пшеницы. Влияние различных переменных на урожайность сельскохозяйственных культур представлено значениями SHAP, а величина собственных значений переменных указана цветом.

3.5. Влияние NO2 на урожайность сельскохозяйственных культур при разных уровнях фиксации азота в почве

Чтобы лучше понять трансграничное воздействие NO2 на пахотные земли и его влияние на урожайность сельскохозяйственных культур в контексте более устойчивого использования ресурсов, мы проанализировали изменения урожайности для основных зерновых культур в 2030 и 2050 годах при разных уровнях фиксации азота, основанные на сценариях SRES A1 AIM (сбалансированный) и B1 IMAGE (чистая энергия). Наши результаты показывают, что различные сценарии выбросов NO2 значительно влияют на урожайность кукурузы (Рисунок 8). В более устойчивом сценарии B1 IMAGE, по мере снижения концентраций NO2, урожайность кукурузы увеличивается. Уровни фиксации азота — BAU (TNC базовый, как обычно), HN (TNC увеличен на 20%) и LN (TNC снижен на 20%) — существенно влияют на культуры, требовательные к азоту, в частности кормовые зерновые, такие как соя и кукуруза. Для сои прогнозируемая урожайность увеличивается при HN и снижается при LN. Основываясь на анализе сценариев, мы обнаружили, что в следующие 20–30 лет, в относительно чистом сценарии, если уровни фиксации азота в почве увеличатся на 20%, средняя урожайность сои увеличится до 2407 ± 38 кг/га, что представляет собой увеличение на 8%. Напротив, если уровни фиксации азота в почве снизятся на 20%, средняя урожайность сои снизится до 2013 ± 31 кг/га, что представляет собой снижение на 9,7%. Точечная диаграмма прогнозируемой и наблюдаемой урожайности при разных сценариях SRES (Рисунок 9) демонстрирует надежность соответствия нашей модели.

Рисунок 8. Прогнозы урожайности сельскохозяйственных культур при разных уровнях фиксации азота для SRES в 2030 и 2050 годах. (a) Прогнозы урожайности кукурузы при разных уровнях фиксации азота для SRES в 2030 и 2050 годах. (b) Прогнозы урожайности риса при разных уровнях фиксации азота для SRES в 2030 и 2050 годах. (c) Прогнозы урожайности сои при разных уровнях фиксации азота для SRES в 2030 и 2050 годах. (d) Прогнозы урожайности пшеницы при разных уровнях фиксации азота для SRES в 2030 и 2050 годах. Уровни фиксации азота включают базовый как обычно (BAU), высокий азот (HN) и низкий азот (LN). Два сценария SRES от Межправительственной группы экспертов по изменению климата (IPCC) — это A1 AIM (сбалансированный) и B1 IMAGE (чистая энергия), в 2030 и 2050 годах.

Рисунок 9. Точечная диаграмма прогнозируемой и наблюдаемой урожайности при уровнях фиксации азота BAU в различных SRES. (a–d) Точечная диаграмма прогнозируемой и наблюдаемой урожайности кукурузы по сценариям A1 AIM и B1 IMAGE. (e–h) Точечная диаграмма прогнозируемой и наблюдаемой урожайности риса по сценариям A1 AIM и B1 IMAGE. (i–l) Точечная диаграмма прогнозируемой и наблюдаемой урожайности сои по сценариям A1 AIM и B1 IMAGE. (m–p) Точечная диаграмма прогнозируемой и наблюдаемой урожайности пшеницы по сценариям A1 AIM и B1 IMAGE.

При сравнении значимости реакции разных культур на NO2 и TNC мы наблюдали различную отзывчивость культур на разные уровни азота (Таблица 2). Соя продемонстрировала высокую значимость реакции на TNC (p < 0,001), тогда как ее реакция на NO2 не была значительной. Кукуруза показала высокую значимость реакции на TNC (p < 0,001) и умеренную значимость реакции на NO2 (p < 0,05). Реакция риса на NO2 была высокой значимости (p < 0,001), но его реакция на TNC не была значительной. Реакция пшеницы как на TNC, так и на NO2 не была значительной. Этот результат также отражен в графиках двойной зависимости TNC и NO2 для урожайности основных зерновых культур (Рисунок 10). Значимость воздействия и оптимальные комбинации TNC и NO2 для разных культур могут быть выведены из общих тенденций поверхности отклика. Дополнительно, мы обнаружили, что использование чистой энергии повышает стабильность урожайности сельскохозяйственных культур при высоких уровнях фиксации азота, в то время как его влияние менее выражено при низких уровнях фиксации азота. Поэтому, помимо приоритизации контроля загрязнения воздуха, необходимо учитывать экологические условия регионов производства сельскохозяйственных культур и безопасность качества пахотных земель. Эти результаты показывают долгосрочные эффекты климата и практик управления на урожайность разных культур при различных сценариях. Следовательно, азотное удобрение и связанные с ним меры экологического управления должны учитывать специфические реакции этих культур, в частности при различных сценариях изменения климата, чтобы обеспечить продовольственную безопасность и устойчивое сельское хозяйство.

Рисунок 10. Графики двойной зависимости TNC и NO2 для урожайности основных зерновых культур. (a) Частичная зависимость урожайности кукурузы от NO2 и TNC. (b) Частичная зависимость урожайности риса (кг/га) от NO2 и TNC. (c) Частичная зависимость урожайности сои (кг/га) от NO2 и TNC. (d) Частичная зависимость урожайности пшеницы (кг/га) от NO2 и TNC.

4.1. Применение моделирования машинного обучения в сельском хозяйстве

Для выбора нашего метода мы выбрали машинное обучение для построения модели урожайности, так как машинное обучение становится все более актуальным и подходящим для сельскохозяйственных исследований, в частности в области больших данных. Сочетание машинного обучения, технологий больших данных и высокопроизводительных вычислений открыло новые возможности для исследований, насыщенных данными, в междисциплинарной области сельскохозяйственных технологий [34]. Например, в одном исследовании [25] использовались данные о почве и данные дистанционного зондирования для прогнозирования урожайности однолетней пшеницы на поле площадью 22 гектара в Бедфордшире, Великобритания. Другое исследование применило алгоритмы машинного обучения для оценки пространственной вариации выбросов углерода, вызванных потреблением энергии в Шэньси, Китай [35]. Дополнительно, исследование использовало алгоритмы машинного обучения и множественные показатели для оценки раннего прогнозирования урожайности кукурузы на уровне округа в Китае [36]. Эти исследования в совокупности указывают на то, что использование алгоритмов машинного обучения в различных аспектах сельскохозяйственных исследований постепенно становится мейнстримом.

4.2. Потенциальные объяснения незначительного влияния NO2 на урожайность определенных культур

Хотя NO2 в целом вреден для растений, негативное воздействие NO2 на урожайность сельскохозяйственных культур не является значительным в нашем исследовании. Основываясь на связанных механистических исследованиях [12,37,38], мы предлагаем три потенциальных объяснения этого явления. Во-первых, машинное обучение фиксирует взаимодействия между переменными, что может смягчать вредные эффекты NO2. Во-вторых, в реальных сельскохозяйственных условиях культуры могут развивать устойчивость или адаптивные механизмы, снижающие токсичность NO2. Например, достаточные уровни других питательных веществ, таких как калий и фосфор, могут повысить толерантность растений к NO2 [39]. Наконец, как промежуточный продукт в круговороте азота во время роста сельскохозяйственных культур, NO2 отражает накопление азота в окружающей среде. Активный рост основных зерновых культур тесно связан с NO2 в пределах оптимального диапазона концентраций. Эти эффекты могут объяснить положительное влияние NO2 на урожайность сельскохозяйственных культур. Дополнительно, исследования показали тесную взаимосвязь между NO2 и применением азотных удобрений [40,41]. На сельскохозяйственных угодьях, использующих азотные удобрения, выбросы NO2 в основном являются результатом процесса нитрификации, когда нитрит (NO2⁻) преобразуется в нитрат. Повышенные уровни NO2 могут указывать на значительное использование азотных удобрений, что интенсифицирует круговорот азота и увеличивает активность азота. Когда применяется чрезмерное количество азотных удобрений, нарушения в круговороте азота приводят к большим потерям азота и более высоким выбросам NO2. Это особенно проблематично в основных зернопроизводящих регионах Китая, где потери азота привели к истощению ресурсов [42,43]. Эффективное управление азотными удобрениями [44] может смягчить негативные воздействия NO2, одновременно оптимизируя его преимущества как источника азота.

4.3. Механистические аспекты динамических реакций урожайности основных культур на выбросы NO2

Наше исследование указывает, что TNC может подавлять NO2, тем самым снижая загрязнение воздуха и смягчая изменение климата, что, в свою очередь, влияет на урожайность сельскохозяйственных культур. Аналогично, связанное исследование показало, что NO2 оказывает вредное воздействие на способность почвы фиксировать азот. Сам NO2 обладает ингибирующим эффектом на способность почвы фиксировать азот [45]. Дальнейший анализ трансграничного воздействия NO2 на азотфиксирующие микроорганизмы и корни растений показал, что повышенные уровни NO2 не только непосредственно нарушают азотфиксирующие микроорганизмы, но и косвенно снижают способность почвы фиксировать азот, ухудшая развитие корней и поглощение питательных веществ, что приводит к снижению общего здоровья растений. В сочетании с другими исследованиями [38,46] о механизмах утилизации азота зерновыми культурами мы проанализировали сложные процессы, лежащие в основе воздействия NOx на урожайность сельскохозяйственных культур.

Как ключевой компонент в атмосфере, NOx играет многогранную роль в фотосинтезе растений. Для кукурузы NO2 может преобразовываться в нитрат посредством нитрификации, служа источником азота для растения. При более низких концентрациях (1–3 × 10⁻⁵ VCD) кукуруза может эффективно использовать этот источник азота, способствуя росту и урожайности [47]. Однако, когда концентрации NO2 превышают способность кукурузы поглощать азот, рост урожайности замедляется. Рис требует значительного количества азота, и осаждение NO2 способствует его росту и повышению урожайности. Однако управление водой и почвой на рисовых полях может влиять на фактическую эффективность использования NO2 [48]. Поэтому оптимальный диапазон NO2 для риса (2–4 × 10⁻⁵ VCD) отличается от такового для кукурузы. Соя, как азотфиксирующая культура, может напрямую фиксировать азот из атмосферы [49]. При более низких концентрациях NO2 внешняя поставка питательных веществ азота может мешать процессу фиксации азота, негативно влияя на рост сои. Однако по мере увеличения концентраций NO2 соя может использовать азот в других формах (симбиоз с ризобиями), хотя чрезмерно высокие уровни NO2 (>7 × 10⁻⁵ VCD) все еще ингибируют рост урожайности. Пшеница требует значительного ввода азота для поддержки быстрого роста и развития зерна [48]. Основываясь на наших результатах исследований, при более низких концентрациях NO2 (1–2 × 10⁻⁵ VCD) пшеница может эффективно поглощать и использовать азот. Однако, когда концентрации NO2 поднимаются выше критического порога, фиксация азота у пшеницы насыщается. Чрезмерный NO2 дальнейшим образом вредит окружающей среде и здоровью сельскохозяйственных культур.

4.4. Пространственное влияние выбросов NO2 на здоровье окружающей среды

NO2 играет ключевую роль как промежуточное звено в круговороте азота, в частности в период роста основных зерновых культур. Выступая индикатором накопления азота в среде произрастания сельскохозяйственных культур, концентрация NO2 может оказывать двойное влияние на здоровье почвы и растений. В пределах оптимального диапазона NO2 способствует доступности азота, способствуя росту растений и урожайности. Однако, когда концентрации превышают этот диапазон, становятся очевидными токсические эффекты NO2. Чрезмерные уровни NO2 нарушают почвенные микробные сообщества, повреждают корневые системы растений и ухудшают процессы поглощения питательных веществ, необходимые для роста сельскохозяйственных культур. Эти токсические эффекты не только снижают урожайность сельскохозяйственных культур, но и способствуют более широким экологическим проблемам, таким как загрязнение азотными источниками и эвтрофикация близлежащих водных систем.

Наше исследование подчеркивает тревожную тенденцию: сельскохозяйственные среды большинства основных культур, включая кукурузу, рис, пшеницу и сою, уже испытывают концентрации NO2, превышающие пороги толерантности этих культур. Конкретно, 58,5–94,2% этих сельскохозяйственных регионов превышают безопасный диапазон NO2, причем наиболее тяжелые случаи наблюдаются в регионах, прилегающих к северным городским кластерам. Эти городские районы, характеризующиеся высокими выбросами NO2 от транспорта, промышленной деятельности и плотной человеческой популяции, демонстрируют ограниченные способности почвы фиксировать азот. Ослабленная фиксация азота в этих областях дальнейшим образом усугубляет дисбаланс в круговороте азота, приводя к длительной деградации плодородия почвы и снижению продуктивности сельскохозяйственных культур. Городские сельскохозяйственные зоны несут непропорциональное бремя загрязнения NO2, отражая необходимость целевых стратегий управления азотом [50]. Улучшение управления круговоротом азота в этих областях требует многогранного подхода.

4.5. Рекомендации по политике

Исследование [51] указывает, что внедрение сельскохозяйственных управленческих практик может увеличить урожайность сельскохозяйственных культур на 10%, снизить азотное загрязнение на 8% и улучшить эффективность использования азота в Китае на 18%. Основываясь на связанных исследованиях и текущем состоянии выбросов NO2 в Китае, мы предлагаем следующие рекомендации по политике управления азотными удобрениями. Во-первых, необходимо продвижение технологий точного удобрения. Мониторинг потребностей почвы и сельскохозяйственных культур в реальном времени, точная корректировка норм и сроков внесения азотных удобрений может предотвратить потери азота и выбросы NO2, вызванные чрезмерным удобрением. Эта технология не только сокращает отходы удобрений, но и повышает эффективность поглощения азота сельскохозяйственными культурами. Во-вторых, следует поощрять комбинированное использование азотных удобрений и органических удобрений. Интегрирование азотных удобрений с органическим веществом помогает увеличить содержание органики в почве, повышая удержание азота и снижая потери азота и выбросы NO2. Это также значительно снижает загрязнение сельскохозяйственными отходами [52] и нехватку ресурсов [53]. Эта мера особенно ключевая для снижения экологического и ресурсного давления в производстве сельскохозяйственных культур. Наконец, оптимизация систем удобрения путем продвижения дробного внесения удобрений жизненно важна. Поощрение поэтапного внесения азотных удобрений в соответствии с фазами роста сельскохозяйственных культур предотвращает потери азота от чрезмерного одноразового удобрения. Дополнительно, разработка новых азотных удобрений с помощью биоинженерии представляет новый подход к дальнейшему повышению эффективности использования азота и снижению воздействия на окружающую среду [54]. Эти методы обеспечивают эффективное использование азота в критические периоды роста сельскохозяйственных культур, одновременно снижая выбросы оксидов азота.

С помощью управления удобрениями фермеры могут регулировать концентрации NO2 до оптимальных уровней, снижая потери азота у культур и повышая эффективность поглощения азота, тем самым минимизируя чрезмерные выбросы NO2. Проблема пересыщения NO2 особенно серьезна на Северо-Китайской равнине и южных районах Северо-Восточной равнины. Это может быть связано с близостью северных городских кластеров к этим сельскохозяйственным угодьям. Связанное исследование [51] указывает, что быстрая урбанизация может снизить эффективность использования азота в производстве сельскохозяйственных культур. По мере снижения эффективности использования азота, выбросы N2O и NO2 от сельскохозяйственной деятельности накапливаются, усугубляя проблему выбросов и диффузии оксидов азота. Чтобы оптимизировать урожайность сельскохозяйственных культур и способствовать экологической устойчивости, применение азотных удобрений должно регулироваться и интегрироваться с другими стратегиями удобрения. Меры, такие как снижение городских выбросов NO2 с помощью более чистых энергетических решений, оптимизация сельскохозяйственных практик для повышения фиксации азота в почве и создание буферных зон между городскими центрами и пахотными землями, могут помочь смягчить пагубные эффекты загрязнения NO2.

В то же время, функция азотной депозиции лесов является основным источником поглотителей азота в почве [55]. Микробные функциональные гены в лесных почвах играют ключевую роль в снижении выбросов NOx [56]. Поэтому мы должны продолжать уделять внимание проблеме снижения уровней фиксации азота в почве, вызванной обезлесением и перевыпасом [19,20]. Из-за высокой способности бобовых фиксировать азот, выводы могут быть экстраполированы на другие зерновые и бобовые культуры. Например, интегрирование бобовых, таких как горох или люцерна, в системы земледелия может аналогичным образом усилить фиксацию азота в почве и улучшить урожайность небобовых культур, таких как кукуруза или пшеница, с помощью севооборотов или совместных посевов.

Основываясь на предыдущих результатах исследований и обсуждениях, мы суммируем следующие рекомендации по политике. Во-первых, для поддержания стабильности общего уровня фиксации азота в почве следует сокращать обезлесение и перевыпас, а также активно преобразовывать деградированные земли в пашню и лес. Во-вторых, для обеспечения качества продовольствия и безопасности почвы в среде произрастания сельскохозяйственных культур необходимо точное управление сельскохозяйственными азотными удобрениями, в частности в регионах вблизи северных городских кластеров. В-третьих, внедрение регулируемого управления азотом, более чистых энергетических решений и городско-пахотных буферных зон может снизить воздействие NO2, повысить урожайность сельскохозяйственных культур и способствовать устойчивому сельскому хозяйству.

В нашем исследовании мы обнаружили, что средний уровень фиксации азота в почве Китая оставался относительно стабильным в течение последних 5–10 лет, но урбанизация может создавать риск его снижения. Как чрезмерно высокие, так и низкие уровни NO2 нарушают нормальный рост основных зерновых культур. Поэтому мы количественно оценили оптимальный диапазон концентрации NO2 для зерновых культур и оценили текущий статус диффузии выбросов NO2 на пахотных землях. Наши результаты показывают, что 58,5–94,2% зерновых культур находятся в состоянии пересыщения NO2, причем пшеница страдает больше всего. На основе анализа сценариев и значимости мы обнаружили, что снижение выбросов NO2 в более зеленом и чистом сценарии значительно улучшает урожайность сельскохозяйственных культур, особенно кукурузы и риса. В то же время, повышение уровней фиксации азота в почве значительно повышает урожайность сои и кукурузы. Это предоставляет решение для продвижения устойчивого сельского хозяйства путем увязки управления круговоротом азота с улучшением урожайности сельскохозяйственных культур и экологической устойчивостью.

Вклад нашего исследования в основном отражается в трех ключевых областях. Во-первых, мы предоставляем ценные сведения о трансграничном воздействии NO2 на урожайность сельскохозяйственных культур, анализируя сложные взаимодействия между концентрациями NO2 и урожайностью, сосредотачиваясь на основных зерновых культурах, таких как кукуруза, рис, соя и пшеница. Это исследование углубляет наше понимание того, как NO2 влияет на утилизацию азота и рост растений при различных уровнях концентрации. Во-вторых, наше исследование определяет региональные уязвимости, в частности в регионах вблизи северных городских кластеров, где концентрации NO2 уже превысили порог, который культуры могут переносить. Это подчеркивает настоятельную необходимость целевых региональных политических вмешательств. Наконец, это исследование предлагает рекомендации по политике для устойчивого сельского хозяйства, подчеркивая сокращение обезлесения, контроль перевыпаса и внедрение точного управления азотными удобрениями для повышения фиксации азота в почве и продуктивности сельскохозяйственных культур.

Несмотря на эти достижения, существуют заметные ограничения. Во-первых, это исследование в основном сосредоточено на ограниченном спектре типов сельскохозяйственных культур — основных зерновых культурах — что ограничивает обобщаемость наших выводов на другие сельскохозяйственные системы, которые могут подвергаться воздействию NO2. Во-вторых, наше исследование географически сосредоточено на китайских пахотных землях, что может не полностью отражать различные экологические и сельскохозяйственные условия в других регионах, тем самым ограничивая его глобальную применимость. В-третьих, отсутствие длительных данных о влиянии NO2 на урожайность сельскохозяйственных культур означает, что это исследование могло бы выиграть от дополнительных доказательств для усиления выводов об устойчивости практик управления азотом в условиях меняющейся окружающей среды. Хотя мы стремились отбирать данные о выбросах NO2 из тропосферы над пахотными землями в период роста сельскохозяйственных культур, мы признаем, что отделение выбросов NO2 от других источников (например, транспорт, промышленность, животноводство) было неосуществимо, что может вносить некоторый уровень неопределенности.

Следующая вспомогательная информация может быть загружена по адресу: https://www.mdpi.com/article/10.3390/agriculture15020208/s1.

Рисунок S1: Важность переменных в моделях урожайности сельскохозяйственных культур на основе круговорота азота.

1.    Lin, Q.; Zhu, J.; Wang, Q.; Zhang, Q.; Yu, G. Patterns and Drivers of Atmospheric Nitrogen Deposition Retention in Global Forests. Glob. Change Biol. 2024, 30, e17410. [Google Scholar] [CrossRef] [PubMed]

2.    Dahal, B.; NandaKafle, G.; Perkins, L.; Brözel, V.S. Diversity of Free-Living Nitrogen Fixing Streptomyces in Soils of the Badlands of South Dakota. Microbiol. Res. 2017, 195, 31–39. [Google Scholar] [CrossRef] [PubMed]

3.    Peng, Z.; Qian, X.; Liu, Y.; Li, X.; Gao, H.; An, Y.; Qi, J.; Jiang, L.; Zhang, Y.; Chen, S.; et al. Land Conversion to Agriculture Induces Taxonomic Homogenization of Soil Microbial Communities Globally. Nat. Commun. 2024, 15, 3624. [Google Scholar] [CrossRef] [PubMed]

4.    Iizumi, T.; Sakai, T. The Global Dataset of Historical Yields for Major Crops 1981–2016. Sci. Data 2020, 7, 97. [Google Scholar] [CrossRef]

5.    Gu, B.; Zhang, X.; Lam, S.K.; Yu, Y.; van Grinsven, H.J.M.; Zhang, S.; Wang, X.; Bodirsky, B.L.; Wang, S.; Duan, J.; et al. Cost-Effective Mitigation of Nitrogen Pollution from Global Croplands. Nature 2023, 613, 77–84. [Google Scholar] [CrossRef]

6.    Huang, L.; Fang, J.; Liao, J.; Yarwood, G.; Chen, H.; Wang, Y.; Li, L. Insights into Soil NO Emissions and the Contribution to Surface Ozone Formation in China. Atmos. Chem. Phys. 2023, 23, 14919–14932. [Google Scholar] [CrossRef]

7.    Wang, R.; Chen, J.; Li, Z.; Bai, W.; Deng, X. Factors Analysis for the Decoupling of Grain Production and Carbon Emissions from Crop Planting in China: A Discussion on the Regulating Effects of Planting Scale and Technological Progress. Environ. Impact Assess. Rev. 2023, 103, 107249. [Google Scholar] [CrossRef]

8.    Vitousek, P.M.; Aber, J.D.; Howarth, R.W.; Likens, G.E.; Matson, P.A.; Schindler, D.W.; Schlesinger, W.H.; Tilman, D. Human Alteration of the Global Nitrogen Cycle: Sources and Consequences. Ecol. Appl. 1997, 7, 737–750. [Google Scholar] [CrossRef]

9.    Arunrat, N.; Sereenonchai, S.; Chaowiwat, W.; Wang, C.; Hatano, R. Carbon, Nitrogen and Water Footprints of Organic Rice and Conventional Rice Production over 4 Years of Cultivation: A Case Study in the Lower North of Thailand. Agronomy 2022, 12, 380. [Google Scholar] [CrossRef]

10. Zarabska-Bożejewicz, D. The Impact of Nitrogen Pollution in the Agricultural Landscape on Lichens: A Review of Their Responses at the Community, Species, Biont and Physiological Levels. Agronomy 2020, 10, 1852. [Google Scholar] [CrossRef]

11. Almaraz, M.; Bai, E.; Wang, C.; Trousdell, J.; Conley, S.; Faloona, I.; Houlton, B.Z. Agriculture Is a Major Source of NOx Pollution in California. Sci. Adv. 2018, 4, eaao3477. [Google Scholar] [CrossRef] [PubMed]

12. Ye, J.Y.; Tian, W.H.; Jin, C.W. Nitrogen in Plants: From Nutrition to the Modulation of Abiotic Stress Adaptation. Stress Biol. 2022, 2, 4. [Google Scholar] [CrossRef] [PubMed]

13. Snapp, S.; Sapkota, T.B.; Chamberlin, J.; Cox, C.M.; Gameda, S.; Jat, M.L.; Marenya, P.; Mottaleb, K.A.; Negra, C.; Senthilkumar, K.; et al. Spatially Differentiated Nitrogen Supply Is Key in a Global Food–Fertilizer Price Crisis. Nat. Sustain. 2023, 6, 1268–1278. [Google Scholar] [CrossRef]

14. Habtegebrial, K.; Singh, B.R. Wheat Responses in Semiarid Northern Ethiopia to N2 Fixation by Pisum Sativum Treated with Phosphorous Fertilizers and Inoculant. Nutr. Cycl. Agroecosyst 2006, 75, 247–255. [Google Scholar] [CrossRef]

15. Ladha, J.K.; Reddy, P.M. Nitrogen Fixation in Rice Systems: State of Knowledge and Future Prospects. Plant Soil 2003, 252, 151–167. [Google Scholar] [CrossRef]

16. Springmann, M.; Clark, M.; Mason-D’Croz, D.; Wiebe, K.; Bodirsky, B.L.; Lassaletta, L.; de Vries, W.; Vermeulen, S.J.; Herrero, M.; Carlson, K.M.; et al. Options for Keeping the Food System within Environmental Limits. Nature 2018, 562, 519–525. [Google Scholar] [CrossRef]

17. Asseng, S.; Ewert, F.; Martre, P.; Roetter, R.P.; Lobell, D.B.; Cammarano, D.; Kimball, B.A.; Ottman, M.J.; Wall, G.W.; White, J.W.; et al. Rising Temperatures Reduce Global Wheat Production. Nat. Clim. Chang. 2015, 5, 143–147. [Google Scholar] [CrossRef]

18. Deng, X.; Huang, Y.; Yuan, W.; Zhang, W.; Ciais, P.; Dong, W.; Smith, P.; Qin, Z. Building Soil to Reduce Climate Change Impacts on Global Crop Yield. Sci. Total Environ. 2023, 903, 166711. [Google Scholar] [CrossRef]

19. Napoletano, P.; Barbarisi, C.; Maselli, V.; Rippa, D.; Arena, C.; Volpe, M.G.; Colombo, C.; Fulgione, D.; De Marco, A. Quantifying the Immediate Response of Soil to Wild Boar (Sus. scrofa L.) Grubbing in Mediterranean Olive Orchards. Soil Syst. 2023, 7, 38. [Google Scholar] [CrossRef]

20. Napoletano, P.; Maselli, V.; Buglione, M.; Arena, C.; Zarrelli, A.; Fulgione, D.; De Marco, A. Wild Boar Grubbing Affects Soil Carbon Quantity and Fractions under Native, Reforested and Planted Vegetation. Catena 2025, 249, 108648. [Google Scholar] [CrossRef]

21. Lobell, D.B.; Di Tommaso, S.; Burney, J.A. Globally Ubiquitous Negative Effects of Nitrogen Dioxide on Crop Growth. Sci. Adv. 2022, 8, eabm9909. [Google Scholar] [CrossRef] [PubMed]

22. Liu, B.; Guo, C.; Xu, J.; Zhao, Q.; Chadwick, D.; Gao, X.; Zhou, F.; Lakshmanan, P.; Wang, X.; Guan, X.; et al. Co-Benefits for Net Carbon Emissions and Rice Yields through Improved Management of Organic Nitrogen and Water. Nat. Food 2024, 5, 241–250. [Google Scholar] [CrossRef] [PubMed]

23. Chang, J.; Havlík, P.; Leclère, D.; de Vries, W.; Valin, H.; Deppermann, A.; Hasegawa, T.; Obersteiner, M. Reconciling Regional Nitrogen Boundaries with Global Food Security. Nat. Food 2021, 2, 700–711. [Google Scholar] [CrossRef] [PubMed]

24. Qiao, L.; Wang, X.; Smith, P.; Fan, J.; Lu, Y.; Emmett, B.; Li, R.; Dorling, S.; Chen, H.; Liu, S.; et al. Soil Quality Both Increases Crop Production and Improves Resilience to Climate Change. Nat. Clim. Chang. 2022, 12, 574–580. [Google Scholar] [CrossRef]

25. Pantazi, X.E.; Moshou, D.; Alexandridis, T.; Whetton, R.L.; Mouazen, A.M. Wheat Yield Prediction Using Machine Learning and Advanced Sensing Techniques. Comput. Electron. Agric. 2016, 121, 57–65. [Google Scholar] [CrossRef]

26. Liu, S.; Lin, F.; Wu, S.; Ji, C.; Sun, Y.; Jin, Y.; Li, S.; Li, Z.; Zou, J. A Meta-Analysis of Fertilizer-Induced Soil NO and Combined NO+N2O Emissions. Glob. Change Biol. 2017, 23, 2520–2532. [Google Scholar] [CrossRef]

27. Poggio, L.; de Sousa, L.M.; Batjes, N.H.; Heuvelink, G.B.M.; Kempen, B.; Ribeiro, E.; Rossiter, D. SoilGrids 2.0: Producing Soil Information for the Globe with Quantified Spatial Uncertainty. Soil 2021, 7, 217–240. [Google Scholar] [CrossRef]

28. Joint Research Centre; Crippa, M.; Guizzardi, D.; Schaaf, E.; Monforti-Ferrario, F.; Quadrelli, R.; Risquez Martin, A.; Rossi, S.; Vignati, E.; Muntean, M.; et al. GHG Emissions of All World Countries: 2023; Publications Office of the European Union: Luxembourg, 2023; ISBN 978-92-68-07550-0. [Google Scholar]

29. Geffen, J.; Eskes, H.; Compernolle, S.; Pinardi, G.; Verhoelst, T.; Lambert, J.-C.; Sneep, M.; ter Linden, M.; Ludewig, A.; Boersma, K.F.; et al. Sentinel-5P TROPOMI NO2 Retrieval: Impact of Version v2.2 Improvements and Comparisons with OMI and Ground-Based Data. Atmos. Meas. Tech. 2022, 15, 2037–2060. [Google Scholar] [CrossRef]

30. Funk, C.; Peterson, P.; Landsfeld, M.; Pedreros, D.; Verdin, J.; Shukla, S.; Husak, G.; Rowland, J.; Harrison, L.; Hoell, A.; et al. The Climate Hazards Infrared Precipitation with Stations—A New Environmental Record for Monitoring Extremes. Sci. Data 2015, 2, 1–21. [Google Scholar] [CrossRef]

31. International Food Policy Research Institute. Global Spatially-Disaggregated Crop Production Statistics Data for 2020 Version 1.0; International Food Policy Research Institute: Washington, DC, USA, 2024. [Google Scholar]

32. Xu, X.; Liu, J.; Zhang, S.; Li, R.; Yan, C.; Wu, S. Multi-Temporal Land Use and Land Cover Remote Sensing Monitoring Dataset of China (CNLUCC). 2018. Available online: https://www.resdc.cn/DOI/DOI.aspx?DOIID=54 (accessed on 24 September 2024).

33. Liu, F.; Zhang, G. Basic Soil Property Dataset of High-Resolution China Soil Information Grids (2010–2018). 2021. Available online: https://soildata.issas.ac.cn/lists/details/view/view/id/59.html (accessed on 24 September 2024).

34. Liakos, K.; Busato, P.; Moshou, D.; Pearson, S.; Bochtis, D. Machine Learning in Agriculture: A Review. Sensors 2018, 18, 2674. [Google Scholar] [CrossRef]

35. Cao, H.; Han, L.; Liu, M.; Li, L. Spatial Differentiation of Carbon Emissions from Energy Consumption Based on Machine Learning Algorithm: A Case Study during 2015–2020 in Shaanxi, China. J. Environ. Sci. 2025, 149, 358–373. [Google Scholar] [CrossRef] [PubMed]

36. Cheng, M.; Penuelas, J.; McCabe, M.F.; Atzberger, C.; Jiao, X.; Wu, W.; Jin, X. Combining Multi-Indicators with Machine-Learning Algorithms for Maize Yield Early Prediction at the County-Level in China. Agric. For. Meteorol. 2022, 323, 109057. [Google Scholar] [CrossRef]

37. Brouquisse, R. Multifaceted Roles of Nitric Oxide in Plants. J. Exp. Bot. 2019, 70, 4319–4322. [Google Scholar] [CrossRef] [PubMed]

38. Mahboob, W.; Yang, G.; Irfan, M. Crop Nitrogen (N) Utilization Mechanism and Strategies to Improve N Use Efficiency. Acta Physiol. Plant 2023, 45, 52. [Google Scholar] [CrossRef]

39. Fang, X.; Yang, Y.; Zhao, Z.; Zhou, Y.; Liao, Y.; Guan, Z.; Chen, S.; Fang, W.; Chen, F.; Zhao, S. Optimum Nitrogen, Phosphorous, and Potassium Fertilizer Application Increased Chrysanthemum Growth and Quality by Reinforcing the Soil Microbial Community and Nutrient Cycling Function. Plants 2023, 12, 4062. [Google Scholar] [CrossRef]

40. Sainju, U.M.; Ghimire, R.; Pradhan, G.P.; Sainju, U.M.; Ghimire, R.; Pradhan, G.P. Nitrogen Fertilization I: Impact on Crop, Soil, and Environment. In Nitrogen Fixation; IntechOpen: Rijeka, Croatia, 2019; ISBN 978-1-78984-649-2. [Google Scholar]

41. Pan, S.-Y.; He, K.-H.; Liao, Y.-L. Fertilization-Induced Reactive Nitrogen Gases and Carbon Dioxide Emissions: Insight to the Carbon-Nitrogen Cycles. Sustain. Environ. Res. 2023, 33, 23. [Google Scholar] [CrossRef]

42. Zheng, Q.; Ha, T.; Prishchepov, A.V.; Zeng, Y.; Yin, H.; Koh, L.P. The Neglected Role of Abandoned Cropland in Supporting Both Food Security and Climate Change Mitigation. Nat. Commun. 2023, 14, 6083. [Google Scholar] [CrossRef]

43. Li, Y.; Shi, Y.; Deng, X.; Sun, Z.; Accatino, F. Increasing Food and Feed Self-Sufficiency and Avoiding Manure N Surplus in Eastern Regions of China through a Spatial Crop-Livestock Optimisation Model. Agric. Syst. 2024, 217, 103911. [Google Scholar] [CrossRef]

44. Yokamo, S.; Irfan, M.; Huan, W.; Wang, B.; Wang, Y.; Ishfaq, M.; Lu, D.; Chen, X.; Cai, Q.; Wang, H. Global Evaluation of Key Factors Influencing Nitrogen Fertilization Efficiency in Wheat: A Recent Meta-Analysis (2000–2022). Front. Plant Sci. 2023, 14, 1272098. [Google Scholar] [CrossRef]

45. Aasfar, A.; Bargaz, A.; Yaakoubi, K.; Hilali, A.; Bennis, I.; Zeroual, Y.; Meftah Kadmiri, I. Nitrogen Fixing Azotobacter Species as Potential Soil Biological Enhancers for Crop Nutrition and Yield Stability. Front. Microbiol. 2021, 12, 628379. [Google Scholar] [CrossRef]

46. Minamisawa, K. Mitigation of Greenhouse Gas Emission by Nitrogen-Fixing Bacteria. Biosci. Biotechnol. Biochem. 2022, 87, 7–12. [Google Scholar] [CrossRef] [PubMed]

47. Hu, H.; Li, H.; Hao, M.; Ren, Y.; Zhang, M.; Liu, R.; Zhang, Y.; Li, G.; Chen, J.; Ning, T.; et al. Nitrogen Fixation and Crop Productivity Enhancements Co-driven by Intercrop Root Exudates and Key Rhizosphere Bacteria. J. Appl. Ecol. 2021, 58, 2243–2255. [Google Scholar] [CrossRef]

48. Makino, A. Photosynthesis, Grain Yield, and Nitrogen Utilization in Rice and Wheat. Plant Physiol. 2011, 155, 125–129. [Google Scholar] [CrossRef] [PubMed]

49. Zou, S.; Yan, J.; Han, X.Z.; Zou, W.X.; Chen, X.; Lu, X.C. Effects of Nitrogen Application on Nodulation, Nitrogen Fixation, Yield and Protein Content of Soybean. J. Plant Nutr. Fertil. 2022, 28, 1457–1465. [Google Scholar] [CrossRef]

50. Chen, F.; Fahey, T.J.; Yu, M.; Gan, L. Key Nitrogen Cycling Processes in Pine Plantations along a Short Urban–Rural Gradient in Nanchang, China. For. Ecol. Manag. 2010, 259, 477–486. [Google Scholar] [CrossRef]

51. Chen, C.; Wen, Z.; Sheng, N.; Song, Q. Uneven Agricultural Contraction within Fast-Urbanizing Urban Agglomeration Decreases the Nitrogen Use Efficiency of Crop Production. Nat. Food 2024, 5, 390–401. [Google Scholar] [CrossRef]

52. Babu, S.; Singh Rathore, S.; Singh, R.; Kumar, S.; Singh, V.K.; Yadav, S.K.; Yadav, V.; Raj, R.; Yadav, D.; Shekhawat, K.; et al. Exploring Agricultural Waste Biomass for Energy, Food and Feed Production and Pollution Mitigation: A Review. Bioresour. Technol. 2022, 360, 127566. [Google Scholar] [CrossRef]

53. Yu, Z.; Liu, J.; Kattel, G. Historical Nitrogen Fertilizer Use in China from 1952 to 2018. Earth Syst. Sci. Data 2022, 14, 5179–5194. [Google Scholar] [CrossRef]

54. Zeng, Y.; Wang, M.; Yu, Y.; Wang, L.; Cui, L.; Li, C.; Liu, Y.; Zheng, Y. Rice N-Biofertilization by Inoculation with an Engineered Photosynthetic Diazotroph. World J. Microbiol. Biotechnol. 2024, 40, 136. [Google Scholar] [CrossRef]

55. Cen, X.; Müller, C.; Kang, X.; Zhou, X.; Zhang, J.; Yu, G.; He, N. Nitrogen Deposition Contributed to a Global Increase in Nitrous Oxide Emissions from Forest Soils. Commun. Earth Environ. 2024, 5, 532. [Google Scholar] [CrossRef]

56. Peng, Y.; Wang, T.; Li, J.; Li, N.; Bai, X.; Liu, X.; Ao, J.; Chang, R. Temporal-Scale-Dependent Mechanisms of Forest Soil Nitrous Oxide Emissions under Nitrogen Addition. Commun. Earth Environ. 2024, 5, 512. [Google Scholar] [CrossRef]

Xie J, Yu P, Deng X. Transboundary Impacts of NO2 on Soil Nitrogen Fixation and Their Effects on Crop Yields in China. Agriculture. 2025; 15(2):208. https://doi.org/10.3390/agriculture15020208

Перевод статьи «Transboundary Impacts of NO2on Soil Nitrogen Fixation and Their Effects on Crop Yields in China» авторов Xie J, Yu P, Deng X., оригинал доступен по ссылке. Лицензия: CC BY. Изменения: переведено на русский язык

Фото: freepik.com