论文内容
研究背景：
农业约占全球温室气体（GHG）排放量的四分之一，其中约14%直接来自农业活动，10%通过开垦土地创造新的耕地和牧场（IPCC，2014）。在许多强化作物生产的国家，如美国，与土壤和肥料管理有关的温室气体排放占农业总排放量的一半以上（Clark等人，2020）。减少这些排放对于将全球变暖限制在《巴黎协定》规定的与工业化前水平相比1.5°C或2.0°C至关重要，需要迅速采用多种协调的解决方案（Bossio等人，2020；Fargione等人，2018；Searchinger等人，2019；Wollenberg等人，2016）。某些耕作方法有可能减少温室气体排放和/或增加土壤碳储存，我们在本文中将这些耕作方法导致的温室气体或土壤碳变化定义为 "农业碳结果"。这些做法在很大程度上与 "保护性农业 "做法重叠，也被称为 "再生农业"、"气候智能 "或 "碳耕作 "做法。它们包括但不限于：免耕、覆盖种植、精确的氮（N）肥管理、生物炭和堆肥应用、增强矿物风化、新的作物轮作、农林业、控制排水和一些田间边缘做法（Beerling等人，2020；Fargione等人，2018；Paustian等人，2016）。应对气候变化和实现可持续发展的紧迫性促使个别公司做出气候承诺，以减少其碳足迹（Pineda和Faria，2019年），并刺激农业碳市场的增长，以激励农民采用这些做法（Stubbs等人，2021年）。准确量化采用各种做法产生的碳排放和碳清除是工业和农业减排和碳市场的基础。然而，现有的科学文献对于这些做法在何处、何时、是否以及在多大程度上可能导致真正的温室气体减排或碳清除尚无定论（Bradford等人，2019；Ranganathan等人，2020；Smith等人，2020）。
虽然有些人可能会争论这些做法对减少温室气体和碳的有效性，但在欧盟、美国、中国和其他国家强大的政治、投资者、企业和消费者的推动下，各种公共和私营部门的举措正在推动对政策和激励项目的大量投资，以激励农业碳成果（Oldfield等，2022；Novick等，2022）。因此，科学界比以往任何时候都更迫切需要制定强有力的、可扩展的战略，对农业碳成果进行可靠的量化。这些估计将成为评估这些做法的气候减缓潜力的基础，并指导对激励工具的投资，也许更重要的是，确保市场公平和准确地奖励减缓行动。
在此，我们提出，农业碳成果的实地量化不仅是可信、透明和具有成本效益的农业碳市场的基础，也是任何其他以可持续性为导向的生态系统服务项目的关键。现有文献阐明了与这些农田碳成果评估的严格性有关的科技问题和挑战（Paustian等人，2019年；Smith等人，2020年），但量化田间水平碳成果的可操作路线图和路径却很少。从科学的角度来看，现有的方法，如直接测量（如土壤采样）、排放因子和基于过程的建模，都面临着根本性的挑战，禁止它们实现公共和私营部门社会所要求的准确性、可扩展性和成本效益（Bradford等人，2019；Ranganathan等人，2020；Smith等人，2020）。鉴于对气候危机解决方案的需求不断增长，市场急于依靠现有和/或过时的量化方法进行快速部署，而没有充分考虑其准确性或可扩展性。这给农业部门基于市场的减排和碳封存战略的大规模公共和私人投资带来了重大风险，如食品/饮料供应链干预、生物能源原料的碳强度、气候智能型商品认证、碳信用和碳市场--这些基于市场的减排工具的可信度，以及其结果的量化是其成功的基础。因此，迫切需要开发正确的科学工具来量化工作地的碳成果，以最大限度地减少大规模公共和私人投资于不能提供实际气候效益的举措的风险。
在这方面，我们提供了一个框架，用于对田间水平的农业碳结果进行可扩展的量化，解决了许多与现状方法相关的问题和不确定性。具体来说，我们首先讨论了一个成功的量化解决方案的标准（第2.1节），然后提出了一个新的框架，以可扩展地量化田间水平的农业生态系统结果（第2.2节），并阐述了基本的学科基础（第2.3节），然后确定现有方法中的科学挑战（第2.4节）。然后，我们提出了一个 "系统中的系统 "解决方案，以准确、经济和真正可扩展的方式实现农业碳结果的田间水平量化（第3节）。最后，在第4节中，我们提出了一个研发议程，不仅可以证实农业碳市场，还可以证实农业生态系统管理的可持续指标。
2. 对农业生态系统的田间碳结果进行规模化量化的基础性框架:
2.1 场级碳结果的成功量化技术的标准
2.2.一个拟议的实地一级碳结果量化框架
2.3.对农田碳平衡及其与温室气体排放的联系的整体看法--田间水平碳结果量化的学科基础
2.4.现有量化方法中的问题
3."系统中的系统 "解决方案是最可行的途径。
3.1.可扩展的地面真实数据收集和跨尺度的场级信息感应
3.2.具有必要过程的高级建模，以支持碳结果的量化
3.3.模型-数据融合，在个别领域具有准确性和稳健性
3.4.高计算效率和人工智能，以便能够扩展到数百万个单独的领域
3.5.三层验证系统：确保模型的保真度和真正的可扩展性
4.为研发提供财政投资，以证实农业碳市场和可持续农业生态系统
展望未来，"System-of-Systems "解决方案将是现场级碳结果量化的最有希望的技术。"System-of-Systems "解决方案的最大优势之一是，它是一个包容性的框架，可以接纳新技术，并有可能摄取新的科学发现和信息，因此可以随着整个科学界和技术趋势继续发展。虽然这种 "系统中的系统 "解决方案的原型出现在某些作物类型和地理区域（Zhou等人，2021年），但这种综合系统由几个组件组成，仍处于早期阶段，因此需要政府和行业的大量研发投资。巧合的是，这些投资将为下一代精准农业打下基础，其范围已经从通过特定地点的管理提高生产力和效率（Yan等人，2020），扩大到整合传感、大数据分析和自动化，以指导可持续农业（Tautges等人，2019）。然而，仅靠技术进步不足以证实农业碳市场或更广泛的农业可持续性；成功还取决于公民、研究人员、企业、非政府组织和政府之间的协同作用，以消除科学和实际障碍。
首先，我们应该充分认识到，农业碳成果深深扎根于复杂的农业生态系统中，碳、养分、能量和水循环的整体系统观与人类管理紧密结合，应该成为指导原则。碳循环的地上和地下过程共同决定了SOC的变化（第2.3节），因此只关注土壤碳库的变化而忽视其他关键的碳过程（例如，过度强调土壤采样而忽视其他通量的测量）可能会导致有限的成功。碳循环与其他生物地球化学循环（包括氧化还原和元素循环）和水循环的紧密联系也突出了土壤水分、土壤氧气和垃圾化学特性的重要性，这使得SOC与温室气体任务（N2O和CH4）联系起来。关于上述这些联系存在许多未知数（例如，驱动N2O排放的机制与热点和热点时刻）（Butterbach-Bahl等人，2013）。关于理解农业生态系统的整体碳-营养-水循环的协调研究是一个优先事项，可以通过有效利用综合模型-观测-实验（ModEx）范式（Geernaert等，2018；美国能源部，2021）来有效开展。ModEx倡导的理念是，应利用当前的最佳知识开发模型，并与观测和实验数据相印证，然后利用模型来确定额外的实地和实验室研究的机会，以填补进一步了解系统结构和功能的空白。模型和实验之间的迭代反馈推进了该领域的整体进展。
第二，我们应该利用社区的努力来制定统一的协议，指导测量和建模计划，以了解和减少碳结果量化的不确定性。这种协议必须通过集体努力建立，以实现科学的严谨性和透明度。由Verra（Verra，2020）和Climate Action Reserve（Climate Action Reserve，2020a）等认证组织领导的现有努力很重要，也很有价值，但由于经验数据有限和MRV工具不足，往往比较简单、保守，而且不一定能很好地适应生产型农业的细微差别（Oldfield等人，2021）。为了成功建立公众对低碳生物能源原料、气候智能型商品和农业碳信用市场的信心，有必要进行更先进的实地工作、数据收集和建模评估的协同努力。预计随着更多的学科和利益相关者参与到协议制定和验证的新阶段，特别是当必要的严格性要求技术的复杂性超出传统的量化方法时，辩论将会加剧（Badgley等人，2022；Novick等人，2022）。为了促进公开和建设性的对话，提高碳结果量化方法的可信度和公众信心，必须强调三个原则。首先，必须强调实地碳结果的量化不确定性，特别是对于基于市场的工具，如气候智能型商品和碳信用市场，计算出的碳效益的不确定性应反映在气候智能型商品的溢价，或碳信用的定价和政策设计（如管理排放逆转），以确保激励的影响不会被过度补偿或补偿不足。例如，MRV系统的标准偏差可以用来折算产生的信用额度的价值（Kim和McCarl，2009）。这是协议可用的基本要求，而不仅仅是一个主观的技术偏好。第二，验证是报告全系统不确定性的唯一途径。对任何量化工具都不应该有豁免权，即使该工具被广泛使用或被同行评议。有一些基于学术的模型相互比较的MIP工作（Eyring等人，2016；Rosenzweig等人，2013），可以阐明如何设置这种验证，但考虑到碳信用的交易目的，必须为可接受的模型性能设定一个高标准。第三，在单个领域的规模上展示性能是至关重要的。由于实现可扩展性的挑战，一些从业者建议通过关注量化的碳信用的总体准确性来进行妥协（Oldfield等人，2021）。我们认为，几乎不可能验证的汇总准确性必须来自于田地一级的准确性。
接下来，为开发、校准和验证碳效益的MRV系统建立高质量和全面的数据集和相互比较的基础设施，对于建立利益相关者对这些基于市场的减排工具的信任至关重要。代表三层验证系统（第3.4节）的高质量和全面的数据集应确保现场的代表性，以包括不同的土壤、天气、作物和管理类型，并且是开源的，但在社区范围内接受的协议下进行汇编。一个类似的例子是用于计算机视觉和人工智能研究的ImageNet数据库（Deng等人，2009；Russakovsky等人，2015），新的算法将以该数据库为基准，显示其在视觉物体识别方面的进展。鉴于碳量化的复杂性，建立一个 "农业图像网 "无疑更具挑战性。由于农业测量通常具有很大的不确定性，必须仔细评估和实施标准化数据收集的协议，以及处理技术。一些收集了一整套E、M、C变量的长期实验和观测网络（即超级站点）具有提供高质量和全面数据的巨大潜力。最后，大量的受控实验点可以用来测试模型的可扩展性。这些站点通常只有有限的地面测量数据，但却代表了操作使用的真实世界条件。
对高质量数据收集的进一步投资应优先考虑能够帮助了解与不同的碳排放相关的实践捆绑的碳结果的实验，如免耕和覆盖作物的组合，以及能够解开复杂的植物-土壤-微生物相互作用的不透明 "黑箱 "的测量（Yan等，2020）。此外，在典型的表面采样深度（如0-30厘米）之外的土壤深层采样是必要的，以准确量化SOC的变化程度（Tautges等，2019），并证实模型的估计。发展网络基础设施以确保科学数据的归档和共享也是非常重要的，应该成为投资的优先事项。这种网络基础设施的发展应遵循FAIR指导原则（即数字资产的可操作性、可访问性、互操作性和可用性），用于收集的科学数据的管理和监管（Wilkinson等人，2016），并充分考虑农民数据的隐私保护。
最后，虽然我们的讨论主要集中在农业碳结果上，但必须注意到无数的环境和经济共同利益（如改善土壤健康、减少水的使用和空气污染，以及增加气候复原力），这反过来又可以为碳减排项目本身带来进一步的好处。最近的一些案例研究表明，鉴于碳信用价格相对较低，农民的参与可能主要是由这些共同利益驱动的（ARPA-E，2019；Deng等人，2009；Summers等人，2021）。这个观点中提出的 "系统的系统 "框架可以扩展到帮助核算这些共同利益，并通过整体研究经常耦合的碳、水和营养循环以及人类活动，为可持续农业生态系统管理提供信息，这个主题本身就处于地球系统科学的前沿。
转自：“农科学术圈”微信公众号
如有侵权，请联系本站删除！
