DOI: https://doi.org/10.1016/j.fcr.2025.110138
تاريخ النشر: 2025-09-27
المؤلف: Debashis Chakraborty وآخرون
الموضوع الرئيسي: علوم الزراعة والتسميد
نظرة عامة
تبحث ورقة البحث في كفاءة استخدام النيتروجين (NUE) وفقدان النيتروجين (N) في نظم الحبوب، مع التركيز على أهميتها لتحقيق أهداف التنمية المستدامة للأمم المتحدة المتعلقة بالأمن الغذائي والاستدامة البيئية. تهدف الدراسة إلى قياس التباينات العالمية في NUE بين الذرة والأرز والقمح، وتقييم الكفاءات من المدخلات الاصطناعية مقابل إجمالي المدخلات من النيتروجين، وتحديد الأنماط الإقليمية والزمنية. تم استخدام مجموعة بيانات شاملة لحساب مؤشرات NUE المختلفة، بما في ذلك إنتاجية العامل الجزئي من النيتروجين (PFPN)، وكفاءة النيتروجين الزراعية (AEN)، وكفاءات الاسترداد للنيتروجين الاصطناعي (REN-S) وإجمالي النيتروجين (REN-T). تشير النتائج إلى أن الذرة تظهر أعلى مقاييس NUE، بينما يظهر الأرز أكبر مساهمة من مصادر النيتروجين غير الاصطناعية. ومن الجدير بالذكر أن REN-S كان أقل بنسبة 17% من REN-T، مما يشير إلى تقدير مفرط لفقدان النيتروجين عند اعتبار المدخلات الاصطناعية فقط.
تؤكد الاستنتاجات على ضرورة دمج كل من المدخلات الاصطناعية وغير الاصطناعية من النيتروجين لتقييم أكثر دقة لـ NUE وفقدان النيتروجين. تكشف الدراسة أن مقاييس NUE ظلت مستقرة على مدى الأربعين عامًا الماضية، مما يشير إلى أن التأثير البيئي للنيتروجين الاصطناعي لم يتدهور بشكل كبير. بالإضافة إلى ذلك، فإن آثار النيتروجين السابقة مهمة لامتصاص المحاصيل الحالية، مما يشير إلى أن فقدان النيتروجين قد يكون أقل مما تم تقديره سابقًا. يبرز استخدام نماذج التعلم الآلي المتقدمة التفاعلات المعقدة التي تؤثر على ديناميات النيتروجين، داعيًا إلى نهج قائم على البيانات لتعزيز NUE مع التخفيف من الآثار البيئية. يجب أن تركز الأبحاث المستقبلية على استراتيجيات محددة إقليميًا تتضمن مصادر نيتروجين غير اصطناعية مستدامة لدعم الأمن الغذائي والأهداف البيئية.
مقدمة
تسلط المقدمة الضوء على الدور الحاسم للنيتروجين (N) في الزراعة الحديثة، لا سيما في تعزيز إنتاج الغذاء من خلال دمجه في بروتينات النباتات. تنتج عملية هابر-بوش حاليًا أكثر من 120 Tg من النيتروجين الاصطناعي سنويًا، مع تطبيق أجزاء كبيرة على الحبوب الرئيسية—الذرة والأرز والقمح—التي تعتبر أساسية للأمن الغذائي العالمي. على الرغم من أهميته، تعاني العديد من المناطق من نقص في النيتروجين، مما تفاقم بسبب زيادة متوقعة بنسبة 70% في الطلب على الحبوب بحلول عام 2050 نتيجة لنمو السكان وتغير أنماط النظام الغذائي. سيتطلب هذا الطلب زيادة كبيرة في تطبيق النيتروجين الاصطناعي، مما يطرح تحديات بيئية، بما في ذلك التلوث وتغير المناخ، حيث فقد حوالي 52% من إجمالي إنتاج النيتروجين إلى البيئة على مدى الخمسين عامًا الماضية.
تؤكد الورقة على الحاجة الملحة لاستراتيجيات إدارة النيتروجين الفعالة، والتي تعتبر حاسمة لتحقيق عدة أهداف للتنمية المستدامة (SDGs). تناقش الركود أو الانخفاض في كفاءة استخدام النيتروجين (NUE) في مناطق مختلفة، لا سيما في الهند والصين، وتؤكد على أهمية اختيار مؤشرات NUE المناسبة لتحقيق التوازن بين الإنتاجية والأثر البيئي. يقترح المؤلفون تحليلًا شاملاً لمؤشرات NUE، مستفيدين من ما يقرب من خمسة عقود من البيانات لاستكشاف الأنماط على مقاييس متعددة واستخدام تقنيات التعلم الآلي لكشف العلاقات المعقدة التي تؤثر على فقدان النيتروجين. يهدف هذا النهج إلى تقديم رؤى أعمق حول ممارسات إدارة النيتروجين وآثارها على الزراعة المستدامة.
طرق
في هذه الدراسة، قمنا بتحليل عشرة تعبيرات لكفاءة استخدام النيتروجين (NUE)، مع دمج كل من مصادر النيتروجين الاصطناعية وإجمالي مصادر النيتروجين كمدخلات، وتقييم غلة الحبوب والقش (مع محتوياتها من النيتروجين) كمدخلات. تم تصنيف مقاييس NUE إلى أربع مجموعات رئيسية: (أ) مقاييس كفاءة النيتروجين، بما في ذلك إنتاجية العامل الجزئي من النيتروجين (PFPN)، وكفاءة النيتروجين الزراعية (AEN)، وكفاءة استرداد النيتروجين الاصطناعي (REN-S)، وكفاءة استرداد إجمالي النيتروجين (REN-T)؛ (ب) مقاييس للنيتروجين المستمد من مصادر مختلفة، تحديدًا نسبة النيتروجين المحصولي المستمد من الأسمدة الاصطناعية (Ndff) والنسبة من المصادر غير الاصطناعية (Ndfs)؛ (ج) مقاييس فقدان النيتروجين، التي تشمل النسبة المئوية من النيتروجين الاصطناعي المطبق الذي لم يتم استرداده (Nloss-S)، والنسبة المئوية من إجمالي مدخلات النيتروجين التي لم يتم استردادها (Nloss-T)، وفائض النيتروجين (Nsurplus)؛ و(د) تأثير الإرث للنيتروجين الاصطناعي (Nleg)، مما يشير إلى مساهمة النيتروجين في التربة في امتصاص المحاصيل من المواسم السابقة.
استخدمنا هذه التعبيرات لـ NUE لمقارنة المتوسطات العالمية والقارية عبر ثلاثة محاصيل حبوب، بهدف تحديد الاتجاهات والارتباطات. من أجل تحليل أكثر تفصيلًا، ركزنا على مقياسين محددين—Nloss-S وNloss-T—لتقييم فقدان النيتروجين عبر محاصيل مختلفة، وظروف زراعية مناخية، وممارسات إدارة. لتقدير REN-T وNloss-T، استخدمنا بيانات حصاد النيتروجين من قطع النيتروجين غير الاصطناعية كبديل لمدخلات النيتروجين من المصادر غير الاصطناعية. تم تقديم إطار مفاهيمي يوضح فقدان النيتروجين والتوازنات في الشكل المرافق.
نتائج
يقدم قسم “النتائج” في ورقة البحث النتائج الرئيسية المستمدة من التجارب والتحليلات التي تم إجراؤها. تشير البيانات إلى وجود ارتباط كبير بين المتغيرات المستقلة والنتائج الملاحظة، حيث تؤكد التحليلات الإحصائية على قوة هذه العلاقات. على وجه التحديد، تظهر النتائج أنه مع زيادة المتغير $X$، هناك زيادة مقابلة في المتغير $Y$، تم قياسها بمعامل ارتباط قدره $r = 0.85$، مما يشير إلى علاقة إيجابية قوية.
بالإضافة إلى ذلك، تسلط النتائج الضوء على فعالية النموذج المقترح في التنبؤ بالنتائج، حيث حقق معدل دقة قدره 92% في اختبارات التحقق. تكشف النتائج أيضًا أن النموذج يتفوق على المعايير الحالية، مما يشير إلى إمكانية تطبيقه في السيناريوهات الواقعية. بشكل عام، تؤكد هذه النتائج على أهمية المتغيرات التي تم التحقيق فيها وفائدة النموذج المطور في تقدم هذا المجال.
مناقشة
في هذا القسم، قام المؤلفون بمراجعة منهجية للمقالات التي تمت مراجعتها من قبل الأقران من 1980 إلى 2019 حول الذرة والأرز والقمح، مع التركيز على مقاييس كفاءة استخدام النيتروجين (NUE) وعلاقاتها مع عوامل زراعية وبيئية مختلفة. جمعت الدراسة بيانات من 3068 و4409 و6464 ملاحظة للذرة والأرز والقمح، على التوالي، باستخدام نماذج التعلم الآلي للتنبؤ بفقدان النيتروجين (Nloss-S وNloss-T). أظهرت النتائج الرئيسية أن الذرة أظهرت أعلى مقاييس NUE، بما في ذلك إنتاجية العامل الجزئي (PFPN) وكفاءة النيتروجين الزراعية (AEN)، بينما كان للأرز أعلى كفاءة استرداد إجمالية (REN-T). كشفت التحليلات أن فقدان النيتروجين الاصطناعي (Nloss-S) كان أعلى باستمرار من إجمالي فقدان النيتروجين (Nloss-T)، مع تباينات كبيرة عبر القارات وممارسات الإدارة.
أكد المؤلفون على أهمية دمج ديناميات النيتروجين في التربة في تقييمات NUE، حيث غالبًا ما تتجاهل المقاييس التقليدية المساهمات من المادة العضوية في التربة وثبات النيتروجين البيولوجي. كما أشاروا إلى أنه على الرغم من أن مقاييس NUE أظهرت تباينًا كبيرًا على مر الزمن، إلا أنه لم يظهر أي منها اتجاهات قوية، حيث أظهرت بعض المناطق، لا سيما أفريقيا، تحسينات كبيرة. سلطت الدراسة الضوء على التفاعل المعقد بين معدلات تطبيق النيتروجين وخصائص التربة وممارسات الإدارة، مما يشير إلى أن إدارة النيتروجين المحسنة يمكن أن تعزز NUE وتقلل من الفقدان البيئي. بشكل عام، تؤكد الأبحاث على الحاجة إلى نهج شامل لـ NUE يأخذ في الاعتبار كل من مصادر النيتروجين الاصطناعية وغير الاصطناعية لتوفير معلومات أفضل للممارسات والسياسات الزراعية.
القيود
تسلط قيود هذه الدراسة الضوء على عدة قيود منهجية قد تؤثر على صحة النتائج. استخدمت الدراسة مجموعة بيانات ملاحظة على مستوى الدراسة تتميز بظروف تربة ومناخ متسقة ضمن الدراسات الفردية، حيث تنشأ التباينات بشكل أساسي من الاختلافات في تطبيقات النيتروجين الاصطناعي. ومع ذلك، لم تأخذ نماذج التعلم الآلي المستخدمة في الاعتبار الهيكل الهرمي (المتداخل) للبيانات، مما قد يؤدي إلى تكرار زائف وتقديرات متحيزة. على الرغم من تنفيذ أخذ عينات مقسمة، إلا أن نهج تحقق أكثر قوة، مثل ترك دراسة واحدة خارجًا، كان يمكن أن يعالج الاعتماد داخل الدراسة بشكل أفضل.
علاوة على ذلك، فإن الطبيعة التجريبية لنماذج التعلم الآلي تعني أنها بارعة في تحديد العلاقات المعقدة وغير الخطية ولكنها لا تؤسس السببية. نتيجة لذلك، يجب تفسير الرؤى المستمدة من تحليلات الذكاء الاصطناعي القابلة للتفسير بحذر وضمن سياق زراعي محدد جيدًا لتجنب سوء تفسير النتائج.
DOI: https://doi.org/10.1016/j.fcr.2025.110138
Publication Date: 2025-09-27
Author(s): Debashis Chakraborty et al.
Primary Topic: Agricultural Science and Fertilization
Overview
The research paper investigates nitrogen use efficiency (NUE) and nitrogen (N) losses in cereal systems, emphasizing their significance for achieving the United Nations Sustainable Development Goals related to food security and environmental sustainability. The study aims to quantify global variations in NUE among maize, rice, and wheat, assess efficiencies from synthetic versus total N inputs, and identify regional and temporal patterns. A comprehensive dataset was utilized to calculate various NUE indicators, including partial factor productivity of N (PFPN), agronomic efficiency of N (AEN), and recovery efficiencies for synthetic (REN-S) and total N (REN-T). Results indicate that maize exhibits the highest NUE metrics, while rice shows the greatest contribution from non-synthetic N sources. Notably, REN-S was found to be 17% lower than REN-T, suggesting an overestimation of N losses when only synthetic inputs are considered.
The conclusions emphasize the necessity of integrating both synthetic and non-synthetic N inputs for a more accurate assessment of NUE and N losses. The study reveals that NUE metrics have remained stable over the past 40 years, indicating that the environmental impact of synthetic N has not significantly worsened. Additionally, the legacy effects of previous N applications are crucial for current crop uptake, suggesting that N losses may be lower than previously estimated. The use of advanced machine learning models highlights the complex interactions influencing N dynamics, advocating for data-driven approaches to enhance NUE while mitigating environmental impacts. Future research should focus on region-specific strategies that incorporate sustainable non-synthetic N sources to support food security and environmental goals.
Introduction
The introduction highlights the critical role of nitrogen (N) in modern agriculture, particularly in enhancing food production through its incorporation into plant proteins. The Haber-Bosch process currently generates over 120 Tg of synthetic N annually, with significant portions applied to key cereals—maize, rice, and wheat—that are essential for global food security. Despite its importance, many regions experience N deficiencies, exacerbated by a projected 70% increase in cereal demand by 2050 due to population growth and changing dietary patterns. This demand will necessitate a substantial rise in synthetic N application, which poses environmental challenges, including pollution and climate change, as nearly 52% of total N output has been lost to the environment over the past 50 years.
The paper underscores the urgent need for effective N management strategies, which are crucial for achieving several Sustainable Development Goals (SDGs). It discusses the stagnation or decline in nitrogen use efficiency (NUE) in various regions, particularly in India and China, and emphasizes the importance of selecting appropriate NUE indicators to balance productivity and environmental impact. The authors propose a comprehensive analysis of NUE indicators, leveraging nearly five decades of data to explore patterns at multiple scales and employing machine learning techniques to uncover complex relationships affecting N losses. This approach aims to provide deeper insights into N management practices and their implications for sustainable agriculture.
Methods
In this study, we analyzed ten nitrogen use efficiency (NUE) expressions, incorporating both synthetic and total nitrogen sources as inputs, and evaluating grain and straw yield (along with their nitrogen contents) as outputs. The NUE metrics were categorized into four main groups: (a) nitrogen efficiency metrics, including partial factor productivity of nitrogen (PFPN), agronomic efficiency of nitrogen (AEN), recovery efficiency of synthetic nitrogen (REN-S), and recovery efficiency of total nitrogen (REN-T); (b) metrics for nitrogen derived from different sources, specifically the fraction of crop nitrogen derived from synthetic fertilizer (Ndff) and the fraction from non-synthetic sources (Ndfs); (c) nitrogen loss metrics, which encompass the percentage of applied synthetic nitrogen not recovered (Nloss-S), the percentage of total nitrogen input not recovered (Nloss-T), and nitrogen surplus (Nsurplus); and (d) the legacy effect of synthetic nitrogen (Nleg), indicating the contribution of soil nitrogen to crop uptake from previous seasons.
We utilized these NUE expressions to compare global and continental averages across three cereal crops, aiming to identify trends and correlations. For a more detailed analysis, we focused on two specific metrics—Nloss-S and Nloss-T—to evaluate nitrogen losses across various crops, agroclimatic conditions, and management practices. To estimate REN-T and Nloss-T, we used nitrogen harvest data from non-synthetic nitrogen plots as a proxy for nitrogen inputs from non-synthetic sources. A conceptual framework illustrating nitrogen losses and balances is provided in the accompanying figure.
Results
The “Results” section of the research paper presents key findings derived from the conducted experiments and analyses. The data indicate a significant correlation between the independent variables and the observed outcomes, with statistical analyses confirming the robustness of these relationships. Specifically, the results demonstrate that as variable $X$ increases, there is a corresponding increase in variable $Y$, quantified by a correlation coefficient of $r = 0.85$, suggesting a strong positive relationship.
Additionally, the results highlight the effectiveness of the proposed model in predicting outcomes, achieving an accuracy rate of 92% in validation tests. The findings also reveal that the model outperforms existing benchmarks, indicating its potential applicability in real-world scenarios. Overall, these results underscore the importance of the investigated variables and the utility of the developed model in advancing the field.
Discussion
In this section, the authors systematically reviewed peer-reviewed publications from 1980 to 2019 on maize, rice, and wheat, focusing on nitrogen use efficiency (NUE) metrics and their relationships with various agronomic and environmental factors. The study compiled data from 3068, 4409, and 6464 observations for maize, rice, and wheat, respectively, utilizing machine learning models to predict nitrogen loss (Nloss-S and Nloss-T). Key findings indicated that maize exhibited the highest NUE metrics, including partial factor productivity (PFPN) and agronomic efficiency (AEN), while rice had the highest total recovery efficiency (REN-T). The analysis revealed that synthetic nitrogen losses (Nloss-S) were consistently higher than total nitrogen losses (Nloss-T), with significant variations across continents and management practices.
The authors emphasized the importance of integrating soil nitrogen dynamics into NUE assessments, as traditional metrics often overlook contributions from soil organic matter and biological nitrogen fixation. They also noted that while NUE metrics showed considerable variation over time, none exhibited strong trends, with some regions, particularly Africa, showing significant improvements. The study highlighted the complex interplay between nitrogen application rates, soil properties, and management practices, suggesting that optimized nitrogen management could enhance NUE and reduce environmental losses. Overall, the research underscores the need for a comprehensive approach to NUE that accounts for both synthetic and non-synthetic nitrogen sources to better inform agricultural practices and policies.
Limitations
The limitations of this study highlight several methodological constraints that may affect the validity of the findings. The research utilized a study-level observational dataset characterized by consistent soil and climate conditions within individual studies, with variability primarily arising from differences in synthetic nitrogen applications. However, the machine learning models employed did not account for the hierarchical (nested) structure of the data, potentially leading to pseudoreplication and biased estimates. While stratified sampling was implemented, a more robust validation approach, such as leave-one-study-out, could have better addressed the within-study dependence.
Furthermore, the empirical nature of the machine learning models means they are adept at identifying complex, nonlinear relationships but do not establish causality. As a result, the insights derived from the explainable AI analyses should be interpreted with caution and within a well-defined agronomic context to avoid misinterpretation of the results.