2021, Vol. 40
2. 北京大学地表过程分析与模拟教育部重点实验室, 北京 100871;
3. 中国农业科学院农业环境与可持续发展研究所, 北京 100081;
4. 农业农村部农业环境重点实验室, 北京 100081;
5. 农业农村部农业生态与资源保护总站, 北京 100125
2. Laboratory for Earth Surface Processes, Ministry of Education Peking University, Beijing 100871, China;
3. Institute of Environment and Sustainable Development in Agriculture, Chinese Academy of Agricultural Sciences, Beijing 100081, China;
4. Key Laboratory of Agricultural Environment of Ministry of Agriculture and Rural Affairs, Beijing 100081, China;
5. Rural Energy and Environment Agency, Ministry of Agriculture and Rural Affairs, Beijing 100125, China
氨气是大气当中主要的碱性气体之一，其与二氧化硫、二氧化氮和硝酸气体反应生成的硫酸铵、硝酸铵是大气当中二次无机气溶胶的主要成分[1-2]。在我国高频次、大范围的雾霾天气中，二次无机气溶胶的贡献达到30%~77%[3]，这一特点在华北平原地区尤为突出[4]。此外，氨还是大气沉降的主要成分[5]，进入地表会引发土壤酸化[6]、水体富营养化[7]等一系列环境问题。沉降到地面的氨也会促进氧化亚氮等温室气体的间接排放[8]。我国氨排放主要来自于农业源（包括种植业与畜禽养殖业），其排放贡献达到80%以上[9-10]。因此，编制高分辨率的农业源氨排放清单，有助于认识氨排放的时空格局，识别氨排放的关键环节，优化氨减排的区域方案[11]。
区域尺度的氨排放量估算包括自上而下和自下而上两种方法[10, 12-13]。卫星数据虽然可以绘制全球氨排放分布图，揭示热点区域，但其观测结果与区域环境条件、农业措施缺少直接关联，多数地区还存在排放源重叠的现象，无法给出针对性的减排建议[12-13]。排放因子模型（排放量等于排放因子与活动数据的乘积）是区域氨排放量估算方法之一。然而，现有模型对于区域氨排放量的估计存在相当大的不确定性。不同研究估算的我国种植业氨排放量范围（以N计，下同）为2.3~7.4 Tg[9, 14-19]，畜禽养殖业氨排放量范围达到2.24~6.49 Tg[9-10, 12, 15, 20]。造成这种差异的主要原因有2个：一是对排放因子对环境条件、农业管理措施的敏感性认识不全面。根据以往研究，无论农田施肥还是畜禽养殖，氨挥发率随着气温或基质pH增长呈指数上升[14, 21]。Meta分析结果表明不同肥料类型以及施肥措施导致的氨挥发率存在差异，与尿素相比，硝酸铵、硫酸铵、磷酸二氢氨的氨挥发要低50%以上，深施相比撒施可以减少约一半的氨挥发[22]。然而，部分模型将每个省份的排放因子设定为一个定值[9, 15]，或仅根据少数控制实验对排放因子进行简单校正[10]。该排放因子难以表达不同时空尺度环境因子、农艺措施、畜禽管理方式等对氨挥发的影响。二是模型活动数据的分辨率低，难以刻画区域差异，识别关键环节，从而影响了排放估算。例如，目前多数研究建立的我国氨排放清单活动数据为省级，无法识别省份内部的空间差异，且难以区分不同作物、不同环节及管理措施的各自贡献，管理者难以制定针对性的减排策略[9, 15]。
尽管不同模型的估算结果存在差别，但从空间格局来看，以往研究均认为京津冀地区是我国乃至全球氨排放的热点地区[9, 15]，该结果也与卫星观测结果吻合[13]。京津冀地区的区域面积仅为2.18×104 km2，对于这种面积较小的热点地区，过低的空间分辨率会降低模型结果的可靠性。以往的国家级排放清单的分辨率大多为省级[9, 15, 19]，氨排放的作物结构与关键环节无法辨析，难以进一步识别该地区的排放热点。
针对以上问题，本文基于第二次全国污染源普查（以下简称“二污普”）和统计年鉴数据，建立了京津冀地区的县级活动数据，该活动数据细分了不同作物的氮肥投入量、施肥类型、施肥方式、施肥时间以及畜禽养殖规模和粪便管理方式。此外，改进了排放因子模型，量化了气象、土壤条件、农艺措施、粪便管理措施对排放因子的影响。随后，制定了2015—2019年京津冀地区农业源氨排放清单（千米级），评估了京津冀地区农业源氨排放的时空格局，识别了氨排放的关键作物与关键环节，探索了不同管理措施下的氨减排潜力，为京津冀地区的氨减排及大气污染防治提供科学依据。
1 材料与方法 1.1 种植业氨排放核算方法本研究参考了ZHAN等[14]建立的高分辨率排放因子模型估算农田氨挥发量：
|
(1) |
式中：V为作物i的氨挥发量，kg；VR为氨挥发率，%；N为施氮强度（以N计），kg·hm-2；SA为播种面积，hm2。当i=1时，作物类型为水稻，i>1时为旱地作物。旱地作物分为玉米、小麦、豆类、薯类、蔬菜、果类、其他作物（包括棉花、油菜籽、瓜类、花生、麻类、高粱、向日葵和甘蔗），k代表栅格尺度。
|
(2) |
式中: VR0为基准条件下不同实验观测氨挥发率的平均值，水田为13.29%，旱地为9.34%，适用于水田或旱地的所有栅格。基准条件是指氨挥发通量通过动态箱法观测（即0.1 m风速=0.4 m·s-1），且该实验的施肥方式为尿素撒施，土壤或田面水的pH为7左右，生长季气温均值为20 ℃（旱地）或26 ℃（水田）。f（pH）、g（T）、h（u）为pH、温度、风速的校正系数。校正系数方程形式如下：
|
(3) |
|
(4) |
|
(5) |
式中：pHw和pHs为土壤与田面水的pH值；T为作物生长季平均气温，℃，u为10 m风速（m·s-1）。CEtype & mode为肥料类型与施肥方式的综合校正系数，方程形式如下：
|
(6) |
式中：j为肥料类型，包括尿素、碳酸氢铵（碳铵）、复合肥、其他化肥、粪便（包括动物与人类）和秸秆；x为不同类型肥料的投入比例；bi为基肥占所有化肥投入的比例，di为作物机械深施的比例，ni为免耕比例；μf为不同肥料的校正系数，尿素为1，碳酸氢铵为1.479 7（水田）或2.291 0（碳铵），其他氮肥为0.529 6，复合肥为0.522 2，畜禽粪便为0.326 1，作物秸秆为0.231 6。对于CEtype & mode，本研究在ZHAN等[14]的基础上对参数做了进一步修正：首先，ZHAN等[14]将肥料施用方式分为撒施、翻耕与深施3种，本研究则参照《大气氨源排放清单编制技术指南（试行）》分为撒施和深施两种，处理方法为将翻耕、深施两种施肥方式的样点合并，同样以撒施为参照，重新拟合肥料深施的校正系数；另外，ZHAN等[14]假定复合肥的挥发率与尿素一致，有机肥的挥发率与其他肥料一致，本研究则对复合肥、秸秆和粪便的挥发率进行了细分，参考上述3种肥料与尿素的对照观测实验，重新率定了复合肥、秸秆和粪肥的校正系数。
1.2 畜禽养殖业氨排放量的估算方法本研究采用了ZHANG等[23]的畜禽氨排放模型进行计算，模型形式如下：
|
(7) |
式中：i为畜禽类型，本研究分为16种（表 1）；k为粪便管理方式，分为室内圈舍、存储管理和户外放牧，畜禽还田的氨排放量归入农田氨挥发量中；V为畜禽氨排放量；h表示畜禽的头数；exf为排泄系数（以N计，下同），emf为排放因子，不同畜种的排泄系数与排放因子见表 1。该模型计算尺度为县级尺度。
|
表 1 畜禽排泄系数以及排放因子 Table 1 Excretion factors and emission factors of livestock |
为准确评估京津冀地区农业源氨排放，本研究使用二污普2017年县级数据和年鉴省级、市级数据进行折算，建立了京津冀地区2015—2019年县级农业管理措施数据集。由于二污普数据仅有2017年的，所以折算时只算了2017年前后两年。数据集包括种植结构、肥料类型和施肥方式，以及养殖畜种、养殖规模和不同粪便管理方式。上述数据以及气象、土壤驱动数据均通过土地利用数据分配到1 km的栅格[24]，数据来源与处理方法见表 2。
|
|
表 2 种植业氨排放模型驱动数据来源 Table 2 Activity dataset used in this study |
对于种植业，设计了6种减排潜力评估情景：（1）提高作物氮肥利用率（NUE），提高作物NUE的情景数据处理方法参考ZHANG等[25]。NUE是指作物籽粒含氮量占外界总氮投入的比例，为使NUE提高至2050年的最优水平，需要在保证产量的同时减少氮损失，从而降低氮肥投入。计算该情景需要获得各个作物生育期的氮沉降量、固氮量、氮肥投入量和籽粒含氮量。氮沉降量基于YU等[5]的氮沉降数据计算获得。不同作物固氮量参考李树田等[26]的单位面积固氮量系数计算获得。作物籽粒含氮量参考KALTENEGGER等[27]的研究结果；（2）硝态氮替代碳铵；（3）降低尿素和碳铵的占比，使硝态氮占比达到40%（美国平均水平）；（4）基肥机械深施比例增加至70%；（5）基肥机械深施比例增加至80%；（6）基肥机械深施比例增加至90%。
对于畜禽养殖业，参考了曹玉博等[28]整理的减排措施，选取了9种措施对京津冀地区畜禽养殖业的氨减排潜力进行评估。减排措施包括：饲喂过程中采取低蛋白饲喂、分阶段饲养、添加酸性盐类饲料（酸性钙盐取代碳酸钙），饲舍管理过程中采取粪尿分离（漏缝地板面积占50%）、快速清洗、添加脲酶抑制剂、在存储管理过程中覆盖土工织物、覆盖泡沫塑料、添加强酸物质。根据其提供的氨挥发减排率乘以实际畜禽养殖业氨排放量对氨减排潜力进行评估。
2 结果与分析 2.1 京津冀地区农业源氨排放量及排放结构由表 3可知，2015—2019年，京津冀地区农业源氨排放平均值为429.1 Gg·a-1（以NH3计，下同）。其中，种植业和畜禽养殖业分别排放278.1、151.0 Gg·a-1，贡献率分别为64.8%与35.2%。随着氮肥投入与畜禽养殖规模的下降，京津冀地区农业源氨排放从2015年的448.6 Gg·a-1下降到2019年的391.8 Gg·a-1。2015—2019年农业源氨排放下降主要源于种植业，减排量为42.5 Gg，占农业源氨排放下降量的74.8%；畜禽养殖业氨减排量为14.3 Gg，占农业源氨排放下降量的25.2%。不同作物、肥料类型与畜禽粪便管理方式的氨排放存在差异。以2019年为例（图 1），京津冀地区玉米氨排放量最高，达到146.5 Gg·a-1，占农业源排放量的37.4%；其次是小麦、水果、蔬菜以及其他作物。从肥料类型角度来看，尿素施用造成的氨排放量为178.0 Gg·a-1，占种植业排放量的71.8%；其次是复合肥、碳铵、人类和畜禽粪便及秸秆。京津冀地区畜禽养殖业氨排放总量占农业源排放量的36.8%，其中，室内圈舍过程排放最多，达到97.9 Gg·a-1，占农业源排放量的25.0%；其次是储存管理过程和户外放牧过程。
|
|
表 3 京津冀地区2015—2019年种植业、畜禽养殖业、农业源氨排放量（Gg·a-1） Table 3 NH3 emissions from cropland, livestock and agriculture in BTH region during 2015—2019(Gg·a-1) |
|
数字为氨排放量，Gg·a-1；括号内为该部分占总排放量的比例 Numbers are NH3 emissions, Gg·a-1; and numbers in brackets are proportion of this to the total emissions 图 1 2019年京津冀地区农业源氨排放结构 Figure 1 Structure of NH3 emissions from agriculture in BTH region in 2019 |
京津冀地区农业源氨排放呈现“南高北低”的空间格局（图 2）。市级氨排放量占据前6位的地级市均分布在京津冀地区的南部。其中沧州市氨排放最高，达到50.2 Gg·a-1，占京津冀地区氨排放总量的12.7%。其次是邯郸市（49.1 Gg·a-1）、保定市（44.2 Gg·a-1）、邢台市（40.6 Gg·a-1）、石家庄市（35.6 Gg·a-1）和廊坊市（33.3 Gg·a-1）。这6个地级市农业源氨排放量占京津冀地区总量的64%，种植业氨排放占京津冀地区总量的71%，畜禽养殖业占京津冀地区总量的59%（图 2）。
|
图 2 京津冀地区2019年农业源、种植业和畜禽养殖业排放量格局 Figure 2 Spatial pattern of NH3 emissions from agriculture, cropland and livestock in 2019 |
从县级尺度来看，农业源以及种植业和畜禽养殖业氨排放均十分集中，其中一半的县（区、市）贡献了京津冀地区80%以上的农业源氨排放量（图 3）。对于农业源氨排放量而言，这些县（区、市）集中在承德市北部、唐山市中南部、沧州市北部、衡水市西北部以及邯郸市西部和东南部。其中排放量前10位的县（区、市）包括沧县、黄骅市、大名县、武安市、丰宁满族自治县、唐山市丰南区、河间市、围场满族蒙古族自治县、定州市和深州市。这10个县（区、市）的累计排放量占到了农业源总排放量的13.5%。对于种植业，热点地区基本与农业源的重合，沧县、武安市、黄骅市、唐山市丰南区、大名县、丰宁满族自治县也是种植业的排放热点县（区、市）。畜禽养殖业排放量的空间格局与种植业并不相同，排放热点县（区、市）分别是滦南县、定州市、青龙满族自治县、围场满族蒙古族自治县、天津市宝坻区、宁河区、宣化县、玉田县、永年县、正定县。因此，京津冀地区农业源氨减排需要以这些高排放地区作为优先控制单元。
|
图 3 京津冀地区2019年累计排放量占比（以县为单位）以及排放量排名前50%的县（区、市）的排放量与空间分布 Figure 3 Proportion of cumulative emissions in BTH region in 2019(counted by counties) and emissions and spatial distribution of the top 50% of the counties (districts and cities) |
京津冀地区种植业有很大的减排潜力（表 4），其中提高氮肥利用率带来的减排潜力最大。所有作物氮肥利用率达到目标氮利用率，同时减少相应的氮肥投入，氨减排量可达142.5 Gg，减排57.5%。从肥料类型的角度来看，碳铵替代为硝态氮这一措施的减排潜力较小（21.7 Gg），但是如果进一步提高硝态氮在总氮投入量的占比，减排量可以增加20.1 Gg。提高机械深施比例的减排潜力相对较小。
|
|
表 4 京津冀地区种植业和畜禽养殖业不同措施下的减排潜力 Table 4 Mitigation potentials from cropland and livestock under different measures in BTH region |
在畜禽养殖业中，在饲喂阶段采用酸性钙盐取代碳酸钙的减排潜力最大，这一措施可以降低粪尿的pH值，带来37.5~76.3 Gg（26%~53%）的减排量。在室内圈舍过程中添加脲酶抑制剂也可以达到比较好的减排效果，并且也很稳定，能减排33.7~35.2 Gg。在室内圈舍过程中采取快速清洗的措施平均减排41.1 Gg，但该措施的不确定性大（9.5%~47.6%），可靠性需要进一步验证。在存储管理过程中采取覆盖、添加强酸物质等措施的减排量较小，主要原因是存储过程中氨排放量相比室内圈舍过程的氨排放要小很多（约占总畜禽氨排放的23%），但是仍然能有效降低存储过程中的氨排放（添加强酸物质能稳定减少存储过程中约80%的氨排放），这些措施配合饲喂阶段、室内圈舍阶段的减排措施一同实行也具有很大的意义。
3 讨论总体而言，本研究对京津冀地区氨排放的估算结果普遍低于以往“自下而上”的模拟结果。MEI⁃ Cv1.3[33-34]模型采用原环境保护部于2014年颁布的《大气氨源排放清单编制技术指南（试行）》中的排放因子估算了2015—2017年京津冀地区农业源氨排放量，结果为554.0 Gg·a-1，该估计比本研究的结果约高106 Gg·a-1。程龙等[35]采用了简单的排放因子法，认为2014年京津冀地区农业源氨排放量约为1 750.7 Gg·a-1，是本研究2015年估算值的3.9倍，该研究采用的种植业和畜禽养殖业氨排放因子来源于欧洲环保署制定的《EMEP/EEA 2013年空气污染排放清单指南手册》。ZHANG等[19]采用排放因子模型评估的我国氨排放清单中，京津冀地区农业源氨排放量为922.2 Gg·a-1，该结果比本研究高473.6 Gg·a-1。以上研究存在两个主要不足：首先，上述研究采用的活动数据主要来自于国家统计年鉴资料，空间分辨率多为省级，用于估算京津冀地区的排放量较为粗糙。其次，上述研究采用的排放因子直接来源于欧洲数据或国内观测的单一试验点数据，或为一个固定数值，而本研究的农艺措施活动数据主要基于第二次全国污染源普查结果及省、市级统计年鉴，空间分辨率达到县级尺度，能够更真实地反映不同区域农户的实际耕作和管理措施。同时，本研究的排放因子能够充分反映种植制度、施肥管理、灌排管理、土壤特征和气候条件的动态影响。例如，2015年后京津冀地区的机械耕作比例有所增加，主粮作物的基肥深施比例高于35%，大大降低了氨挥发量（《中国农业机械年鉴》，ZHANG等[12]）。
本文也采用了大气化学-气象模型和遥感观测对京津冀地区农业源氨气排放进行了“自上而下”的验证[13, 36]。WRF-Chem v3.6.1模拟的京津冀地区在2008—2019年大气氨柱浓度平均值（模型原理及效果参照LIU等[36]的研究）与IASI遥感观测较为一致（观测结果来自于VAN DAMME等[13]的研究）。将来自北京大学排放清单网站（http://inventory.pku.edu.cn/）的工业和能源氨排放从WRF-Chem模拟的京津冀地区所有源氨排放清单中扣除，得到京津冀地区农业源氨排放，该结果与本研究2015—2019年核算结果较为一致（图 4）。
|
a：WRF-Chem模拟2008—2019年大气氨柱浓度平均值与IASI遥感观测比较；b：本研究与大气反演的农业源氨排放比较 a: WRF-Chem simulation of the average concentration of atmospheric NH3 column during 2008—2019 compared with IASI remote sensing observation; b: Comparison of NH3 emissions in this study with atmospheric inversion 图 4 基于大气反演的京津冀地区农业源氨排放验证 Figure 4 Verification of NH3 emission from agricultural in BTH region based on atmospheric inversion |
从农业源氨排放的结构来看，畜禽养殖业氨排放量低于种植业。主要有两个原因：一是在划分种植业和畜禽养殖业的氨排放时，本研究认为畜禽粪便还田产生的氨来自种植业，因此与以往研究相比，本研究中畜禽养殖业氨排放缺少粪便还田部分。二是以往的畜禽粪便还田产生的氨排放可能存在高估的问题。本研究在建立氨排放清单时将粪便还田的部分作为肥料归入种植业模型当中计算。ZHAN等[14]的种植业模型考虑了施肥措施和施肥时间（基于作物生长季），这相比于畜禽养殖业简单的排放因子模型要更加精细和可靠。并且在ZHAN等[14]的模型当中有一个假设：畜禽粪便一般施撒在播种之前，如果这块土地进行了翻耕，那么畜禽粪便的施肥方式应该为挥发率更低的深施。而京津冀地区的翻耕比例很高，玉米为约30%、其他作物大于90%（二污普、《中国农业机械年鉴》）。因此在种植业模型当中，绝大部分粪便的施肥方式为深施，粪便还田产生的氨排放量可能并不高。
种植规模、养殖规模、氮肥投入和环境条件是影响京津冀地区空间格局的主要因素。从农田的空间分布来看，京津冀南部的华北平原地势平坦，适合农业生产，播种面积大，这也带来了更多的氮肥投入。统计数据显示，南部7个城市（廊坊、保定、沧州、石家庄、衡水、邢台、邯郸）氮肥投入量为1 490.1 Gg（2019年），是北部城市（北京、天津、张家口、承德、秦皇岛、唐山）的1.66倍。同时，土壤酸碱度也是决定种植业氨排放格局的关键因素。南部的华北平原和唐山南部土壤pH值（7.8）普遍高于北部（6.5）以及邢台市（6.5）与邯郸市中部（6.5）。大量氢氧根离子的存在促进了尿素水解后铵根离子向游离氨的转化，进一步提高了氨排放通量[14]。畜禽养殖业氨排放的空间格局主要受到畜禽养殖规模的影响，例如邯郸畜禽源氨排放集中在肥乡县，唐山市畜禽源氨排放集中在滦南县。此外，气温对于氨排放的影响也很重要，东南部及南部城市年均气温（16 ℃）普遍高于西北部（4 ℃）。今后的研究应该进一步基于情景模拟等方式量化这些因素的贡献，这对于指定减排措施以及在空间上调整种植、养殖分布有很大的意义。
在种植业中，提高作物氮肥利用率是减排潜力最大的措施，这与ZHAN等[14]的研究结果一致，从成本收益的角度来看，这一措施也是成本最低的[23]。种植业第二个重要措施为调整肥料类型。其中取消碳铵（挥发率为尿素的1.47~2.29倍）的减排潜力较低（8.7%），原因在于1996年以后，我国化肥中碳铵的投入比例逐年下降[10]，2019年京津冀地区碳铵投入占比已经降至4%左右（二污普、《全国农产品成本收益资料汇编》），已经有效地降低了种植业的氨排放。机械施肥的减排潜力较低，主要因为本研究设定的情景仅提高了机械在基肥施用上的贡献，没有考虑追肥的深施问题。未来应进一步推广追肥的机械深施或水肥一体化，提高氨的减排效果[37]。
尽管本研究通过高分辨率的排放因子模型系统评估了京津冀地区的农业源氨排放及减排潜力，但仍存在一些不确定性。从模型结构来看，种植业氨通量估算没有考虑水分输入与施肥次数的影响。水分可以携带氮肥与铵根离子向下运移[21]，降低氨挥发量；氨挥发率随施氮量呈指数上升[16]，分次施肥可以降低氨排放通量，不考虑这两种因素可能导致了种植业排放量的高估。同时模型参数是通过全球尺度的实验观测数据率定而来，并未基于京津冀地区的实测数据进行本土化。另外，各项减排措施在京津冀地区的适用性也缺少系统评估。从活动数据的角度来讲，将2017年的数据（二污普数据）用于其他年份也给估算结果带来了不确定性。实际上，以往的研究表明，中国的农业源氨排放量经历了从显著增长到趋于平缓甚至下降的变化[9-10, 15]。但是量化不确定性分析涉及到活动数据、模型方法、参数等数据和资料，并且在京津冀地区也需要更加本土化的资料，这使得进行不确定性分析变得困难，也是以往的诸多清单研究[9-10, 12]没有对不确定性进行量化的原因。
因此，为了进一步精准评估京津冀地区的氨排放，需要进一步优化模型结构，考虑水分输入、施肥次数与施肥时间等的影响，同时对氨排放模型的参数进行本土化优化，评估减排措施的适用性，并且建立高分辨率长时间尺度的农艺措施和粪便管理措施的活动数据，研究京津冀地区农业源氨排放量及驱动机制，评估农艺管理和畜禽管理措施在氨排放中的贡献，这对未来的氨减排及重污染天气的治理工作有重要的指导意义。
4 结论（1）2015—2019年，京津冀地区年均氨排放为429.1 Gg·a-1，与大气反演结果非常接近。种植业和畜禽养殖业分别排放278.1、151.0 Gg·a-1。从不同作物类型、肥料类型来看，玉米种植、尿素施用是种植业氨排放的主要来源；室内圈舍是畜禽养殖业氨排放的主要来源。京津冀地区氨排放量逐年下降，从2015年的448.6 Gg·a-1下降到2019年391.8 Gg·a-1。农业源氨排放下降主要源于种植业，种植业减排量占总减排量的75%。
（2）由于播种面积、土壤、pH值以及温度在空间分布上的差异，京津冀地区农业源氨排放呈现“南高北低”的空间格局。从县级尺度来看，农业源氨排放在空间上十分集中，一半的县（区、市）贡献了京津冀地区80%以上的农业源排放量，沧县、黄骅市、大名县、武安市、丰宁满族自治县排在前5位。
（3）提高作物氮利用率与硝态氮肥的替代是种植业中减排潜力最大的两种措施，分别可以减排57.5%、16.8%。畜禽饲喂过程中采用酸性碳酸钙替代饲料中的碳酸钙减排潜力最大，可以减排26%~53%，在存储管理过程中采取覆盖、添加强酸物质等措施可以有效减少存储管理过程中的氨排放。考虑到实践中的适用性，多种减排措施配合还会进一步提高农业源的氨减排效果。
致谢: 本研究得到浙江大学谷保静教授和北京大学张霖教授的指导，一并感谢。
| [1] |
PENG J F, HU M, SHANG D J, et al. Explosive secondary aerosol formation during severe haze in the North China Plain[J]. Environmental Science & Technology, 2021, 55(4): 2189-2207. |
| [2] |
WANG M Y, KONG W M, MARTEN R, et al. Rapid growth of new atmospheric particles by nitric acid and ammonia condensation[J]. Nature, 2020, 581(7807): 184-189. DOI:10.1038/s41586-020-2270-4 |
| [3] |
HUANG R J, ZHANG Y, BOZZETTI C, et al. High secondary aerosol contribution to particulate pollution during haze events in China[J]. Nature, 2014, 514(7521): 218-222. DOI:10.1038/nature13774 |
| [4] |
ZHENG J, HU M, PENG J F, et al. Spatial distributions and chemical properties of PM2.5 based on 21 field campaigns at 17 sites in China[J]. Chemosphere, 2016, 159: 480-487. DOI:10.1016/j.chemosphere.2016.06.032 |
| [5] |
YU G R, JIA Y L, HE N P, et al. Stabilization of atmospheric nitrogen deposition in China over the past decade[J]. Nature Geoscience, 2019, 12(6): 424-429. DOI:10.1038/s41561-019-0352-4 |
| [6] |
LIU M X, HUANG X, SONG Y, et al. Ammonia emission control in China would mitigate haze pollution and nitrogen deposition, but worsen acid rain[J]. Proceedings of the National Academy of Sciences of the United States of America, 2019, 116(16): 7760-7765. DOI:10.1073/pnas.1814880116 |
| [7] |
ZHAN X Y, ZHOU F, LIU X J, et al. Evidence for the importance of atmospheric nitrogen deposition to eutrophic Lake Dianchi, China[J]. Environmental Science & Technology, 2017, 51(12): 6699-6708. |
| [8] |
ZHOU F, SHANG Z Y, CIAIS P, et al. A new high-resolution N2O emission inventory for China in 2008[J]. Environmental Science & Technology, 2014, 48(15): 8538-8547. |
| [9] |
FU H, LUO Z B, HU S Y. A temporal-spatial analysis and future trends of ammonia emissions in China[J]. Science of the Total Environment, 2020, 731: 1-9. |
| [10] |
KANG Y N, LIU M X, SONG Y, et al. High-resolution ammonia emissions inventories in China from 1980-2012[J]. Atmospheric Chemistry and Physics Discussions, 2015, 15(19): 26959-26995. |
| [11] |
BAI Z H, WINIWARTER W, KLIMONT Z, et al. Further improvement of air quality in China needs clear ammonia mitigation target[J]. Environmental Science & Technology, 2019, 53(18): 10542-10544. |
| [12] |
ZHANG L, CHEN Y F, ZHAO Y H, et al. Agricultural ammonia emissions in China: Reconciling bottom-up and top-down estimates[J]. Atmospheric Chemistry and Physics, 2018, 18(1): 339-355. DOI:10.5194/acp-18-339-2018 |
| [13] |
VAN DAMME M, CLARISSE L, WHITBURN S, et al. Industrial and agricultural ammonia point sources exposed[J]. Nature, 2018, 564(7734): 99-103. DOI:10.1038/s41586-018-0747-1 |
| [14] |
ZHAN X Y, ADALIBIEKE W, CUI X Q, et al. Improved estimates of ammonia emissions from global croplands[J]. Environmental Science & Technology, 2021, 55(2): 1329-1338. |
| [15] |
MA S Y. High-resolution assessment of ammonia emissions in China: Inventories, driving forces and mitigation[J]. Atmospheric Environment, 2020, 229: 1-10. |
| [16] |
ZHOU F, CIAIS P, HAYASHI K, et al. Re-estimating NH3 emissions from Chinese cropland by a new nonlinear model[J]. Environmental Science & Technology, 2016, 50(2): 564-572. |
| [17] |
XU P, LIAO Y J, LIN Y H, et al. High-resolution inventory of ammonia emissions from agricultural fertilizer in China from 1978 to 2008[J]. Atmospheric Chemistry and Physics, 2016, 16(3): 1207-1218. DOI:10.5194/acp-16-1207-2016 |
| [18] |
XU P, ZHANG Y S, GONG W W, et al. An inventory of the emission of ammonia from agricultural fertilizer application in China for 2010 and its high-resolution spatial distribution[J]. Atmospheric Environment, 2015, 115: 141-148. DOI:10.1016/j.atmosenv.2015.05.020 |
| [19] |
ZHANG X M, WU Y Y, LIU X J, et al. Ammonia emissions may be substantially underestimated in China[J]. Environmental Science & Technology, 2017, 51(21): 12089-12096. |
| [20] |
JANSSENS-MAENHOUT G, CRIPPA M, GUIZZARDI D, et al. EDGAR v4.3.2 global atlas of the three major greenhouse gas emissions for the period 1970-2012[J]. Earth System Science Data, 2019, 11(3): 959-1002. DOI:10.5194/essd-11-959-2019 |
| [21] |
SOMMER S G, SCHJOERRING J K, DENMEAD O T. Ammonia emission from mineral fertilizers and fertilized crops[M]. San Diego: Elsevier Academic Press Inc, 2004: 557-622.
|
| [22] |
TI C P, XIA L L, CHANG S X, et al. Potential for mitigating global agricultural ammonia emission: A meta-analysis[J]. Environmental Pollution, 2019, 245: 141-148. DOI:10.1016/j.envpol.2018.10.124 |
| [23] |
ZHANG X M, GU B J, VAN GRINSVEN H, et al. Societal benefits of halving agricultural ammonia emissions in China far exceed the abatement costs[J]. Nature Communications, 2020, 11(1): 1-10. DOI:10.1038/s41467-019-13993-7 |
| [24] |
刘纪远, 匡文慧, 张增祥, 等. 20世纪80年代以来中国土地利用变化的基本特征与空间格局[J]. 地理学报, 2014, 24(2): 195-210. LIU J Y, KUANG W H, ZHANG Z X, et al. Spatiotemporal characteristics, patterns, and causes of land-use changes in China since the late 1980s[J]. Journal of Geographical Sciences, 2014, 24(2): 195-210. |
| [25] |
ZHANG X, DAVIDSON E A, MAUZERALL D L, et al. Managing nitrogen for sustainable development[J]. Nature, 2015, 528(7580): 51-59. DOI:10.1038/nature15743 |
| [26] |
李书田, 金继运. 中国不同区域农田养分输入、输出与平衡[J]. 中国农业科学, 2011, 44(20): 4207-4229. LI S T, JIN J Y. Characteristics of nurtrient input/outoput and nutrient balance in different regions of China[J]. Scientia Agricultura Sinica, 2011, 44(20): 4207-4229. |
| [27] |
KALTENEGGER K, WINIWARTER W. Global gridded nitrogen indicators: Influence of crop maps[J]. Global Biogeochemical Cycles, 2020, 34(12): 1-17. |
| [28] |
曹玉博, 邢晓旭, 柏兆海, 等. 农牧系统氨挥发减排技术研究进展[J]. 中国农业科学, 2018, 51(3): 566-580. CAO Y B, XING X X, BAI Z H, et al. Review on ammonia emission mitigation techniques of crop-livestock production system[J]. Scientia Agricultura Sinica, 2018, 51(3): 566-580. |
| [29] |
SHANG Z Y, ZHOU F, SMITH P, et al. Weakened growth of cropland-N2O emissions in China associated with nationwide policy interventions[J]. Global Change Biology, 2019, 25(11): 3706-3719. DOI:10.1111/gcb.14741 |
| [30] |
YANG K, HE J. China meteorological forcing dataset(1979-2018)[DB/OL]. [2021-01-29]. http://data.tpdc.ac.cn/zh-hans/data/8028b944-daaa-4511-8769-965612652c49.
|
| [31] |
YANG K, HE J, TANG W, et al. On downward shortwave and longwave radiations over high altitude regions: Observation and modeling in the Tibetan Plateau[J]. Agricultural and Forest Meteorology, 2010, 150(1): 38-46. |
| [32] |
HE J, YANG K, TANG W, et al. The first high-resolution meteorological forcing dataset for land process studies over China[J]. Scientific Data, 2020, 7(1): 1-11. DOI:10.1038/s41597-019-0340-y |
| [33] |
ZHENG B, TONG D, LI M, et al. Trends in China's anthropogenic emissions since 2010 as the consequence of clean air actions[J]. Atmospheric Chemistry and Physics, 2018, 18(19): 14095-14111. DOI:10.5194/acp-18-14095-2018 |
| [34] |
LI M, LIU H, GENG G N, et al. Anthropogenic emission inventories in China: A review[J]. National Science Review, 2018, 5(4): 603. DOI:10.1093/nsr/nwy044 |
| [35] |
程龙, 郭秀锐, 程水源, 等. 京津冀农业源氨排放对PM2.5的影响[J]. 中国环境科学, 2018, 38(4): 1579-1588. CHENG L, GUO X R, CHENG S Y, et al. Effect of ammonia emission from agriculture in Beijing-Tianjin-Hebei on PM2.5[J]. China Environmental Science, 2018, 38(4): 1579-1588. |
| [36] |
LIU Z H, ZHOU M, CHEN Y F, et al. The nonlinear response of fine particulate matter pollution to ammonia emission reductions in North China[J]. Environmental Research Letters, 2021, 16(3): 1-10. DOI:10.1088/1748-9326/abdf86/pdf |
| [37] |
刘学军, 沙志鹏, 宋宇, 等. 我国大气氨的排放特征、减排技术与政策建议[J]. 环境科学研究, 2021, 34(1): 149-157. LIU X J, SHA Z P, SONG Y, et al. China's atmospheric ammonia emission characteristics, mitigation options and policy recommendations[J]. Research of Environmental Sciences, 2021, 34(1): 149-157. |