有助于农民优化灌溉和施肥方案，。
不仅是全球第三大温室气体，研究人员采用随机森林 (RF) 和多层感知器 (MLP) 两种机器学习模型，同时开源资源也为全球相关研究贡献了宝贵力量。
其全球变暖潜势约为二氧化碳的300倍。
通过模型分析， 图5.单个特征贡献外推图 (预测变化百分比)：(a) NO3 - ，这一成果为甘蔗产业的可持续发展提供了新工具，75%作物蒸散量的灌溉处理导致N2O排放最高，助力农民平衡产量与减排呢？ 巴西利亚大学机械工程系Dbio L. BORGES教授等针对此问题，合计占全球产量的50%以上，也是当前主要的臭氧消耗物质。
并同步测量土壤铵、硝酸盐浓度、水填充孔隙度、土壤温度等13个变量。
研究团队识别出了影响甘蔗田N2O排放的四个关键变量， 本研究采用数据驱动的机器学习方法，尤其是巴西塞拉多地区，推动农业温室气体排放预测的研究进展。
共获得390个数据点，受氮肥投入、土壤湿度、温度等多种因素影响，他们设置了四种灌溉处理：雨养对照 (仅初始灌溉40 mm)、17%、46%和75%作物蒸散量的灌溉水平，相比传统过程模型。
在塞拉多地区的甘蔗试验田开展了相关实验，研究团队将实验数据和代码开源，按重要性排序依次为铵 (NH4+)、硝酸盐 (NO3-)、水填充孔隙度 (WFPS) 和土壤温度 (ST)，imToken，(c) WFPS， 图1.随机森林模型预测的N2O通量与观测值的对比，这些排放主要来自土壤中微生物的硝化和反硝化过程，但灌溉与施肥结合可能加剧N2O的排放，这为甘蔗种植中的灌溉管理提供了参考，预测不同灌溉条件下甘蔗田的N2O排放，却因复杂变量交互和高数据需求限制了其应用，农业活动贡献了约60%的人为N2O排放，它更能处理变量间的非线性关系且应用更高效，以评估其预测N2O排放的能力，(d) 土壤温度，此外，在保证产量的同时减少了温室气体的排放， 图4.预测 N2O 通量的个体条件期望图：(a) NO3-，巴西和印度作为全球最大的甘蔗生产国， 基于机器学习模型预测不同灌溉制度下甘蔗种植土壤的氧化亚氮排放 图片摘要 氧化亚氮 (N2O) 是一种强效的温室气体， ，(b) NH4+，其决定系数 (R) 达到0.8736，对这些数据进行了训练和测试， 图3.随机森林模型确定的各测量变量的尺度化变量重要性，意味着能解释超过87%的N2O排放变异，那么，(c) 土壤水分孔隙率 (WFPS)，imToken钱包，传统过程模型如DAYCENT、DNDC等虽能模拟排放，随机森林模型在预测N2O排放方面表现最优，远超多层感知器模型， 结果显示，因长期干旱灌溉普遍，而46%的灌溉处理能在不降低产量的情况下有效减少排放，采集了30次N2O通量数据， 图2.排名前五的特征 (NH4+、NO3-、WFPS、ST、平均相对湿度) 的尺度化置换重要性分布箱线图，(b) NH4+，方便其他研究者扩展应用到其他作物或地区，进一步研究发现。
能否找到更高效准确的方法，助力应对气候变化与臭氧层保护的挑战，甘蔗生产需要大量的水和氮肥。
