数据和方法
概述
这里提出的环境指标建立在前三份报告(从田间到市场，2009b, 2012b, 2016c)的基础上，以及Fieldprint®平台中使用的田间和农场层面指标的持续手机版ios伟德客户端发展。五个指标——土地利用、土壤保持、灌溉用水利用、能源利用和温室气体排放——计算了从1980年到2020年(含)生长季节的41年期间。本节将详细介绍方法，重点介绍新的数据源和方法更改，并突出显示数据可用性方面的显著差距。此外，我们在第四版报告中增加了一种作物，即高粱，以配合“从田地到市场”计划的扩展。手机版ios伟德客户端所有1980年至2020年期间的数据在2021年重新下载。这确保了我们使用的是最新的信息，因为来自政府来源的数据在模型更改、算法修改和/或实施更正时，会受到重新计算的影响。
手机版ios伟德客户端2009年，Field to Market首次发布了《国家指标报告》，以探索大宗作物生产的总体环境趋势。为初始报告开发的计算然后作为Fieldprint平台中字段级度量的基础。《2012年国家指标报告》对《报告》和《纲要》的编制方法进行了大幅度修订。虽然总体方法有相似之处，但该平台的可持续性指标旨在在实地范围内使用，并具有处理特定于实地的物理环境(天气、土壤)和管理信息的能力。例如，这里计算的国家一级指标考虑的是全国某一特定作物的耕作制度的平均数，而指标则可以考虑单个田地的实际耕作制度。有了特定领域的信息，该平台可以使用环境模型计算具体的可持续性指标。土壤侵蚀就是这种情况，该平台使用NRCS模型WEPP和WEPS计算。这里报告的土壤侵蚀指标是基于美国农业部国家统计办公室提供的模拟结果(Patrick Flanagan，美国农业部NRCS, 2021年2月)。
手机版ios伟德客户端“从田地到市场”的项目和目标集中在八个环境成果上。在本报告中，我们计算了第一部分中5个成果的国家层面、特定于作物的指标，并根据第二部分中其他3个成果的政府报告和科学综合出版物提供了现状和进展报告。
第1部分中提出的具有特定作物趋势的五项环境成果是:
- 土地利用效率(单位生产面积)
- 灌溉水利用效率(每增加一个生产单位的用水量)
- 土壤侵蚀(每英亩土壤流失吨)
- 能源利用效率(单位生产所消耗的能源单位)
- 温室气体排放量(每单位生产的磅二氧化碳当量)
还可按每英亩计算效率指标(灌溉、能源和温室气体排放)，以便了解趋势的根本驱动因素。这些指标是针对表1所列11种作物计算的，其中包括首次出现的高粱。
在第2部分中回顾和讨论的三个结果是:
- 生物多样性
- 土壤碳
- 水的质量
每一个问题都是通过现有的科学综合文件和国家一级的政府报告加以探讨的。信息通常不是特定的作物，而是根据地区和相关的美国商品种植系统进行讨论。
各种作物的指标计算方法都尽可能地标准化，并使用公开的数据来源。通过关注全国平均水平，我们捕捉到了管理实践和生产地点区域转移的趋势。
以下描述的方法遵循2012年和2016年的报告方法，使用种植英亩数，而不是收获英亩数来计算生产用地(从田地到市场，2012b, 2016c)。手机版ios伟德客户端种植面积指的是由于极端天气(如洪水、干旱)或其他影响产量或农业经济的因素而未收获的任何种植面积。因此，这是一种更全面的措施，特别是在国家一级，因为作物弃耕是了解投入使用的总体效率和环境影响与生产力之间关系的重要手段。有意休耕或两种作物的影响在这里没有得到明确的考虑。
第四版的变化
在每一版《国家指标报告》中，我们都力求确定有助于填补我们对趋势理解方面重要空白的数据资源。在这一版本中，我们能够获得肥料和作物保护剂的额外数据分辨率，并将电力部门的能源效率和清洁能源趋势纳入计算。具体来说，与第三版的区别包括:
- 按作物分类的肥料施用量的其他详细资料。这使我们能够更具体地将粪便作为氮的来源。这在玉米青贮中占氮的比例最为显著。
- 现在，通过从电网引入关于投入生产和排放的能源效率趋势的信息，为这些以前没有计入的全社会能源部门变化提供了信贷。
- 改进对作物保护剂的核算，将未分类的农药分为除草剂、杀虫剂和杀菌剂，并新增两个类别:生长调节剂和熏蒸剂。
谷物和青贮用玉米
与2016年国家指标报告(从田间到市场，2016c)一样，我们区分了用于谷物的玉米和用于青手机版ios伟德客户端贮的玉米。虽然这代表了两种不同的作物生产系统，但美国农业部的数据收集和报告并不总是将它们区分开来。调整是根据收获面积估计数作出的，其中分别提供了用于谷物和青贮的玉米的收获面积估计数。用美国农业部所有用途玉米种植面积减去估计的青贮用玉米种植面积，并假定青贮用玉米和谷物用玉米的弃置率相等。美国农业部ERS要求并获得了关于肥料使用率和用于青贮和粮食生产的肥料处理面积的数据。这使得分析能够具体考虑到与肥料和粪便相关的能源和温室气体排放差异(劳拉·多德森，美国农业部ERS, 2021年7月)。
由于美国农业部国家资源清单(NRI)数据集被NRCS用于模拟土壤侵蚀，所有种植玉米的土地都会产生土壤侵蚀率，无论它是用于谷物还是青贮。然而，考虑到青贮通常比谷物更早收获，而且在谷物收获期间，更多的残渣保留在田里，因此，在其他条件相同的情况下，平均而言，玉米青贮的侵蚀将高于玉米籽粒(Roth和Heinrichs, 2001)。
甜菜
甜菜产量用糖吨表示，用甜菜的生重乘以糖的百分比来计算。这个单位反映了甜菜种植者的管理目标，因为收获报酬的基础是糖的数量，而不是生甜菜的重量。这也是Fieldprint平台中定义甜菜生产的方式。
棉花副产品
与本报告的前一版(从田间到市场，2016b)一样，棉花的方法考虑了根据棉绒和种子的经济份额手机版ios伟德客户端分配纤维(棉绒)的影响比例。棉籽是棉花的一种重要的经济副产品，是所有美国棉花生产者收入的稳定组成部分。经济分配公式确定了初级产品在总美元价值中的份额。皮棉值除以皮棉加种子值的份额确定为83%。这一因素适用于灌溉用水使用指标以及以单位生产表示的能源使用和温室气体排放指标。按每英亩计算的指标没有调整。
数据资源
使用美国农业部国家农业统计服务(NASS)应用程序编程接口(API)(美国农业部，2021年)批量下载了国家一级所有作物和可用年份的数据:
- 对于合成肥料(氮肥、磷肥和钾肥)和作物保护剂(除草剂、杀虫剂、杀菌剂和所有其他)，数据项应用程序，以数量衡量，平均和应用程序，以磅衡量。
- 数据项Acres harvest;英亩种植;生产，以[生产单位]衡量;而且产量，以[生产单位]/英亩衡量。
- 对于甜菜，数据项蔗糖，单位为Pct。
指标趋势线
对于上一版的《国家指标报告》(从领域到市场，2016b)，在指标曲线图中绘制了线性趋势，也用于提取估计数以创建曲线图和图手机版ios伟德客户端表。2016年报告中的其他表格使用了根据五年移动平均线估算的汇总数据。
对于当前的报告，我们依赖于局部估计的散点图平滑(黄土)函数来绘制所有图表中的指标趋势，并提取汇总表的估计值。从广义上说，黄土函数取x轴上重叠的数据片，并为该片中的数据估计一条线;产生的线然后连接在一个光滑的曲线(Ott和Longnecker, 2001)。黄土函数的一个输入是跨度(也称为带宽或平滑参数)，这是一个在0到1之间的值，控制切片的宽度(即在x轴的每个点用于局部回归的观测的比例)(Ott和Longnecker, 2001)。跨度被设置为0.75，这是R包统计的默认值(R核心团队，2021年)。该值提供了健壮的平滑，减少了年与年的变化对指标趋势的影响。图a .1绘制了三种跨度值(0.25,0.50,0.75跨度值)和线性趋势线的黄土函数输出的比较图，图中显示，随着跨度值的增加，曲线的平滑程度也随之增加。
由于本报告中数据的性质，考虑到我们正在描述生物系统中各种指标的过去趋势，而不假设任何模型(线性、二次型等)更好，黄土函数是一个近乎理想的选择。值得注意的是，本研究并没有试图预测这些指标的任何未来趋势，黄土的功能并没有为此设计。
在这份报告中，我们观察到指标趋势的方向有许多反转，这就排除了线性函数的应用。虽然由于更好的作物技术、杂交或营养和作物保护使用的增加，一些作物确实表现出接近线性的产量提高，但指标的整体计算方法不仅影响作物产量，而且影响到天气条件、作物种植区域和耕作方式的变化、农业投入的使用变化和非恒定技术采用等许多其他因素。当这些因素通过指标计算相加时，线性趋势不够复杂，无法捕捉到过去40年美国商品作物生产的变化。
图a . 1。黄土三函数和线性函数的论证
土地利用效率指标
土地利用效率指标是生产一单位生产所需的土地数量(例如，英亩/斗)，是标准作物产量计算的倒数。我们报告每种作物的种植总面积和产量的趋势。土地利用指标采用与Fieldprint平台的土地利用指标结果相同的方法。
本分析中使用的数据是以种植面积为基础的，以说明已种植但未收获的废弃英亩数。这种废弃可能发生在不利的天气或其他条件下，导致收割在经济上不可行。通过考虑种植面积，我们获得了全国范围内每单位生产的整体资源使用效率。
土壤侵蚀指标
土壤侵蚀指标是根据美国农业部国家统计员办公室进行的定制建模得出的，并遵循美国农业部国家统计指数中所包含的估算侵蚀的方法。该模型依赖于从1982年到2017年的五年增量数据，这些数据是通过NRI对非联邦土地使用和自然资源状况和趋势的统计调查收集的。根据模拟模型的结果，侵蚀结果反映了水和风的侵蚀特性。每一份连续报告都提供了贯穿时间序列的一致方法;因此，如果对聚合方法进行更改，则重新计算所有以前的年份。
本报告中的土壤侵蚀估算基于2017年NRI方法(美国农业部，2020年)。NRI侵蚀预测模型提供了基于固有土壤和气候条件以及农场管理的平均预期侵蚀速率的估计。NRI 2017年发布的版本使用了修正的通用土壤流失方程。2 (RUSLE2)用于估算水蚀，而风蚀方程(WEQ)用于估算选定州的风蚀。值得注意的是，NRI估算的土壤侵蚀不包括沟侵蚀或土壤在农田内的移动和再沉积。全部结果按州列于2017年报告(美国农业部，2020年)中。Fieldprint平台中的土壤保持指标也适用于个别农田的NRCS模型;对水蚀采用水蚀预测工程(WEPP)模型，对风蚀采用风蚀预测系统(WEPS)模型。
这里报告的主要土壤侵蚀指标以每年每种作物每英亩土壤流失吨为单位，这是风蚀和水蚀模型的模拟单位。这与Fieldprint平台中的土壤保持度量一致。
灌溉水利用效率指标
灌溉水利用效率指标旨在反映与非灌溉水生产相比，灌溉的产量增加。这个指标只适用于灌溉生产。美国的灌溉农业因不同的种植制度、气候区域、经济和监管环境而不同。该指标的制定是为了在所有这些变量中将灌溉带来的产量收益正常化。因此，这个方程解释了雨养生产的可行性和应用水的利用效率。
灌溉水的利用在这里被定义为对农作物土地的人为用水，以支持作物生长和发育。我们将重点局限于灌溉用水，作为种植者直接控制的主要资源。在灌溉源和输送机制(例如，重力输送与抽水)驱动能源使用的程度上，这些做法在能源使用指标中得到反映。
灌溉用水(IWU)效率指标的计算公式为:
灌溉量、灌溉产量和非灌溉产量由接受调查的种植者自行报告，数据由美国农业部编制(美国农业部国家农业统计局，2019年)。值得一提的是，根据美国农业部的定义，非灌溉产量不是指旱作作物系统的产量，而是仅指灌溉农场的非灌溉产量(美国农业部，2019年)。灌溉用水效率指标的结果值表示每增加一次作物产量所需的水量。用于计算国家指标的数据来自美国农业部灌溉和水管理调查(IWMS)(以前称为FRIS，农场和牧场灌溉调查)，这是农业普查的一个组成部分，每五年产生一次。这些数据包括1984年、1988年、1994年、1998年、2003年、2008年、2013年和2018年的数据，包括按作物规模估算的每英亩灌溉水量、灌溉作物产量和非灌溉作物产量。2018年的调查中删除了非灌溉作物的问题，因此该数据只能通过2013年的调查获得(美国农业部，2019年)。为了估算2018年的非灌溉产量，我们首先计算了某一作物最近4次普查的灌溉产量与非灌溉产量的平均比率，然后将2018年的灌溉产量乘以该比率。根据IWMS的定义，非灌溉产量是指在配备灌溉设备的农场上，在与灌溉产量相同的条件下种植的作物。因此，非灌溉作物的产量不同于雨养作物的产量，雨养作物是指在没有灌溉系统的农场上种植的作物。在美国，水稻被认为只在灌溉系统中种植，非灌溉的产量被设定为0。
IWMS普查年份之间的线性插值用于估计非普查年份的灌溉用水量，以及除甜菜外所有作物的灌溉和非灌溉产量。对于甜菜，由于上一次普查(2008年)该作物的数据异常，灌溉和非灌溉产量值在全国水平上非常接近，偏离了预期趋势，因此需要采用不同的方法。我们首先计算了NASS的平均产量(包括灌溉和雨养产量)与IWMS的灌溉和非灌溉产量之间的关系。然后，利用这一关系，通过调整每年可获得的NASS平均产量(美国农业部，2021年)，来估算其间年份的灌溉和非灌溉产量。
Fieldprint平台中的灌溉用水指标使用与这里报告的指标相同的方程，使用由个人用户输入的特定领域的信息。
能源使用效益指标
能源使用效率指标的开发是为了提供一个一致的方法，以评估农场操作的能源使用效率。用于计算这一指标的数据也提供给温室气体排放指标，在下一小节中描述。为能源使用指标确定的界限从种植前开始，包括作物种植的所有农业活动，结束于第一个销售点或当收获的作物被转移到加工或储存设施时。主要指标以能源使用单位表示，表示为每单位作物生产的英国热量单位(Btu)。我们还考虑了作物每英亩的能源消耗。
该指标考虑了农场作物生产的主要能源密集型领域。它包括两部分:直接能量和间接能量。直接能源被用来操作农业设备，泵灌水，干燥和运输作物。直接能源使用包括使用的燃料类型(柴油、电力、汽油、天然气和液化石油气)，如果有数据的话。间接能源是肥料、作物保护剂和种子生产中所蕴含的能量。我们的分析没有量化与制造农业设备、农场使用的燃料或粮仓等结构相关的能源。在有数据的范围内，包括用于生产肥料和作物保护剂的能源的趋势。例如，随着时间的推移，生产氮肥所需的能源已显著减少(国际肥料协会，2018年)。
Fieldprint平台中的能源使用指标同样考虑了从种植前到第一个销售点所使用的能源。该指标是特定于领域的，并依赖于用户输入来确定直接能量;然后，将用户对化学品和化肥应用的输入与下面提到的数据来源结合起来，计算间接能源成分。
在国家层面计算这一指标的主要数据来源是美国农业部农业资源管理调查(ARMS)(美国农业部经济研究处，2021年)，该调查捕获了许多农场实践，包括耕作和作物保护剂和化肥的应用数量。其他数据来自美国农业部农业化学品使用报告(美国农业部，2021年)，其中提供了化肥和作物保护剂的使用量，以及温室气体管制排放和交通运输能源使用(GREET)模型中使用的参数数据集(Wang等人，2020年)。所有能源需求均转换为英国热量单位(BTU)以作比较。农药的温室气体排放和嵌入能值取自Audsley等人(2009)。
灌溉能源
灌溉能量的计算基于标准工程方法(Hoffman等，1990年)，使用本研究年份农业资源管理调查和灌溉和水管理调查的国家一级数据。这些报告根据使用喷灌、压力和重力系统的灌溉农田的份额，提供了灌溉泵的平均工作压力数据;水的平均升力，基于使用井水和地表水灌溉农田的份额;灌溉井平均深度;和用水量。这四个主要数据点被用来计算为每种作物泵灌水所需的全国平均能量。
管理能量
决定设备能耗的一个主要因素是作物的耕作强度。为此，来自ARMS的数据补充了来自保护技术信息中心(保护技术信息中心，2008年)的国家级数据和来自美国农业部ERS的关于耕作和残留物管理的定制数据报告(Steven Wallander，美国农业部ERS, 2021年4月)。能源和二氧化碳(CO2)按作物和耕作制度(免耕、少耕和常规耕作)估算的排放水平是由West和Marland(2002)估算的。对于本研究没有提供关于耕作能量的具体数据的作物，通常选择类似的作物或玉米作为替代物，它也很好地定义了West和Marland(2002)的所有耕作系统。假设为:
- 大麦:大麦的耕作能量以小麦为基础。
- 棉花、花生、土豆、高粱和甜菜:假设耕作能量等于玉米的耕作能量。
- 赖斯:美国农业部对水稻和玉米燃料消耗的估计被用来制定一个指标值，然后用来调整玉米耕作的能量贡献。这导致传统耕作水稻的全国平均产量为玉米的54%。
使用每种耕作系统的种植面积部分来自ARMS、CTIC和ERS，适用于所有作物。
农业设备的燃料效率假设随时间变化是恒定的。虽然燃料效率很可能提高了，但缺乏关于这种变化随时间变化的全国平均数据。因此，这种分析可能低估了与设备技术相关的效率改进。对于管理能源，West和Marland(2002)提出的常规耕作、少耕和免耕的温室气体排放因子被转换为加仑柴油当量，然后转换为BTU。
与施用肥料有关的能量使用ARMS关于施肥率和处理面积的数据计算，以估计所有作物所使用的负荷和施用能量，然后将其添加到管理能量成分中。利用拖拉机装载和撒放燃料使用的工程数据，每施用一吨粪肥使用0.0862加仑柴油。来自美国农业部ERS的一份针对肥料处理面积和玉米谷物和青贮的施用量的数据报告使我们能够区分这两种作物的指标。在全国范围内，马铃薯和甜菜没有发现有用的肥料施用数据。
第四版《国家指标报告》的一个新组成部分包括计算施用化肥和作物保护剂的设备所需的能源。由于美国农业部提供的这类数据的性质，需要执行几个数据处理步骤。对于保护剂，每类、作物和年份使用次数最多的五种活性成分的平均值。每一种保护剂都贡献了其应用总量的平均值。对于化肥，磷肥和钾肥的施用量取平均值，而氮肥的施用量保持不变。然后将每个类别的申请数量相加。在农业生产中，化肥和农作物保护剂经常在同一趟作业中同时施用。为了考虑这种效率，应用程序总数除以1.5。这个因素假设66%的应用程序在同一趟行程中组合。每次通过的申请数量乘以17,796 BTU的因子; this component typically represented < 1% of total energy use for a given crop and year. Including this factor allows us to observe and consider trends over time in the frequency of application trips as those change in response to new crop varieties and management recommendations.
采收后处理能源利用
目前分析的边界考虑到第一个销售点使用的能源。由于储存和使用方式的不同，不同作物的产量差异很大。谷物干燥能源的使用来自美国农业部的报告和合作推广资源(Sanford, 2005)。从谷物中除去的水分量，如表A.2所示，以及干燥操作的效率假设被认为随时间的推移是恒定的。
从农场到第一个销售点的距离已估计，并列于表A.2。这些数据与有关重型卡车燃料消耗的文献结合使用，得出了每加仑柴油行驶6.5英里的运输估计(能源效率办公室，2000年;蔡等人，2015)。根据与商品群体专家的咨询，估计距离见表A.2。由于缺乏特定于时间序列的数据，运输能量在一段时间内保持不变。
棉花的干燥方法与其他作物不同。棉花收获时的湿度使用从非常干燥到非常潮湿的定性测量，而不是湿度百分比;在这项分析中，假定棉花收获具有正常的水分量(每磅皮棉分配593 BTU)，如Fieldprint平台的能源使用指标中定义的那样，运输距离为10英里。这些因素在研究期间保持不变。
马铃薯作为一种新鲜市场作物，处理方式也有所不同。第一个销售点可能发生在农场内或农场外，这取决于种植者与买方的协议。为了实现一年的新鲜市场供应，并有效利用加工设施的资本投资，大部分秋季马铃薯作物在收获后储存在农场。能源被用来冷却储存设施和循环空气以保持质量。储存时间变化很大，从几周到10个月不等。在这里，我们假设在农场储存120天，不需要运输能源。用于通风的能量为3 ~ 13千瓦时/1000 cwt/天，这通常占马铃薯生产总能量的10%以下。
人工合成的肥料
美国农业部提供了关于化肥施用总量的国家级数据。用每英亩磅来表示的施肥率，是根据缺乏美国农业部数据的多年线性插值估计出来的。通过用种植面积除以总施肥量，我们计算出每种植英亩的肥料磅数。氮肥、磷肥和钾肥的施肥率乘以GREET模型中提供的能量转换因子(Wang等，2020年);这些因素包括肥料的嵌入能量和运输能量。用于所有作物的值为:
- 每磅N 27119 BTU
- 13212英热单位每磅P2O5
- 每磅K 3,484 BTU2O
农作物保护剂
与化肥一样，作物使用的农药数量的数据可从美国农业部获得。美国农业部将农药分为四类:除草剂、杀虫剂、杀菌剂和“所有其他”。所有数据均以有效成分的总磅数报告。1994年以前的数据，有效成分的磅数按保护剂类别进行汇总;从1994年开始，我们使用美国农业部提供的每种保护剂的总价值。然后，对于所有年份的“所有其他”类别，我们将活性成分与一个参考数据库进行匹配，该数据库将活性成分分为除草剂、杀虫剂、杀菌剂、生长调节剂和熏蒸剂。农药种类参考数据库是从多个来源建立的(Fournier et al.， 2012;美国环保局，2014;布朗和桑德林，2019年;国家IPM数据库，2021年)。 After pesticide type classification, the pounds of each protectant category were added to the primary USDA categories (herbicides, insecticides, fungicides); in addition, two new pesticide categories were created for growth regulators and fumigants. After exploratory data analysis, we discovered that the sum of all active ingredients for the “all other” category by crop and year was typically a smaller number than the total value given by USDA; although the embedded crop protectant energy and greenhouse gas emissions may be underestimated using this method, we improved the value of these data by assigning active ingredients to their crop protectant category. By applying this methodology, we gained valuable insights about crop protectant trends; for example, learnings about fumigant use in potatoes and peanuts and growth regulators in cotton would have been hidden had we left the “all other” category unexplored.
农药中嵌入能量的值来自Audsley等人(2009)，该值提供了除草剂、杀虫剂、杀菌剂和生长调节剂的能量和温室气体排放的因子。对于每一类，每磅活性成分的平均能量乘以施用量。
直接从Audsley等人(2009)得到的加权平均值如下:
- 每磅除草剂165,947 BTU (386 MJ/kg)
- 每磅杀虫剂117,797 BTU (274 MJ/kg)
- 每磅杀菌剂181,854 BTU (423 MJ/kg)
- 每磅生长调节剂118,657 BTU (276 MJ/kg)
- 每磅熏蒸剂165,947 BTU(由于缺乏数据，与除草剂相同)(386 MJ/kg)
用于计算全球发电效率的国际能源署乘数也被应用于作物保护剂的嵌入式能源使用(国际能源署，2019年a)。
种子
生产作物种子所需的能源是根据工业和专家对生产种子所需的更密集的管理水平和投入使用的判断，因为在这方面没有令人满意的数据来源。每种作物的能量使用价值乘以1.5的因子，并用作所种植种子中所含能量的假设。ARMS的播种率数据乘以每一种作物对应的能量因子。由于缺乏ARMS的数据，土豆和甜菜的播种率与其他作物的播种率来自不同的来源(Becker和Ratnayake, 2010)。种子通常只占生产作物总能量的不到5%。
温室气体排放指标
温室气体排放指标与能源使用效率指标共享相同的系统边界，并使用相同的数据。排放的主要来源包括能源使用、残渣燃烧产生的排放、土壤中的一氧化二氮排放以及水稻生产过程中的甲烷排放。温室气体排放指标不考虑土壤碳储量或通量。我们在本报告的第二部分中考虑了国家层面土壤碳的趋势。
能源使用产生的排放
如前一节所述，考虑到能源来源(燃料类型)，将能源使用转换为温室气体排放。排放量以磅二氧化碳当量(CO2e)有限公司。2e是评估温室气体排放总量的常用方法，该方法考虑了不同温室气体的全球变暖潜能值(GWP)的相对强度。因此,有限公司2E提供了一种方法，将二氧化碳的排放与甲烷和一氧化二氮的排放结合在一个共同单位中进行比较。一个因子22.4磅CO2每加仑柴油的消耗量。预计与农业发动机燃烧柴油有关的实际排放随着时间的推移已有所改善，但缺乏有关这些排放的时间序列数据。
表A.3列出了本研究中考虑的三种耕作系统的设备操作的碳排放，数据来自West和Marland(2002)。
这三种耕作制度与保护技术信息中心(CTIC)和美国农业部的ARMS数据所使用的定义一致:常规耕作、少耕和免耕。CTIC提供了不同耕作方式下每种作物的百分比。常规耕作在机械上消耗的能源最多，因此产生的碳排放量也是三种耕作方式中最大的，而免耕恰恰相反。对于West和Marland(2002)中没有明确包括的作物，这里使用了对能源使用指标进行的相同替换。
本报告的分析假设这些排放因素没有随着时间的推移而改变。虽然随着时间的推移，能源效率可能已经提高，农业设备的排放也已经减少，但缺乏记录任何改善程度的数据。免耕和少耕措施的增加所带来的效率收益通过每种耕作制度下每种作物的份额获得。
灌溉水的抽取和应用排放从能源消耗计算。IWMS提供灌溉能源的数据;从这些数据中，我们了解到，在本分析期间，使用电力泵的面积份额从54%增加到68%，而柴油泵的面积份额从17%增加到22%。其余区域使用天然气、丙烷和汽油混合泵;使用这三种燃料来源的面积所占比例已从本研究开始时的29%下降到最新的IWMS的9%。灌溉的排放已经根据每种燃料来源灌溉的面积份额进行了划分。此外，考虑了来自电力泵的灌溉排放所占的份额，还考虑了来自国家电网的减排(U.S. EPA, 2021c)。根据历史数据(U.S. EPA, 2021c)，自1996年(第一个可用数据点)以来，国家电网的总体碳排放强度提高了约39%。同样，谷物干燥和作物储存土豆的排放也以与这些活动所使用的能源一致的方式计算，对作物干燥和储存作业所使用的能源中所占的电力份额所产生的温室气体排放适用国家电网调整。对玉米青贮和甜菜不进行干燥或储存的估计。 The amount of fuel combusted and electricity consumed are used to estimate greenhouse gas emissions. Diesel is assumed as the fuel used for transport.
利用前一节所述的相同因素，用与能量相同的方法估算种子中所含的温室气体排放量，即作物生产过程中温室气体总量的一部分。
作物保护剂和合成肥料中含有的排放
产品嵌入二氧化碳的排放因子取自化肥的GREET模型(Wang等人，2020年)和农作物化学品的Audsley等人(2009年)。
与能源使用一样，化肥和作物保护剂生产的排放进行了调整，以考虑到发电碳强度的全球改善(国际能源机构，2019b;c)和氮产量(国际化肥协会，2018年)。
土壤中氧化亚氮的排放
一氧化二氮是一种温室气体，其100年全球变暖潜能值(GWP)是CO的298倍2(Solomon et al.， 2007)。氮肥施用过程中土壤微生物活动释放的氧化亚氮是氮肥排放的一个重要来源。一氧化二氮在施氮量中所占百分比的估计范围很广，这取决于氮的来源、施用方法和施用时的土壤条件。
这里采用了评估一个区域内受管理土壤的氧化亚氮排放的更新方法(政府间气候变化专门委员会，2019年)。用于估算一氧化二氮的方法包括公式11.1直接N2管理土壤(第1层)的O排放，式11.9 N2从管理土壤(第1层)挥发的N的大气沉积中得到的O，和式11.10 N2来自管理土壤的氮淋失/径流的O。对于式11.1，除水稻外，所有作物都使用聚合默认值(0.01)，而不是按气候或灌溉类型分列的值，其中水稻使用的是淹水水稻值(0.004)。将这些方程的乘积相加，得到每个作物和年份的值;包括来自合成源和有机源的氮含量。直接排放是由于硝化和反硝化造成的氮肥损失，而间接排放则是挥发性氨(NH3.)在其他地方沉积，从硝酸盐(NO3.)在离开农田后，随着氮级联进入其他生态系统，氮会流失到淋滤和径流中。将施氮的排放转化为CO2e，我们考虑了氧化亚氮的分子量与氮的比值(44/28)和氧化亚氮的全球变暖潜能值。
美国农业部定期对美国所有农业用地的温室气体排放和土壤碳封存进行详细的国家建模;这将在本报告的第2部分进行更详细的讨论。
现场燃烧和残渣清除的排放
在美国，农田燃烧表面残留物的排放只占农业生产总排放的相对较小的份额。残留物燃烧水平直接取自美国环保署关于温室气体排放和汇的报告(美国环保署，2021a)。可用于燃烧的表面残留物的数量是按作物产量的比例计算的。最后的计算决定了释放到大气中的温室气体的数量。二氧化碳的释放不被计算在内，因为它被认为是CO每年自然吸收和排放的一部分2来自植物生长而不是人为排放。在我们分析的作物中，燃烧水稻残渣是最普遍的，根据最新数据点(美国环保局，2021a)，有6%的英亩被烧毁。残渣燃烧产生的排放占水稻总排放的0.5%以下。
从一年生作物田地中清除残渣，减少残渣分解产生的排放，从而减少温室气体的影响。我们将这一因素纳入小麦和大麦，因为在谷物收获后，可测量的部分农田已被清除了残渣。减少排放量的计算方法是，每蒲式耳收获的粮食，小麦减少0.3磅氮，大麦减少0.24磅氮。小麦秸秆从6%到13%的土地上去除(阿里等人，2000年;阿里,2002;Wright et al.， 2009)，而大麦秸秆从23%的英亩(Wright et al.， 2009);我们假设50%的残留物被清除了。在国家层面，大麦和小麦秸秆的去除分别减少了约0.78%和0.23%的温室气体排放。
淹水水稻的甲烷排放
甲烷排放是由生长季节连续被水淹没的稻田中的厌氧细菌产生的。大米的排放基于美国环保署温室气体排放和汇报告(美国环保署，2021a)中报告的水平。
只有3年(1990年、2005年和2010年)的数据点对估算CH是完整的4排放。尽管有2015年至2019年的甲烷排放估计，但我们缺乏美国农业部国家资源清单报告的面积形式的分母数据，该数据可能会被添加到EPA的后续版本的报告中(U.S. EPA, 2021a)。1990年至2019年期间甲烷排放量的变化主要是由于水稻生产面积的差异，自2000年以来，水稻生产面积一直呈下降趋势。该报告(美国环保局，2021a)还指出，与1990年相比，2019年的甲烷排放量减少了6%;然而，由于缺乏2015年至2019年的NRI水稻面积数据，这一趋势没有在本版《国家指标报告》中得到反映。1990年之前的年份被设定为1990年的水平，而2010年之后的年份则保持在2010年的水平上。由于洪水泛滥的面积有限，洪水持续时间短，本报告没有考虑其他作物因洪水灌溉而产生的甲烷排放。这个计算的原始材料使用二氧化碳当量的公共单位，这些没有转换。
这份报告在很大程度上依赖于由美国农业部国家农业统计局(NASS)和经济研究局(ERS)进行的年度和定期调查。在研究期间，调查的频率和向农民提出的问题都发生了变化。虽然对作物产量、种植面积和总产量等主要变量都有长期一致的记录，但并不是每年进行一次农业实践调查。在这里，我们总结了数据可用性的一些主要特征以及它们给分析带来的限制。
- 调查周期不一致:由ERS领导的作物投入调查自2000年起定期进行。这包括肥料和作物化学应用的细节，包括应用产品的类型，每年的应用数量，产品的数量，施肥的速度和类型，以及播种速度。在耗时费力的过程中，每年都要对几种作物进行调查。由于经费和工作人员的限制，主要作物的回收期不定期。
- 捕获的有限作物:虽然收集了该国主要种植制度的统计数字，但缺少一些较小的作物或收集较少。一个特别具有挑战性的例子是在21世纪初收集的甜菜农艺实践数据;然而，最近一次化肥和农作物化学信息的数据收集是在2008年。2009-2010年，一种新的转基因甜菜被引进，并几乎被普遍采用。然而，由于没有来自美国农业部的进一步数据，我们无法证实来自农民的轶事报告，即这对他们的做法产生了影响。
- 随时间推移收集的数据的变化:随着时间的推移，调查问题可能会增加、删除或调整，这可能会使在长时间内跟踪特定数据点具有挑战性，并需要替换数据来源或假设进行长期分析。一个具体的例子是灌溉调查，作为农业普查的辅助，每五年进行一次。对我们计算灌溉用水指标很重要的一个调查数据点是“非灌溉产量”，它被定义为当年没有灌溉但有灌溉设备的土地上的作物产量。最近的灌溉调查(2018年)排除了这一数据点。
- 可用文献:另一种数据限制是现有的总结关键能源和温室气体排放信息的科学文献。例如，关于耕作能源和温室气体排放，我们依赖于2002年的一份出版物，因为没有更近期的信息。与农作物化学品生产相关的能源和温室气体排放同样来自2009年的一份出版物，没有其他信息。
自第一份报告(2009年)发表以来的12年里，我们在与利益攸关方的讨论中假设，若干其他因素可能会影响能源和温室气体排放的长期趋势;然而，我们缺乏必要的数据来将它们纳入分析。这些指标包括农业设备燃料效率随时间的变化，美国使用的国产化肥和进口化肥和作物保护剂的来源国和比例，以及采用旱地行稻等替代管理方法的水稻面积的比例，或旱涝交替等替代洪水管理技术。
最后，表A.4显示了在应用诸如线性插值等数据处理步骤来填充时间序列之前，我们能够为每种作物获取多少数据。由于许多数据来源是定期或零星发生的调查，因此需要用数据处理方法填写数据系列，以计算1980年至2020年期间每年的所有指标。
虽然目前有许多用于评估作物的数据集，但这些方法扩展到其他作物受到数据可用性的限制。一个值得注意的例外是，该报告没有包括苜蓿，苜蓿是“从田间到市场”计划中的作物，但它不包括在ERS调查中;手机版ios伟德客户端因此，可用来计算指标趋势的必要数据资源太少。此外，获得关于农业设备效率的长期数据，包括可替代能源和可再生能源的使用情况，将大大提高所报告趋势的准确性。如有必要，我们已联系大宗商品和行业团体，以收集见解和数据，用于改进某些影响能源使用和温室气体排放的管理做法的普遍程度的假设。
这里描述的方法自2009年最初的报告以来得到了发展和改进。随着更多数据和新方法的开发，我们会继续每五年更新这些环境指标。继续和改进这些分析的能力取决于公共数据源的可用性，这为理解可持续发展趋势提供了透明、可获取和基本的手段。