一个饲养100头动物的农场，其甲烷排放量高于饲养50头的农场，就能说前者效率更低吗？产奶量高的农场总排放可能更高，但每1kg牛奶的排放可能更低。反过来，平均ppm较低的开放式畜舍可能只是以更大的通风量稀释了甲烷，而单头排放反而更高。农场间比较不是从把数字放入同一张表的那一刻开始，而是从调整数据、使其回答同一个问题的那一刻开始。
归一化（Normalization）并不是消除差异的技术。它是按照既定标准表达规模、产量、观测时间、单位和外部条件各不相同的数据，以提高可比性的过程。如果使用不当，它可能成为抹去不利条件或制造预期排名的工具，因此必须同时公开原始值与校正值、分母和模型。
先确定要比较什么
绝对总量显示农场对大气的整体影响。kg CH₄/年是典型单位。它在政策和减排组合中有助于发现大型排放源，但也反映规模差异。排放强度显示每单位活动的排放量。g CH₄/头/日、g CH₄/kg干物质采食量、kg CO₂e/kg牛奶等指标的含义会随分母而变化。
即使效率改善使排放强度降低，生产规模扩大时总量仍可能增加。这可以视为规模效应。反之，如果总量下降源于停产或饲养头数减少，就必须与技术减排区分开。因此，与其给出“更好的农场”这一单一排名，不如并列呈现总量、活动水平和排放强度，这样更为诚实。
FAO的大型反刍动物供应链评价指南提供了一种通过明确功能单位和系统边界来评价环境绩效的方法。GHG Protocol也指出，在计算排放强度或比率时，应把质量管理扩展到所使用的产量、销售额等补充数据。如果严格管理分子，却随意录入作为分母的牛奶产量或饲养头数，归一化结果同样不可信。
第一次归一化：统一单位和时间
如果一个农场提供的是ppm的1分钟值，另一个提供的是kg CH₄/日，两者尚不能比较。要么把浓度与流量和边界结合，转换为质量排放率；要么把两个农场都限制在浓度指标内，降低比较目标。还应统一时段、平均方法和数据可用率。24小时连续平均值与饲喂后2小时平均值属于不同样本。
计算日平均值时，缺失数据也很重要。夜间数据反复缺失的农场，其简单平均值会偏向白天或饲喂时段。应对各农场采用相同的最低可用率、每日各时段覆盖要求和缺失值填补规则。如果测量设备的响应时间、检测范围或校准方法不同，应先评价方法间偏差，再进行比较。
第二次归一化：统一规模与生产分母
单头指标虽然统一了饲养规模，却不能完全统一家畜构成。幼畜与成年畜、肉牛与奶牛的采食和生产不同。应使用动物日和各类别数量，并在必要时按标准化家畜群进行分层。如果只用年末头数去除年度排放，就会忽略进场和出栏。
单位采食量甲烷有助于观察饲料利用和消化道发酵反应，但关键在于干物质采食量的测量质量。不能把以饲喂量减去剩余量得到的农场层面估算，与个体自动饲喂记录视为具有相同精度。单位产品指标与牛奶产量或增重相关，但必须统一产品质量、副产品分配和生产阶段边界。
以销售额为经济分母的排放指标可用于观察业务组合，但会受价格波动和汇率影响。比较农场技术效率时，采用实物产量作为分母往往更容易解释。选择分母不是为了挑出让结果看起来更好的那一个，而应事先按照决策问题确定。
第三次归一化：在统计上统一条件
即使单位和分母一致，气温、通风、饲料、泌乳阶段和品种仍然不同。分层是比较相似农场最透明的方法。例如，可以在畜舍类型、季节、家畜群和生产体系相同的组内比较指标。样本充足时，可以用回归或混合效应模型校正天气、饲养构成和生产阶段。
校正后的结果是“如果所有农场处于相同条件下的预计数值”，不能替代实际排放总量。将模型应用于超出其训练范围的农场，会增大外推风险。此外，管理水平等未测量差异可能依然存在，因此不能把排名当成确定事实。应呈现包含农场效应和测量误差的置信区间，并标明样本较少农场的不确定性较大。
归一化还存在过度控制中介变量的问题。例如，如果低甲烷饲料通过改变采食量影响甲烷，那么根据研究问题，校正采食量可能会消除部分效应。整体环境影响、生物甲烷生成、生产效率三者之中究竟要估计哪种效应，必须通过因果路径加以区分。
公平的农场比较表应如何构成
比较表不应只有一个归一化分数。它还应列出农场边界与期间、测量方法、数据可用率、饲养头数和动物日、产量、总排放、所选强度指标、条件校正值、不确定性和使用限制，并链接从原始值到校正值的计算公式及其版本。
公开农场名称或对外发布绩效排名时，必须确认数据所有权和公开许可。即使数据已完成归一化，把不同合同目的和不同核查水平的数据放入同一排名表并对外公开，仍然是另一个需要单独处理的问题。应将内部学习用基准与对外绩效声明分开。
执行检查清单
明确比较问题属于整体气候影响、动物效率、饲料响应或产品效率中的哪一项。
统一系统边界、排放源、期间、时段、单位和平均方法。
区分原始浓度与质量排放量，并确认测量方法间的偏差。
使用动物日和家畜类别而非单纯头数，以反映构成变化。
对作为分母的采食量、牛奶产量和增重也应用质量规则。
在查看结果前确定分层或校正模型的变量与排除规则。
同时显示原始值、归一化值、不确定性和数据可用率。
仅在可比性、公开许可和核查水平得到确认时使用农场排名。
结论
归一化（Normalization）的目的不是抹去农场差异，而是明确比较的问题与条件。总量反映规模，排放强度反映所选分母下的效率，条件校正值反映模型假设下的相同条件。这三个数值不能互相替代。农场间数据比较只有先统一单位与时间、边界与测量方法，选择符合目的的分母，并公开剩余条件差异与不确定性，才能真正用于决策。