基于Budyko框架的田间尺度灌溉用水量升尺度估算方法及其在区域农业水管理中的应用

本研究针对大区域田间尺度灌溉用水量(I)监测缺失的难题，创新性地将经典Budyko框架与Fu公式结合，通过校准曲线形状参数(ω)实现从采样田块到未监测田块的水分分配模式传递。在合成实验与真实农田验证中，该方法RMSE低至65.86 mm/y，较传统统计模型误差降低101.81%，为区域农业水循环精细追踪提供了物理机制明确的解析工具。

　　

在全球粮食安全与水资源短缺的双重压力下，农业灌溉用水量(I)的精准量化成为水资源管理的核心难题。尽管灌溉支撑着全球40%的粮食产量，但田间尺度的灌溉数据普遍缺失，现有估算方法或依赖特定田块校准，或受限于遥感数据1 km的粗分辨率。这种数据鸿沟严重制约了对农民灌溉行为的解析和区域水循环的精细追踪。

为解决这一挑战，中国某高校联合国际团队在《Journal of Hydrology》发表研究，创新性地将经典水文学Budyko框架引入农业灌溉领域。该研究通过改造Budyko-Fu方程，利用其曲线形状参数(ω)作为"水分分配密码"，成功将采样田块的灌溉规律传递至未监测田块。在合成实验中，该方法估算误差仅38.25 mm/y（相关系数r=0.95）；在美国内布拉斯加州28个真实农田的验证中，较无物理约束的统计模型误差降低101.81%，展现出强大的区域推广潜力。

关键技术包括：1) 基于作物类型、水文年型和土壤性质分组的Budyko-Fu参数ω校准；2) 利用BESS-STAIR ET和OpenET遥感蒸散发数据构建水分平衡方程；3) 通过合成实验（使用农业生态系统模型生成数据）与真实观测（2014-2017年Keith县28块农田）的双重验证体系。

【研究结果】
• 升尺度方法原理：通过ω参数将采样田块的(P+I-ET)/PET~PET/(P+I)关系（P为降水，PET为潜在蒸散发）推广至未监测田块，物理机制明确优于机器学习黑箱模型。

• 合成实验验证：在玉米/大豆田模拟中，分组校准ω后估算I的RMSE降至38.25 mm/y，证明水分分配模式具有跨田块可移植性。

• 真实农田应用：相比统计模型，Budyko-Fu方程将RMSE从132.67 mm/y降至65.86 mm/y，其中砂质土壤田块误差最小（偏差仅6.79 mm/y），揭示土壤渗透性是关键控制因子。

• 影响因素解析：ω参数对作物类型最敏感（玉米ω=2.63 vs大豆ω=2.15），干旱年型下ω变异性增加30%，为区域参数化提供量化依据。

【结论与意义】
该研究首次将Budyko框架成功应用于田间尺度灌溉估算，其物理机制明确的特性解决了机器学习方法依赖大数据集的局限。通过ω参数融合气候-土壤-作物多维特征，实现了"以少估多"的突破——仅需少量采样田块即可推算区域灌溉量。研究提出的(P+I)作为可用水量概念，为遥感ET数据融入灌溉模型提供了新范式。成果对全球农业水足迹核算、干旱区灌溉优化具有重要实践价值，尤其为高平原含水层等脆弱生态区的可持续管理提供了科学工具。未来通过耦合卫星土壤湿度数据，该方法有望构建全球田间级灌溉数据库，推动"数字农业"在水资源管理中的深度应用。