卫星遥感与全球水文模型重建的灌溉用水量（IWU）估算差异及可靠性评估：基于全球四大灌溉热点区的对比研究

《Earth's Future》：Satellite-Based Estimates of Irrigation Water Use Versus Modeling Reconstructions: How Much do They Differ?

　　

了解用于农业实践的水量，其实质为灌溉用水量（irrigation water use, IWU），对水资源管理至关重要。尽管全球范围内关于IWU的明确且一致的信息通常缺乏，但遥感与建模平台提供了有价值的估算方案。本工作的目标是对全球四个主要灌溉热点区——连续美国（Contiguous United States, CONUS）、埃布罗盆地（Ebro basin，西班牙）、印度和墨累-达令盆地（Murray-Darling basin，澳大利亚）——的卫星遥感IWU产品与模型重建结果进行相互比较。研究人员考虑了通过土壤湿度反演（Soil-Moisture-Inversion, SM-Inversion）和SM-Delta方法估算的基于遥感的IWU。作为模拟数据，评估了五个全球水文模型（Global Hydrological Models, GHMs）：H08、PCR-GLOBWB、WaterGAP、LPJmL和QUAlloc。利用参考灌溉量评估哪一来源更可靠。在CONUS和墨累-达令盆地上，检测到数据来源（卫星或建模）之间的差异较低。就空间平均IWU量级而言，CONUS上的比较给出均方根误差（Root Mean Square Error, RMSE）范围为9.52至12.21 mm/month，偏差（BIAS）介于3.24至7.06 mm/month，Pearson相关系数（r）从0.77至0.90。墨累-达令盆地的相同区间分别为均方根误差8.04–17.70 mm/month、偏差4.81–12.63 mm/month和Pearson相关系数0.42–0.85。因此，在这些区域，当参考数据可用时，卫星估算与模型重建在再现实际灌溉量方面表现出相似性能。在发现最大差异的埃布罗盆地，卫星数据集在再现参考数据方面优于模型输出。印度缺乏原位观测，阻碍了对结果的清晰评估，但建立了关于参数化所引入差异的见解。

研究背景方面，全球农业取水约占总取水的80%，其中主要部分为灌溉用水量（irrigation water use, IWU）。IWU对水资源管理、社会经济分析以及水和能量平衡刻画具有战略意义，但全球范围内明确且一致的IWU数据很少甚至普遍缺失。遥感观测和建模数据集是当前区域或全球IWU时空分布估计的主要来源；普查统计可作为补充，但常缺乏时间动态且受粗空间聚合限制。卫星反演灌溉检测和量化可利用观测识别自然或人为地表变化，但受时空分辨率限制。全球水文模型（Global Hydrological Models, GHMs）越来越多地包含人类活动模块以重建IWU，优势在于连续时空模拟，但其假设如土壤湿度亏缺阈值触发灌溉、降水不足补偿作物蒸发、水源分配简化、忽略实际可用水以及气象强迫等会带来不确定性。因此，研究人员在连续美国（Contiguous United States, CONUS）、埃布罗盆地（Ebro basin，西班牙）、印度和墨累-达令盆地（Murray-Darling basin，澳大利亚）四个灌溉热点区，比较卫星与模型IWU估计，并利用参考灌溉量评估可靠性。

研究人员开展了卫星IWU产品与模型重建的相互比较。卫星产品基于土壤湿度反演（Soil-Moisture-Inversion, SM-Inversion）和SM-Delta方法，模型包括H08、PCR-GLOBWB、WaterGAP、LPJmL和QUAlloc。结论表明，在CONUS和墨累-达令盆地，不同数据源差异较小，卫星与模型在再现实际灌溉量方面性能相似；在埃布罗盆地，差异最大，卫星数据集在再现参考数据方面优于模型输出；印度缺乏原位观测，无法清晰评估，但揭示了参数化引入的差异。意义在于，研究结果鼓励将卫星IWU估计整合进建模框架，以改善灌溉过程表达，并服务气候研究及水-能-粮关系评估。

关键技术方法概览（不超过250字）：卫星IWU来自欧洲空间局（European Space Agency, ESA）气候变化倡议-人为用水（Climate Change Initiative—Anthropogenic Water Use, CCI-AWU）项目的Laluet et al.（2025），采用SM-Inversion和SM-Delta，输入CCI passive或combined土壤湿度、GLEAM v3.7b潜在蒸发或FLUXCOM、SSEBop实际蒸发；产品为0.25°月尺度，SM-Inversion覆盖2003–2022，SM-Delta覆盖2003–2020，仅使用灌溉面积比例>5%像元。模型数据来自Huang et al.（2018b）的H08、PCR-GLOBWB、WaterGAP、LPJmL（0.5°，1971–2010）和Cárdenas Belleza et al.（2024）的QUAlloc（10 km，1980–2019）。参考数据：CONUS来自美国农业部国家农业统计服务局（USDA NASS）的Farm and Ranch Irrigation Survey（FRIS）2013和2018；埃布罗盆地来自Sistema Automático de Información Hidrológica（SAIH）的Urgell、Algerri-Balaguer、Catalan and Aragonese灌区；墨累-达令盆地来自灌溉基础设施运营商（irrigation infrastructure operators, IIOs）的Murray-Wakool、Murray-Mulwala、Coleambally、Murrumbidgee；印度无参考数据。模型重采样到0.25°，计算均方根误差（Root Mean Square Error, RMSE）、偏差（BIAS）和Pearson相关系数（r），比较时段为2003–2010或2003–2019。

4.1 大尺度平均量级（Large-Scale Average Magnitudes）：通过面积平均月度IWU比较得出，除印度外，卫星估计总体高于模型重建。CONUS的BIAS为正，范围3.24–7.06 mm/month，RMSE为9.52–12.21 mm/month，r为0.77–0.90。埃布罗盆地差异更大，RMSE为19.76–30.65 mm/month，BIAS为14.58–16.84 mm/month，r为?0.36至0.84。印度BIAS为?7.17至1.77 mm/month，负值更频繁，表明模型IWU倾向高于卫星，r为?0.53至0.70，RMSE为11.94–28.90 mm/month。墨累-达令盆地卫星高于模型，BIAS为4.81–12.63 mm/month，RMSE为8.04–17.70 mm/month，r为0.42–0.85。总体看，CONUS和墨累-达令盆地一致性较高，埃布罗盆地和印度差异较大且指标变异性强。

4.2 空间格局（Spatial Patterns）：通过像元尺度月度IWU比较得出，CONUS中两个卫星产品与QUAlloc的平均RMSE最低，与H08的平均BIAS最低，WaterGAP的r最高；加州谷和Snake River Plain出现高RMSE和负BIAS，卫星重现的灌溉少于多数模型。埃布罗盆地中SM-Inversion和SM-Delta行为一致，与QUAlloc的RMSE最低，与LPJmL的r最高；受域面积和粗分辨率限制，空间异质性难以清晰评估，SM-Inversion在上中部分出现较高RMSE和BIAS，SM-Delta向东略退化。印度中卫星在北部和西部低于模型，负BIAS明显；平均低BIAS由正负空间异质性抵消；与QUAlloc的RMSE和r相对最好，但整体相关有限；与WaterGAP比较出现大范围负r。墨累-达令盆地中RMSE和BIAS在各模型间较稳定，与LPJmL的r较高；SM-Delta较SM-Inversion系统性地提供更低RMSE、BIAS和r，SM-Inversion与模型IWU偏差更大但相关性更好。

4.3 与原位观测比较（Comparison Against In Situ Observations）：通过参考数据比较得出，CONUS使用FRIS 2013和2018，仅QUAlloc模型可用；QUAlloc低估参考量，BIAS为?1.43和?1.29 km³，卫星产品总体高估，SM-Inversion在2018年接近零负值；QUAlloc的RMSE最低，为2.44和2.62 km³，SM-Inversion的BIAS最低，为0.87和?0.22 km³。埃布罗盆地参考数据自2007年起，2007–2010卫星产品系统性优于H08、PCR-GLOBWB、WaterGAP和LPJmL，例外是LPJmL最高r为0.95；SM-Delta的RMSE最低为17.33 mm/month，BIAS最低为3.10 mm/month。与QUAlloc比较的2007–2019时段，SM-Inversion和SM-Delta在RMSE和BIAS上优于QUAlloc，SM-Delta最佳RMSE为20.82 mm/month、BIAS为?6.56 mm/month，SM-Inversion最高r为0.83。墨累-达令盆地参考期仅QUAlloc覆盖，QUAlloc性能与卫星相似，有时优于卫星。Murray-Wakool中SM-Inversion的RMSE最低为13.35 mm/month，SM-Delta的r最高为0.47，QUAlloc的BIAS最低为?2.63 mm/month；Murray-Mulwala中SM-Delta的RMSE最佳为21.13 mm/month、r为0.46，SM-Inversion的BIAS最低为?8.25 mm/month；Coleambally中SM-Delta的RMSE最低为26.70 mm/month、r最高为0.68，QUAlloc的BIAS最低为?2.40 mm/month；Murrumbidgee中QUAlloc最佳，RMSE为16.52 mm/month，BIAS为?10.29 mm/month，r为0.74。

讨论部分总结：该研究比较了两个新近开发的卫星IWU产品与GHMs重建，四个热点区均显示差异，反映水资源管理中人为活动的不确定性。重采样可能引入不确定性，但大规模分析中通常次要。CONUS中卫星高于模型但相关较好，灌溉季假设匹配是重要因素；卫星采用Portmann et al.（2008）作物日历，与PCR-GLOBWB和QUAlloc使用的Portmann et al.（2010）接近，而H08、WaterGAP、LPJmL依赖气候条件。埃布罗盆地差异最大，原位评估支持卫星产品可靠性，卫星几乎系统优于模型。印度差异大且无参考，无法判断哪一来源更接近地面真值；国家尺度低BIAS由正负像元抵消造成，东北部差异最大；卫星与Huang et al.模型相关差，印度灌溉集中在Rabi和Zaid，Kharif主要依赖降雨；卫星双峰关系不一致，SM-Inversion在Rabi更多，SM-Delta在Zaid更多；H08和PCR-GLOBWB信号较噪声，WaterGAP第二峰较低，LPJmL两峰相当，QUAlloc仅一个峰。墨累-达令盆地差异较小，卫星高于模型但时间动态相似，参考比较仅QUAlloc证实该结论。模型结构不确定性可大于气候强迫，CONUS尤其受影响；GHMs基于国家统计再缩放可能偏离实际；卫星时空分辨率权衡影响灌溉动态匹配。未来方向是将卫星IWU整合入模型，校准灌溉方案参数，改善初始条件并间接支持数据同化；卫星IWU可作独立基准诊断模型偏差，并可能通过简单缩放约束长期灌溉量；当前灌溉模块多基于土壤湿度阈值，未来应纳入更真实的灌溉实践。

结论部分翻译：卫星反演和建模框架是估算或重建IWU的有用工具。在本研究中，研究人员将由两种成熟遥感方法（SM-Inversion和SM-Delta）估算的IWU与五个GHMs（H08、PCR-GLOBWB、WaterGAP、LPJmL和QUAlloc）的模型重建进行了比较。所有数据源均可免费获取（Cárdenas Belleza et al., 2024; Huang et al., 2018b; Laluet et al., 2025）。比较针对四个灌溉热点：CONUS、埃布罗盆地（西班牙）、印度和墨累-达令盆地（澳大利亚）。结果表明，在差异适中的案例（CONUS和墨累-达令盆地）中，卫星和模型IWU速率在再现地面真值方面提供相当性能，根据所考虑的数据集和区域出现有利和不利指标交替。需要记住，该结果仅针对QUAlloc模型数据集可用。在检测到卫星和模型估计之间最大差异的案例（埃布罗盆地）中，遥感观测的附加值显现。该结果鼓励将卫星IWU估计整合入建模框架，作为直接输入或至少用于校准目的。考虑印度时结果仍存在高不确定性，由于缺乏参考IWU来评估不同数据源与地面真值的距离，无法对卫星和模型产品排序。然而，该结果说明了卫星和模型方法不同假设所产生的差异。同样在这种情况下，进一步研究可朝向将卫星检索IWU整合入建模平台，例如采用共同假设或利用遥感观测推导模型方案中有用的辅助信息（如灌溉季或空间发生）。最后，量化卫星IWU估计中来自每个单一输入的不确定性同样有价值（Laluet et al., 2026a），这是迈向后续研究预期完整图景的一步。为此，包括集合或扰动实验、共同考虑输入和结构不确定性来源的综合不确定性框架正在开发中。更广泛的视角是拥有稳健工具监测IWU，并服务气候研究以及水-能-粮关系评估，从而改善对农业水资源管理动态中人与自然相互作用的理解（Galli et al., 2026）。