灌区蓝绿水资源与作物生产水足迹多时空分布量化分析

高 洁，吴普特，谢朋轩，卓 拉

灌区蓝绿水资源与作物生产水足迹多时空分布量化分析

高 洁1,2，吴普特2,3,4※，谢朋轩1,2，卓 拉2,3,4

（1. 西北农林科技大学水利与建筑工程学院，杨凌 712100；2. 西北农林科技大学旱区节水农业研究院，杨凌 712100；3. 西北农林科技大学水土保持研究所，杨凌 712100；4. 中国科学院水利部水土保持研究所，杨凌 712100）

作物生产水足迹度量作物生产过程对不同类型水资源的消耗，为实现农业水资源管理与评价提供了更全面的新视角。该研究通过耦合土壤水分动态平衡模块，考虑输配水损失，构建灌区蓝、绿水资源与作物生产水足迹多时间尺度分布式量化模型；以宝鸡峡灌区为例，定量评价不同典型年灌区蓝绿水资源与作物生产水足迹多时间尺度演变规律。结果表明：宝鸡峡灌区蓝绿水资源总量在2008－2017年呈上升趋势。各作物对绿水资源利用效率均持续上升，而小麦蓝水资源利用效率呈下降趋势；玉米、小麦生产总水足迹整体呈上升趋势，多年平均值分别为573和779 m3/t；作物生产绿水足迹在拔节-灌浆期占比较高，成熟期占比较低；作物生产水足迹在日尺度波动幅度最大；平水年、丰水年灌区用水存在不合理现象，枯水年作物生产单产水平最高，总水足迹最低，水资源利用效率最高。该研究所构建模型可移植适用于无排水渠系灌区水文模拟，准确量化灌区农业生产耗水，解析日-月尺度作物生产水足迹演变特征，有助于明确灌区作物耗水规律，进而高效利用绿水资源，合理配置蓝水资源，提高作物产量，实现高效生产。

水资源；作物；模型；水足迹；蓝绿水；SWAT；多时间尺度；灌区

0 引 言

农业是中国第一大用水户，根据2019年水利部水资源公报数据，农田灌溉用水占总用水量的64.8%。灌区以不足全国耕地一半的灌溉面积生产了全国75%的粮食和90%的棉花、蔬菜等经济作物，是保障粮食安全的重要基地，也是农业水资源管理的重要基本用水单元[1]。

当前中国主要实行农业蓝水资源管理模式，即更多关注地下水与地表水的利用，设置用水总量控制、用水效率控制等目标，以期实现蓝水资源高效配置与利用[2]。对绿水资源，即源于降雨，储存于非饱和土壤中被植物所吸收利用的水分[3]，由于科学理论以及方法等的局限性，对其进行高效利用及合理评价的相关研究主要集中在全球或流域尺度，针对灌区尺度相关研究较少[4-6]。水足迹理论的提出为进一步核算作物对蓝绿水资源的消耗量提供了方法[7]。作物生产水足迹指在特定时间内特定地理范围内进行作物生产所消耗的水资源数量，其中包括蓝水足迹（即作物生长过程中所消耗灌溉水量）和绿水足迹（即作物生长过程中所消耗的有效降水），已被广泛应用于水资源分析与管理领域[8]。目前，作物生产水足迹的量化方法多数基于Hoekstra等建立的水足迹标准核算方法框架，利用CropWat、AquaCrop等基于点尺度垂直土壤水分平衡原理的作物水分生产率模型[8-10]，对于灌区、流域尺度，由于没有考虑地理环境变化所引起的水文效应，适用范围局限性高。Luan等[11]以河套灌区为例，基于Soil and Water Assessment Tool（SWAT）分布式水文模型，较为完整地量化了具有完整灌排渠系的灌区的作物生产水足迹，对流域水文模型在灌区尺度量化作物生产水足迹的应用做了初步探索，但黄土高原由于土层深厚，许多灌区不设有排水沟（例如宝鸡峡灌区、泾惠渠灌区），故相关模型构建方法在该类灌区的适用性有待进一步研究。此外，受到季风影响，中国大部分地区冬春少雨，夏秋多雨，然而目前多数作物生产水足迹演变仅涉及年际尺度[12-13]，尚未明晰年内作物生产水足迹演变机制。

综上，本文以2008－2017年陕西省关中西部宝鸡峡灌区作物生产为例，耦合土壤水分动态平衡模块，并结合传统输配水损失计算方法，构建灌区蓝绿水资源与作物生产水足迹多时间尺度分布式水文模型，实现灌区作物生产水足迹完整量化；同时选取典型水文年，解析年内日-月尺度作物生产水足迹演变规律，旨在明确作物年内耗水变化，充分利用绿水资源，合理配置蓝水资源，为灌区高效生产管理以及作物生产水足迹时间尺度相关研究提供参考。

1 材料与方法

1.1 研究区概况

宝鸡峡灌区位于陕西省关中地区西部（图1），以占全省1/18的耕地面积，生产了占全省总产量1/7的粮食和1/4的商品粮，成为全省重要的粮油果蔬基地和名副其实的“三秦第一大粮仓”[14]。灌区东西长181 km，南北宽14 km，最宽处超40 km，有引水枢纽两处，总干渠、干渠、支渠等107条，属大陆性季风气候的半干旱地区，多年平均降水量570 mm。受季风影响，降雨年内分布不均，夏秋多雨，冬春少雨。农作物以小麦、玉米为主，进行轮作制度，每年1月、4月、8月进行集中灌溉。灌区内设有1个水文站（咸阳站）和2个气象站（秦都站和武功站）。

1.2 灌区分布式蓝绿水资源与水足迹量化的水文模型构建与验证

构建灌区尺度SWAT分布式水文模型以量化灌区分布式蓝绿水资源与水足迹。在SWAT模型中，默认设置是自然流域模式，即地表水由支流汇入干流，并以河流、湖泊等为排泄区来进行子流域划分。然而，在灌区，这种模式是不适用的，配水是由灌溉渠系完成的。若直接根据灌溉渠系对灌区空间离散化，则无法考虑渠系逆汇流特征，且宝鸡峡灌区由于土层深厚，地下水埋深较深等原因，不设有排水沟，多余的水分往往通过土壤自然下渗。故本研究将DEM绘制的水系与灌区实际渠系分布相结合构建完整的灌区河网水系，以划分子流域。随后，结合灌区土地利用类型、土壤属性、气象数据，在模型的农田管理模块中设定宝鸡峡灌区对应的播种、灌溉、收获等农田管理措施，划分计算水文响应单元（Hydrologic Response Unit，HRU）。以2006—2007年为预热期，运行模型，随后基于SWAT Calibration and Uncertainty Procedures （SWAT-CUP）软件，以2008—2013年为率定期，2014—2017年为验证期，利用灌区内咸阳水文站多年逐月径流数据，校准模型。通常认为决定系数（2）大于0.5，纳什效率系数（Nash Efficiency Coefficient，NSE）大于0.36时[15-17]，模型模拟结果较好。同时，为加强验证模型可靠性，以NASA发布的蒸散发产品MOD16A2GF (Version 6)(2000—2019)[18-19]即MOD16，与模型计算结果进行对比。

1.2.1 灌区蓝绿水资源量化

宝鸡峡灌区作物消耗蓝水资源量（WRb, mm）主要来源于3个部分（式（1）），根据灌区统计资源可获得渠首引水量（，mm），由SWAT模型输出结果可获得时间步长内由子流域汇入渠道的总水量（WYLD，mm），作物所利用地下水量（GW，mm）由于用量较小，难以获取准确数据，暂不考虑。绿水资源量（WRg，mm）包括两部分（式（2）），根据Zhuo等[10]提出的土壤水分平衡原理，结合SWAT模型输出结果（PR[t]，IRR[t]，RO[t]，DP[t]，LOSS[t]，ET[t]），得到改进后的公式（式（3）～式（7）），可得到源于降水、储存于非饱和土壤中被植物吸收利用的蒸散发部分（ETg, mm），另一部分土壤初始含水率（SW0, mm）也由SWAT模型输出结果得到[5]。

WRb=+WYLD+GW（1）

WRg=ETg+SW0（2）

[t]=[t-1]+PR[t]+IRR[t]-ET[t]-RO[t]-DP[t]-LOSS[t]（5）

式中[t]表示第天土壤储水量，mm；[t-1]表示前一天的土壤储水量，mm；S[t]表示第天土壤绿水储水量，mm；S[t-1]表示前一天的土壤绿水储水量，mm；S[t]表示第天土壤蓝水储水量，mm；S[t-1]表示前一天的土壤蓝水储水量，mm；表示时间，d；PR[t]表示第天的降雨，mm；IRR[t]表示第天的灌水定额，mm；RO[t]为第天地表径流，mm；DP[t]为根区渗漏水量，mm；LOSS[t]为其他损失量，mm；ET[t]表示第天的蒸散发量，mm；ETb为作物消耗蓝水量，mm；ETg为作物消耗绿水量，mm。

1.2.2 作物生产水足迹量化

灌区作物生产水足迹包括3个部分：

WF=WFb+WFb-l+WFg（8）

式中WF为单位产量作物生产水足迹，m3/t；WFb为作物生产蓝水足迹，m3/t；WFb-l为输配水损失蓝水足迹，m3/t；WFg为作物生产绿水足迹，m3/t。

由式（3）～式（7）计算得到作物消耗的蓝绿水量，进而得到作物生产蓝水足迹、绿水足迹（式（9）～式（10））；根据灌区资料中每年灌区渠首取水量与灌溉水利用系数，利用经验公式（式（11））得到灌区输配水损失总量，进而得到年际灌溉输配水损失蓝水足迹（式（12））[20]。

WFb=10ETb/（9）

WFg=10ETg/（10）

Loss=(1−)（11）

WFb-l=Loss/（12）

式中为灌区作物产量，t/hm2；10为单位转换系数；Loss为渠道输配水损失总量，m³；为灌溉水利用系数。

1.3 数据来源

SWAT模型中所用的90 m DEM来源于中国科学院计算机网络信息中心地理空间数据云平台[21]，30 m分辨率的土地利用数据来源于中国科学院资源环境科学数据中心[22]，土壤类型来源于中国科学院南京土壤研究所中国土壤科学数据库[23]，气象数据来源于国家气象科学数据中心[24]；咸阳水文站径流数据来源于水利部黄河水利委员会[25]，MOD16数据来源于美国国家航空航天局[18-19]，灌区平面图、灌溉制度、净灌溉定额、渠首取水量、灌溉水利用系数以及作物产量等由宝鸡峡灌溉管理局获得[14]。

2 结果与分析

2.1 SWAT模型用于灌区水文模拟的适用性验证

采用咸阳站数据，利用SWAT-CUP中的Sequential Uncertainty Fitting version 2（SUFI2）算法对模型进行率定、验证，结果如图2所示。咸阳站径流模拟值与实测值的拟合，其R与NSE在率定期分别为0.74、0.69，在验证期均为0.51（图2），满足SWAT模型校准评价标准，同时，MOD16与SWAT模型所得ET在典型年月尺度上进行对比验证（图3），得到相对误差范围在-18%～19%内，RMSE为4.13 mm，属于可接受误差（±20%）范围。由此，本文所构建SWAT分布式水文模型适用于宝鸡峡灌区水文模拟。经率定验证后最终获得的主要敏感性参数值如表1所示。

表1 SWAT模型校准后主要敏感性参数最优取值

注：“r_”代表参数值与1加给定值的积，“v_”代表参数值被给定值代替。

Note: “r_” means product of an existing parameter value and sum of given value and 1; “v_” means the existing parameter value is to be replaced with a given value.

2.2 灌区蓝绿水资源量时空演变

图4展示了宝鸡峡灌区2008－2017年玉米和小麦生长期蓝绿水资源量变化趋势。对于玉米生产，蓝水资源量年均值为352 mm，平均占总水资源量57%，其中灌溉水量（即灌区引水量）平均占蓝水资源量68%，整体呈缓慢上升趋势，降雨量下降导致子流域汇入渠道的总水量显著下降，使得蓝水资源量呈下降趋势。绿水资源中，作物消耗绿水量缓慢上升，平均占绿水资源74%，但初始土壤含水率明显下降导致绿水资源变化基本平稳，其年均值为259 mm，平均占总水资源量43%。对于小麦生产，灌溉水量平均占蓝水资源量86%，呈缓慢上升趋势，同时降雨量也缓慢上升导致汇入渠道的总水量上升，进而蓝水资源量整体呈上升趋势，其年均值为483 mm，占总水资源57.5%。绿水资源量中，作物消耗绿水量缓慢上升，平均占绿水资源65%，而玉米生长期降雨量下降且玉米绿水消耗量增长，致使玉米收获后土壤含水率即小麦初始土壤含水率下降，小麦绿水资源呈下降趋势，其年均值为360 mm，平均占总水资源量42.5%。

表2展示了研究期内宝鸡峡灌区各县区玉米和小麦生长期多年平均蓝绿水资源量。对于玉米生产，杨凌区、渭城区由于多年平均灌溉水量大，分别达到469、401 mm，导致其蓝水资源量较大，平均每年分别达到642、519 mm，礼泉县由于灌溉水量（150 mm）、产水量（63 mm）均最低，导致蓝水资源量最低。兴平市多年平均绿水消耗量与初始土壤含水率均较大，使其绿水资源量最大，达到283 mm，其次分别为武功县（279 mm）、礼泉县（275 mm），泾阳县多年平均绿水消耗量与初始土壤含水率均最低，导致其绿水资源量最低，为230 mm。对于小麦生产，同样杨凌区多年平均蓝水资源量最大，达到931 mm，其次为渭城区，777 mm，蓝水资源量最低则为乾县，268 mm。武功县多年平均绿水消耗量（240 mm）与初始土壤含水率（148 mm）均较大，使其多年平均绿水资源量达到最大，其次为兴平市（384 mm）、礼泉县（379 mm），同样泾阳县绿水资源量最低，为319 mm。

表2 宝鸡峡灌区各县区玉米和小麦生长期多年平均蓝绿水资源

2.3 灌区作物生产水足迹多时间尺度演变

由表3可知，玉米生产总水足迹呈上升趋势，由2008年的436 m3/t 增长到2017年的606 m3/t，增长39%，年均值为573 m3/t。其中，蓝水足迹由2008年50 m3/t 增长到2017年64 m3/t，年均值为58 m3/t，平均占总水足迹10%；绿水足迹由2008年的353 m3/t 增长到2017年的477 m3/t，年均值为457 m3/t，平均占总水足迹80%；输配水损失蓝水足迹多年平均值为59 m3/t。玉米种植期间降雨较集中（5－9月），消耗绿水较多（年均192 mm），仅8月灌溉1次，蓝水消耗较少（年均34 mm），绿水足迹平均高达蓝水足迹8倍。2011年相比2010年，单产几乎保持稳定，灌溉水量仅降低7%，而降雨量增长42%，导致绿水足迹高达蓝水足迹11倍。

小麦生产总水足迹同样呈上升趋势（表4），由2008年的719 m3/t 增长到2017年的884 m3/t，增长23%，年平值为779 m3/t。其中，蓝水足迹由2008年96 m3/t 增长到2017年131 m3/t，年均值为114 m3/t，平均占总水足迹15%；绿水足迹由2008年的518 m3/t 增长到2017年的685 m3/t，增长32%，年均值为550 m3/t，平均占总水足迹70%；输配水损失蓝水足迹由2008年104 m3/t降低到2017年69 m3/t，年均值为116 m3/t。整个研究期内，小麦单产水平由2008年4.43 t/hm2变为2017年的3.95 t/hm2，同样波动很小，水足迹变化主要受作物消耗水量所影响。

表3 宝鸡峡灌区玉米生产水足迹年际变化

表4 宝鸡峡灌区小麦生产水足迹年际变化

根据2008－2017年陕西省水资源公报选取2008－2010年分别为枯水年、平水年、丰水年进行研究。表5展示了灌区作物生产水足迹在典型年内月尺度上的演变。由于无法获取年尺度以下输配水损失，故年尺度以下作物生产总水足迹只包括蓝水足迹、绿水足迹两部分。2008年月尺度玉米生产总水足迹均值为101 m3/t，其中绿水足迹呈下降趋势，均值为88 m3/t，平均占总水足迹87%，蓝水足迹呈上升趋势，均值为12.5 m3/t；2009年玉米生产总水足迹均值为132 m3/t，蓝、绿水足迹变化趋势与2008年相同，绿水足迹均值为118 m3/t，平均占总水足迹89.4%，蓝水足迹均值为14 m3/t；2010年玉米生产总水足迹均值为134 m3/t，蓝、绿水足迹均呈上升趋势，绿水足迹均值为118 m3/t，平均占总水足迹88.6%，蓝水足迹均值为15 m3/t。对于玉米绿水足迹，7月处于拔节—孕穗期，玉米营养生长与生殖生长并进，生长旺盛，大量消耗土壤储水量以及有效降雨，使得绿水足迹占比相对较高，8月进行灌溉，蓝水足迹随之大幅增长，8－9月约占整个生长期蓝水足迹65%左右，随后玉米生长逐渐成熟，绿水足迹、蓝水足迹均逐渐降低，其中2009年由于玉米生长前期降雨充沛，导致6月绿水足迹略高。对于灌区小麦生产，2007－2008年（表中2008年）月尺度上蓝、绿水足迹均缓慢上升，绿水足迹均值为65 m3/t，平均占总水足迹84%，蓝水足迹均值为13 m3/t，占总水足迹16%；2008－2009年（表中2009年），蓝、绿水足迹同样缓慢上升，绿水足迹均值为65 m3/t，平均占总水足迹81%，蓝水足迹均值为15 m3/t；2009－2010年（表中2010年），总水足迹呈下降趋势，均值为91 m3/t，其中绿水足迹均值为78 m3/t，呈下降趋势，平均占总水足迹85%，蓝水足迹缓慢上升，均值为14 m3/t。在枯水年，11－12月（分蘖-越冬期）与3－4月（返青-抽穗期）处于冬小麦生长旺盛阶段，期间绿水资源较多，使得绿水足迹相对占比较高，其余月份处于越冬期或成熟期，生长较缓或逐渐停止生长，绿水足迹及蓝水足迹占比逐渐降低；平水年、丰水年相比枯水年，降雨有所增加且分布相对均匀，致使各月绿水足迹占比较为接近。同样，小麦蓝水足迹在1月、4月灌溉后大幅增长，1－5月蓝水足迹约占整个生长期蓝水足迹95%左右。

图5展示了灌区玉米、小麦生产水足迹在典型年日尺度上的变化。对于玉米生产，2008－2010年总水足迹日均值分别为3.4、4.4、4.4 m3/t，主要随绿水足迹变化而波动，蓝、绿水足迹变化趋势与月尺度相同。3 a内蓝水足迹变异系数分别为93%、93%、83%，绿水足迹变异系数分别为53%、50%、55%，均波动性较大。对于小麦生产，3 a间总水足迹日均值分别为2.5、2.6、3.0 m3/t，2007－2008年蓝水足迹变异系数达到116%，绿水足迹变异系数为42%。2009、2010年灌溉水量、降水量均高于2008年，土壤始终含水率充足，作物消耗绿水变化较为平稳，绿水足迹变异系数分别为13%、12%，由于灌溉后蓝水消耗量大幅度增长，蓝水足迹变异系数较高，分别为90%、92%。

表5 宝鸡峡灌区典型年内玉米和小麦生产水足迹

3 讨 论

以往研究多数关注国家及流域尺度蓝绿水资源量化[26-27]，本研究实现了基于SWAT分布式水文模型的灌区尺度作物生产蓝绿水资源量化；与薛冰等[28-29]研究相比，本研究在年际及典型年尺度作物生产水足迹量化基础上，考虑灌区年内水资源分布差异，实现了典型水文年日-月尺度灌区作物生产水足迹量化。从本文研究结果来看，研究期内灌区整体水资源量呈上升趋势，作物生产总水足迹呈上升趋势。玉米生长期内，蓝水资源量下降，蓝水足迹升高，蓝水足迹占玉米生长期蓝水资源比例呈缓慢上升趋势，平均占30.2%，绿水足迹占绿水资源比例缓慢上升，平均占绿水资源74.3%（图6）；小麦生长期内，蓝水资源量及蓝水足迹均上升，其蓝水足迹占蓝水资源比例逐渐下降，平均29.7%，绿水足迹占绿水资源比例缓慢上升，平均64.9%（图6）。可以看出，灌区作物生产对绿水资源利用效率逐渐提高。

与丁浩[30]所得宝鸡峡灌区玉米、小麦生长多年平均需水量分别为468.61、447.32 mm相比，本研究中玉米、小麦耗水分别为214.58、277.15 mm，远没有满足作物需水量，故随着降雨量及灌溉水量的增长，玉米、小麦总水足迹同步增长，但玉米、小麦多年单产水平并无大幅度变化。例如，2008年小麦冬灌、春灌2次净灌水定额分别为75、81 mm，2009年分别为111、115 mm，2010年分别为129、121 mm，3 a间降雨逐年增加的同时，灌溉水量逐年增加，但小麦单产水平几乎没有明显变化（2008—2010分别为4.4，4.2，4.2 t/hm2），说明灌区存在用水不合理现象。通过日尺度小麦生产水足迹演变可以更加直观地看出，冬小麦生长在分蘖期、返青期、拔节期需水相对较大，其他时期需水较少，且对产量并无明显影响，则灌区可通过进一步结合气象条件，采取措施提高绿水利用效率的同时，有针对性地在具体时间节点分配灌溉水量，进一步提高作物产量，以实现精准灌溉，高效用水。同时灌区多年平均灌溉效率为54%[14]，与发达国家70%～90%的灌溉效率[31]有一定差距，灌区可结合各县区实际情况，采用加强渠道防渗，有利于防止土壤次生盐碱化，减少渠道泥沙淤积，提高渠道输水能力。

4 结 论

本文通过构建灌区SWAT水文模型，量化灌区作物蓝绿水资源量及作物生产水足迹，得到以下主要结论：

1）本文所构建宝鸡峡灌区SWAT分布式水文模型，咸阳水文站径流模拟值与实测值的拟合在率定期R与纳什效率系数分别达到0.74、0.69，验证期均达到0.51，满足SWAT模型校准评价标准，适用于无排水沟类型灌区水文模拟；

2）灌区2008－2017年间水资源量整体呈上升趋势，杨凌区多年平均蓝水资源量最高，泾阳县多年平均绿水资源量最低；

3）玉米、小麦多年平均总水足迹分别为573、779 m3/t，呈上升趋势，其波动主要受绿水足迹变化影响，玉米、小麦生产绿水足迹分别约占总水足迹80%、70%；

4）作物生产绿水足迹一般拔节-灌浆期占比较高，成熟期占比较低；

5）作物生产水足迹在日尺度波动幅度最大，随时间累积，波动幅度变小；小麦生产蓝水足迹、绿水足迹在枯水年波动幅度最大，分别高达116%、42%；

6）典型年内，灌区枯水年作物生产灌溉水量均低于平水年、丰水年，玉米、小麦单产最高，总水足迹最低，分别为436、719 m3/t。

[1]国务院. 2011年中央一号文件[R/OL]. (2010-12-31) [2020-09-21]. http://www.gov.cn/.

[2]吴普特，卓拉，刘艺琳，等. 区域主要作物生产实体水-虚拟水耦合流动过程解析与评价[J]. 科学通报，2019，64(18)：1953-1966.

Wu Pute, Zhuo La, Liu Yilin, et al. Assessment of regional crop-related physical-virtual water coupling flows[J]. Chinese Science Bulletin, 2019, 64(18): 1953-1966. (in Chinese with English abstract)

[3]Falkenmark M. Meeting water requirements of an expanding world population[J]. Philosophical Transactions of the Royal Society B: Biological Sciences, 1997, 352: 929-936.

[4]Rost S, Dieter G, Alberte B, et al． Agricultural green and blue water consumption and its influence on the global water system[J]. Water Resources Research, 2008, 44: 1-17.

[5]Xie P X, Zhuo L, Yang X, et al. Spatial-temporal variations in blue and green water resources, water footprints and water scarcities in a large river basin: A case for the Yellow River basin[J]. Journal of Hydrology, 2020, 590: 125222.

[6]操信春，任杰，吴梦洋，等. 基于水足迹的中国农业用水效果评价[J]. 农业工程学报，2018，34(5)：1-8.

Cao Xinchun, Ren Jie, Wu Mengyang, et al. Assessing agricultural water use effect of China based on water footprint framework[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2018, 34(5): 1-8. (in Chinese with English abstract)

[7]操信春，刘喆，吴梦洋，等. 水足迹分析中国耕地水资源短缺时空格局及驱动机制[J]. 农业工程学报，2019，35(18)：94-100.

Cao Xinchun, Liu Zhe, Wu Mengyang, et al. Temporal-spatial distribution and driving mechanism of arable land water scarcity index in China from water footprint perspective[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2019, 35(18): 94-100. (in Chinese with English abstract)

[8]Hoekstra A Y, Chapagain A K, Aldaya M M, et al. The Water Footprint Assessment Manual: Setting the Global Standard[M]. London, UK: Earthscan, 2011.

[9]孙世坤，王玉宝，吴普特，等. 小麦生产水足迹区域差异及归因分析[J]. 农业工程学报，2015，31(13)：142-148.

Sun Shikun, Wang Yubao, Wu Pute, et al. Spatial variability and attribution analysis of water footprint of wheat in China[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2015, 31(13): 142-148. (in Chinese with English abstract)

[10]Zhuo L, Mekonnen M M, Hoekstra A Y, et al. Inter- and intra-annual variation of water footprint of crops and blue water scarcity in the Yellow River basin (1961–2009)[J]. Advances in Water Resources, 2016, 87: 29-41.

[11]Luan X B, Wu P T, Sun S K, et al. Quantitative study of the crop production water footprint using the SWAT model[J]. Ecological Indicators, 2018, 89: 1-10.

[12]Zheng J Z, Wang W G, Ding Y M, et al. Assessment of climate change impact on the water footprint in rice production: Historical simulation and future projections at two representative rice cropping sites of China[J]. Science of the Total Environment, 2020, 709: 136190.

[13]郭相平，高爽，吴梦洋，等. 中国农作物水足迹时空分布与影响因素分析[J]. 农业机械学报，2018，49(5)：295-302.

Guo Xiangping, Gao Shuang, Wu Mengyang, et al. Analysis of temporal-spatial distribution and influencing factors of water footprint in crop production system of China[J]. Transactions of The Chinese Society for Agricultural Machinery, 2018, 49(5): 295-302. (in Chinese with English abstract)

[14]陕西省宝鸡峡引渭灌溉管理局. 单位概括[EB/OL]. (2007-07-17) [2020-04-13]. http://www.sxbjx.com/index.php? catid=47

[15]崔远来，吴迪，王士武，等. 基于改进SWAT模型的南方多水源灌区灌溉用水量模拟分析[J]. 农业工程学报，2018，34(14)：94-100.

Cui Yuanlai, Wu Di, Wang Shiwu, et al. Simulation and analysis of irrigation water consumption in multi-source water irrigation districts in Southern China based on modified SWAT model[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2018, 34(14): 94-100. (in Chinese with English abstract)

[16]Nash J E, Sutcliffe J V. River flow forecasting through conceptual models: Part I. A discussion of principles[J]. Journal of Hydrology, 1970, 10(3): 282-290.

[17]崔远来，刘路广. 灌区水文模型构建与灌溉用水评价[M]. 北京：科学出版社，2015.

[18]National Aeronautics and Space Administration. U. S. Geological Survey [EB/OL]. (2020-03-11) [2021-01-10] https://lpdaac.usgs.gov/products/mod16a2gfv006/

[19]Running S, Mu Q, Zhao M, et al. MOD16A2GF MODIS/Terra Net Evapotranspiration Gap-Filled 8-Day L4 Global 500 m SIN Grid V006. NASA EOSDIS Land Processes DAAC, 2019.

[20]汪志农. 灌溉排水工程学[M]. 北京：中国农业出版社，2010.

[21]中国科学院计算机网络信息中心地理空间数据云平台. DEM数字高程数据[EB/OL]. (2018-11-15) [2019-04-05]. http://www.gscloud.cn/

[22]中国科学院资源环境科学数据中心资源环境数据云平台. 2015年中国土地利用现状遥感监测数据[EB/OL]. (2007-07-17) [2018-11-13]. http://www.resdc.cn/

[23]中国科学院南京土壤研究所. 中国土壤科学数据库[EB/OL]. (2020-01-09) [2020-04-22]. http://vdb3.soil.csdb.cn/

[24]国家气象科学数据中心. 中国地面气候资料日值数据集（V3.0）[EB/OL]. (2012-08-28) [2019-02-23]. http://data.cma.cn/

[25]水利部黄河水利委员会. 水情信息[EB/OL]. (2018-01-01) [2019-08-05]. http://www.yrcc.gov.cn/

[26]Zang C F, Liu J, van der Velde M, et al. Assessment of spatial and temporal patterns of green and blue water flows under natural conditions in inland river basins in Northwest China[J]. Hydrology and Earth System Sciences, 2012, 16(8): 2859-2870.

[27]Abbaspour K C, Rouholahnejad E, Vaghefi S, et al. A continental-scale hydrology and water quality model for Europe: Calibration and uncertainty of a high-resolution large-scale SWAT model[J]. Journal of Hydrology, 2015, 524: 733-752.

[28]薛冰，董书恒，黄裕普，等. 1980—2016年辽宁省主要粮食作物生产水足迹时空演变特征[J]. 生态学杂志，2019，38(9)：2813-2820.

Xue Bing, Dong Shuheng, Huang Yupu, et al. Spatial-temporal evolution of water footprint during the production of main grain crops in Liaoning Province from 1980 to 2016[J]. Chinese Journal of Ecology, 2019, 38(9): 2813-2820. (in Chinese with English abstract)

[29]高海燕，李王成，李晨，等. 宁夏主要农作物生产水足迹及其变化趋势研究[J]. 灌溉排水学报，2020，39(3)：110-118.

Gao Haiyan, Li Wangcheng, Li Chen, et al. Water footprints of main crops and their change in Ningxia[J]. Journal of Irrigation and Drainage, 2020, 39(3): 110-118. (in Chinese with English abstract)

[30]丁浩. 气候变化条件下宝鸡峡灌区主要作物需水量时空演变及节水潜力分析[D]. 杨凌：西北农林科技大学，2017.

Ding Hao. Effect of Climate Change on Crop Water Requirement and Water Saving Potential of Baojixia Irrigation District in Northwestern China[D]. Yangling: Northwest A&F University, 2017. (in Chinese with English abstract)

[31]Zhu X F, Li Y Z, Li M Y, et al. Agricultural irrigation in China[J]. Journal of Soil and Water Conservation, 2013, 68(6): 147A-154A.

Distributed quantification of blue and green water resources and water footprint of crop production in an irrigation district at multiple temporal scales

Gao Jie1,2, Wu Pute2,3,4※, Xie Pengxuan1,2, Zhuo La2,3,4

(1.,,712100,; 2.,,712100,;3.,712100,; 4.,,712100)

Water resources management in irrigation districts is important to ensure food security. The current water resources management in China focuses on underground water and surface water (i.e. blue water), and precipitation (green water). However, most studies are on large scale such as global or basin scales and few are on irrigation district scale. The aim of this paper was to quantify and evaluate the consumption of different types of water resources in the irrigation district by the concept of water footprint (WF). The maize and wheat production in the Baojixia Irrigation District of Shaanxi in China from 2008 to 2017 were selected as the case study. One hydrological station and two weather stations were included in the study area. Data of runoff, precipitation irrigation and soil-related physical properties were collected. A regional distributed hydrological model (Soil and Water Assessment Tool, SWAT) based on the hydrological cycle was established. The model was constructed by coupling with the soil water balance model and considering the water delivery losses of the irrigation canals. The blue and green water resources and WFs of crop production were quantified. The variability of the annual WFs of crops during the study period was analyzed, and the WFs of crops on daily and monthly scales were also analyzed in three typical years (dry, normal, wet). The runoff data was used to validate the SWAT model, and the MOD16A2GF Version 6 Evapotranspiration product (MOD 16) at a 500 m pixel resolution was used to verify the evapotranspiration simulation results. Then, the change of WF was analyzed. The results showed that the model could simulate well the runoff with the values of2of 0.74, Nash Efficiency Coefficient (NSE) of 0.69 during the calibration period. By validation, the model was still well and both the values of2and NSE were 0.51. It indicates that the model established in this study could accurately simulate the hydrological process in irrigation districts. During the period from 2008 to 2017, the blue and green water resources in Baojixia Irrigation District increased on the whole. The multi-year average blue water resources in Yangling was the highest but the multi-year average green water resources in Jingyang was the lowest. The multi-year average total WF values of maize and wheat (including the blue WF of irrigation delivery losses) were 573 and 779 m3/t, respectively, showing an overall rising trend. The fluctuations of total WFs were mostly affected by the green WF. The green WF of crop production was higher at the jointing and filling stages and lower at the maturing stage. The WFs of crop production were fluctuated the most on the daily scale and the fluctuation decreased gradually from month scale to annual scale. The fluctuations of the green and blue WFs of wheat were the largest in the dry year. Although the irrigation water in the dry year was lower than the normal and wet years, the unit maize yield and the unit wheat yield were the highest and the total WF values of maize and wheat were the lowest. This study can provide valuable information for crop production and management in irrigation districts..

water resources; crops; models; water footprint; blue and green water; SWAT; multiple temporal scales; irrigation district

高洁，吴普特，谢朋轩，等. 灌区蓝绿水资源与作物生产水足迹多时空分布量化分析[J]. 农业工程学报，2021，37(5)：105-112.doi：10.11975/j.issn.1002-6819.2021.05.012 http://www.tcsae.org

Gao Jie, Wu Pute, Xie Pengxuan, et al. Distributed quantification of blue and green water resources and water footprint of crop production in an irrigation district at multiple temporal scales[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2021, 37(5): 105-112. (in Chinese with English abstract) doi：10.11975/j.issn.1002-6819.2021.05.012 http://www.tcsae.org

2020-11-14

2021-01-04

国家重点研发计划（2018YFF0215702）

高洁，博士生，研究方向为区域农业高效用水。Email：gao_jie@nwafu.edu.cn

吴普特，研究员，研究方向为区域农业高效用水。Email：gjzwpt@vip.sina.cn

10.11975/j.issn.1002-6819.2021.05.012

S273; TV213

A

1002-6819(2021)-05-0105-08