在干旱地区，灌溉面积的扩大抵消了农业节水带来的效益：以中国艾比努尔湖流域为例

《Agricultural Water Management》：Irrigated-area expansion offsets agricultural water-saving benefits in an arid region: A case study of the Ebinur Lake Basin, China

　　刘静|安强|邓明江|尹振良|罗青|孙瑞|龙爱华
天津大学土木工程学院，天津300072，中国

**摘要**
在干旱地区，灌溉技术的改进所带来的节水效果往往被灌溉面积的扩大所抵消，从而导致“水反弹效应”。由于灌溉数据的有限性，定量分析技术改进和面积扩张对水量平衡各组成部分的影响一直受到阻碍。以中国艾比努尔湖盆地的灌溉区为例，我们整合了多源遥感和统计数据集，并使用了两阶段优化的SM2RAIN算法重建了2002年至2023年的动态灌溉计划，然后将其与SWAT+gwflow模型相结合。通过针对湖泊入流量、地下水位和陆地水储量异常（TWSA）的多变量校准，该模型能够稳健地再现关键水文成分的季节性周期和长期趋势。接着，我们通过多情景实验量化了技术效率提升和灌溉面积扩张对水量平衡的单独影响。结果显示，整个流域逐渐从沟灌转变为滴灌，同时田间平均灌溉深度有所下降。然而，尽管有这些技术改进，总用水量仍增加了43%——主要是由于灌溉面积扩大了116%——并且伴随着湖泊入流量的减少和持续的TWSA赤字。情景分析表明，技术进步使年用水量减少了约8%，湖泊入流量增加了约7%，并减缓了TWSA的下降速度10%。相比之下，灌溉面积的扩大完全抵消了这些效益，使年用水量增加了约13%，湖泊入流量减少了约10%，并加速了TWSA的下降速度14%。由灌溉计划驱动的水文归因框架为评估农业节水政策的净效应提供了实用工具，并为干旱地区的可持续水资源管理提供了可行的见解。

**1. 引言**
灌溉农业对于保障全球粮食安全至关重要，尤其是在水资源有限的地区。然而，集约化的农业用水严重改变了区域水文过程，常常引发一系列生态和环境问题，如地下水超采、河流干涸和土壤盐碱化（Almahawis等人，2024年）。在中国干旱的西北部艾比努尔湖盆地，这种矛盾尤为突出：农业生产依赖于有限的融水和地下水（Zeng等人，2019年）。近几十年来，气候变化和快速农业发展导致水资源供需失衡加剧，最终引发了湖泊面积严重缩小的生态危机（Sun等人，2022年；Liu等人，2024a）。在人类干预强烈的脆弱生态系统中，系统地识别和定量分析灌溉活动对关键水文成分演变的影响已成为可持续水资源管理的关键科学前提。

为应对日益严重的水资源短缺问题，提高灌溉效率被广泛视为农业节水的核心策略——通过采用滴灌和喷灌等先进技术以及渠道衬砌等工程措施（Ilyas等人，2021年）。然而，许多研究记录了“水反弹效应”：在微观尺度（如田间）实现的节水并不一定转化为宏观尺度（如流域尺度）的水资源增加（Grafton等人，2018年；Singh等人，2024年）。根本原因是技术进步带来的潜在节水效益常常被重新分配用于扩大灌溉面积或增加作物用水量，从而导致流域尺度的总用水量增加。这种现象在全球多个地区都有记录，包括中国西北部、西班牙南部和美国西南部（Fu等人，2022年；Liu等人，2024a；Rodríguez-Díaz等人，2011年；Scott等人，2014年；Xiong等人，2021b）。因此，对节水政策的严格评估需要一个明确的框架，区分“效率驱动的节水效应”和“规模扩张的用水效应”，以评估它们对流域尺度水文过程的综合影响。

这种归因的一个主要障碍是缺乏准确、长期且空间明确的灌溉数据（Dari等人，2023年）。在传统实践中，将灌溉数据纳入水文模型依赖于简化规则——例如，当模拟的土壤湿度低于固定阈值时触发灌溉。这种方法忽略了实际农民的灌溉决策，这些决策受到水权分配、轮作灌溉计划、作物选择和市场动态等社会经济因素的影响，从而在模型输入中引入了较大的不确定性（Berbel等人，2018年；Singh等人，2024年）。遥感技术的最新进展为缓解这一数据缺口提供了有希望的途径（Jalilvand等人，2019年；Zappa等人，2022年）。特别是微波卫星地表土壤湿度产品能够“自下而上”推断灌溉信息（Kumar等人，2015年）。以SM2RAIN算法为代表的方法可以检测非降雨日的土壤湿度突然增加，从而识别灌溉事件并利用土壤水分平衡方程推断灌溉深度（Zappa等人，2024年）。这种基于观测的方法可以更接近实际情况地重建灌溉动态，并为水文模型提供关键的边界条件。

除了输入数据的限制外，等效性也是一个关键挑战（Eini等人，2023年）：仅基于出水流量的校准可能只是偶然匹配了水文图，而依赖于错误的内部分过程组合（Abbaspour，2022年）。这个问题在人为改造的流域中尤为严重（Berends等人，2018年）。为了克服这一限制，必须用多源数据约束模型，以确保它们能够可信地再现内部水量平衡动态（Zhang等人，2025年）。公共遥感产品（如蒸散量、陆地水储量异常（TWSA）和土壤湿度）的日益丰富，使得多变量联合校准成为可能（Liu等人，2024b；Xie等人，2020年）。将这些互补的观测数据整合到校准中，可以有效约束关键参数，为后续的归因提供更稳健的工具。

为此，本研究聚焦于中国艾比努尔湖盆地的灌溉平原，以区分灌溉技术改进和灌溉面积扩张对水反弹效应的各自贡献。首先，我们整合了多源数据与SM2RAIN算法来重建长期灌溉计划，从而缓解了灌溉记录稀少的限制。其次，将获取的灌溉计划纳入SWAT+gwflow模型，并使用多种水文变量和数据集对模型进行校准和验证，以改善灌溉平原的水文过程表示。最后，应用基于情景的归因框架来量化水反弹效应及其相关的水文影响。这些结果为全球干旱地区的可持续水资源管理提供了科学依据，从而支持高效的农业发展。

**2. 研究区域**
艾比努尔湖盆地位于天山山脉北侧的西部，海拔范围从189米到4783米。该地区的地貌具有明显的高度带状分布，从高山冰川过渡到平原绿洲，再到戈壁沙漠和湖泊-湿地系统。该盆地具有大陆性干旱气候：山区的年平均降水量高达460毫米，而平原地区的降水量降至约140毫米。历史上，该盆地的河流网络包括泾河、博尔塔拉河和奎屯河，这些河流最终汇入艾比努尔湖。由于人类取水，目前只有泾河和博尔塔拉河仍与湖泊保持表面水力连接。流量监测数据显示，每年约有1.47×10^8立方米的水从泾河流入艾比努尔湖，博尔塔拉河则为3.83×10^8立方米。

本研究中的模型域覆盖面积约为3200平方公里，主要包括泾河流域的平原和博尔塔拉河下游地区——即艾比努尔湖盆地的核心区域（图1）。棉花是该地区的主要作物，占总灌溉面积的约70%。根据当地水资源管理部门的统计，农业用水占总用水量的约85%。2002年至2023年间，总用水量增加了约43%，而湖泊面积减少了约50%；长期存在的沙漠化和土壤盐碱化问题尚未得到有效控制。

**3. 材料与方法**
**3.1. 数据**
**3.1.1. 水文和气象数据**
2002年至2023年的月度水文数据来自当地水资源管理部门和年度水资源公报，主要包括进入和离开研究区域的径流量。具体包括：
（1）流入量包括泾河和大河沿子河出口水文站的流量；扣除第三主渠首站分流后的博尔塔拉河中游站的流量；以及山区阿奇亚勒河的年径流量，后者根据邻近大河沿子河站的年内分布系数分配到每月值；
（2）流出量是从研究区域流入湖泊的流量，通过下游水文站测量——泾河下游站（JHD，靠近第82团农场）和博尔塔拉河下游站（BHD，靠近第90团农场）。此外，还收集了五个监测井的月度地下水位数据，记录时间长度各不相同：井1（2007–2021年）、井2（2007–2014年）、井3（2011–2023年）、井4（2007–2020年）和井5（2007–2017年）。

泾河气象站的观测数据提供了2002年至2023年的日降水量、气温、风速、日照时长和相对湿度。为了补充站点观测数据，我们还使用了中国气象强迫数据集v2.0（CMFD v2.0），该数据集具有合适的时间覆盖范围和空间分辨率，并在该地区表现良好（He等人，2020年；Xu等人，2024年）。表1列出了本研究中使用的数据集详细信息。

**表1. 用于驱动和验证SWAT+gwflow模型的数据集**
| 数据集名称 | 变量 | 时间分辨率 | 空间分辨率 | 来源 |
|-------------|--------------|------------|---------------------------|
| Streamflow Data—Monthly | 0.1° | https://doi.org/10.11888/Atmos.tpdc.302088 | 水资源部门 |
| Well Water Level—Monthly | 0.1° | https://www.gleam.eu/PML_SWIR | |
| Meteorological Data | 0.1° | https://data.ceda.ac.uk/neodc/esacci/soil_moisture | |
| Evapotranspiration | 0.1° | 0–5, 0–100 | Gleam v4.2a |
| Soil Moisture | 0.1° | 0–5 | GLEAM v4.2a |
|...... | |........................... | |

**3.2. 用水数据**
2002年至2023年的用水数据来自年度水资源公报。用水分为两大类：农业灌溉和市政用水（包括生活和工业用水）。市政供水主要依赖浅层地下水，而农业灌溉则来自地表水和浅层地下水。浅层地下水主要来自非承压含水层（Li，2014年）。此外，泾河县的灌溉公报提供了2002年至2023年的灌溉方法、灌溉定额和灌溉频率记录。2002年至2011年，该地区主要采用传统的沟灌方式，数据以年度总量报告；2012年至2023年，该地区逐渐转向节水滴灌，数据的时间分辨率提高到2012年至2016年的季度总量和2017年至2023年的10天累计值。

**3.3. 蒸散量数据**
我们使用了两种蒸散量产品：全球陆地蒸发模型v4.2a（GLEAM v4.2a）和PML_SWIR陆地蒸散量数据集（PML_SWIR）。GLEAM v4.2a结合了卫星观测和再分析数据，首先使用Penman方程计算潜在蒸散量，然后通过应用考虑不同土地覆盖类型的乘法应力因子来推导实际蒸散量（Miralles等人，2025年）。此外，它还结合了多层水分平衡模型来估算地表和根区土壤湿度。PML_SWIR数据集基于Penman–Monteith–Leuning v2（PML_v2）框架，并结合了来自短波红外（SWIR）数据的水分胁迫约束，以增强蒸散量估算，特别是在水资源有限的环境中（Yang，2025年）。在本研究中，GLEAM v4.2a和PML_SWIR的集合平均值被用作评估模拟蒸散量的参考。

**3.4. 土壤湿度数据**
地表土壤湿度主要用于获取灌溉量，而根区土壤湿度用于验证模型模拟。欧洲空间局气候变化倡议土壤湿度产品（ESA CCI）整合了13颗卫星上的多个主动和被动传感器的观测数据，提供了全球网格化的土壤湿度数据，捕捉表层5厘米内的土壤变化（Li等人，2025年）。在这项研究中，我们使用了欧洲航天局（ESA）的CCI土壤湿度数据来反演灌溉水深。为了验证根区土壤水分储量，我们将三个数据集——GLEAM v4.2a、全球陆地数据同化系统Noah陆地表面模型v2.1（GLDAS-NOAH v2.1）以及欧洲中期天气预报中心（ECMWF）的第五代再分析数据（ERA5）——与实地渗量计观测结果进行了比较。在一个位于泾河县水利灌溉实验站的棉花田中，安装了一个小型圆柱形称重渗量计（直径60厘米；有效土壤柱深度100厘米）（见图1），该渗量计距离田边至少50米。渗量计配备了五个土壤湿度传感器（型号HKT-5TE），用于监测20、40、60、80和95厘米深度的土壤湿度，数据以1小时为间隔记录。棉花生长在渗量计内的未受干扰的原位土壤样本中。土壤质地主要为沙土和沙壤土，灌溉采用滴灌方式，田间管理遵循当地农艺规范，以确保数据的代表性。通过对多源数据的比较分析，最终选择了GLEAM v4.2a和GLDAS-NOAH v2.1数据集的算术平均值作为根区土壤湿度验证的基准（见第5.3节）。

3.1.5. 水分储存数据
我们使用了三种GRACE RL06质量异常体数据：CSR质量异常体、JPL质量异常体和GSFC质量异常体。CSR和JPL质量异常体产品提供的是相对于2004-2009年基线的土壤水分总储量（TWSA），而GSFC质量异常体产品则是相对于2004-2010年基线的。为了确保数据的时间连续性和一致性，我们对2002-2023年间的缺失月度数据进行了线性插值，并使用集合平均TWSA作为校准参考。

3.1.6. 其他数据集
我们获得了7个时期（2000年、2005年、2010年、2015年、2018年、2020年和2023年）的30米分辨率土地利用数据，这些数据来自资源和环境科学数据平台，并已被广泛用于多项研究（Cheng等人，2023年）。这七张土地利用图被用作模型输入，而中间年份的灌溉面积值则通过线性插值估算，用于分析时间变化趋势。土壤数据来源于中国科学院土壤科学研究所编制的1:1000000中国土壤矢量图，可通过中国土壤数据库获取。高程数据来自30米分辨率的ASTER全球数字高程模型（GDEM）。对于gwflow模块，平原地区的含水层厚度是通过克里金插值法结合钻孔剖面数据估算的。含水层水力传导率的初始值是根据现场抽水试验结果和全球地表渗透率地图（GLHYMPS v2.0）估算的（Huscroft等人，2018年）。

3.2. 方法
3.2.1. SWAT+ gwflow模型
SWAT+模型是SWAT的增强版本，保留了核心的水文和植被生长模块，同时引入了面向对象的空间实体、决策表和改进的代码库，从而提高了处理复杂情况的灵活性（Plunge等人，2024年）。然而，SWAT+模型仍然使用简化的线性水库方法来模拟地下水流动，这是其地下水建模能力的一个局限性（Bailey等人，2023年）。为了解决这个问题，Bailey等人（2022年）为SWAT+开发了gwflow模块。该模块将含水层横向划分为方形网格单元，并采用基于物理的、空间分布的方法来增强地下水状态（如储存量、水头、饱和厚度）和流量的模拟（Yimer等人，2023年；Eini等人，2023年；Abbas等人，2025年）。在这项研究中，我们利用气候强迫、土地利用、土壤分类、地形坡度和含水层厚度的数据构建了一个耦合的SWAT+ gwflow模型。我们将每条河流的山出口水文站或渠首作为流域的进水边界，并将艾比努尔湖设为流域的出水口（见图1）。最终，研究区域被划分为10个子流域、3154个水文响应单元（HRUs）和3294个含水层网格单元。

3.2.2. 建模水资源抽取和消耗活动
在模型中，通过决策表和水资源分配模块来实现水资源管理措施，例如市政用水和人工灌溉。市政用水在gwflow模块中表示为来自虚拟井的消耗性抽水。首先，使用泾河县2017年的乡镇级人口统计数据，推导出网格级别的人口密度。然后，将行政单元的市政用水量按人口密度比例分配到各个网格，并将这些网格视为虚拟抽水井。最后，假设年内分布均匀，将年市政用水量分解为恒定的月度抽水量，以动态模拟市政供水过程。
在SWAT+模型中，农业灌溉通常是通过将水源映射到需求对象来模拟的（Sánchez-Gómez等人，2025年）。在水资源分配模块（water_allocation.wro）中，可以为单个或多个灌溉源（如河道和含水层）分配优先级和月度或年度上限。管理计划文件（management.sch）和土地利用管理决策表（lum.dtl）用于预定义特定作物或HRUs的灌溉计划（Jeong等人，2025年）。然而，这些设置是静态的，没有考虑土地利用变化导致的灌溉需求变化，这可能导致模型低估或错误分配灌溉用水。为了解决这个问题，我们修改了情景变化模块的源代码。修订后的模块使用名称键解析和绑定来将土地利用变化与灌溉计划耦合。具体来说，当HRU的土地利用类型发生变化时，模型会识别新的土地利用类别并立即重新分配相应的管理计划。在此过程中，我们重点关注棉花种植区域的转换，因为这种作物约占灌溉总面积的70%。

3.2.3. 灌溉计划的获取
灌溉计划包括两个要素：灌溉日期和每次灌溉的深度（见图2）。
(1) 确定灌溉日期。研究区域蒸发需求较大，降雨对土壤湿度的影响有限（Yu等人，2018年；Filippucci等人，2020年；Zhang等人，2025年）。因此，在灌溉季节内，当每日降水量低于阈值P*时（P*的确定方法如下），表面土壤湿度的日变化归因于灌溉（Zhang等人，2022a；Dari等人，2023年），并将该日期标记为潜在的灌溉日。随后，应用统计频率标准来筛选潜在的灌溉日期。我们优先考虑土壤湿度显著增加的日期，并根据相邻地区的农艺调查数据剔除物理上不合理的连续信号（Wang，2020年；Yin等人，2021年）。具体来说，滴灌期的灌溉间隔被限制在大约7-14天，沟灌期的灌溉间隔被限制在20-26天。这一程序确保了灌溉时间分布的统计一致性，并仍然反映了观察到的土壤湿度动态。
(2) 计算每次灌溉的净深度。在滴灌期间，报告的10天或季度总量在每个报告间隔内的灌溉事件之间均匀分配，以获得每次灌溉的深度。对于沟灌期，只有年度累积灌溉量数据。简单的平均方法无法反映棉花在不同生长阶段的不一致用水需求。沟灌通常每次灌溉量较大，这种灌溉方式会在卫星土壤湿度数据中产生明显的脉冲信号，SM2RAIN算法可以有效地捕捉到这些信号。因此，对于沟灌期，我们首先应用SM2RAIN算法估算每日净灌溉深度，然后累积两次连续灌溉事件之间的每日值，以得出每次灌溉的净深度。

下载：下载高分辨率图像（237KB）
下载：下载全尺寸图像
图2. 在SM2RAIN框架下进行灌溉信号筛选和灌溉深度估算的流程图。
SM2RAIN算法可以表示为（Brocca等人，2018年；Huo等人，2025年）：
(1) P(t) + Irr(t) = ET(t) + D(t) + Zs × ΔSM(t)
其中P是降水量（毫米），Irr是净灌溉量（毫米），ET是实际蒸散量（毫米），D是排水量（毫米），包括深层渗透和地下径流，ΔSM是土壤湿度的变化百分比，Zs是与土壤孔隙度和土壤层厚度相关的参数，t是时间步长（天）。
排水量可以通过幂律函数D(t) = a × SM(t)3 + 2/b与土壤湿度相关联，其中a和b是排水参数。实际蒸散量ET(t)估算为ET(t) = Kc × ET0(t)，作物系数Kc取自Yin等人（2021年）对相邻桑贡河流域棉花的估算值，ET0表示潜在蒸散量。在这些假设下，方程（1）变为：
(2) P(t) + Irr(t) = Kc × ET0(t) + a × SM(t)3 + 2/b + Zs × ΔSM(t)
为了确定降水量阈值P*和模型参数（a、b、Zs），我们采用了两阶段策略来校准SM2RAIN算法。在第一阶段，P*从0到5毫米逐步搜索，步长为0.5毫米。对于每个P*，我们暂时将候选灌溉日设置为Irr(t) = 0。然后应用多目标差分进化（MODE）算法。该算法优化了每日降水量相关性（Cor）和绝对百分比偏差（|PBIAS|），并返回最优的P*及相应的帕累托最优参数集。种群规模为300，评估次数为60,000次。在第二阶段，使用方程（2）进一步评估最优的P*和帕累托最优参数集。选择最佳参数组合的标准有两个：每日降水量综合得分Indpre = ((Cor + 1 - |PBIAS| / 100) / 2)和年度灌溉深度标准Indirr = |PBIAS|。一旦确定了最优参数，通过重新排列方程（2）得到净每日灌溉深度；负值被设置为零（Filippucci等人，2020年）。
(3) 灌溉深度的转换
灌溉效率定义为净作物用水量与总取水量（例如来自水库的水量）的比率，主要由渠道输送效率和田间应用效率组成（Shen等人，2013年；Li等人，2020年）。值得注意的是，统计公报中报告的灌溉数据通常代表的是总取水量，这包含了灌溉效率。为了与这些统计记录保持可比性，本研究中的估算净灌溉深度使用了相应的灌溉效率系数进行转换。除非另有说明，此后提到的灌溉深度均指经过灌溉效率系数调整后的值。
根据Zhou等人（2013年）和当地水资源局的测量数据，我们获得了2002-2011年和2019-2023年的灌溉效率值。此外，还从当地统计年鉴中获得了2009-2023年的节水灌溉面积和总灌溉面积数据，并计算了节水灌溉面积的比例。然后根据这一比例与灌溉效率之间的经验关系（图A1）（Fu等人，2022年）插补了缺失的灌溉效率值。综合数据显示，2002-2011年的灌溉水利用系数范围为0.503至0.580，2012-2023年增加到0.584至0.642。为了考虑插补可能引入的不确定性，选择2023年作为独立验证年份。通过±10%的灌溉效率扰动进行了敏感性分析，以限制归因结果的不确定性并评估我们的结论的稳健性。

3.2.4. 模型校准和评估
(1) 对比实验
为了量化灌溉技术改进和灌溉面积扩展对流域水文的相对影响，我们设计了三种情景。现实情景（S1）作为基准，土地利用和灌溉技术同时发展；技术改进情景（S2）固定土地利用在2002年的水平，同时灌溉技术发展；规模扩展情景（S3）固定灌溉技术在2002年的水平，同时土地利用发展。以S1为参考，S1与S2的比较可以分离灌溉面积扩展对水文过程的影响，而S1与S3的比较可以分离技术改进的影响。
(2) 校准和验证
本研究采用了一种逐步策略，首先优先考虑水量平衡，然后进行过程匹配。首先，利用山区地区的流入量作为边界条件，并使用多源遥感蒸散产品来约束流域尺度的蒸散量预算，确保水量平衡输入和输出的准确性。随后校准地表径流过程，然后使用观测井数据识别和校准地下水参数。最后，使用TWSA数据进行独立验证，以确认由不适当的地下水参数组合引起的存储趋势是否与模型模拟一致，从而防止不现实的存储变化。2000-2001年作为模型热身期，2002-2012年和2013-2023年分别用于校准和验证。在校准之前，进行了逐次（OAT）敏感性分析。这项分析量化了参数效应对四个关键变量的方向和大小的影响：径流量、地下水位、蒸散量和土壤湿度。根据这些结果，确定了一组敏感参数（表2）。模型性能通过Nash–Sutcliffe效率（NSE）、相关系数（Cor）、偏差百分比（PBIAS）和平均绝对误差（MAE）进行评估。

表2. SWAT+gwflow模型中敏感参数的描述、范围和最优值。
参数 范围 最优值 描述
cn2 35–95 70 SCS径流曲线数（-）
cn3_swf 0–10.45 CN3的土壤水分调整因子（-）
esco 0.01–10.49 土壤蒸发补偿因子（-）
epco 0.01–10.85 植物吸收补偿因子（-）
awc 0.01–10.33 可用水分含量（mm w.e. mm?1土壤）
perco 0.1–10.68 渗透系数（-）
latq_co 0–10.31 横向流系数（-）
Ki 0.000001–30 区域i的水力传导率（m d?1）
SYi 0.01–0.35 区域i的含水层特定产量（-）

4. 结果
4.1. 灌溉计划的检索结果
为了准确模拟农业用水情况，我们使用两阶段程序校准了SM2RAIN算法来重建历史灌溉计划。在第一阶段，将降水量阈值P*从0.5毫米增加到1.5毫米，显著提高了日降水量的相关系数（Cor），并迅速降低了偏差百分比（|PBIAS|）（图3a）。当P* > 1.5毫米时，性能提升趋于平稳；因此，采用P* = 1.5毫米。在第二阶段参数优化中（图3b），结果显示，更好地再现降水的帕累托最优参数集通常也能提供更可靠的灌溉估计值，平均Indpre和Indirr值分别为0.59%和19%。基于降水量和灌溉深度的优化原则，最终确定的最优参数组合为a = 50.84、b = 2.60和Z? = 22.20。该参数组合得到的Indpre为0.51%，Indirr为5.33%。使用这个参数组合进行反演，我们估计传统沟灌期的净灌溉深度为300–450毫米。校正灌溉效率后，总灌溉深度为600–870毫米，与官方统计年鉴记录基本一致（图3c）。

图4显示，流域规模的年灌溉深度随时间减少，不同时期的灌溉计划也有显著差异。在以沟灌为主的传统时期，年灌溉次数为4–6次，每次灌溉深度约为160毫米。相比之下，在以滴灌为特征的节水时期，年灌溉次数增加到10–12次，每次灌溉深度减少到约60毫米。重建的灌溉计划显示，从高量低频模式转变为低量高频模式，突显了田间层面的显著节水潜力。

4.2. 水文模拟结果的验证
将重建的灌溉计划（见第3.2.2节）纳入模型后，使用多源数据进行校准和验证，证明模型再现了主要水文通量的季节性和年际变化（表3；图5）。关于径流量模拟，模型在两个下游站点JHD和BHD的月度水文图上表现良好。尽管某些峰值流量略有低估，但NSE > 0.55，Cor > 0.80，且|PBIAS|在校准和验证期间均小于30%。对于地下水模拟，五个监测井的模拟与观测月度地下水位之间的平均绝对误差（MAE）在0.29至2.20米之间。模型捕捉到了地下水位的变化趋势，6月至8月期间地下水位最低，这与灌溉期结束后的恢复期一致，符合棉花的需水规律。模拟的TWSA与GRACE/GRACE-FO观测值之间的相关系数（Cor）在0.68至0.86之间。

4.3. 农业用水的反弹效应及其水文影响
我们发现研究区域内农业用水存在反弹效应：灌溉技术的改进带来的节水效果被灌溉面积扩大所引起的额外需求所抵消。具体来说，尽管灌溉技术的进步减少了田间灌溉深度（图3c），但报告的流域用水量从2002年的3.94×10^8立方米增加到2023年的5.65×10^8立方米，增加了约43%（图6b）。这一增长是由于同期灌溉面积迅速扩大——从2002年的501.88平方公里增加到2023年的1083.98平方公里，增长了116%（图6a）。

为了区分技术进步和农业扩张对水反弹效应的影响，我们分析了三种情景下的用水变化（图7）。现实情景（S1）与无技术进步情景（S3）的比较显示，灌溉技术的进步产生了显著的节水效果。与S3相比，S1平均每年节省约0.42×10^8立方米的水，到2023年累计节水约9.31×10^8立方米。此外，这种效应主要在2012年后显现，并随着滴灌的广泛实施而更加明显。相比之下，S1与无面积扩张情景（S2）相比，由于灌溉面积的扩大，每年平均增加了0.67×10^8立方米的水，到2023年累计增加了约14.80×10^8立方米。随着时间的推移，面积扩张引起的增量需求明显超过了灌溉技术改进带来的累计节水效果，成为总用水量增加的主要驱动力。

进一步地，我们比较了技术改进和农业扩张对流域尺度水文组件的影响（图8）。相对于S3，S1显示出明显的节水效果：年均湖泊流入量增加了约7%，五个监测井的年均地下水位提高了0.10–0.15米，TWSA下降速率降低了10%。相比之下，相对于S2，S1反映了灌溉面积扩张的不利影响：年均湖泊流入量减少了10%，年均地下水位降低了0.16–0.36米，TWSA下降速率增加了14%。图8c显示，从2018年开始，S1的TWSA赤字曲线与S2明显分离，此后差距进一步扩大，直观地展示了灌溉面积扩张导致的蓄水量累积减少。

5. 讨论
5.1. 效率与规模的权衡以及水反弹效应
本研究揭示了干旱地区水资源管理中的一个普遍困境：水反弹效应。为了阐明反弹效应的驱动因素，构建了两个理论情景S2和S3。S2对应于灌溉现代化，而S3代表耕地扩张；比较这两个情景有助于揭示干旱地区水反弹效应的潜在机制。值得注意的是，S3代表了在没有水资源可用性限制的情况下，灌溉面积扩张可能引起的最大灌溉用水需求。基于±10%灌溉效率扰动的敏感性分析进一步证实了这一结论的稳健性：尽管灌溉效率的不确定性导致技术带来的年均节水量在0.38×10^8至0.47×10^8立方米之间变化，但这一效益始终无法抵消面积扩张导致的年均用水量增加（0.61×10^8至0.74×10^8立方米）。即使在最节水的假设下（即假设灌溉效率提高了10%），面积扩张的用水量增加效应仍然占主导地位（图7）。在这个扰动范围内，流域尺度水文响应的方向和幅度界限保持一致：相对于S2，S1使年均湖泊流入量减少了7%–12%，年均地下水位降低了0.01–0.71米，TWSA下降速率加快了7%–19%；相对于S3，S1使年均湖泊流入量增加了3%–10%，年均地下水位提高了0.08–0.03米，TWSA下降速率减缓了9%–11%（图8）。理论上，滴灌的广泛采用大幅减少了田间灌溉定额和非消耗性回流量，但对真正消耗性的作物蒸散量影响有限（Kazem Attar等人，2020年；Lankford等人，2020年）。在封闭流域的水量平衡中，一旦耕地扩张引起的额外蒸散量超过了通过效率提升保留的回流量，流域尺度的净消耗量就会增加，从而出现反弹。类似的发现也在黄河流域、塔里木流域和黑河流域有所报道（Cai等人，2023年；Fu等人，2022年；Xu和Song，2022年）。

在实践中，S2所代表的技术驱动的效率提升和S3所代表的灌溉面积扩张并不是独立运作的；相反，它们通过国家政策和市场机制紧密耦合（表A1）。自21世纪初中国实施西部开发战略以来（Zhang等人，2021年），研究区域的农业生产经历了从粗放型向集约型管理的结构转变，这一转变得益于政策措施，这些措施同时降低了生产成本并提高了经济效益（Grafton等人，2018年；Xiong等人，2021a）。在成本方面，技术补贴大幅降低了耕地扩张的边际成本。2008年中国启动大规模高效节水灌溉计划后，财政补贴从最初阶段的每公顷约1500元人民币增加到2012年的约4500元人民币。这些补贴不仅抵消了农民采用滴灌的前期资本障碍，还通过显著减少化肥投入和田间作业的劳动力需求扩大了农场利润空间。在收入方面，价格支持政策有效缓解了市场风险并稳定了农民的收入预期。2011年实施的临时采购和储存政策随后被2014年的棉花目标价格政策取代，后者通过质量挂钩机制进一步保障了农民收入。官方统计数据显示，得益于集约化管理的成本降低和政策支持下的价格稳定，精河县的棉花总产量在2003年至2021年间增加了近四倍，总农业产值增加了近六倍（图9）。

为了在满足额尔齐纳湖生态用水需求的同时支持农业扩张，区域供水结构进行了调整。供水逐渐从地表水调节转向更多依赖地下水抽取（图10b）。短期内，这种调整增加了湖泊的地表流入量，有助于2008年后额尔齐纳湖表面积的阶段性恢复（图10c）。然而，地下水储存量也在同时下降：总水分储存量（TWSA）以每年19.24毫米的速度减少，五个监测井的观测数据显示年平均地下水位下降了0.06至0.50米。值得注意的是，当前看似平衡的供需状况在一定程度上得到了冰川融水和积雪融水的缓冲。在2002年至2023年期间，尽管山区降水量呈现波动下降趋势，但气温上升加速了冰川和季节性积雪的融化，从而维持了山区径流的轻微增加（图10a）（Yang等人，2025年；Liu等人，2022年）。这意味着目前的农业规模是通过地下水枯竭和冰川固态水储存的释放双重补贴来维持的。一旦超过融水峰值临界点，在当前供水结构下的水资源利用模式可能会面临重大的可持续性挑战（Yang等人，2025年）。这些发现强调了严格限制总取水量和有效监管的必要性。优化种植结构以及改革水价等干预措施有助于实现真正的流域规模节水并避免反弹效应（Nouri等人，2023年）。

下载：下载高分辨率图像（226KB）
下载：下载全尺寸图像
图10. 2002-2023年研究区域内（a）降水量和山区径流量的年变化，（b）地表水和地下水供应的比例，以及（c）Ebinur湖面积（带线性趋势）。

5.2. 方法的适用性和不确定性来源
准确量化灌溉技术和灌溉面积扩张对水资源反弹效应的相对贡献对模型可靠性提出了严格要求，特别是在灌溉已经深刻改变水文循环的流域中。在这项研究中，我们使用检索到的灌溉计划来驱动SWAT+gwflow模型并模拟流域水文系统。SWAT+模型在模拟地表径流和蒸散作用方面表现出色，而耦合的gwflow模块可以详细描绘地下水的时空动态（Abbas等人，2024年；Sánchez-Gómez等人，2025年）。此外，我们将动态土地利用变化和灌溉管理情景纳入模型，克服了传统研究中使用的静态灌溉面积假设可能产生的系统偏差（Msigwa等人，2022年）。为了获得长期灌溉计划，我们采用了自下而上的SM2RAIN基础检索框架。其核心优势在于它直接从土壤湿度对灌溉事件的物理响应来估算净灌溉量，从而避免了明确模拟复杂且多变的农民灌溉决策行为所带来的不确定性（Dari等人，2023年；Zappa等人，2024年）。通过两阶段校准策略获得的校准参数Zs=22.20与区域土壤孔隙度（大约45%-50%）（Shangguan等人，2013年）以及卫星土壤湿度产品的有效感应深度（大约5厘米）一致，证实了其合理性。

有两个局限性需要考虑。首先，SM2RAIN假设灌溉产生的地表径流可以忽略不计（Zhang等人，2022a）。鉴于研究区域的平坦地形和高土壤渗透能力，这一假设通常是成立的；然而，局部田地尺度的地表径流仍可能引入微小误差（Zappa等人，2024年）。Yin等人（2021年）在具有相似水文土壤条件的棉花田中的研究表明，灌溉产生的径流非常低，这在一定程度上缓解了与此假设相关的担忧。其次，卫星土壤湿度产品的固有尺度效应仍然是一个挑战（Ihuoma等人，2021年）。它们粗糙的空间分辨率无法完全捕捉田地尺度上的灌溉不均匀性（Zhou等人，2024年）。这可能是模型在某些极端干旱年份（如2008年）低估灌溉量的原因之一（图3c），因为在这些时期灌溉行为可能更加集中和不规律。

5.3. 多源数据和参数的不确定性
仅根据出口流量校准水文模型可能会扭曲内部水分平衡过程，并加剧等效性问题，特别是在人类活动频繁的流域中（Zhang等人，2025年）。为了缓解这一常见问题，我们使用包括径流、地下水位、土壤湿度和总水分储存量在内的互补多维数据来共同约束模型。这种多约束策略有助于缩小可行的参数范围，并提高内部过程的一致性，超越了仅通过拟合单一输出变量所能达到的效果（Panchanathan等人，2024年）。关于数据约束，遥感和再分析产品包含会传播到水文模拟中的固有误差，特别是影响绝对量估计。一种广泛采用的补救方法是多产品集合融合，它可以减弱随机误差并减少不确定性（Nourani等人，2021年；Li等人，2023年）。对于灌溉平原，蒸散作用是流域水预算中最大的水分损失项。根据最近的评估（Shi等人，2024年；Sun等人，2021年），我们优先选择了在中国干旱/半干旱地区表现最好的公开可用数据集，如PML-SWIR和GLEAM v4.2a产品。我们还根据实地蒸渗仪数据筛选了土壤湿度产品。以2023年为例，GLEAM v4.2a的土壤湿度比蒸渗仪测量值低3.2%，而GLDAS-NOAH v2.1低8.1%，而ERA5则高估了26.3%。同时，GLEAM v4.2a和GLDAS-NOAH v2.1显示出一致的空间时间模式——北部和南部较高，中部平原较低，年内峰值出现在3月至4月——这与观测结果相符。基于多源遥感蒸散作用和土壤湿度的联合约束，我们校准了esco、epco和awc。高epco值在物理上是合理的，考虑到研究区域的高蒸发需求和作物根系水分吸收的补偿特性。同时，平原上沙质、壤沙和粉砂质土壤的主导地位意味着植物可利用的水分储存量有限，因此awc值相对较低。

对于地下水参数，平原的含水层系统表现出明显的空间异质性，反映了冲积扇前缘和下游细粒土壤平原的共存。含水层岩性差异显著，从砾石和沙子到夹层粉砂和粘土不等。这种沉积结构意味着Ki在空间上变化很大（0.05-25米/天）。在根据抽水测试和水文地质报告确定的初始值和参数范围内，我们使用五个监测井捕获的空间梯度来区分区域Ki值，并根据地下水位波动的季节性幅度来约束SYi。在此基础上，校准了perco，以满足地下水位响应特性和与观测到的TWSA动态的一致性。校准后的perco=0.68表明，一旦土壤湿度达到一定水平，向下渗透和相关的地下水补给就会得到促进。这与灌溉平原的区域特征一致，那里沙质和沙壤土广泛分布，渗透性相对较高，运河渗漏和田间渗透是重要的补给来源。值得注意的是，GRACE/GRACE-FO卫星观测提供了额外的流域尺度上的水分储存动态约束（Zhang等人，2022b），因为长期TWSA赤字与密集地下水抽取的模拟信号非常吻合（图5）。相同的参数集在校准和验证期间都保持了地下水位动态和TWSA之间的一致性，表明参数化是稳定且稳健的。然而，输入不确定性和明显的含水层异质性可能导致某些监测井的误差较大（例如，MAE>1米）（Yimer等人，2023年）。未来的工作可以整合地球物理调查、同位素追踪和水化学分析，以更好地约束关键地下水流动参数，从而在复杂的地质条件下提高模型的物理真实性和预测能力。

6. 结论
随着干旱地区农业现代化的持续进行，流域尺度的水资源利用反弹效应变得越来越明显：农场灌溉效率的提高并未转化为实际的流域规模节水，在灌溉面积持续扩张的情况下，往往伴随着总用水量的增加。在这种背景下，本研究重点关注中国的Ebinur湖平原灌溉区，并将检索到的灌溉计划与SWAT+gwflow模型相结合，系统地评估水资源反弹效应及其水文后果。结果显示，从2002年到2023年，由于政策激励，研究区域的灌溉面积持续扩大。尽管灌溉技术逐渐从沟灌系统转向滴灌系统，但整个流域的用水量仍在增加。基于情景的归因显示，灌溉技术的改进使年平均用水量减少了8%，并减缓了TWSA的减少速度10%。然而，这些节水收益完全被灌溉面积的扩张所抵消，灌溉面积的增加使年平均用水量增加了13%，并加剧了TWSA的减少速度14%。为了减缓湖泊的萎缩并维持湖泊流入量，区域供水结构在农业扩张期间逐渐调整，从依赖地表水转向大规模地下水抽取，特别是在2008年之后。尽管这种调整暂时部分恢复了湖泊面积，但它同时加速了地下水位下降和TWSA的减少，凸显了区域水资源安全的长期脆弱性。未来的工作应进一步整合高分辨率灌溉观测与政策调控情景，以确定农业扩张与生态用水需求之间的可持续界限。

CRediT作者贡献声明
邓明江：监督、概念化
尹振良：方法论
刘静：写作-审阅与编辑、写作-初稿、可视化、方法论、调查、概念化
安强：写作-审阅与编辑、可视化、数据管理
罗青：监督
孙瑞：监督
龙爱华：验证、项目管理、资金获取