用于理解混合灌溉制度中粮食能源水关系的水经济优化建模框架

大家好，如果您还对用于理解混合灌溉制度中粮食能源水关系的水经济优化建模框架不太了解，没有关系，今天就由本站为大家分享用于理解混合灌溉制度中粮食能源水关系的水经济优化建模框架的知识，包括的问题都会给大家分析到，还望可以解决大家的问题，下面我们就开始吧！

粮食系统也与能源系统相关，因为农作物是生物燃料生产的原料。随着全球对FEW 资源的需求不断增加，这些相互关联的资源的供应变得越来越不安全。我们正处于在不损害环境和生物物理资源的情况下确定可持续途径的关键时刻。

尽管有可持续发展目标等国际倡议，我们仍然必须克服可持续管理FEW 系统方面的重大挑战，认识到它们的相互依赖性。最近对FEW 关系之间的联系进行了广泛研究，从而开发了部门和部门间模型和工具来分析这种联系。

来自环境管理、经济学、统计学、社会科学和系统建模等不同领域的研究人员对FEW 关系进行了研究。这促进了广泛的FEW关系方法，例如情景分析、生命周期评估、决策支持系统、投入产出分析、成本效益分析、综合评估模型、网络分析、回归统计和水经济建模。

研究关系的目标各不相同，从了解不同部门之间的相互作用到优化资源配置，导致关系研究的定义和侧重点不同。最近对关系研究的评论主张使用关系概念作为分析工具来为政策及其他方面提供信息。两种方法——系统动力学建模（SDM），特别是综合评估建模（IAM）——已经显示出通过打破学科孤岛对关系进行整体建模的潜力。

SDM 基于流、反馈循环和时间延迟的主要概念为每个应用生成独特的模型，其灵活性导致它们在结研究中的使用。可持续发展机制的模型开发需要对联系、利益相关者的意见、领域知识和数据可用性进行初步概念化。

IAM 根据应用程序使用不同的方法并应用不同的系统边界。为综合水资源管理而开发的水经济模型作为一种面向解决方案的工具，可以在有限的数据可用性下工作。在建立食物-水关系模型方面仍然存在一些重要的研究差距和机会，特别是在连接原料作物、水和粮食系统的部门间联系方面，以分析关系并提高对管理干预措施的理解。最近的研究呼吁发展水和粮食以及水和能源依赖方面的区域关系，以改善FEW 资源分配。

水经济模型代表了明确考虑水需求和成本的经济性质的水文工程系统，并已被证明有助于提供综合评估。通常，水经济模型是定制的，以纳入资源、需求和成本之间的当地相关性。因此，水经济模型的设计选择在模拟和优化、确定性和随机公式以及模块化和整体子模型集成之间有所不同。

水经济模型因其以解决方案为导向的性质而被广泛采用，以提高用水效率和透明度，并已用于促进用户之间的资源分配。传统上，旨在模拟农业需求的水经济模型仅限于灌溉农业是支持干旱地区当地经济的最大用水量的地区。在雨养农业与补充灌溉的混合耕作系统中，水经济模型的使用存在局限性。

正数学规划（PMP）是一种流行的校准水经济模型的方法，使用演绎推理对种植模式的政策变化进行最佳组合分析。在PMP 中，产量和投入变量（即可用水量）之间的生产函数用于优化投入使用，以最大化土地和管理的净回报。

PMP 公式中的成本函数可以是线性和/或非线性的，以考虑输入的异质性。因此，PMP非常适合灌溉干旱盆地，这些盆地的降水峰值与灌溉季节无关，农民可以根据水库水位或蓄水量调整降雨量。雪信息获取有关可用水量的信息。

然而，传统的PMP方法在模拟水文成分和经济环境的随机性方面存在局限性，这限制了其在通过降雨和地下水补充灌溉获得大量水的混合农业系统中的推广。在综合实验下对混合灌溉系统的PMP模型进行了分析，但没有考虑现实世界的遥感数据和其他输入，并强调PMP向混合农业系统的推广仍有待广泛研究。

PMP 模型的另一个局限性是，它使用作物生产函数来估计产量，而该函数没有考虑季节内降雨量的变化来估计作物产量，从而限制了其制定抗旱策略的能力（例如，基于年内的赤字灌溉）降雨变化），这可能是气候变化下的有用干预措施。为此，我们提出了一种受PMP 公式启发的新型区域水经济优化(RHEO) 模型，通过纳入混合灌溉方案的年内降水变化，根据生物物理模型AquaCropOS 作物产量和相关成本进行估计。

研究区域及数据

弗林特河是佐治亚州、阿拉巴马州和佛罗里达州阿巴拉契科拉-查塔胡奇-弗林特河流域的三大河流之一。该次流域的年平均降雨量为48 至54 英寸。农业是最重要的经济部门之一，其中大部分严重依赖补充灌溉。

农业部门每年为流域经济贡献约90亿美元的直接和间接经济效益。农业灌溉约占该地区每年生长季节总需水量的160%。超过000% 的灌溉依赖于佛罗里达州含水层的地下水，2006 年只有950,006 英亩的土地由地表水灌溉。

在干旱年份的灌溉高峰期，农业地表水和地下水的开采量分别达到峰值2013.2017 亿加仑/天和33 毫克/天。 SFRB 发现从雨养农业转向灌溉农业的农民数量显着增加。农业地下水（GW）提取是流域的一个重要用途，特别是在干旱期间用于提供补充灌溉。佐治亚州环境保护部不得不暂停发放新许可证，并向在长期干旱期间不进行灌溉的农民支付费用。

美国东南部夏季降水的年际变化增加导致夏季干旱加剧。预计这种变异性将在所有排放情景中进一步加剧，导致高人口数量和高用水量加剧社会经济影响。这将导致农民使用更多的补充灌溉，以避免因高温和土壤湿度不足而导致作物歉收。此外，降水量的长期减少趋势和潜在蒸散量的增加趋势预计将增加农业用水需求。用水量的增加将需要进一步规范流域内GW 抽水的管理。

流变学方法

对所提出的区域水经济优化框架RHEO 进行了概述，以描述关键变量和过程。以下部分提供了每个组件的详细说明。

AquaCrop 是粮农组织开发的多作物模型，用于模拟不同气候、土壤条件和管理实践下的作物产量。它已在广泛的气候和农业实践中成功校准和验证。它旨在对单田规模的作物产量进行建模（点模拟），通常用于校准和验证农场层面的统计模型。

然而，它对少量输入变量的要求和并行化能力使AquaCrop 能够模拟各种空间尺度（从点到县和区域尺度）的平均作物产量。最近，研究重点是使用AquaCrop 模拟超出农场水平的作物产量，例如：为了将单个模拟从田间或农场扩展到区域水平，天气、作物、土壤和管理的高分辨率输入数据需要实践。然而，将AquaCrop 用于这些应用程序需要大量的模拟运行，涉及生成大型输入和项目文件，以及对结果进行复杂的解释和分析。

实验/场景

我们考虑了表1 中列出的五种情景，以了解政策决策对种植模式和区域利润的影响。在第一种情况下，我们使用观察到的NASS 面积和产量来估计每种作物和种植面积的年基准利润，而无需任何优化。

我们将此情景称为NASS 情景，因为它提供了RHEO 在NASS 报告的耕地面积和产量上的区域利润。我们使用偏差校正的AquaCropOS 产量重复了这种情况，并观察了NASS 面积和AQ1 项。

我们使用AQ1作为基线来比较优化方案的结果。 NASS 和AQ1 情景根据研究期间该地区的普遍灌溉做法假设亏缺灌溉面积为零。常用的技术，例如高压、大角度冲击喷头，效率不高，并且不遵循用水强度较低的做法，例如基于土壤湿度的灌溉。将RHEO 性能与基线(AQ1) 和NASS 情景进行比较，提供了有关使用AquaCropOS 生产低估/高估区域利润的信息。这两个模拟场景之后是优化场景，以研究各种赤字灌溉策略。

结果

本节介绍AquaCropOS 在捕获农作物产量的年际变化方面的性能。显示了选定县中每种作物的加权AquaCropOS 产量与去趋势NASS 产量的代表性时间序列图。 AquaCropOS 很好地捕捉了作物产量的年际变化，尤其是玉米、高粱和大豆，因为皮尔逊相关值在10% 的显着性水平上非常显着。

AquaCropOS 捕获因年降雨量和温度条件而导致的产量增减。 AquaCropOS 的空间性能使用AquaCropOS 模拟和观察到的NASS 去趋势产量之间的Pearson 相关性来显示。

皮尔逊相关性是两个数据集之间线性相关性的度量。 Pearson 相关值接近0 表示没有线性相关，接近1 的值表示强线性相关。该图显示了具有显着相关性的县的相关值（显着性水平10%）。 AquaCropOS 模型在玉米、高粱和大豆中表现良好，各县之间的中位相关值分别为0.60、0.58 和0.55。它相对于棉花的表现略差，相关性中位数为0.48。

RHEO 模型输出21 个县每年每种作物的生产成本（不包括抽水成本）、抽水成本、总用水量、总产量、总收入和总利润。我们首先检查了各子流域的总收入和利润，如图所示，并在表2 中进行了总结（所有货币价值均以2010 年美元计算，并根据美国劳工统计局通货膨胀后的消费者价格指数进行调整）。

平均年收入和年利润为365.1亿美元，NASS场景为190.2亿美元。玉米（32%）和棉花（53%）对总收入的贡献最大，其次是大豆（14%）。这是因为它们的种植面积很大：分别占玉米、棉花和大豆（占总收获面积的26%、48% 和24%）。高粱的收入贡献很小（2%），因为它的种植面积很小（占总面积的3%）。

使用AquaCropOS模拟现有条件下的产量，在AQ1情景下，NASS acreage相对于NASS低估了年均收入65万（占NASS总收入的92%），低估了年均利润18万（占NASS总收入） ) 72% 的利润)。这是预期的，因为模型回报被校准为保守以避免高估回报和相关收入。

NASS 和AQ33 值的这种差异可以用来对优化方案的结果进行偏差校正。与NASS情景相比，AQ38情景的应用水量估算没有偏差。同样，AQ6 泵送的能量与NASS 的能量匹配。我们将使用AQ6 作为基线来比较下一节中优化方案的结果。

除了地下水位的变化外，地下水开采成本也对较低FRB 的柴油和电力价格变化敏感。例如，可以考虑2022年油价上涨，导致食品行业生产成本整体上升。美国每加仑汽油的价格几乎翻了一番。因此，我们通过石油价格波动来分析能源供应对区域粮食生产的影响，这可能会影响正常年份和干旱年份的能源供应和相关农作物生产成本。我们使用RHEO 模型研究AQ300 情景中能源价格上涨/下跌对作物结构和灌溉策略的影响。

此分析结果显示，地图中所选县（格雷迪县）的能源成本可能会增加32%。在季节性降雨量低于正常水平的年份，雨养农业的平均种植面积从9% 增加到18%。在季节性降雨正常的年份，能源价格翻了两番，雨养农业的平均种植面积从9% 增加到18%。 9%。在正常年份和干旱年份，完全灌溉地区比缺水灌溉地区对能源成本更敏感。

因为玉米的完全灌溉面积几乎减少了一半。赤字灌溉参数（ 和I）的灵活性使得赤字灌溉即使在能源成本增加的情况下也能保持经济性，通过使用 和I 来减少单位面积的灌溉水量。全灌方式无法调节单位面积的灌溉深度，导致耕地面积减少。我们可以注意到，在能源价格下降的情况下，赤字灌溉比雨养农业更有利可图。

参考

1.Albrecht, T.R.Crootof, A.Scott, C.A. （2018）。水-能源-食品关系：对关系评估方法的系统回顾。环境研究快报，13(4), 043002。