农业水资源研究组
年度平均值给得出量级，给不出位置
Mekonnen与Hoekstra关于作物及衍生产品绿、蓝、灰水足迹的全球评估是最常被引用的基础数据，常见的全球平均量级是：小麦约1800升/公斤，大米约2500升/公斤，牛肉约1.5万升/公斤。这些数字适合建立量级感，但会随地区和年份明显变化，不能直接当作某块田或某个供应商的用水量。
用一个设定场景说明位置为什么重要：假设两批小麦的水足迹数值接近，一批来自以降雨为主的地区，主要是绿水；另一批来自依赖灌溉的干旱区，蓝水占比很高。同一个数字背后，对当地水源的压力并不相同，年度平均值抹掉的正是这类差异，相关讨论见一公斤食品用水量为何不足以判断高耗水。
遥感把耗水变成可以观测的量
作物耗水的核心是蒸散发（ET），即土壤蒸发与作物蒸腾之和。2026年一篇遥感与蒸散发建模综述指出，热红外（TIR）模型仍占主导，光学梯形模型（OPTRAM）为干旱区作物水分胁迫监测提供了高分辨率替代，近期进展包括多传感器融合与无人机监测。
具体做法之一，是把小时级涡度协方差观测、Sentinel-2反射率和ERA5-Land气象变量放在一起，用XGBoost估算小时级、10米分辨率的ET；2024年《Nature Communications》则用田块尺度的作物耗水估算揭示了加州农业的节水潜力。粒度细到田块和小时，水足迹才能按季节、按田块来看。纵横国际把这条链条拆成下面几步来梳理。
机器学习补空白，也带来新的不确定性
机器学习正被用来改进灌溉调度、土壤水分估算和作物水分胁迫检测，价值在于观测稀疏处补出连续估计。局限同样明显：地面站点少，训练数据集中在少数区域；云遮挡让光学影像出现空档；换到另一种气候或作物，模型表现未必保持。
验证提醒：用遥感ET估算灌溉用水时，田块、水权和区域三个尺度上的精度与不确定性并不相同，不能把某一尺度的验证结果直接当作另一尺度的保证。
体积与影响：为什么必须接上生命周期方法
水足迹以体积衡量淡水占用，回答“用了多少”；生命周期评价关心“用在哪里、造成多大影响”，研究界通常视二者互补：前者衡量全球淡水占用，后者衡量本地影响。AWARE方法（2018年发表的国际共识方法）以某地区扣除人类与生态需求后剩余的可用水量表征水消耗的稀缺影响，SimaPro、openLCA等LCA软件在环境足迹方法中已采用。但2021年有研究批评，按稀缺度加权的水足迹在可持续性评分上并不可靠，加权结果不应当成唯一结论。
| 方法 | 主要回答 | 需要留意的短板 |
|---|---|---|
| 体积型水足迹（绿、蓝、灰水） | 占用了多少淡水 | 不体现在哪里、当地是否缺水 |
| 遥感ET与机器学习 | 哪块田、哪个季节耗了多少水 | 依赖地面验证，不同尺度不确定性不同 |
| 稀缺度特征化（如AWARE） | 这些水消耗对本地稀缺的影响 | 加权结果可能掩盖差异，不宜作唯一结论 |
| 气候与气象数据 | 降雨、气温如何改变需水与年际波动 | 需要与田块观测结合才有意义 |
水足迹方法有ISO 14046可循；连起来看，遥感与气候数据让体积落到田块和季节，稀缺度方法让体积落到地点的影响，落点仍是“哪些环节最值得优化”。
对纵横国际的关注点
纵横国际把水足迹看作数字生命周期数据链上的一环，而不是一张独立的用水量排行榜。围绕本期趋势，关注点有四个：
- 粒度下沉：优先探索田块、季节和区域尺度的分析，遥感的角色见遥感和AI怎样让水足迹走向区域分析。
- 体积与影响并列：既给出绿、蓝、灰水的体积，也给出稀缺度视角，不把单一加权分当作结论。
- 来源与不确定性可见：每个水足迹数据标注来源、年份、地区与验证情况，估算与实测分开写。
- 接入数字LCA：让水足迹与碳、土地等指标共享同一条数据链，思路见生命周期评估走向实时的尝试。
更多同类动态见新闻动态。
