遥感和AI怎样让农业水足迹从年度平均值走向更加动态的区域分析？

年度平均值丢掉了什么

传统的作物水足迹多依赖区域平均的气象与产量数据，得到的是“某地某作物某年每公斤多少升水”。这个数字对量级判断有用，对管理决策却太粗。

假设同一流域里有两个县，年度平均的小麦水足迹都是1500L/kg。县甲的耗水主要来自雨季降水，县乙的灌溉集中在一年中最干旱的三个月，需要持续从河里取水。年度平均值把它们写成同一个数字，可对河流的压力显然不是一回事。蓝水的压力取决于什么时候取、取在哪里，而这正是年度数字最先抹掉的信息。

从卫星到水足迹：一条数据链

连接遥感和水足迹的桥梁是蒸散发（Evapotranspiration，简称ET）。卫星看不见水在土壤里的去向，但能看到植被的绿度和地表温度，这些信号与气象变量结合，可以推算作物消耗了多少水。1mm的蒸散量铺在1公顷上等于10立方米，换算是现成的。

拆分这一步最容易被低估。假设某田块7月的蒸散量折合120mm，同期有效降雨约30mm，其余90mm要靠灌溉或此前储存在土壤里的水补足。要把这90mm准确拆成蓝水与绿水，还需要土壤水分平衡模型，光有ET并不够。

几类方法各管一段

2026年的一篇综述指出，热红外（TIR）模型在ET估算里仍占主导，光学梯形模型（OPTRAM）则为干旱区作物水分胁迫监测提供了高分辨率的替代。近期进展集中在多传感器融合、无人机监测、作物与农业水文模型，以及用机器学习改进灌溉调度、土壤水分估算和作物水分胁迫检测。有研究把小时级涡度协方差观测、Sentinel-2反射率和ERA5-Land气象变量结合起来，用XGBoost估算小时级、10米分辨率的ET。

三个尺度上，用法各不相同

• 田块尺度：2024年《Nature Communications》的研究用田块尺度的作物耗水估算，揭示了加州农业的节水潜力。分辨率细到田块以后，田块之间的差异本身就成了信息。
• 灌溉与水权尺度：用遥感ET反推灌溉用水，在田块、水权和区域三个尺度上的精度与不确定性并不相同，尺度越小，越要交代误差来源。
• 流域尺度：盆域水文模型用于水资源配置、气候变化影响这类更宏观的问题，遥感ET可以为它提供空间上连续的耗水输入。

卡在哪里

机器学习让估算更快、更细，却没有让限制消失。下面几处，是纵横国际在处理遥感耗水数据时必须逐项交代的。

接回生命周期评价：从体积到本地影响

动态的水足迹仍然是体积型数据。要变成环境影响，还需要按地点和月份配上水稀缺因子，例如AWARE方法，它以某地区扣除人类和生态需求后剩余的可用水量来表征水消耗的稀缺影响。体积回答“用了多少”，稀缺度回答“对谁不利”，两者互补。

纵横国际的思路，是把遥感耗水放在食品数据链的最前端：先得到田块与季节的蒸散发，再按水足迹的基础核算折算成作物水足迹，然后结合地区稀缺度的判断链评估压力，最终并入数字食品生命周期的动态清单。最近一年这方面的变化，在本期水足迹观察里有更集中的梳理。相关栏目内容可以从水足迹栏目进入。