DOI: https://doi.org/10.1038/s41597-024-03051-3
PMID: https://pubmed.ncbi.nlm.nih.gov/38355745
تاريخ النشر: 2024-02-14
المؤلف: Oleksandr Mialyk وآخرون
الموضوع الرئيسي: الأثر البيئي والاستدامة
نظرة عامة
تعتبر بصمة المياه (WF) للمحاصيل مقياسًا حيويًا لتقييم استهلاك المياه الزراعية والإنتاجية. تعزز هذه الدراسة مجموعات بيانات WF الحالية من خلال استخدام نموذج زراعي عالمي قائم على العمليات لتحديد بصمات المياه الاستهلاكية لـ 175 محصولًا بدقة 5 دقائق قوسية من 1990 إلى 2019. يأخذ النموذج في الاعتبار نمو المحاصيل اليومي وتوازن المياه العمودي، مع دمج الظروف البيئية المحلية وخصائص المحاصيل وممارسات إدارة المزارع. يتم تصنيف بصمات المياه إلى مياه خضراء (مشتقة من الأمطار) ومياه زرقاء (مشتقة من الري أو ارتفاع الشعيرات)، مع تمييز بين الأنظمة المعتمدة على الأمطار والأنظمة المروية. تشمل المخرجات الناتجة مجموعات بيانات شبكية ومتوسطات وطنية لبصمات المياه لكل وحدة (بالمتر المكعب لكل طن في السنة)، وإجمالي بصمات المياه للإنتاج (بالمتر المكعب في السنة)، واستخدام المياه للمحاصيل (بالمليمتر في السنة).
تستند الأبحاث إلى دراسات سابقة، لا سيما عمل ميكونن وهوكسترا، الذي قدر أن الإنتاج الزراعي العالمي يستهلك حوالي 5.8 تريليون متر مكعب من المياه الخضراء و0.9 تريليون متر مكعب من المياه الزرقاء، مما يمثل 87% من استهلاك المياه العذبة العالمية. على الرغم من أن منهجيتهم، التي استخدمت نموذج توازن المياه في التربة ونهج معامل المحاصيل، كانت رائدة، إلا أن لها أيضًا قيودًا، بما في ذلك عدم اليقين في بيانات المدخلات التي قد تؤدي إلى اختلافات في WF تصل إلى ±30% في بعض المناطق. على الرغم من هذه التحديات، كانت مجموعة بيانات M&H2000 أداة مهمة في دراسات متنوعة، من التقييمات المحلية لكفاءة استخدام المياه إلى التحليلات العالمية لتجارة المياه الافتراضية. تهدف الدراسة الحالية إلى تقديم رؤى أكثر دقة وشمولية حول أنماط استهلاك المياه الزراعية، دعمًا لممارسات إدارة المياه المستدامة.
نقاش
في هذه الدراسة، تم محاكاة بصمات المياه (WF) لـ 175 محصولًا من 1990 إلى 2019 باستخدام نموذج AquaCrop، الذي يقدر استخدام المياه للمحاصيل (CWU) من خلال جمع المياه المتبخرة لاستنتاج قيم CWU الخضراء والزرقاء. تم تعديل المنهجية لكل من المحاصيل المتساقطة والأشجار الدائمة، مع إجراء تعديلات محددة للمحاصيل المعمرة. شملت المحاكاة مجموعة من أنواع المحاصيل، بما في ذلك الحبوب والفواكه والخضروات، مع التركيز على 55 محصولًا أساسيًا قدمت بيانات كافية للنمذجة. عمل النموذج بدقة 30 دقيقة قوسية، مع فترة تسخين لمدة عامين لتأسيس ظروف رطوبة التربة الأولية.
تضمنت بيانات المدخلات للمحاكاة بيانات مناخية تاريخية، ومعلمات المحاصيل، وممارسات إدارة الري، والتي كانت حاسمة للنمذجة الدقيقة. استخدمت الدراسة نهج معالجة ما بعد مفصل لتقدير بصمات المياه لكل وحدة (uWF) من خلال قسمة CWU على غلات المحاصيل المقابلة، مع التركيز على سنة الحصاد. أشارت النتائج إلى أن الغلات والمحاصيل المتوقعة كانت عمومًا متوافقة مع مجموعات البيانات الحالية، على الرغم من ملاحظة بعض الاختلافات، لا سيما في تقديرات CWU للمحاصيل ذات مواسم النمو المتعددة. تسلط النتائج الضوء على أهمية مراعاة عوامل زراعية مختلفة والاختلافات الإقليمية في ممارسات إدارة المحاصيل عند تقييم كفاءة استخدام المياه في الزراعة.
القيود
تسلط قسم القيود الضوء على عدة مصادر لعدم اليقين في الدراسة، ناتجة بشكل أساسي عن جودة ودقة بيانات المدخلات، فضلاً عن إعداد النموذج والمحاصيل. تفشل بيانات المدخلات، التي تم الحصول عليها بدقة 30 دقيقة قوسية، في التقاط التباين المكاني داخل خلايا الشبكة، مما يمكن أن يؤثر بشكل كبير على استخدام المياه للمحاصيل (CWU) والغلات. بالإضافة إلى ذلك، فإن الاعتماد على متوسطات مستويات المياه الجوفية على مدى عدة سنوات يتجاهل الديناميات بين السنوات، وتوفر تقاويم المحاصيل تواريخ زراعة وحصاد تقريبية فقط، مما يزيد من عدم اليقين في تقديرات CWU.
تم معايرة نموذج المحاصيل، AquaCrop، باستخدام مجموعة عالمية من المعلمات المستمدة من الأدبيات، والتي لم تأخذ في الاعتبار التباين بين الأصناف في المعلمات الحرجة مثل تغطية السقف وعمق الجذور. قد لا تعكس الافتراضات المتعلقة بالمحاصيل الغطائية وممارسات الري الظروف الزراعية الفعلية، وعدم قدرة النموذج على محاكاة مدخلات الأسمدة مباشرة يضيف طبقة أخرى من عدم اليقين. يمكن أن تخفف الدراسات المستقبلية من هذه القيود من خلال استخدام مجموعة من نماذج المحاصيل ودمج بيانات الاستشعار عن بعد، على الرغم من أن ذلك سيزيد من المتطلبات الحاسوبية. أخيرًا، فإن معالجة المخرجات، لا سيما في توسيع المناطق المحصودة إلى الإحصاءات الوطنية، تقدم عدم يقين إضافيًا قد يؤثر على النتائج العامة.
DOI: https://doi.org/10.1038/s41597-024-03051-3
PMID: https://pubmed.ncbi.nlm.nih.gov/38355745
Publication Date: 2024-02-14
Author(s): Oleksandr Mialyk et al.
Primary Topic: Environmental Impact and Sustainability
Overview
The water footprint (WF) of crops serves as a crucial metric for evaluating agricultural water consumption and productivity. This study enhances existing WF datasets by employing a global process-based crop model to quantify the consumptive WFs of 175 crops at a 5 arcminute resolution from 1990 to 2019. The model accounts for daily crop growth and vertical water balance, integrating local environmental conditions, crop characteristics, and farm management practices. WFs are categorized into green (precipitation-derived) and blue (irrigation or capillary rise-derived) water, with distinctions made between rainfed and irrigated systems. The resulting outputs include gridded datasets and national averages for unit water footprints (in m³ t⁻¹ yr⁻¹), total water footprints of production (in m³ yr⁻¹), and crop water use (in mm yr⁻¹).
The research builds on previous studies, particularly the work of Mekonnen and Hoekstra, which estimated that global crop production consumes approximately 5.8 trillion m³ of green and 0.9 trillion m³ of blue water, representing 87% of global freshwater consumption. While their methodology, which utilized a soil water balance model and crop coefficient approach, was pioneering, it also had limitations, including uncertainties in input data that could lead to WF discrepancies of ±30% in certain regions. Despite these challenges, the M&H2000 dataset has been instrumental in various studies, from local assessments of water use efficiency to global analyses of virtual water trade. The current study aims to provide more accurate and comprehensive insights into agricultural water consumption patterns, supporting sustainable water management practices.
Discussion
In this study, the water footprints (WF) of 175 crops from 1990 to 2019 were simulated using the AquaCrop model, which estimates crop water use (CWU) by summing evapotranspired water to derive green and blue CWU values. The methodology was adapted for both deciduous and evergreen crops, with specific adjustments made for perennial crops. The simulation encompassed a range of crop types, including cereals, fruits, and vegetables, with a focus on 55 core crops that provided sufficient data for modeling. The model operated at a 30 arcminute resolution, with a two-year warm-up period to establish initial soil moisture conditions.
The input data for the simulations included historical climate data, crop parameters, and irrigation management practices, which were crucial for accurate modeling. The study employed a detailed post-processing approach to estimate unit water footprints (uWF) by dividing CWU by corresponding crop yields, focusing on the year of harvest. The results indicated that the simulated yields and CWU were generally consistent with existing datasets, although some discrepancies were noted, particularly in the estimates of CWU for crops with multiple growing seasons. The findings highlight the importance of considering various agronomic factors and regional differences in crop management practices when evaluating water use efficiency in agriculture.
Limitations
The section on limitations highlights several sources of uncertainty in the study, primarily stemming from the quality and resolution of input data, as well as the crop model’s setup and outputs. The input data, obtained at a 30 arcminute resolution, fails to capture spatial variability within grid cells, which can significantly influence crop water use (CWU) and yields. Additionally, the reliance on multi-year average groundwater levels overlooks interannual dynamics, and crop calendars provide only approximate planting and harvesting dates, further propagating uncertainty in CWU estimates.
The crop model, AquaCrop, was calibrated using a universal set of parameters derived from literature, which did not account for variability among cultivars in critical parameters such as canopy cover and rooting depth. Assumptions made regarding cover crops and irrigation practices may not reflect actual farming conditions, and the model’s inability to simulate fertilizer inputs directly adds another layer of uncertainty. Future studies could mitigate these limitations by employing an ensemble of crop models and integrating remote sensing data, although this would increase computational demands. Lastly, the post-processing of outputs, particularly in scaling harvested areas to national statistics, introduces additional uncertainties that could affect the overall findings.