一种耦合的水文-农业经济建模框架，用于评估在地下水开采限制条件下适应性灌溉策略的效果

《Agricultural Water Management》：A coupled hydrologic-agroeconomic modeling framework to evaluate adaptive irrigation strategies under groundwater withdrawal restrictions

　　Pandara Valappil Femeena | Kathryn Daenzer | Steve Frolking | Danielle Grogan | Jeffrey Nucciarone | Katherine Calvin | Richard B. Lammers | Karen Fisher-Vanden
农业与生物工程系，宾夕法尼亚州立大学，University Park，PA 16802，美国

摘要
随着地下水资源的日益稀缺，需要综合性的工具来捕捉水文、农业生产、市场以及土地利用之间的相互作用。本研究提出了一种迭代建模框架，该框架结合了水文模型、作物产量模型和经济模型，以捕捉在地下水限制条件下水分可用性、农业生产与市场反应之间的双向反馈。本文的主要目的是描述这种耦合框架的方法论发展，并展示迭代模型相互作用的重要性。将这一框架应用于美国西部后，我们评估了在超出补给水平的情况下限制地下水使用时的适应性响应，这些响应体现在灌溉管理的变化以及通过土地重新分配导致的作物市场扩张或收缩上。结果表明，迭代耦合在10次迭代后能够收敛到稳定的平衡状态。在平衡状态下， deficit irrigation（亏缺灌溉）成为加州的主要适应策略，灌溉量稳定在总灌溉需求的约70%；而亚利桑那州和新墨西哥州的产量敏感度更高。早期迭代结果显示，水果和蔬菜作物的商品价格上涨幅度可达10%；然而，随着各地区土地分配和生产模式的调整，这些响应逐渐减弱。亏缺灌溉和灌溉土地的空间重新分配部分抵消了生产损失，不同州之间的差异性也存在：加州主要通过亏缺灌溉维持产量，而亚利桑那州和新墨西哥州则主要依靠减少灌溉面积来应对冲击。通过捕捉生物物理过程与经济过程之间的反馈，这种方法揭示了在水资源压力下灌溉策略和土地利用决策的演变过程，并为评估水资源管理政策提供了一个可推广的框架。

1. 引言
随着美国某些地区水资源短缺问题的加剧，适应能力将对行业和地区产生重要影响。农业是全球最大的淡水消耗者，而地下水枯竭已成为长期粮食生产和区域水资源可持续性的关键限制因素（Famiglietti, 2014；Wada et al., 2010）。在许多灌溉地区，地下水抽取量超过了补给率，迫使政策制定者考虑采取适应策略（Konikow, 2015）。理解这些策略在水文和经济系统中的相互作用至关重要，因为水资源限制会影响作物生产力、生产成本、商品价格，最终影响土地利用决策（Harou et al., 2009；Medellín-Azuara et al., 2011）。在水资源短缺的情况下，农民有多种适应选项，包括休耕、亏缺灌溉、扩大或缩减作物种植面积，以及将作物种植转移到水资源压力较小的地区。所有这些决策都会影响作物价格，进而影响区域用水需求。然而，大多数建模研究都是针对单一行业或子区域进行分析的，可能无法捕捉到驱动更大区域或经济规模适应响应的重要反馈和相互作用。许多耦合建模方法以顺序或部分耦合的方式表示水文、作物生产力和经济反应之间的相互作用。
以往的研究采用了多种方法论视角来探讨农业水资源适应问题。水文经济模型被广泛用于评估水资源分配政策及流域规模的管理策略，通常将水文表示与经济优化或模拟相结合，以评估效率和政策权衡（Harou et al., 2009；Martínez-Dalmau et al., 2023）。这些研究为水资源分配结果提供了宝贵的见解，但往往依赖于简化的作物生产力表示或固定的土地利用模式。另一类研究关注灌溉管理和农场层面的适应策略，包括亏缺灌溉、灌溉定价和技术采用，通常在预设情景下强调农艺或经济响应（Johansson et al., 2002；Molle, 2009）。尽管这些研究提高了对生产者决策的理解，但它们往往将市场反应或区域土地重新分配视为外生变量。
最近的综合建模工作结合了作物、水文和经济模型，以评估气候或水资源政策对农业系统的影响。然而，许多实现方式依赖单向耦合或顺序模型链接，即一个模型的输出作为另一个模型的固定输入，没有迭代反馈，例如，将产量变化直接施加到经济模型中，而不更新水资源需求或土地分配（Chopin et al., 2017；Nelson et al., 2014；Rosenzweig et al., 2013）。因此，适应路径可能受到关于价格、土地利用变化或灌溉行为的假设限制，而不是从系统内部动态产生。
因此，全面理解水资源日益稀缺的影响需要一种能够捕捉区域水文、农民决策和经济反馈的综合建模方法。由于农业系统通过相互作用的生物物理和经济过程进行适应，单向耦合方法可能会低估或误解适应路径。特别是，水分可用性、商品价格和生产者土地分配决策之间的反馈可以显著改变区域生产模式和用水需求，但这些动态往往被忽略或简化。本研究的主要目标是展示用于阐述评估农业适应地下水限制时迭代反馈重要性的方法论框架。具体来说，我们旨在：(1) 描述用于连接水资源可用性、作物产量响应、市场动态和土地分配的迭代耦合框架的开发与实施；(2) 展示迭代反馈如何改变系统行为；(3) 通过模型模拟展示代表性的平衡响应，以量化适应策略在耦合系统中的应用。本文的目的是介绍模型耦合框架，并展示迭代反馈的重要性。虽然本文没有提供全面的农经结果评估，但重点关注耦合策略、跨尺度协调以及综合系统的收敛行为。文中包含了代表性的模拟结果以说明系统动态，而农经影响的详细分析则在一项配套研究中提供（Femeena et al., 2026）。

2. 方法论
在本文中，我们引入了一个综合框架，该框架结合了四个不同的模型，分别涉及水文、农艺、经济和土地利用决策系统。这四个模型分别是：(1) 水分平衡模型（WBM）、(2) 去硝酸盐去合成模拟器（DNDCe）模型、(3) 动态区域经济模型（DREM）以及(4) 全球变化分析模型（GCAMland）的土地模块。WBM模拟空间上明确的水资源可用性和灌溉亏缺情况，DNDCe将亏缺灌溉转化为产量响应，DREM解决市场中介的价格反馈，GCAMland则代表内生的土地分配决策。迭代耦合允许水文限制影响经济决策，同时经济响应又反过来修改未来的水资源需求。为了说明模型的应用和功能，我们以美国西部为例，限制 groundwater 使用量超过补给量（此后称为“GBR”），并评估相应的灌溉管理适应策略。
耦合模型的运行始于在 WBM 水文模型中引入一个“水文冲击”，模拟从灌溉供应中移除 GBR 的过程。这一水文变化首先传递到亏缺灌溉产量模拟器（使用 DNDCe 农业生态系统模型），该模型估计作物产量的变化。来自 DNDCe 的亏缺产量随后传递到经济模型（DREM），以评估作物价格的变化。这些结合的生物物理和经济响应被用于指导 GCAMland 模型中的土地使用决策，该模型模拟生产者选择在灌溉土地、雨养土地或休耕地之间重新分配土地，或采用更节水的种植策略。由此产生的土地使用调整被反馈回 WBM，允许根据新的土地使用模式在补给范围内（GWR）重新分配灌溉用水。这一迭代过程持续进行，直到模型输出收敛到最优情景。这种迭代建模方法能够分析一系列适应策略，包括亏缺灌溉、通过土地重新分配扩大/缩减作物生产，以及区域生产结构的调整。第 2.1 节详细介绍了我们综合建模框架中包含的四个单独模型，第 2.2 节描述了耦合建模方法，包括迭代过程、收敛性和捕获模型反馈的方法。

2.1. 模型描述
2.1.1. 水分平衡模型（WBM）
新罕布什尔大学水分平衡模型（WBM）是一个基于过程的网格化水文模型，模拟空间和时间上变化的水量和水质。WBM 表示水文循环的所有主要地表组成部分，并在每日时间步长内跟踪大气、地上水资源（如积雪、冰川）、土壤、植被、地下水和径流之间的流动和平衡。数字化的河流网络将每个网格单元连接到下一个单元，从而能够模拟河流系统中的水流。WBM 包括生活和工业用水需求及使用、农业用水需求及使用（灌溉和畜牧业），以及水利基础设施（水坝、运河、跨流域调水）。模型文档可以在 (Wisser et al., 2010) 和 (D. Grogan et al., 2022) 中找到。
对于本研究，我们建立了一个 6’ 网格化的 WBM 模型，并使用 (1) 来自 MERRA-2 重新分析气候数据集（GMAO, 2015）的每日温度和降水量值，以及 (2) 来自 FAO GAEZ 数据库（Fischer et al., 2021）的灌溉和雨养作物面积比例，对 2010–2015 年进行了模拟。在 WBM 模型中，作物灌溉用水来自四个不同的来源：(1) 灌溉网格单元内的地表水资源；(2) 补给范围内的浅层地下水；(3) 网格单元 100 公里半径内的地表水资源；(4) GBR。每天报告每个网格单元的灌溉用水总量及每种水源的供应比例。通过禁止超出补给量的地下水抽取，模拟了一种类似于 SGMA 法规实施的情景。WBM 将地下水分为两个不同的、不相连的池：(1) 一个可通过补给补充的浅层地下水池，通过基础径流向河流输送水分；(2) 一个无限量的地下水池，代表模型模拟期之前已存在于含水层中的水资源。“超出补给量”指的是第二个无限量地下水池中的水资源。在类似 SGMA 的模拟中，只有浅层可补给地下水池的水资源可用于使用。在这个模拟中，第二个无限量地下水池被设置为不可用，从而有效地将地下水抽取率限制在等于或低于浅层地下水的停留时间。WBM 中为此次模拟校准的主要参数是灌溉效率。该校准确保了与 USGS 报告的 2010 年初始年份的灌溉用水量数据良好吻合。校准后的 R2 值为 0.97，为农业用水提供了现实的起点（图 S1）。
WBM 计算了 resulting irrigation deficits（灌溉亏缺量），作为输入数据用于 DNDCe。WBM 模拟特定作物、空间异质性灌溉用水需求和灌溉用水可用性的方法在多篇先前出版物中有详细描述，最近的一篇是 (Grogan et al., 2022)。WBM 的代码是开源的，包括示例输入数据（D. Grogan et al., 2022）。

2.1.2. 亏缺灌溉产量模拟器（DNDCe）
亏缺灌溉产量模拟器使用 DNDC 农业生态系统模型（Gilhespy et al., 2014; Giltrap et al., 2010; Li et al., 1992）构建，该模型是一个基于过程的碳（C）和氮（N）生物地球化学模型，模拟土壤气候、作物生长和产量、土壤有机质分解、硝化作用、反硝化作用和发酵过程。由于水分和/或养分不足，以及/或空气温度不理想，每日生长（生物量增加）可能会受到限制。新的生物量会根据特定作物的发育算法分配到植物组织（叶片、茎、根、籽粒）中。整个季节的最佳生长遵循预设的轨迹，该轨迹取决于累积的热量总和（高于 0°C 的度日数）。对于所有作物，DNDC 都设定为确保作物生长不受养分限制的情况运行，从而无需指定特定作物和地点的施肥管理（类型、用量、施用时间、方法）。
DNDC 用于模拟美国西部 11 个州 47 个地点（表 S2）中 26 种作物（表 S1）的生长和产量。这些地点位于每个州内主要农田区域的县群中心；这些县群种植相似的作物，具有相似的气候条件。每日地表天气数据（最高温度、最低温度、降水量、风速、入射太阳辐射和相对湿度）是从MERRA2再分析产品（Gelaro等人，2017年）中提取的，时间范围为2005年至2015年，涵盖了所有47个模拟站点，并使用了MERRA2校正后的降水量数据（Reichle等人，2017年）。土壤pH值、容重、质地（粘土含量）和有机碳含量也是从STATSGO数据库（Wolock，1997年）中获取的，涵盖了所有47个模拟站点。种植和收获日期经过调整，以确保作物生长季节积累了足够的生长度日以达到完全成熟（作物热量需求参数），假设在美国西部主要作物种植区，作物产量不受生长季节长度的限制。模拟中的作物灌溉通过一个模型灌溉指数参数来控制，该参数的值范围从1.0（充分灌溉，防止作物生长受到水分胁迫）到0.0（零灌溉，即依靠雨水）。在任何一天，如果可用的土壤水分加上降水量不足以满足作物当天的生长需求，就会添加灌溉水来补充这一不足，具体添加量根据灌溉指数进行调整（1.0、0.75、0.5、0.25、0.0）。DNDC模型中降雨灌溉和全面灌溉作物的产量使用2006-2015年这十年的USDA NASS州级作物产量调查数据进行了校准（见图S2；表S3）。USDA NASS的数据涵盖了11个WECC州的130种农作物组合（灌溉作物）和30种农作物组合（依赖雨水的作物）。USDA的产量数据通常以“蒲式耳/英亩”为单位，通过每蒲式耳作物的标准重量和默认水分含量转换为了“千克碳/公顷”（USDA-NRCS，2017年）。对于每个州，计算了每年所有站点的模拟作物面积加权平均产量，并将2006-2015年的十年平均值和标准差与同一时期USDA NASS的州级灌溉和降雨作物产量平均值及标准差进行了比较。通过调整DNDC模型中的潜在生产力，按作物和州进行了校准，从而使得模拟产量与实际观测产量之间具有很强的相关性（见图S2）。DNDC模型中任何特定作物的潜在生产力参数对于降雨灌溉和灌溉管理都是相同的。DNDC模型模拟的作物被汇总成DREM和GCAMland使用的更通用的作物类别（见表S4）。为了构建我们的耦合系统的亏缺灌溉作物产量模拟器，DNDC模型在11年（2005-2015年）内对所有作物（假设水稻始终得到充分灌溉）在所有站点进行了运行，灌溉指数值分别为1.0、0.75、0.5、0.25和0.0。第一个模拟年份（2005年）被用作初始化年份以设置土壤湿度，2005年的结果没有用于开发模拟器或作物产量校准。对于每种作物和每个州，这产生了50对产量和灌溉用水量值（10个天气年份乘以5个灌溉指数值）。对这些结果拟合了一个二次函数（如图1所示），这个函数成为了该州该作物的亏缺灌溉作物产量模拟器，可以计算出任何规定的灌溉亏缺下的产量。总共为11个WECC州和25种作物（不包括稻米）开发了275个亏缺灌溉作物产量模拟器二次函数。

**图1. DNDCe（亏缺灌溉产量模拟器）**。以亚利桑那州的玉米为例，每个点代表了三个亚利桑那州模拟站点作物面积加权的平均产量（千克碳/公顷，y轴）和年灌溉亏缺量（毫米，x轴）。点群表示不同灌溉指数值（0、0.25、0.5、0.75和1.0）下的年份。灰色带表示USDA NASS报告的亚利桑那州灌溉玉米产量范围（平均值±一个标准差）。随着灌溉亏缺的增加，玉米产量呈非线性下降。左上角的紧密点群代表充分灌溉下的产量（灌溉指数=1.0；灌溉亏缺=0毫米）。右下角的松散点群代表依赖雨水的产量（灌溉指数=0.0）；在这十年间，雨水灌溉的产量在370至970千克碳/公顷之间变化，所需灌溉水量在720至920毫米之间变化。粗黑线是产量与灌溉亏缺之间的二次函数拟合曲线，可以作为亚利桑那州玉米/作物的亏缺灌溉产量模拟器，可以提供任何灌溉亏缺水平下的产量。每个州的每种作物都生成了单独的模拟器曲线（稻米除外）。

**2.1.3 动态区域经济模型（DREM）**
我们分析中使用的动态区域经济模型（DREM）是一个针对美国的跨区域可计算的一般均衡（CGE）模型。该模型基于Rausch和Rutherford（2008年）的建模框架，并根据IMPLAN美国州级账户（IMPLAN，2010年）进行了校准。在这个分析中，我们开发了一个模型，可以模拟对部门生产率及其对商品和服务需求的后续影响。CGE建模方法为我们提供了在部门层面进行建模的灵活且理论严谨的平台，同时考虑了部门对整个经济的响应，并捕捉了一般均衡和乘数效应（Bergman，1991年；B?hringer等人，2003年；Shoven和Whalley，1992年）。模型包含了四个经济主体——消费者、生产者、政府和贸易部门之间的所有相互作用。消费者拥有一定数量的劳动力和资本，这些要素被企业作为生产要素雇佣。企业以市场供需决定的价格购买这些要素，然后将这些生产要素转化为商品，这些商品要么被其他企业购买作为生产要素，要么被家庭作为最终消费品。当所有市场中的价格使供给与需求相等、生产者没有超额利润且消费者消费完所有收入时，就达到了竞争均衡。这三个原则指导了一般均衡理论。通过指定投入和商品之间的函数形式和替代弹性，这些原则指导了模拟经济中的所有互动。模型包含三十个生产部门，特别关注六个农业部门（棉花、谷物、油籽、糖类、蔬菜和水果、饲料作物）。模型的产业间结构允许捕捉直接和间接效应。假设生产技术具有规模报酬不变性，企业旨在实现利润最大化。模型参数的主要数据来源是IMPLAN提供的2010年的州级社会核算矩阵（SAM）（前称为Minnesota IMPLAN小组（MIG）（IMPLAN，2010年）。这些州级SAM使用来自美国经济分析局（BEA）、劳工统计局（BLS）和美国人口普查局的数据构建。SAM追踪了给定基准年度内区域经济各部门之间的商品和资金流动。由此我们可以得到劳动力和资本收入、各类税收以及家庭、政府和外国部门对特定商品的消费支出。DNDCe模型的产量影响作为生产率因素被纳入DREM模型，应用于特定的作物生产函数。DNDCe提供的产量值是针对灌溉土地的，但由于DREM模型中没有区分灌溉土地和雨水灌溉土地上的作物，因此产量值是根据GCAM的土地利用数据进行加权的。随着产量下降，DREM模型中的生产率也会下降，需要更多的投入来产生相同的产出，从而导致价格上涨。价格上涨会通过消费者转向价格较低的投入或来自其他地区的低成本作物来缓解。消费者对每种商品的需求是通过效用最大化来确定的，其中家庭收入来自劳动收入、资本收入和转移支付。政府部门征税并利用收入购买商品和服务。贸易部门使用标准的一国Armington方法（Armington，1969年）进行建模，该方法假设国内和进口商品是不完全替代品。美国被划分为12个区域：11个WECC州（AZ、CA、CO、ID、MT、NM、NV、OR、UT、WA和WY）以及其余地区（ROUS）。模型中同时考虑了国内和国际贸易，贸易流动受到各地区商品和服务相对价格差异的影响。

**2.1.4 全球变化分析模型-土地利用（GCAMland）**
GCAMland（Calvin等人，2019年）是一个关于土地利用和土地覆盖变化（LULCC）的模型，采用了GCAM模型（Calvin等人，2019年；Wise等人，2014年）中的LULCC方法。GCAMland根据商品价格（来自DREM模型）和产量（来自DNDCe模型）的变化来预测未来的LULCC。在这项研究中，GCAMland被配置为分别代表50个州和哥伦比亚特区作为独立的子区域。在每个子区域内，GCAMland包括六种作物（棉花、谷物、油籽、糖类、蔬菜水果和饲料作物）和九种土地覆盖类型（森林、休耕地、草地、灌木地、城镇用地、雪地、水域和荒地）。初始的州级土地数据来自2011年的全国土地覆盖数据库（Wickham等人，2021年）；作物划分使用了2010年的Global AgroEcological Zones v.4（Fischer等人，2021年）中的灌溉和雨水灌溉作物种植面积数据。在模型校准过程中，GCAM模型估算了历史时期的预期利润和相应的土地份额，并得出一个权重因子，以模拟实际的土地分配情况。

**2.2 模型耦合与迭代收敛**
耦合建模框架在一个迭代循环中运行（见图2），首先是一个一次性初始化阶段（迭代0），然后是多个迭代轮次。在初始化阶段（迭代0），水分平衡模型（WBM）首先模拟灌溉用水量的变化，这些变化随后传递给DNDCe模型。DNDCe利用这些信息模拟作物产量的变化，再传递给DREM模型。这一步为后续的迭代耦合奠定了基础。

**图2. 耦合模型系统，显示了四个模型（WBM、DNDCe、DREM和GCAMland）之间的迭代过程和反馈**。在迭代1中，GCAMland使用DNDCe提供的作物产量变化和DREM从初始化步骤得出的更新后的作物价格进行初始化。然后GCAMland更新灌溉和雨水灌溉的作物面积分布，并将这些分布传递给WBM模型。GCAMland得到的州级作物面积变化仅应用于已经包含相应作物和管理类型的网格单元，防止扩展到不适合生产的区域。虽然耕地扩张在符合条件的网格单元中均匀分布，但灌溉面积的减少优先应用于地下水依赖程度最高的网格单元，这反映了灌溉损失首先发生在地下水依赖性最大的地方（见“GCAMland-WBM作物缩放算法”，补充信息）。GCAMland的作物面积分布与DNDCe的产量数据结合后，这些生产率数据被发送给DREM模型。DREM使用新的生产率估计值更新作物价格，并将这些修订后的价格反馈给GCAMland。同时，WBM使用修订后的土地面积分布来模拟更新的灌溉用水量，然后再次传递给DNDCe。DNDCe产生更新后的作物产量估计值，完成迭代周期后再次传递给GCAMland。在后续的迭代中（迭代2及以后），循环按相同的顺序继续进行。GCAMland使用DNDCe提供的作物产量变化和DREM上一次迭代的价格更新进行运行。涉及GCAMland发送生产率变化和土地利用更新、DREM返回价格变化、WBM更新灌溉用水量以及DNDCe产生新的产量估计的步骤重复进行，直到收敛（迭代间的价格变化<0.5%）。

**2.2.1 模型协调**
耦合框架整合了在不同空间和时间尺度上运行的模型，因此实施了协调程序以确保变量交换的一致性。对于时间协调，将WBM和DNDC模型在每日时间步长下运行的结果进行汇总，以得出年均条件。GCAMland和DREM作为均衡模型运行，时间步长为5年，起始时间为2010年基线。因此，使用WBM和DNDC的年化输出来指导这些均衡模拟。为了空间上的协调，将从DNDCe模型得到的6弧分尺度的WBM输出数据汇总为州级平均值，以输入到GCAMland和DREM模型中。GCAMland和DREM模型代表了汇总到州级市场的土地分配和经济活动。最后，这四个模型之间也需要对作物数据进行协调。DREM和GCAMland模型以粗略的商品级别表示作物，而WBM模型使用基于FAO-GAEZ的作物分布数据，DNDC模型则直接表示具体作物。为了实现这些模型之间的耦合，作物数据被统一为一种六类作物的分类体系，并采用了2010年作为共同基准（见表S4）。DNDC模型中的作物产量是根据USDA NASS提供的按州划分的作物面积，使用加权平均法计算得出的。

由于各组成模型依赖于不同频率和时间分辨率开发的数据集，因此该耦合框架使用了一个“大约2010年”的参考状态，而不是单一的日历年份。WBM和DNDC模型采用多年气象数据来模拟平均的水文气候条件，而GCAMland和DREM模型则使用以2010-2011年为中心的基准数据集。这种混合基准反映了实际数据的可获得性，并且与综合建模研究的结果一致。因此，模型的结果被解释为相对于这一参考状态的相对响应，而不是对历史数据的精确重建。

2.2.2. 模型特定的迭代步骤
下面和表1中描述了每个模型运行以及与模型耦合相关的输入/输出数据的特定步骤。
表1. 在四个不同模型（WBM、DNDCe、DREM和GCAMland）之间传递的输入和输出变量。

模型 输出 解析度 单位
WBM 总灌溉量与补给地下水抽取量（GBR） 年度 弧分网格单元
DNDCe 最大灌溉需求比例 年度 弧分网格单元
GCAMland, DREM 作物 x 州 最大产量比例 州级
GCAMland 土地利用和土地覆盖 州级 年度
DREM 灌溉/雨养作物面积比例 州 x 类型 年度
DREM 价格指数（2010年=1） 州 x 类型 年度
GCAMland 2010年参考价格 =1 州 x 类型 年度

2.2.2.1. WBM
WBM用于为所有情景生成基准冲击。为了创建这种冲击，WBM模拟了大约2010年所有WECC州的日灌溉生物物理需求，空间分辨率为6弧分。模拟中包括了基于过程的灌溉水源估算，这些水源包括地表水、地下水利用（GWR）和补给地下水抽取量（GBR）。WBM的日输出数据被汇总为2010年至2015年的年平均值。地下水抽取量的限制基于多年平均值，以代表典型的水文条件并减少对短期变化的敏感性。所施加的限制的幅度取决于选定的平均时间窗口。因此，模型结果被解释为相对于这一代表性基准的相对响应，而不是特定水文时期的预测。WBM的基准输出随后被发送到GCAMland进行预处理和设置。

2.2.2.2. DNDCe
DNDC模型模拟器（DNDCe）是一个R语言项目。该模型加载了所需的参数数据：(a) DNDC模拟器的二次曲线拟合参数，用于将灌溉 deficit 与作物和州的产量 deficit 关联起来；(b) 由USDA NASS数据构建的聚合参数文件。然后汇总WBM的网格单元值，得到如果没有使用GBR情况下的州级和作物级别的灌溉水量 deficit 估算。作物映射文件将WBM中的作物转换为DNDC中的作物类型，随后我们使用DNDC-e的二次拟合参数，根据灌溉缺口值生成作物和州的产量 deficit。这些DNDC-e的产量 deficit 被转换为DREM的产量 deficit（因为DNDC和DREM/GCAMland之间的作物分类不同，后两个模型使用相同的作物分类）。生成的DNDCe输出（按州和作物划分的产量 deficit）被发送到GCAMland。

2.2.2.3. DREM
经济模型求解一个新的平衡点，以反映产量影响带来的生产和价格变化。它接收来自DNDCe的（1）按州和作物划分的产量 deficit 和来自GCAM的（2）按州和作物划分的灌溉和雨养土地面积作为输入。读取DNDCe的产量数据和GCAM的土地数据以生成新的生产力参数，然后模型求解新的平衡价格数据，并将该数据发送给GCAM。

2.2.2.4. GCAMland
GCAMland读取来自DREM（2015年价格数据）和DNDCe（产量 deficit）的输出。该模型运行以生成每种作物和州的灌溉和雨养土地面积差异化的土地分配结果。任何由此产生的土地分配变化都会被发送到DREM，而灌溉/雨养土地面积数据则被传递给WBM。

2.2.2.5. 收敛性
在连续迭代过程中比较了DREM的价格，在进行了10次迭代后模型停止，此时迭代间作物价格的变化可以忽略不计（小于0.5%），表明达到了稳定平衡。收敛性是通过作物价格来评估的，因为它们是连接生物物理和经济组件的主要耦合信号。价格波动表明一个或多个决定生产的模型（WBM、DNDCe和GCAMland）存在不稳定，或者经济模型内部的需求发生了变化。随着价格的稳定，产量和土地分配的相关变化也变得可以忽略不计，表明经济和水文系统状态已经达到平衡。

3. 结果与讨论
这项工作的主要创新在于水文模型和经济模型的迭代耦合，使得水资源可用性、作物产量、价格和土地分配能够同时收敛。许多研究在评估水资源短缺的响应时，使用的是固定或外部强加的商品价格框架，或者规定土地使用变化而不是让它们根据市场动态自行形成。例如，流域规模的水文经济模型通常在固定的作物模式或经济假设下检查政策或分配情景，以评估水资源需求响应（Harou等人，2009年；Karimi和Ardakanian，2010年；Martínez-Dalmau等人，2023年）。同样，大量文献评估了适应策略，如灌溉配额、定价或技术采纳，同时保持市场响应或更广泛的土地重新分配不变（Kinzelbach等人，2022年；Molle，2009年）。较新的基于优化研究探讨了适应性灌溉政策或地下水管理策略，但通常关注局部或区域性的决策优化，而不是价格、生产和土地分配之间的迭代反馈（Quintana Ashwell等人，2018年；Rodríguez-Flores等人，2023年）。相比之下，我们的框架通过水文约束和市场响应之间的迭代反馈，使适应路径能够内生地形成，从而实现作物产量、价格和土地分配的同时调整。这种迭代耦合使得可以评估与管理工作相关的结果，例如缺水灌溉的采纳、灌溉和雨养生产之间的转换，以及在水资源限制下的农业活动区域再分配，这反映了相互作用的生物物理和经济过程。

迭代耦合在大约8-10次迭代后收敛，作物价格的变化低于作为停止标准的0.5%阈值（见图3）。总体而言，我们发现不同州的最佳适应响应存在空间差异，加州严重依赖缺水灌溉（仅约70%的灌溉用水用于作物生产）。在平衡状态下，亚利桑那州和加州的缺水灌溉水平稳定在总灌溉需求的67-69%左右，而西北部各州的灌溉水平接近基线条件（>95%）。像亚利桑那州和新墨西哥州这样的西南部州必须适当减少灌溉面积，并采用缺水灌溉以确保盈利（见图S3）。作物对缺水灌溉的产量响应是非线性的，许多作物类型在最佳缺水灌溉比例下仍保持超过80%的最大产量，这说明了为什么缺水灌溉成为主要的平衡适应策略（见图4）。大多数州，包括加州，对水冲击表现出较高的产量韧性。相比之下，亚利桑那州和新墨西哥州的作物产量下降了超过10%。这种更高的敏感性也反映在它们的适应策略中，这些州倾向于将灌溉面积减少到基线值的30%左右，而不仅仅依赖缺水灌溉（见图S3）。作物生产价值的变化表现出显著的空间异质性，从高度水资源受限州的作物产量下降超过90%，到水资源较少地区的产量增加高达30%，反映了均衡适应下的生产重新分配（Femeena等人，2026年）。

本文的其余部分将主要讨论迭代结果，展示模型耦合和系统反馈的重要性，详细的州级农业经济影响在Femeena等人（2026年）的研究中有呈现（见图5）。初始水冲击与农民通过采纳适应策略后响应之间的结果差异，突显了迭代和综合建模方法在捕捉水文、作物、土地利用和经济系统之间反馈方面的重要性。正如本文所讨论的，农民的最佳适应响应显著减弱了水冲击的初始影响。

3.1. 迭代结果
在第一次迭代中对水冲击的立即响应揭示了各州在减少灌溉土地面积方面的空间差异（见图S5）。例如，在亚利桑那州和新墨西哥州，大多数作物的灌溉土地面积显著减少。在三种主要作物中，谷物作物的土地减少幅度最大（分别为34%和40%，与参考情景相比）。蔬菜和果实的土地减少幅度也较大，但程度不及谷物作物，这表明作物价格和盈利能力在决定适应策略中起着关键作用。换句话说，由于美国西部的州是该国主要的果蔬生产地——而且这些作物在该地区仍然具有经济可行性——模型及其综合经济组件倾向于达到一个最佳平衡状态，在这个状态下果蔬生产受到的影响最小。这种经济模型和作物生产模型之间的系统反馈也影响了整体生产模式。当美国西部的谷物种植面积减少时，其他地区（如中西部）会增加谷物产量以维持全国水平（见图6）。

随着迭代的进行，我们观察到一次迭代到下一次迭代之间灌溉和雨养土地面积的变化逐渐减小，这导致迭代间作物价格的变化减小，表明在第10次迭代时模型已经收敛（见图7和S4）。唯一的例外是新墨西哥州的油籽作物，但由于油籽种植面积较小（约300公顷），这种差异可以忽略不计。

迭代建模的好处也在所有州的产量响应中得到体现。在第一次迭代期间，由于水冲击，缺水灌溉导致的作物产量降至最低点（见图S4）。低产量导致作物价格上涨（例如，蔬菜和水果的价格比参考水平高出10%），这两者的结合导致西部地区的总作物产量最低（见图8和图4）。需要强调的是，虽然灌溉产量下降，但雨养产量保持不变，这两个产量的加权平均值由GCAMland输入到DREM中。GCAMland的耕地分配是对作物价格和产量变化的响应。价格上涨和产量增加会增加对该作物的耕地需求；同样，价格和产量的下降则会降低对耕地面积的需求。当价格和产量的变化方向相反时，结果就更加难以预测。我们发现，在大多数州，第0次迭代和第10次迭代之间的生产水平和作物价格存在差异（图6、图8）。尽管亚利桑那州和新墨西哥州的饲料、蔬菜和水果产量在第10次迭代结束时有所下降，但加利福尼亚州的蔬菜和水果产量相对于第0次迭代有所增加。下载：下载高分辨率图像（108KB）下载：下载全尺寸图像

图8. 2015年三种不同情况下的作物产量（以十亿美元计）：参考情况、第0次迭代（灌溉冲击发生时）以及第10次迭代（市场达到平衡时）。

当DNDCe模型因灌溉水平较低而模拟出次优产量时（如亚利桑那州和新墨西哥州的情况），可能会导致DREM中的作物价格上涨。这种价格上涨加上产量的变化，决定了GCAMland中的耕地分配，这些信息会被传递到下一次迭代中。该模型的耦合方式是，每当有耕地减少时，WBM中的比例因子会被应用来优先考虑那些依赖程度较低的GBR（地面水资源的）网格单元中的作物种植。换句话说，WBM通过优先考虑拥有更多可再充电地下水的地区，确保了可用水资源的更高效利用，从而在缺乏GBR的情况下最小化产量损失。因此，在收敛过程中，我们发现所有州都向更高的产量和较低的灌溉赤字情况转变（如图S4中的实心符号所示），与冲击情景相比。以下部分提供了这些结果的详细分解以及系统反馈对于特定案例（加利福尼亚州的蔬菜和水果）的重要性。

3.2. 系统反馈作为适应响应的重要性：以“加利福尼亚州-蔬菜和水果”情景为例

将讨论范围缩小到加利福尼亚州的蔬菜和水果部门，可以提供一些关于迭代过程的见解（图9）。在冲击发生时，加利福尼亚州的蔬菜和水果产量接近参考值的20%以下。冲击导致蔬菜和水果生产从加利福尼亚州和西南地区大规模转移到太平洋西北部和北部山区，这反映在灌溉面积的变化上（图S3）。同时，所有州的雨水灌溉土地面积增加，以弥补这些作物的灌溉面积减少并维持整体产量。加利福尼亚州灌溉产量的下降超过了作物价格的上升，GCAMland在第1次迭代中通过减少灌溉面积作出响应。下载：下载高分辨率图像（241KB）下载：下载全尺寸图像

图9. 加利福尼亚州蔬菜和水果部门的模型数据汇总。线条显示了冲击、第1-3次迭代和第10次迭代相对于参考数据的变化。灰色箭头标出了一个模型的输出成为另一个模型输入的位置，无论是在同一迭代中还是下一个迭代中。例如，冲击期间的价格和产量数据是第1次迭代中GCAM的输入。GCAM第1次迭代的土地数据在第1次迭代中输入到DREM和WBM中。

第1次迭代中蔬菜和水果灌溉耕地的减少降低了总产量和产量，使价格回升到冲击前的水平以上。同时，灌溉面积的减少使得每单位面积的灌溉水量增加，提高了仍在生产的土地的灌溉产量。第1次迭代中加利福尼亚州蔬菜和水果部门的高价格和灌溉产量相结合，导致第2次迭代的耕地总面积和灌溉面积都有所增加。灌溉面积的增加超过了雨水灌溉面积的增加，提高了该州的蔬菜和水果平均产量，从而推高了DREM中的产量。作为西部最大的蔬菜和水果生产地之一，加利福尼亚州的生产变化影响了全国价格。第2次迭代中的价格相对于第1次迭代有所下降，但仍比参考情况高出约5%。与此同时，灌溉面积的增加给灌溉水需求带来了更多压力，略微降低了将传递给第3次迭代的灌溉产量。

在第二次及后续迭代中，每当一个州的灌溉面积减少时，WBM会首先尝试减少那些更依赖GBR的网格单元的面积。这意味着模型优先考虑在GBR使用较少的地点种植作物，从而提高了GWR（地面水资源的）产量。因此，根据土地利用的变化，GWR灌溉水获得了更多的重新分配。在每次迭代中，作物价格由灌溉产量（灌溉和雨水灌溉）和土地面积的变化共同决定。如果灌溉产量的减少超过了作物价格的上升，GCAMland将为该作物分配更少的灌溉土地。我们看到，从第2次迭代开始，加利福尼亚州的蔬菜和水果的灌溉面积和产量出现了波动，但作物价格的变化逐渐减小，并在第10次迭代时趋于稳定（迭代过程的详细分解见补充信息）。以下表格提供了加利福尼亚州蔬菜和水果的迭代反馈的进一步分解。

4. 限制

与任何建模研究一样，在解释此处提供的结果时应该考虑某些限制。首先，各个组成部分模型依赖于代表略有不同基准年的数据集；因此，结果应该被视为相对于参考状态的比较响应，而不是精确的历史重建。其次，该框架代表了经济和生物物理上的可行性，但没有明确模拟制度约束，如水权、输水基础设施或流域级别的分配规则。第三，均衡结果代表长期调整，并未涵盖与灌溉技术或作物扩展相关的采纳障碍。通过迭代耦合获得的均衡解应被视为长期稳态响应，而不是动态过渡路径。迭代过程是一种数值方法，用于稳定模型组件之间的反馈。在实践中，适应策略（如不足灌溉或土地利用变化）涉及学习、基础设施调整和经济转型成本，这些可能会减缓或限制实际世界的响应与模型均衡的对比。最后，耦合框架受到多种模型不确定性的影响，这些不确定性在这里没有明确量化，以保持方法论的重点并避免研究范围超出其主要目标。不确定性可能来自每个单独的模型，包括WBM中的水文参数化和补给估算、DNDCe模拟器表示的作物产量响应函数，以及DREM和GCAMland中的经济行为假设。这些不确定性可能会通过迭代耦合过程传播和累积，因为一个模型的输出成为另一个模型的输入。不同模型之间的空间和时间尺度不匹配需要聚合和下尺度步骤，这引入了额外的不确定性，特别是在将州级经济响应转换回网格化水文表示时。各个模型之间的基准年份的小差异引入了结构性不确定性；然而，由于分析强调相对情景差异和均衡系统响应，主要结论预计对轻微的基准年偏离具有鲁棒性。所提出的框架没有通过集合模拟明确量化参数或结构不确定性。尽管存在这些不确定性，本研究的主要贡献在于方法论：展示了水文、农艺和经济过程之间的迭代反馈如何影响系统行为。虽然不确定性可能影响预测响应的幅度，但该框架为未来的不确定性分析和基于集合的扩展提供了一个透明结构。

5. 结论

在本文中，我们展示了迭代耦合建模方法在捕捉水资源可用性、作物产量、土地分配和市场动态之间复杂反馈方面的价值。与依赖于系统对水冲击的静态快照不同，这种综合框架揭示了经济和生物物理反馈随时间和地区的变化。此外，该模型表明，适应性响应（如灌溉土地与雨水灌溉土地的转换、水资源的重新分配到更有利的地区以及作物选择的改变）可以部分缓解水资源减少带来的初始负面影响。虽然美国西部经历了最严重的初始干扰，但模型的收敛表明，通过经济可行性和产量韧性确定的区域适应措施，通过灌溉管理、生产空间调整和优化耕地分配帮助恢复了部分产量。加利福尼亚州蔬菜和水果部门的例子强调了生产者如何通过在连续决策周期中调整灌溉策略和土地利用来稳定产量并最小化长期损失。

数据声明

本研究生成的所有数据以及重现手稿和补充信息中的图表和表格所需的代码均可在以下位置获取：
数据：https://doi.org/10.57931/2999592
代码：https://github.com/pches/Femeena_etal_How_can_crop_production_adaptCRedI

作者贡献声明

Steve Frolking：写作 – 审核与编辑、原始草稿撰写、可视化、验证、软件、方法论、调查、正式分析、概念化。
Danielle Grogan：写作 – 审核与编辑、原始草稿撰写、可视化、验证、软件、方法论、调查、正式分析、数据管理、概念化。
Jeffrey Nucciarone：软件、数据管理。
Katherine Calvin：验证、软件、方法论、概念化。
Richard Lammers：原始草稿撰写、可视化、验证、软件、方法论、调查、正式分析、概念化。
Karen Fisher-Vanden：写作 – 审核与编辑、原始草稿撰写、可视化、验证、监督、软件、资源管理、项目行政、方法论、调查、资金获取、正式分析、数据管理、概念化。
Pandara Valappil Femeena：写作 – 审核与编辑、原始草稿撰写、可视化、验证、软件、方法论、调查、正式分析、数据管理、概念化。
Kathryn Daenzer：写作 – 审核与编辑、原始草稿撰写、可视化、验证、软件、方法论、调查、正式分析、概念化。

资助

本工作得到了美国能源部科学办公室生物与环境研究计划、地球与环境系统建模、多部门动态（合作协议DE-SC0016162和DE-SC0022141）的支持。本工作还得到了美国农业部国家食品和农业研究所及Hatch拨款（项目编号PEN04930和访问编号7006478）的支持。本出版物中表达的任何观点、发现、结论或建议均为作者个人观点，不应被视为代表任何官方的美国农业部或美国政府决定或政策。