《Science of The Total Environment》:An advanced hydrological approach for the characterization of the Water Scarcity Footprint at the sub-basin level
编辑推荐:
摘要:ISO 14046:2014是目前依据生命周期评价(Life Cycle Assessment, LCA)方法测算产品、过程及组织水足迹(Water Footprint, WF)的国际标准。Available Water Remaining(AWARE)
摘要:ISO 14046:2014是目前依据生命周期评价(Life Cycle Assessment, LCA)方法测算产品、过程及组织水足迹(Water Footprint, WF)的国际标准。Available Water Remaining(AWARE)是与ISO 14046兼容的表征模型,用于在只考虑水量方面的缺水影响(即水分匮乏足迹,Water Scarcity Footprint, WSF)时,于国家及次国家级尺度计算WSF表征因子(Characterization Factor, CF)。尽管AWARE基于国际共识建立,但其基于全球水平衡模型计算,未纳入高空间分辨率的水文动态信息,导致所得WSF值在局地研究中可能存在偏差。研究人员计算了超分辨率(子流域尺度)的次区域CF,以揭示现行方法无法识别的局部缺水状况,提升产品与过程WSF评估的可靠性。水文信息(即可用水资源量)提取自分辨率为1 km的意大利国家水平衡模型BIGBANG 7.0,人类用水消耗时间序列(2012–2021)获取自市镇(municipality)层级。结果表明,重新计算的托斯卡纳大区CF(= 41.8 m3world equiv.m?3)较原始AWARE CF高出约26%,说明原方法无法捕捉子流域尺度的水分动态变异。三种代表性作物(番茄、苹果和玉米)的WSF结果受新CF影响,增幅达50%–100%。所提出的方法可提升WSF评估可靠性,并可推广至整个意大利及其他地区。
论文解读:《An advanced hydrological approach for the characterization of the Water Scarcity Footprint at the sub-basin level》(发表于Science of The Total Environment)
一、研究背景与意义
水足迹(Water Footprint, WF)评估与生命周期评价(Life Cycle Assessment, LCA)中,水分匮乏足迹(Water Scarcity Footprint, WSF)通常采用ISO 14046:2014标准,并使用Available Water Remaining(AWARE)模型计算表征因子(Characterization Factor, CFAWARE)。AWARE由WULCA工作组推荐,基于全球水文模型WaterGAP 2.2(空间分辨率约0.5°,~55 km),以全球长期气候均值估算可用水量(Water Availability, WA)与人类用水消耗(Human Water Consumption, HWC),再扣除生态需水量(Environmental Water Requirement, EWR)得到剩余可用水量(ActAvail = WA ? HWC ? EWR),经归一化得到无量纲CF。然而全球模型空间分辨率粗,且人类取用水数据常依赖全球统计数据库,难以反映流域内部(sub-basin或子流域)水文过程与用水时空异质性,尤其在地中海气候区(如意大利托斯卡纳)夏季灌溉用水集中、局地缺水显著时,易低估实际缺水压力。已有区域化研究多在流域(watershed)尺度进行,未见意大利本土基于高分辨率国家水文模型与市镇级用水数据的AWARE型CF重构。本研究假设:采用高分辨率本地水文与用水数据按AWARE逻辑重新计算CF(记为CFlocal),可显著提升WSF评估准确性。研究人员以意大利托斯卡纳大区为案例,融合1 km分辨率国家水平衡模型BIGBANG 7.0与市镇级生活、工业及农业灌溉用水数据,沿HydroBASINS子流域做面域加权聚合并引入上游至下游的水量路由(routing),按月计算2012–2021年子流域尺度CFlocal,并与WULCA提供的CFAWARE及三种代表性作物(番茄、苹果、玉米)的WSF进行比较验证。结果显示托斯卡纳区域加权平均CFlocal(41.8 m3world equiv.m?3)较CFAWARE(≈31.0 m3world equiv.m?3)高约26%;作物直接WSF增幅50%–100%,证明标准AWARE在局地农业缺水评估中存在低估,高分辨率区域化方法可提高LCA中WSF可靠性,具备推广至全意大利及类似区域的潜力。
二、主要关键技术方法概述
研究人员选取托斯卡纳大区为研究区,采用意大利ISPRA开发的国家分布式水平衡模型BIGBANG 7.0获取2012–2021年逐月1 km栅格径流与地下水补给量之和作为WA,经多年各月算术平均得典型年逐月WA栅格。人类用水消耗(HWC)分三部分获取:生活用水按托斯卡纳水务局(Autorità Idrica Toscana)六家供水运营商(WSO)年报,依市镇人口分配至各市镇并假设年内均布;工业用水取自托斯卡纳水文局2009年市镇级消费量并假设时段内恒定;农业灌溉用水基于托斯卡纳区域作物图与灌溉普查确定灌溉作物与方式,用区域灌溉需水模型(iRTO)逐月模拟各市镇毛灌水量(Gross Irrigation Requirement, GIR)并汇总为市镇月HWC。生态需水量(EWR)按Pastor et al.(2013)方法,据月WA与年均流量(Mean Annual Flow, MAF)比值划分高/中/低流态,分别取WA的60%、45%、30%。将1 km WA栅格与市镇HWC矢量通过HydroBASINS Level-6子流域面域加权聚合及市镇–子流域面积交叉分配获得子流域逐月WA与HWC体体体体积,沿河网做上游累积路由得各子流域ActAvail = ∑上游自然化流量 ? ∑上游HWC ? 本单元EWR,再算Availability Minus Demand(AMDlocal,ij)= (ActAvailij? EWRij) / areai,最后按AWARE公式CFlocal= AMDworld avg/ AMDlocal,ij(截断于0.1–100)得CFlocal。敏感性分析用Sobol法分解WA、HWC、EWR对CFlocal方差贡献;作物WSF用ecoinvent 3.9直接蓝水清单乘CFlocal与CFAWARE对比,统计学检验差异显著性。
三、研究结果
3.1. Water availability and consumption(水资源量与消耗量)
将2012–2021年托斯卡纳各主要流域逐月WA、EWR与HWC汇总分析显示:冬季WA远高于HWC+EWR,夏季(6–9月)显著下降,南部沿海流域(Cecina-Cornia、Ombrone)7–8月WA与EWR近零;HWC全年较低(5–20 Mm3month?1),春夏因灌溉略升,Medio Valdarno因人口与工业密度HWC最高(≈15 Mm3month?1)。BIGBANG模型WA与区域分布式水文模型MOBIDIC在Ombrone(年差~4.0%,R2=0.923)、Elsa(R2=0.885)吻合良好,Sieve因Bilancino水库调节未被BIGBANG刻画存在差异(年差~30%,R2=0.924),总体验证了国家模型区域适用性。
3.2. Hyper-resolution characterization factors(超分辨率表征因子)
CFlocal呈现明显时空分异:夏季灌溉期多数子流域因低降雨与高用水需求使AMD趋零,CFlocal达上限100 m3world equiv.m?3;4月起灌溉区CFlocal升高,非灌溉区(如Serchio-Magra部分子流域)保持较低值。引入河网路由后,上游来水充裕的子流域(约占30%)CFlocal被削减,而约12%子流域(过渡月份)因上游耗水累积效应CFlocal略增,较非路由静态算法更真实反映上下游水文连通性与用水竞争。WULCA的CFAWARE在整个托斯卡纳或大流域取单一值,掩盖了上述子流域内部夏季极限缺水信号。
3.3. Sensitivity analysis and comparison of characterization factors(敏感性分析及CF比较)
Sobol全局敏感性分析表明WA是第一主导因子(一阶指数S1 > 0.7,11月可达>0.8),EWR次之(4月S1≈0.25),HWC影响极小(S1≈0)。S1与全阶指数ST接近,说明输入间非线性交互弱,CFlocal不确定度主要来自WA自然变率。托斯卡纳区域月均CFlocal冬春与CFAWARE相近,夏秋(6–9月)明显高于CFAWARE(如6月91.9 vs 12.5,7月92.4 vs 65.2)。具体子流域(如Buggiano、Arezzo、Grosseto)CFlocal在灌溉季达100,而对应WULCA流域CFAWARE(北托斯卡纳ID 30784、南托斯卡纳ID 31541)显著偏低。三种作物直接WSF:番茄由1.3升至2.2 m3world equiv.m?3(↑~69%),苹果由4.04升至5.80 m3world equiv.m?3(↑~44%),玉米由0.30升至5.27 m3world equiv.m?3(↑逾16倍);直接WF占总WSF比重分别由约37%→54%、62%→72%、30%→88%,统计检验(p < 0.05)显示多数月份差异显著,证实AWARE在农业缺水区可能低估产品WSF。
四、讨论与结论总结
讨论指出高分辨率国家水文模型结合地方用水数据库能揭露全球模型掩盖的局地缺水热点与季节动态,上游–下游路由逻辑符合物理质量平衡,CFlocal较WULCA CFAWARE平均提高约26%,主要因WaterGAP在夏季高估可用水量。敏感性分析确认WA变率是CF不确定度主源,HWC在托斯卡纳相对稳定。局限包括工业用水数据为2009年、生活用水缺季节细分、EWR采用通用比例法未完全反映本地生态流量监测值、缺乏实测灌溉耗水验证。该方法可扩展至全国及其他具同类数据的区域,但需注意局部重算AWARE偏离WULCA共识数据集,且时间基准不同(10年平均 vs 历史长序列)会影响与全球基准直接比对。
结论:研究人员成功基于意大利国家水文模型BIGBANG 7.0(1 km)与市镇级用水数据,按AWARE方法论在子流域尺度构建了托斯卡纳超分辨率CFlocal,量化了现有AWARE CF对局地缺水低估现象,证明高分辨率区域化WSF表征可更可靠反映农业产品水分匮乏影响,为LCA水足迹区域精细化评估提供范式。