EN中文

Arid Land Geography >

2026 , Vol. 49 >Issue 2: 369 - 380

DOI: https://doi.org/10.12118/j.issn.1000-6060.2025.270

Climatology and Hydrology

Spatiotemporal patterns of cropland water use efficiency in the Aksu River Basin

  • Qiu ZHAO , 1, 2 ,
  • Fan GAO , 1, 2 ,
  • Bing HE 1, 2 ,
  • Ying LI 1, 2 ,
  • Jiacheng ZHANG 1, 2
Expand
  • 1. College of Water Resources and Civil Engineering, Xinjiang Agricultural University, Urumqi 830052, Xinjiang, China
  • 2. Xinjiang Key Laboratory of Water Conservancy Engineering Safety and Water Disaster Prevention, Urumqi 830052, Xinjiang, China

Received date: 2025-05-15

  Revised date: 2025-07-07

  Online published: 2026-03-11

Fold

Abstract

Quantitative assessment of the long-term variations in cropland water use efficiency (WUEc) is crucial for optimizing water resource utilization and achieving high yields as well aseffective water-saving in irrigated agriculture in arid regions. This research integrates gross primary productivity of crops (GPPc), grop evapotranspiration (ETc), WUEc, and meteorological as well as vegetation data in the Aksu River Basin from 2002 to 2022, a typical arid region, and systematically identifies the spatiotemporal patterns of WUEc and the synergistic effects of multiple driving factorsby applying Sen’s slope, the Mann-Kendall trend test, seasonal and trend decomposition using loess, partial correlation analysis, and path analysis. The results indicate the following: (1) Temporal characteristics: GPPc and ETc in the basin increased significantly at rates of 0.6 g C·m-2·a-1 and 0.3 mm·a-1, respectively, while WUEc declined at a rate of 0.02 g C·mm-1·m-2·a-1. Intraannual dynamics showed a unimodal pattern for GPPc and ETc (peaking in August), and a bimodal pattern for WUEc (with peaks in April and October). (2) Spatial patterns: Regions with declining WUEc accounted for 60.3% of the area under consideration, while those with increasing GPPc and ETc covered 97.1% and 94.8%, respectively, highlighting a widespread phenomenon of “increased production without efficiency gains” in the basin. (3) Driving factor analysis: WUEc was significantly negatively correlated with temperature (T), vapor pressure deficit, and leaf area index (LAI), with the negatively correlated areas corresponding to 77%-89%, and positively correlated with precipitation (Pre), corresponding to 87% of the total area. (4) Path analysis: T and Pre primarily influenced WUEc by regulating GPPc, whereas LAI affected WUEc via ETc. Normalized difference vegetation index and enhanced vegetation index impacted WUEc through the combined regulation of both ETc and GPPc. T and LAI were identified as dominant drivers, suggesting a dual-stress mechanism acting on agroecosystems in arid regions. This study elucidates the multi-scale evolution patterns of WUEc in arid regions and its nonlinear driving mechanisms, providing a scientific basis for optimizing agricultural water resource management under climate change.

Key words： meteorological factors; vegetation factors; crops; water use efficiency; Aksu River Basin

Cite this article

Qiu ZHAO , Fan GAO , Bing HE , Ying LI , Jiacheng ZHANG . Spatiotemporal patterns of cropland water use efficiency in the Aksu River Basin[J]. Arid Land Geography, 2026 , 49(2) : 369 -380 . DOI: 10.12118/j.issn.1000-6060.2025.270

水分利用效率（Water use efficiency，WUE）定义为植被总初级生产力（Gross primary productivity，GPP）与蒸散发（Evapotranspiration，ET）的比值[1-2]，是反映水、能量和碳循环对生态系统过程综合影响的关键参数之一[3]，对于阐明生态系统碳水耦合关系及应对气候变化具有重要价值。农田水分利用效率（Water use efficiency of cropland，WUEc）是WUE理论在农业生态系统的具体应用，是评估农业系统资源利用效率的核心指标[4]。干旱区具备典型灌溉农业和绿洲经济特征，农业用水占总用水结构90%以上。WUEc偏低是干旱区农业生产所面临的主要问题之一[5]。在当前全球气候变化加剧和农业规模持续扩张的背景下，深入解析干旱区WUEc时空格局及影响因素，不仅可为区域农业水资源优化配置提供科学依据，更对实现旱区农业高效节水、保障粮食安全与生态安全具有重要的战略意义。
尽管目前在WUE领域的研究已取得了显著进展，但仍存在以下3个方面的局限性：第一，在研究对象上，多数集中于森林和草地生态系统，对农田生态系统WUEc的关注明显不足；第二，在研究手段上，已有的研究多数依赖一元线性回归、Mann-Kendall检验等常规统计方法[6-7]，难以有效解析WUEc时间序列的周期特征与趋势成分，而常用的皮尔逊相关、逐步回归等驱动分析方法[8]也无法揭示多因子间的交互作用机制，特别是对影响路径的定量刻画仍显不足[9]；第三，在驱动因素分析上，现有研究普遍认为，WUEc的变化主要受气象因子[气温（Temperature，T）、饱和水汽压差（Vapor pressure difference，VPD）、降水（Precipitation，Pre）]与植被因子[叶面积指数（Leaf area index，LAI）、归一化植被指数（Normalized difference vegetation index，NDVI）和增强型植被指数（Enhanced vegetation index，EVI）]的共同调控[10-12]。然而，关于主导因子的识别仍存在显著争议，特别在干旱地区。如Du等[13]、Sun等[14]认为气象因子是中国北方地区WUEc变化的主要驱动因子；Guo等[15]强调人类活动对京津冀地区WUEc的变化起决定作用；Yu等[16]发现干旱区石羊河流域气温与WUEc呈负相关关系，而Tian等[17]证实气温与WUEc呈正相关关系。因此，明确干旱区WUEc的时空演变规律、影响路径分析以及主要驱动因素对干旱地区农业的发展十分重要。
阿克苏河流域作为典型的干旱区内陆河流域，农业生产完全依赖灌溉水资源。针对该流域高分辨率WUEc研究仍属空白，本文通过集成2002—2022年研究区农田总初级生产力（Gross primary productivity of cropland，GPPc）、农田蒸散发（Evapotranspiration of cropland，ETc）、WUEc及气象植被要素遥感数据，引入局部加权回归的季节-趋势分解法，有效分离WUEc变化的趋势项、周期项和残差项，基于通径分析方法定量解析各驱动因子的直接和间接影响路径，系统揭示流域WUEc时空格局及多因子协同作用路径。本文对于优化阿克苏河流域农业水资源配置、提高水资源利用效率具有重要的实践价值，并为干旱区农业节水高产高效提供科学依据[18]。

1 研究区概况

阿克苏河流域（75°35′~82°00′E，40°00′~42°27′N）地处新疆天山南麓与塔里木盆地西北缘过渡带，流域总面积4.8×104 km2。流域呈现典型的山地与平原二元地形结构，海拔梯度变化显著（1030~1060 m），地势自西北向东南递减。气候属于暖温带大陆性干旱荒漠气候，具有降水稀少（年均降水量不足100 mm）、蒸发强烈（潜在蒸发量超过2000 mm）的显著特征。流域农业系统由库托河灌区、柯柯牙灌区、台兰河灌区、阿克苏河灌区和空台里克灌区组成（图1），形成以棉花、冬小麦、水稻和玉米为主的多元化种植体系。不同作物生育期水分需求特征存在显著差异，其生长周期与流域水热条件构成特定的时空匹配关系[19]。
图1 研究区示意图

注：基于自然资源部标准地图服务网站审图号为GS(2019)3333号的标准地图制作，底图边界无修改。下同。

Fig. 1 Schematic diagram of the study area

2 数据与方法

2.1 数据来源与预处理

2.1.1 土地利用数据

土地利用数据来源于武汉大学中国年度土地覆盖数据集（表1），该数据集具有30 m空间分辨率，时间跨度为2002—2022年共21个年度。将土地利用类型划分为9大类：农田、森林、灌木、草地、水体、冰雪、荒地、不透水地表和湿地。在ArcGIS 10.3.8中运用按属性选择功能提取阿克苏河流域2002—2022年逐年农田区域数据，采用最邻近法对提取结果进行1000 m空间分辨率的重采样处理。
表1 主要数据类型及来源

Tab. 1 Main data types and sources

分类 名称 英文缩写 空间分辨率/m 年份 来源
土地利用类型数据 中国年度土地覆盖数据 CLCD 30 2002—2022 ChinaLandCoverDataset
农田植被数据




 植被总初级生产力/g C·m-2 GPP 500 2002—2022 MODISMYD17A2H
蒸散发/mm ET 500 2002—2022 MODISMOD16A2
归一化植被指数 NDVI 500 2002—2022 MODISMOD13C1
增强植被指数 EVI 1000 2002—2022 MODISMOD13A1
叶面积指数 LAI 500 2002—2022 MODISMOD13A1
气象数据

 温度/℃ T 1000 2002—2022 国家地球系统科学数据中心
降水/mm Pre 1000 2002—2022 国家地球系统科学数据中心
饱和水气压差/kPa VPD 1000 2002—2022 TerraClimate

2.1.2 农田植被数据

农田植被数据包括GPP、ET、NDVI、EVI和LAI，均来源于MODIS系列数据产品（表1），其中GPP和ET数据时间分辨率为1个月，其他植被指数数据时间分辨率为1 a。上述数据通过谷歌地球引擎平台获取，时间跨度为2002—2022年，利用阿克苏河流域农田区域数据对植被数据进行空间掩膜提取，采用最邻近法将所有数据统一重采样至1000 m空间分辨率。

2.1.3 气象数据

气象数据包括气温、降水和VPD 3个关键指标。其中，气温和降水数据来源于国家地球系统科学数据中心（http://www.geodata.cn/），空间分辨率1000 m，时间分辨率1 a。饱和水气压差数据来自TerracClimate再分析数据集（https://www.terraclimate.org/），空间分辨率1000 m，时间分辨率1 a。利用阿克苏河流域农田区域数据对上述气象要素数据进行空间掩膜提取，获得2002—2022年研究区农田范围内的气象要素时空分布数据集（表1）。

2.2 研究方法

2.2.1 WUEc计算方法

WUEc计算公式为:
W U E c = G P P c E T c
式中：WUEc为农田水分利用效率（g C·mm-1·m-2）；GPPc为农田总初级生产力（g C·m-2）；ETc为农田蒸散发（mm）。

2.2.2 时序分解法

WUEc、GPPc与ETc数据具有趋势性、季节性与波动性等随机分布特征[20]。本文采用时序分解法将WUEc、GPPc与ETc数据依次分解为季节项、趋势项和残差项，取各数据趋势分量进行非线性趋势分析。计算公式为:
Xt(j)=Tt(j)+St(j)+Rt(j)
式中：Xt为t时刻原始WUEc值；j为第j月对应的数据；Tt为t时刻的趋势项值；St为t时刻的季节项值；Rt为t时刻的残差项值，t=1, 2, …, n。

2.2.3 Theil-Sen Median+Mann-Kendall（Sen+MK）法

采用Sen+MK方法对阿克苏河流域GPPc、ETc和WUEc进行空间上的趋势性和显著性检验。其中，Sen方法用来分析GPPc、ETc和WUEc的变化趋势，MK方法用来对GPPc、ETc和WUEc的变化趋势进行显著性检验。
Sen方法的计算公式为：
β = M e d i a n S j - S i j - i ， ∀ j > i
式中：Sj、Si分别为2002—2022年中WUEc第j、i年对应的数据；趋势度结果β>0反映WUEc为增加趋势，β<0则为下降趋势。
MK检验的计算公式为：
Z = S - 1 V a r S , S > 0     0 ,                         S = 0 S + 1 V a r S , S < 0
S = ∑ i = 1 n - 1 ∑ j = i + 1 n s g n x j - x i
s g n x j - x i =     1 , x j > x i     0 , x j = x i - 1 , x j < x i
V a r S = n n - 1 2 n + 5 18
式中：Z为标准化后的检验统计量；S为检验统计量；xj、xi分别为第j、i年对应的数据；n为时序数据的长度（本研究中n=21）。
本文选取a=0.05，a=0.10的显著水平进行显著性检验， Z 1 - α / 2的值分别为±1.96、±2.58。综合β和Z值，将WUEc及其相关因素的变化趋势划分为显著上升、上升、下降、显著下降4类。

2.2.4 赫斯特（Hurst）指数

基于长时间序列的非函数周期分析特性，采用重标极差分析法计算Hurst指数，以预测阿克苏河流域WUEc的未来演变趋势。计算公式为：
R τ S τ = ( c τ ) H
R τ = m a x 1 ≤ t ≤ τ X t , τ - m i n 1 ≤ t ≤ τ X t , τ
S τ = 1 τ ∑ t = 1 τ W U E c - W U E c ¯ 2 1 2 ， τ = 1,2 , ⋯ , n
X t , τ = ∑ t = 1 τ W U E c - W U E c ¯ ，   1 ≤ t ≤ τ
W U E c ¯ = 1 τ ∑ t = 1 τ W U E c ,   τ = 1,2 , ⋯ , n
式中：Rτ为在τ时间段里的极差；Sτ为在τ时间段里的标准差；c为常数；τ为数据的顺序表；Xt,τ为积累离差； W U E c ¯ 为 W U E c 的 平 均 值 。H为Hurst指数，当H>0.5时，表明序列具有持续性特征，未来变化趋势将与历史趋势一致；当H<0.5时，则呈现反持续性特征；当H=0.5时，则表明序列为随机游走过程。

2.2.5 偏相关性分析

本文采用偏相关分析法探究阿克苏河流域WUEc与气象因子和农田植被因子之间的偏相关关系，计算公式为：
r x y , z = r x y - r x z r y z ( 1 - r x z 2 ) ( 1 - r y z 2 )
式中：rxy,z为固定自变量z之后因变量x与自变量y的偏相关系数；rxy为因变量x与y的相关系数；rxz为x和z的相关系数；ryz为y和z的相关系数。

2.2.6 通径分析法

采用通径分析法分析气象因子与农田植被因子对阿克苏河流域WUEc的影响路径。该方法基于多元回归分析法，将相关系数分解为直接作用与间接作用，以此来反映各因素对WUEc的相对重要程度，计算公式如下：
y = a 0 + a 1 x 1 + a 2 x 2 + ⋯ + a n x n
式中：y为因变量；xn为第n个自变量；n为自变量个数；an为y对x的偏回归系数。
根据各自变量间的简单相关系数{r}_{xixj}（i，j≤n）和各自变量与因变量的简单相关系数{r}_{xiy}（i≤n），由公式（9）通过数学变换，可建立正规矩阵方程：
1 r x 1 x 2 ⋯ r x 1 x n r x 2 x 1 1 ⋯ r x 2 x n ⋮ ⋮ ⋱ ⋮ r x n x 1 r x n x 2 ⋯ 1 × P y x 1 P y x 2 ⋮ P y x n = r x 1 y r x 2 y ⋮ r x n y
P y x i = a i σ x i σ y ， i = 1,2 , ⋯ , n
式中：{r}_{xixj}（i，j≤n）为xi和xj的相关系数；{P}_{yxi}为直接路径系数，表示变量xj对y的直接影响效应；{r}_{xiy}为因变量的简单相关系数；ai为y对x的偏回归系数； σ x i、σy分别为xi、y的标准差。总影响效应等于直接影响效应加间接影响效应。
为评估农田植被因子间的共线性问题，本研究采用方差膨胀因子（Variance inflation factor，VIF）方法对NDVI、EVI和LAI 3个关键指标进行多重共线性诊断[21]。分析结果显示，各因子的VIF值均低于临界值10（NDVI=2.75，EVI=2.82，LAI=2.86），表明所选植被因子间不存在显著的多重共线性问题。这一结果验证了各解释变量具有较好的独立性，能够满足路径分析的基本假设要求，确保后续WUEc驱动机制分析的可靠性。此外，各因子的VIF值均控制在3.0以下，进一步说明植被因子间的线性相关性较弱，不会对WUEc的路径分析结果产生显著影响。

3 结果与分析

3.1 GPPc、ETc与WUEc时空格局

3.1.1 时间变化特征

采用时序分解法对2002—2022年阿克苏河流域的GPPc、ETc和WUEc时间序列进行分解（图2），基于趋势项的分析结果表明，GPPc整体呈增长趋势，年均增长速率为0.6 g C·m-2·a-1，21 a累计增加12.6 g C·m-2（图2a），区域Ⅰ（0.64 g C·m-2·a-1）、区域Ⅱ（0.82 g C·m-2·a-1）、区域Ⅲ（0.36 g C·m-2·a-1）年均增长速率较快；ETc整体呈增长趋势，年均增长速率为0.3 mm·a-1，21 a累计增加7.7 mm（图2b），区域Ⅰ（0.35 mm·a-1）、区域Ⅱ（0.52 mm·a-1）、区域Ⅲ（0.39 mm·a-1）年均增长速率较快；WUEc整体呈下降趋势，年均下降速率为0.02 g C·mm-1·m-2·a-1，21 a累计减少0.42 g C·mm-1·m-2·a-1（图2c），区域Ⅴ年均下降速率最快为0.038 g C·mm-1·m-2·a-1。
图2 2002—2022年阿克苏河流域GPPc、ETc、WUEc的STL分解趋势项斜率

注：GPPc为农田总初级生产力；ETc为农田蒸散发；WUEc为农田水分利用效率；STL为时序分解法；R2为决定系数。下同。

Fig. 2 Slope of the trend component of GPPc, ETc, and WUEc decomposed by STL in the Aksu River Basin from 2002 to 2022

2002—2022年阿克苏河流域GPPc、ETc、WUEc年内变化过程特征见图3。结果表明，阿克苏河流域GPPc与ETc年内变化均呈典型的单峰型分布（图3a~b），峰值均出现在8月，多年平均值分别为79.40 g C·m-2和47.66 mm。从季节变化来看，冬季（12月到次年2月）和初春（3月）GPPc和ETc维持在较低水平，其中GPPc普遍低于15 g C·m-2，ETc普遍低于10 mm。WUEc年内变化呈显著的双峰型分布（图3c），峰值分别出现在4月和10月，普遍高于3.5 g C·mm-1·m-2，而冬季和初春则维持在较低水平，普遍低于0.5 g C·mm-1·m-2。从整体时间变化趋势来看，2002—2022年阿克苏河流域GPPc与ETc在农作物的生长季（4—10月）整体呈增加趋势，而WUEc在农作物的生长季整体呈下降趋势，这可能与气候变化背景下ETc的增加速率快于GPPc有关。
图3 2002—2022年阿克苏河流域GPPc、ETc、WUEc年内变化

Fig. 3 Interannual variations of GPPc, ETc, and WUEc in the Aksu River Basin from 2002 to 2022

3.1.2 GPPc、ETc和WUEc空间变化特征

2002—2022年阿克苏河流域WUEc、GPPc和ETc的空间分布特征均呈现显著的西北高、东南低的梯度分布格局（图4a~c）。区域Ⅰ的GPPc、ETc和WUEc指标最高，分别为542.2 g C·m-2、249.3 mm、2.2 g C·mm-1·m-2；区域Ⅴ的GPPc、ETc和WUEc指标最低，分别为307.7 g C·m-2、167.9 mm、1.9 g C·mm-1·m-2（图4d~f）。趋势分析表明：GPPc在整个流域范围内普遍呈现显著上升趋势，上升区域面积占比达80.1%，其中区域Ⅰ和Ⅱ的上升速率最为显著；ETc变化趋势与GPPc相似，69.4%的区域表现为显著上升趋势，但上升幅度相对较小。WUEc在60.3%的研究区域内呈现下降趋势，其中21.0%的区域达到显著下降水平，主要集中分布在流域西北部的区域Ⅰ和区域Ⅱ（图4g~l）。这种显著的空间分异特征可能主要受流域内的水热条件、土壤特性以及农业管理措施的空间异质性共同驱动，反映出干旱区绿洲农业生态系统生产力与水分利用效率的典型空间分布模式。
图4 2002—2022年阿克苏河流域GPPc、ETc、WUEc空间分布与变化趋势

Fig. 4 Spatial distributions and trends of GPPc, ETc, and WUEc in the Aksu River Basin from 2002 to 2022

3.2 基于赫斯特指数的WUEc可持续性

基于赫斯特指数的可持续性分析表明，阿克苏河流域WUEc变化呈现显著的空间异质性（图5）。流域整体赫斯特指数均值为0.51（范围0.18~0.81），显示弱持续性特征，其中区域Ⅱ最高（0.57），区域Ⅴ最低（0.46）。结合Sen斜率分析发现：流域40%区域呈退化趋势（持续退化21%、未来退化19%），51%区域呈改善趋势（持续改善25%、未来改善26%），9%区域保持稳定。空间上，西北部（区域Ⅰ、Ⅱ）退化显著（持续退化占比58%~64%），中部（区域Ⅲ、Ⅴ）退化与改善相当（各约50%），东南部（区域Ⅳ）以改善为主（合计60%）。
图5 2002—2022年阿克苏河流域WUEc可持续性特征

Fig. 5 Characteristics of WUEc sustainability in the Aksu River Basin from 2002 to 2022

3.3 多驱动因子协同作用路径

3.3.1 气象因子对WUEc影响

阿克苏河流域WUEc与气候因子的偏相关分析表明（图6），WUEc与气温（r=-0.32）和饱和水气压差（VPD，r=-0.14）主要呈负相关关系，负相关区域占比分别达77%和80%，与气温的负相关性呈现由南向北逐渐增强的空间格局；与降水主要呈正相关（r=0.17），正相关区域占比达87%，相关系数集中在-0.03~0.26之间。从各区域来看，气温与WUEc的负相关在区域Ⅰ~Ⅲ最为显著（负相关占比>90%），降水与WUEc的正相关在区域Ⅰ、Ⅲ~Ⅴ表现突出（正相关占比>80%），VPD与WUEc的负相关在区域Ⅰ、Ⅲ、Ⅴ占主导（负相关占比>80%），而在区域Ⅱ、Ⅴ则呈现正负均衡分布（正相关占比分别为54%和48%）。
图6 2002—2022年WUEc与气象因子偏相关性分析的空间分布

注：图d~f中，红色部分代表正偏相关系数占比，绿色部分代表负偏相关系数占比。T为气温；Pre为降水；VPD为饱和水气压差。下同。

Fig. 6 Spatial distributions of the partial correlation analysis between WUEc and meteorological factors from 2002 to 2022

3.3.2 农田植被因子对WUEc影响

阿克苏河流域WUEc与农田植被因子的偏相关分析表明（图7），WUEc与NDVI（r=0.11）和EVI（r=0.17）主要呈正相关关系，正相关区域占比分别为60%和58%；与LAI则呈显著负相关（r=-0.43），负相关区域占比高达89%。从各区域来看，NDVI正相关在区域Ⅰ（74%）和Ⅱ（83%）表现突出，其他区域正负相关比例相近（正相关占比56%~59%）；EVI正相关在各区域占比稳定（57%~71%），以区域Ⅲ最高（71%）；LAI负相关在各区域均占主导（83%~94%），其中区域Ⅰ最为显著（94%）。值得注意的是，LAI负相关高值区（r=-0.30~-1.00）占流域总面积的67%，而正相关区仅占11%，表明LAT对WUEc的抑制作用具有普遍性。
图7 2002—2022年WUEc与植被因子偏相关性分析的空间分布

注：NDVI为归一化植被指数；EVI为增强型植被指数；LAI为叶面积指数。下同。

Fig. 7 Spatial distributions of the partial correlation analysis between WUEc and vegetation factors from 2002 to 2022

3.3.3 多因子协同影响路径

通径分析结果表明（图8），气象和植被因子对阿克苏河流域WUEc的影响路径存在显著差异。气温表现出最强的负向综合影响（综合影响系数为-0.75），通过直接效应（-0.34）和间接调控GPPc与ETc（-0.41）共同作用；LAI次之（-0.65），主要经由直接影响（-0.43）和抑制ETc（-0.40）降低WUEc，但其促进光合的作用部分抵消了负面影响。降水对WUEc呈现全面正向效应，而VPD则通过直接（-0.20）和间接途径（-0.24）共同抑制WUEc。值得注意的是，NDVI（-0.07）和EVI（0.13）因对GPPc和ETc的相反作用机制而表现出较弱的净效应。
图8 WUEc同气象因子与农田植被因子的通径分析

Fig. 8 Path analysis of WUEc with meteorological factors and cropland vegetation factors

4 讨论

本文系统揭示了2002—2022年阿克苏河流域WUEc时空格局和多因子协同作用路径。流域多年平均WUEc为2.1 g C·mm-1·m-2，整体以0.02 g C·mm-1·m-2·a-1的速率显著下降（P<0.05），该结论与已有新疆南疆地区研究结果基本一致[22-23]。这种下降趋势主要源于气候变化背景下ETc的增加速率（0.3 mm·a-1）显著高于GPPc（0.6 g C·m-2·a-1），可能的机制为：CO2施肥效应促进的GPPc增幅不足以抵消高温引起的ETc增加；年内变化呈现典型的双峰特征，峰值出现在4月（春季作物萌发期）和9—10月（冬小麦生长期），WUEc普遍超过3.0 g C·mm-1·m-2，这与作物物候和气候季节变化密切相关，即春季低温抑制ETc而秋季作物持续生长共同导致WUEc升高。以上认识可为理解干旱区农业生态系统对气候变化的响应机制提供新的依据。
从驱动因素和协同作用路径看，阿克苏河流域WUEc变化是多因素综合作用的结果。气温与LAI是影响流域WUEc变化的主导因素，且都对WUEc产生负向影响。已有研究表明，WUEc对气温的响应存在阈值效应，过高或过低都会对WUEc产生不利影响[24]。气温过低时，植物进行光合作用的酶活性降低，减少GPPc的合成；气温过高时，植被叶片气孔关闭，减少了CO2的进入，抑制了植物GPPc的合成，但叶片气孔的蒸腾速率增加，从而导致WUEc降低[25]。对于阿克苏河流域而言，气温所产生的负向效应主要源于生长季昼夜温差增大导致叶片固碳能力提升幅度（0.6 g C·m-2·a-1）低于蒸腾速率增加（0.3 mm·a-1），这与已有温度阈值效应研究一致[26]。LAI是反映农作物生长情况的重要特征参数之一，一方面，LAI能直接影响GPPc与环境水汽交换的阻力大小；另一方面影响农作物冠层内部的光分布状况，间接对GPPc和ETc产生影响，从而对WUEc产生影响[27]。对于阿克苏河流域而言，LAI所产生的负向效应原因可能是2002—2022年流域LAI呈上升趋势，LAI上升的同时使农业用水需求增加，而该流域位于干旱区，地表蒸发大，传统的地表渠系灌溉加剧了叶片表面积水分的蒸发，导致农田实际耗水量增加，使得农作物叶片进行光合作用的速率小于叶片蒸腾的速率，进而引起了WUEc下降。除了主要影响因素外，降水、VPD、NDVI、EVI等均会直接或间接对WUEc起到一定抑制或促进作用。例如，降水可以通过降低农作物气孔导度，减少ETc，从而提高WUEc；VPD的上升会抑制植物的光合作用，致使WUE降低[28-29]。
总体而言，水分是导致阿克苏河流域WUEc偏低的主要因素。通过建设沟渠、挡沙墙等水土保持工程，可遏制水土流失、抑制地表蒸发，让农作物更高效地汲取水分；这些工程还能提升土壤的入渗与蓄水能力，进一步加速农作物生长并优化WUEc。同时，也可以推广农业灌溉方法如地下滴灌、微喷灌与渗灌等用以减少水资源浪费以及提高WUEc。

5 结论

（1） 时间尺度上，阿克苏河流域WUEc以0.02 g C·mm-1·m-2·a-1的速率显著下降，主要源于ETc增幅（0.3 mm·a-1）超过GPPc增幅（0.6 g C·m-2·a-1）。年内GPPc和ETc均呈单峰型分布（8月峰值），而WUEc呈现独特的双峰特征（4、10月峰值），反映了作物物候与气候季节变化的耦合效应。
（2） 空间格局上，阿克苏河流域WUEc、GPPc、ETc整体上呈西北高、东南低的空间分异特征，90%以上区域的GPPc和ETc呈上升趋势，而60.3%区域的WUEc呈下降趋势，其中西北部（区域Ⅰ、Ⅱ）退化最为显著（持续退化面积占比58%~64%）。
（3） 气温与LAI是影响WUEc的主要因素，均对WUEc产生负向影响。气温主要通过抑制GPPc（气孔关闭效应）发挥作用，而LAI则通过促进ETc（蒸腾增强效应）产生影响，表明干旱区农业生态系统对气候变化响应存在双重胁迫机制。

References

Publishing order | Descend order by publishing year | Descend order by cited within
[1]
刘婵, 刘冰, 赵文智, 等. 黑河流域植被水分利用效率时空分异及其对降水和气温的响应[J]. 生态学报, 2020, 40(3): 888-899.

[Liu Chan, Liu Bin, Zhao Wenzhi, et al. Temporal and spatial variability of water use efficiency of vegetation and its response toprecipitation and temperature in Heihe River Basin[J]. Acta Ecologica Sinica, 2020, 40(3): 888-899.]

[2]
Cao R C, Hu Z M, Jiang Z Y, et al. Shifts in ecosystem water use efficiency on China’s Loess Plateau caused by the interaction of climatic and biotic factors over 1985—2015[J]. Agricultural and Forest Meteorology, 2020, 291: 108100, doi: 10.1016/j.agrformet.2020.108100.

[3]
Hatfield J L, Dold C. Wateruse efficiency: Advances and challenges in a changing climate[J]. Frontiers Plant Science, 2019, 10: 1-14.

DOI

[4]
Terán P C, Naz B S, Graf A, et al. Rising water-use efficiency in European grasslands is driven by increased primary production[J]. Communications Earth & Environment, 2023, 4: 95, doi: 10.1038/s43247-023-00757-x.

[5]
张沛, 龙爱华, 海洋, 等. 1988—2015年新疆农业用水时空变化与政策驱动研究: 基于农作物水足迹的统计分析[J]. 冰川冻土, 2021, 43(1): 242-253.

DOI

[Zhang Pei, Long Aihua, Hai Yang, et al. Spatiotemporal variations and driving forces of agricultural water consumption in Xinjiang during 1988—2015: Based on statistical analysis of crop water footprint[J]. Journal of Glaciology and Geocryology, 2021, 43(1): 242-253.]

[6]
Kang R, Zhu B, Zhang Z X, et al. Dissecting the characteristics and driver factors of potential vegetation water use efficiency in China[J]. Science of the Total Environment, 2024, 953: 176174, doi: 10.1016/j.scitotenv.2024.176174.

[7]
利辉, 刘铁军, 王少慧, 等. 2001—2021年内蒙古荒漠草原水分利用效率时空变化特征及影响因素研究[J]. 干旱区地理, 2024, 47(6): 993-1003.

DOI

[Li Hui, Liu Tiejun, Wang Shaohui, et al. Spatial and temporal variation of water use efficiency and its influencing factors in desert steppe of Inner Mongolia from 2001 to 2021[J]. Arid Land Geography, 2024, 47(6): 993-1003.]

DOI

[8]
Liu S H, Xue L, Xiao Y, et al. Dynamic process of ecosystem water use efficiency and response to drought in the Yellow River Basin, China[J]. Science of the Total Environment, 2024, 934: 173339, doi: 10.1016/j.scitotenv.2024.173339.

[9]
Zhou X, Ao Y, Jiang X, et al. Water use efficiency of China’s karst ecosystems: The effect of different ecohydrological and climatic factors[J]. Science of the Total Environment, 2023, 905: 167069, doi: 10.1016/j.scitotenv.2023.167069.

[10]
Lin S, Wang G, Hu Z, et al. Contrasting response of growing season water use efficiency to precipitation changes between alpine meadows and alpine steppes over the Tibetan Plateau[J]. Agricultural Water Management, 2023, 289: 108571, doi: 10.1016/j.agwat.2023.108571.

[11]
Tian F, Yang J H, Du R H, et al. Sustained vegetation greening enhanced ecosystem wateruse efficiency in the Loess Plateau of China in recent 20 years[J]. Ecological Engineering, 2022, 184:106768, doi: 10.1016/j.ecoleng.2022.106768.

[12]
Lin W, Mo X G, Liu S X, et al. Attributing the changes of grass growth, water consumed and water use efficiency over the Tibetan Plateau[J]. Journal of Hydrology, 2021, 598: 126464, doi: 10.1016/j.jhydrol.2021.126464.

[13]
Du X Z, Zhao X, Zhou T, et al. Effects of climate factors and human activities on the ecosystem water use efficiency throughout northern China[J]. Remote Sensing, 2019, 11(23): 2766, doi: 10.3390/rs11232766.

[14]
Sun S B, Song Z L, Wu X C, et al. Spatio-temporal variations in water use efficiency and its drivers in China over the last three decades[J]. Ecological Indicators, 2018, 94: 292-304.

DOI

[15]
Guo L M, Shan N, Zhang Y G, et al. Separating the effects of climate change and human activity on water use efficiency over the Beijing: Tianjin sand source region of China[J]. The Science of the Total Environment, 2019, 690: 584-595.

DOI

[16]
Yu H, Li S, Ding J, et al. Water use efficiency and its drivers of two typical cash crops in an arid area of northwest China[J]. Agricultural Water Management, 2023, 2-87: 108433, doi: 10.1016/j.agwat.2023.108433.

[17]
Tian F, Zhang Y, Lu S. Spatial temporal dynamics of cropland ecosystem water use efficiency and the responses to agricultural water management in the Shiyang River Basin, northwestern China[J]. Agricultural Water Management, 2020, 237: 106176, doi: 10.1016/j.agwat.2020.106176.

[18]
魏光辉, 李江, 巴音达拉, 等. 阿克苏河流域水资源开发利用探析[J]. 水利技术监督, 2024(6): 49-51.

[Wei Guanghui, Li Jiang, Ba Yindala, et al. Problems, challenges, and countermeasures for the development and utilization ofwater resources in Aksu River Basin[J]. Technical Supervision in Water Resources, 2024(6): 49-51.]

[19]
王福红, 夏咏. 干旱区主要农作物生产时空格局演化及影响因素分析——以新疆地区为例[J]. 干旱区地理, 2025, 48(3): 444-454.

DOI

[Wang Fuhong, Xia Yong. Spatio-temporal pattern evolution and influencing factors of main crops production in arid region: A case of Xinjiang[J]. Arid Land Geography, 2025, 48(3): 444-454.]

DOI

[20]
赵轶琳, 刘文丰, 李政, 等. 基于STL时序分解的天然径流演变规律与影响因素分析[J]. 水利学报, 2025, 56(2): 216-226, 239.

[Zhao Tielin, Liu Wenfeng, Li Zhen, et al. Analyses of the evolution and influencing factors of natural runoff in China based on STL decomposition[J]. Journal of Hydraulic Engineering, 2025, 56(2): 216-226, 239.]

[21]
Yi X, Wang Y, Gao C, et al. The dynamic driving mechanisms of wetland change from an asynchrony: Spatiotemporal perspective: A case study in Pearl River Delta, China[J]. Ecological Informatics, 2025, 86: 102979, doi: 10.1016/j.ecoinf.2024.102979.

[22]
邹杰, 丁建丽, 杨胜天. 近15年中亚及新疆生态系统水分利用效率时空变化分析[J]. 地理研究, 2017, 36(9): 1742-1754.

DOI

[Zou Jie, Ding Jianli, Yang Shengtian. Spatial and temporal variation analysis of ecosystem water use efficiency in Central Asia and Xinjiang in recent 15 years[J]. Geographical Research, 2017, 36(9): 1742-1754.]

[23]
高晓宇, 郝海超, 张雪琪, 等. 中国西北干旱区植被水分利用效率变化对气象要素的响应——以新疆为例[J]. 干旱区地理, 2023, 46(7): 1111-1120.

DOI

[Gao Xiaoyu, Hao Haichao, Zhang Xueqi, et al. Responses of vegetation water use efficiency to meteorological factors in arid areas of northwest China: A case of Xinjiang[J]. Arid Land Geography, 2023, 46(7): 1111-1120.]

DOI

[24]
周雄, 孙鹏森, 张明芳, 等. 西南高山亚高山区植被水分利用效率时空特征及其与气候因子的关系[J]. 植物生态学报, 2020, 44(6): 628-641.

DOI

[Zhou Xiong, Sun Pengsen, Zhang Mingfang, et al. Spatio-temporal characteristics of vegetation water use efficiency and their relationships with climatic factors in alpine and subalpine area of southwestern China[J]. Chinese Journal of Plant Ecology, 2020, 44(6): 628-641.]

DOI

[25]
Wei S, Chu X, Sun B, et al. Climate warming negatively affects plant water use efficiency in a seasonal hydroperiod wetland[J]. Water Research, 2023, 242: 120246, doi: 10.1016/j.watres.2023.120246.

[26]
位贺杰, 张艳芳, 董孝斌, 等. 渭河流域植被WUE遥感估算及其时空特征[J]. 自然资源学报, 2016, 31(8): 1275-1288.

DOI

[Wei Hejie, Zhang Yanfang, Dong Xiaobin, et al. Estimating the spatio-temporal characteristic of vegetation water use efficiency over Weihe River Basin[J]. Journal of Natural Resources, 2016, 31(8):1275-1288.]

DOI

[27]
Duncan W G. Leaf angles, leaf area, and canopy photosynthesis[J]. Crop Science, 1971, 11(4): 482-485.

DOI

[28]
Zhang Y C, Piao S L, Sun Y, et al. Future reversal of warming enhanced vegetation productivity in the northern Hemisphere[J]. Nature Climate Change, 2022, 12: 581-586.

DOI

[29]
肖春旺. 模拟降水量对毛乌素沙柳幼苗蒸发蒸腾的潜在影响[J]. 草地学报, 2001, 9(2): 121-127.

DOI

[Xiao Chunwang. Potential effect of simulated precipitation change on the evapotranspiration of Salix psammophylla seedlings in Maowusu Sandland[J]. Acta Agrestia Sinica, 2001, 9(2): 121-127.]

DOI

Options
Outlines

/

〈 〉