摘要
在美国传统上不进行灌溉的玉米带地区，农业灌溉正在稳步扩大。这一地区是全球玉米和大豆生产的重要区域。虽然灌溉可以提高作物产量并缓解天气变化对产量的影响，但其大量的水资源消耗对区域水文系统产生了影响。了解灌溉扩张的空间动态及其对作物产量的影响对于管理农业生产、农场经济和全球变化下的水资源至关重要。然而，该地区缺乏关于灌溉效果的官方数据。幸运的是，现在可以利用卫星数据来追踪每年的灌溉活动和田间作物健康状况。首先，我们分析了1997年至2017年间美国玉米带各子田级（30米）的年度灌溉地图，以识别灌溉扩张的模式。然后，我们利用年度30米作物产量地图，采用机器学习因果推断方法来量化灌溉对产量的影响。研究发现，灌溉主要发生在现有的灌溉系统附近以及生产力较低、排水速度较快的土壤上。平均而言，灌溉使玉米和大豆的产量分别增加了12.6%和7.9%，尤其是在质量较差的土壤和干旱天气条件下效果更为显著。在我们的研究期间，灌溉的好处有所增加，这可能是由于作物品种和管理方式的改变。综上所述，预计该地区的灌溉将进一步扩张，需要进一步的研究来为促进可持续发展的实践和政策提供依据。
**通俗语言摘要**
在美国玉米带地区，灌溉正在增加。这一地区以成功种植玉米和大豆而闻名。虽然灌溉可以帮助农民提高产量并在恶劣天气条件下确保收成，但它也消耗大量水资源，并可能影响区域水资源。为了确保可持续增长，了解灌溉的扩展范围及其对作物生产的影响非常重要。然而，由于该地区历史上灌溉活动较少，官方的作物统计数据并未分别记录灌溉和未灌溉作物的产量。因此，我们使用卫星数据研究了1997年至2017年间玉米带的灌溉情况。结果显示，农民更倾向于在现有灌溉区附近以及生产力较低、排水速度较快的土壤上安装灌溉设施。玉米和大豆的产量平均提高了约10%，在质量较差的土壤和干旱年份甚至获得了更大的收益。我们得出结论，这一地区的灌溉可能会继续扩张，需要进一步的研究来为促进可持续发展的实践和政策提供依据。
**1 引言**
全球大约20%的农田上实施了人工灌溉系统（McDermid等人，2023年）。通过为作物提供额外水分，灌溉平均可将作物产量提高一倍（Rosa，2022年），通过将作物表现与天气分离来减少产量波动（Troy等人，2015年），并在无法依赖雨水灌溉的地区实现农业生产。灌溉范围是动态变化的；全球范围内，灌溉面积从1900年的6300万公顷增加到2005年的3.06亿公顷，再到2019年的3.41亿公顷（Rosa，2022年；Siebert等人，2015年）。同时，由于水资源不足，一些重要农业地区的灌溉面积正在减少，而广泛的不可持续用水方式使更多地区面临未来灌溉减少的风险（Deines等人，2020年；Elliott等人，2014年；Mehta等人，2024年）。继续在传统上依赖雨水的地区进行灌溉，同时利用充足的水资源，是提高现有农田生产力、满足不断增长的食品、纤维和生物燃料需求的关键途径，同时尽量减少新土地转为农业用途（Rosa，2022年；Rosa等人，2020年；Smidt等人，2019年；Zhu & Burney，2022年）。尽管对未来灌溉范围的预测存在许多不确定性，但目前合理的估计是到2050年灌溉面积可能达到2.4亿至8亿公顷（Puy等人，2020年）。在美国，灌溉农田主要集中在干旱和半干旱的西部和中部地区，占全国灌溉总面积的约四分之三（NASS，2025年）。然而，最近的灌溉扩张集中在东部地区（Xie & Lark，2021年）。例如，根据1997年至2022年的全国统计数据（NASS，2025年），中部和东部玉米带的灌溉面积增加了73%，而连同该地区在内的本土美国的灌溉面积减少了5.1%（2190万公顷至2080万公顷；图1a和1c）。尽管如此，2022年这一部分玉米带的灌溉面积仅占3.3%（NASS，2025年），因此全球玉米和大豆的主要产出自主要依赖雨水的田地。研究表明，该地区的灌溉可能会继续扩张，需要进一步的研究来为促进可持续发展的实践和政策提供依据。
**2 方法**
**2.1 研究区域**
我们的研究集中在美国中部玉米带的七个州，这些地区传统上依赖雨水灌溉（图1）。该地区的气候类型为夏季炎热至温暖湿润，主要被认为是湿润或亚湿润的（Peel等人，2007年；Zomer等人，2022年）。这些州以半干旱气候为主，因此已经建立了广泛的灌溉系统，或者雨水灌溉的产量通常较低。研究区域的农业主要以玉米-大豆轮作为主，在研究期间分别占美国玉米和大豆总产量的约62%和57%（NASS，2025年）。虽然该地区的灌溉规模不大，但近几十年来一直在持续增长。在研究开始时（1997年），灌溉面积估计为77万公顷，占农田的2%。根据2017年的美国农业部农业普查数据，这一数字增长到了127万公顷，占农田的3.1%（NASS，2025年）。根据2017年的美国农业部农业普查，该地区的灌溉主要用于玉米（占灌溉面积的52%），其次是大豆（24%）和蔬菜作物（12%；图2a）。相比之下，玉米和大豆在总农田中的占比分别为46%和44%（图2a）。
**2.2 数据**
**2.2.1 卫星衍生的农业地图**
我们使用公开可用的Landsat基础灌溉数据集（LANID）（Xie等人，2021年；Xie & Lark，2021年）来识别每年灌溉的位置。该数据集提供了1997年至2017年美国本土30米分辨率的年度灌溉地图（图1a和2b）。数据集的完整方法论及其存储位置可以在Xie等人（2021年）的研究中找到。简而言之，LANID利用机器学习根据Landsat卫星数据生成的植被指数来解释年度灌溉状况，并通过与USDA统计数据的对比进行了验证（总体R²=0.95），在美国玉米带的准确率达到90%。除了获取年度灌溉状况外，我们还提取了每个像素首次被分类为灌溉的年份（如果有的话），以追踪灌溉扩张情况（例如，图2b）。我们考虑了在时间序列的前三年内任何时候被灌溉的像素，以考虑闲置年份或1997-1998年可能的遗漏错误。在作物产量方面，我们使用了之前发布的玉米（Deines等人，2021年）和大豆（Dado等人，2020年）的产量地图，这些地图覆盖了研究区域，分辨率为30米，数据来源于可扩展作物产量映射器（SCYM）算法（Jin等人，2017年；Lobell等人，2015年）自1999年以来的结果。简而言之，SCYM根据卫星衍生的植被指数估计每个像素的产量，这些指数是基于作物物候、天气和产量输出之间的统计关系建立的，而这些关系是通过特定区域的作物模型模拟得到的。通过对2008-2018年间超过一百万个独立的实地真实数据点的评估，这些地图分别捕捉到了40%和27%的玉米和大豆的像素级产量变化，以及69%和63%的县级汇总产量（Dado等人，2020年；Deines等人，2021年）。值得注意的是，尽管存在一些误差，SCYM能够捕捉到对管理和环境变化的线性和非线性响应，包括在SCYM算法中未使用的变量，如种植密度和土壤性质，这表明了其在评估管理决策对产量结果影响方面的应用（Deines等人，2021年）。
2.2.2 采样方法
我们设计了一种采样方法，以捕捉研究期间新灌溉的田地，并生成一个密集的非灌溉地点样本，为我们的分析提供可比的对照组（非灌溉田地），该方法通过相似性对对照组进行统计加权（见第2.3节）。使用1997-2017年的LANID年度灌溉地图，我们首先排除了仅在一年中被分类为灌溉的所有像素，以减少错误的分类。然后根据表1中提供的标准，我们定义并采样了四个类别：(a) 已存在并持续灌溉的田地（使用1997-1999年的多年缓冲区来捕捉可能在这几年中没有进行过活跃灌溉的地点）；(b) 扩展灌溉的田地（即那些在2000年或之后首次被LANID标记为灌溉的田地）；(c) 随机降雨依赖的田地（从未灌溉的田地）；(d) 通过邻近性配对的国际降雨依赖田地。虽然一个在2000年首次灌溉的像素可能在1996年或之前就已经被灌溉过，但由于该地区一般不缺水，且灌溉成本低于需要从深层含水层抽水的地区，我们认为这种情况不太可能发生。因此，我们假设如果一个田地在1997年之前已经具备了灌溉条件，那么经营者至少会在1997年至1999年之间进行了一次灌溉。新灌溉的田地是根据Yan和Roy（2016年）中提到的地区田地大小标准，识别出的连接像素群大于75像素（6.75公顷）且在第一年进行过灌溉的田地，并且我们发现结果对所选的大小阈值并不敏感（支持信息S1中的文本S1）。按类别划分的样本地点和关键特征可以在图3和表1中找到。表1列出了从1997-2017年年度灌溉地图数据集中提取的三个灌溉类别的采样设计和标准。
2.3 分析
2.3.1 与灌溉扩展相关的因素
我们使用逻辑回归评估了与灌溉扩展相关的田地特征。尽管采用新做法的决定受到社会、经济和生物物理因素的影响（Asprooth等人，2023年；Baumgart-Getz等人，2012年；Prokopy等人，2019年），但在这里我们关注的是通过第2.2.2节中确定的区域数据集可以获取的生物物理田地特征。虽然“与灌溉的邻近性”确实反映了社会网络效应的一个方面，但我们的分析缺乏关于农民的高分辨率社会和经济数据，因为这些数据没有公开可用。对于这项分析，我们考虑了所有被识别的“扩展灌溉”田地样本，以及随机的和通过邻近性配对的“从未灌溉”样本（表1）。在逻辑回归中，我们将从未灌溉的田地设定为“0”结果，将扩展灌溉的地点设定为“1”结果。然后我们使用R语言默认统计包中的“scale”函数，对代表邻近性的变量（与现有灌溉的邻近性、与溪流的邻近性以及与地下水的邻近性）、气候标准（7月的蒸汽压 deficit (VPD) 和6月至8月的降水量 (PPT)）以及土壤质量（土壤水力传导率 (Ksat)）进行了标准化处理。六个协变量之间的成对相关性较低，范围从 r = −0.28 到 r = 0.24（支持信息S1中的图S1）。逻辑回归是使用同一包中的“glm”函数实现的，家族参数设置为“binomial”。我们通过指数化模型系数来报告每个显著协变量的优势比（alpha = 0.05）。因此，优势比等于1表示协变量与结果（灌溉）之间没有关联，而优势比大于（小于）1表示基于协变量增加一个单位（这里是一个标准差）时，灌溉的可能性更大（更小）。我们基于轮廓似然方法得出了优势比的95%置信区间。
2.3.2 灌溉收益的估算
2.3.2.1 因果森林概述
我们使用因果森林（Athey等人，2019年）量化了研究区域的灌溉收益，这是一种基于机器学习的因果推断方法，专门用于在观察数据中稳健地估计处理效果。与随机对照试验不同，我们无法在卫星衍生的监测数据集中随机分配处理状态（灌溉）。因此，我们需要考虑处理状态与其他观察或未观察到的因素相关的可能性，这些因素也会影响结果（作物产量）。例如，如果农民更倾向于灌溉土壤质量较差的田地，那么灌溉田地与非灌溉田地之间的简单产量比较会被土壤质量所混淆，无法分离出灌溉的产量效应。因果森林通过将每个处理结果与根据相似性加权的对照组进行比较来解决这一挑战，从而作为一种自适应核方法，使用每个田地在协变量空间中的最近邻居来生成在替代管理实践下的反事实产量估计（Athey等人，2019年；Wager & Athey，2018年）。此外，因果森林使用了一种“双重稳健”的处理估计方法，包括处理倾向加权（这里是指田地被灌溉的可能性）和基于预测结果的回归调整（这里是指产量模型）。由于它们是通过适应经典的随机森林算法（Breiman，2001年）实现的，因果森林还能够检测许多协变量之间的复杂和非线性关系，并且特别适合分析处理效果的异质性（Athey & Imbens，2016年；Belgiu & Drăgu，2016年），通常在这种任务上表现优于传统的计量经济学方法（Baiardi & Naghi，2024年；Strittmatter，2023年）。最近的研究已将因果森林应用于卫星数据，以了解农业管理实践（包括覆盖作物、保护性耕作和轮作）对产量的影响（Cambron等人，2024年；Deines等人，2023年；Deines, Wang, & Lobell，2019年；Kluger等人，2022年；J. Zhou等人，2024年）。因果森林在农业应用中的表现与差异-in-difference计量经济学方法相当（Wong等人，2026年）。
2.3.2.2 样本准备
在这里，我们使用R语言中的grf包（Tibshirani等人，2018年）分别对玉米和大豆进行了因果森林分析。从101,240个地点的完整点样本中，我们首先根据SCYM产量地图提取了所有种植了玉米或大豆的年度样本（排除了休耕年份或种植了其他轮作作物如小麦的年份）。我们使用了当年有 active irrigation（积极灌溉）的所有年度样本作为处理样本，而对于对照组，则考虑了 LANID 数据集中从未进行过灌溉的农田的所有年度样本。对于玉米来说，这导致了 176,634 个处理观测和 364,121 个对照观测；对于大豆来说，分别是 87,570 个和 273,467 个观测。
2.3.2.3 处理倾向子模型的指定
我们在因果森林算法中明确指定了处理倾向子模型，使用 grf 中的 “regression_forest” 函数，仅用静态协变量（例如气候正常值和土壤性质；表 2）来预测处理状态，以捕捉可能影响灌溉安装决策的长期农田属性。倾向模型为每个样本分配一个介于 0 和 1 之间的倾向分数，代表处理的可能性。为了满足因果森林关于重叠的假设，并确保对照观测在协变量空间上与处理观测相当相似（Athey 等人，2019），我们移除了倾向分数小于 0.02 或大于 0.98 的观测。这样最终得到玉米的灌溉样本数量为 135,566 个，非灌溉样本数量为 211,870 个；大豆的灌溉样本数量为 78,562 个，非灌溉样本数量为 176,151 个。
2.3.2.4 预期结果子模型的指定
我们感兴趣的结果是作物产量。因此，因果森林的预期结果子模型本质上是一个使用随机森林回归的统计产量模型。我们在模型中包括了年份变量，以考虑背景产量趋势和其他年份效应。为了优化模型复杂性和计算要求，我们首先在对全部环境协变量中进行变量选择，以识别与每种作物产量相关的最关键变量。为此，我们使用了 “earth” R 包为每种作物构建了多变量自适应回归样条（MARS）模型（Friedman，1991），这是一种适用于高维数据变量选择的非参数回归方法（Bekar Adiguzel & Cengiz，2023）。然后我们在 grf 的 “regression_forest” 函数中使用了 MARS 选择的所有变量来构建产量结果模型。表 2 中列出了为每种作物选择的特定变量及其对每个预期结果模型的相对重要性。
2.3.2.5 因果森林分析
为了估计灌溉的处理效应，我们使用 grf 中的 “causal_forest” 函数和默认参数（包括来自处理倾向和预期结果子模型的组合变量）来进行分析。处理效应是用 grf 中提供的 “doubly robust” 方法计算的。由于我们保留了倾向值接近 0 或 1 的观测，我们使用了 “overlap-weighted” 平均处理效应（ATE）。在使用 grf 中的 “test_calibration” 函数测试并发现处理效应存在异质性后，我们通过主成分分析检查了具有强（最高三分位数）和最小（最低三分位数）处理效应的协变量关系。我们报告了产量处理效应的原始数值（t/ha），以及预期产量结果与实际观测产量之间的百分比变化，这是针对每个单独观测计算得出的。报告百分比变化有助于在不同地理位置（例如，通常高产的玉米带核心区域和边缘低产区域；图 1b）和年份之间标准化灌溉的相对效应。
2.4 使用人工智能工具
我们使用了太平洋西北国家实验室的人工智能孵化器工具来生成手稿的摘要和结论部分的初稿，然后对其进行了广泛的编辑和补充，以提高清晰度和准确性。该人工智能工具依赖于 OpenAI 的 GPT-4o。
3 结果与讨论
3.1 灌溉扩展的模式
基于逻辑回归，所有协变量都与灌溉可能性显著相关，每个术语的 p 值都 <0.0001。与新灌溉地点最相关的因素是接近现有灌溉设施的距离（图 4）。接近现有灌溉设施的距离是主要预测因子，其优势比为 25.5（95% 置信区间：[23.4, 27.9]），比下一个最强预测因子高出一个数量级，表明在其他变量不变的情况下，每增加一个标准差，灌溉的可能性就会增加 25.5 倍。尽管我们的方法论方法无法评估潜在机制，但这可能源于两个非排他的因素。首先，社交网络通常通过提供可观察到的结果来减少不确定性，并为问题提供可信赖的资源，从而促进新做法的采纳，而这些效应随着距离的增加而减弱（Asprooth 等人，2023；Baumgart-Getz 等人，2012；Massfeller & Storm，2024；Wellman，1983）。其次，现有灌溉设施可能是可行性的代理指标，表明这些地点具有足够的水资源和经济激励。下一个最强的预测因子是接近地下水位的位置，其优势比为 1.41（95% 置信区间：[1.37, 1.44]；图 4），也可以被视为灌溉可行性的一个衡量标准。接近溪流的位置的优势比也是正的，但不那么强（1.13；95% 置信区间：[1.11, 1.16]），这表明新灌溉地点不一定依赖可用的地表水资源。
3.1 灌溉扩展的模式
基于逻辑回归，所有协变量都与灌溉可能性显著相关，每个术语的 p 值都 <0.0001。与新灌溉地点最相关的因素是接近现有灌溉设施的距离（图 4）。接近现有灌溉设施的距离是主要预测因子，其优势比为 25.5（95% 置信区间：[23.4, 27.9]），比下一个最强预测因子高出一个数量级，表明在其他变量不变的情况下，每增加一个标准差，灌溉的可能性就会增加 25.5 倍。尽管我们的方法论方法无法评估潜在机制，但这可能源于两个非排他的因素。首先，社交网络通常通过减少不确定性并提供可靠的信息资源来促进新做法的采纳，而这些效应随着距离的增加而减弱（Asprooth 等人，2023；Baumgart-Getz 等人，2012；Massfeller & Storm，2024；Wellman，1983）。其次，现有灌溉设施可能是可行性的代理指标，表明这些地点具有足够的水资源和经济激励。下一个最强的预测因子是接近地下水位的位置，其优势比为 1.41（95% 置信区间：[1.37, 1.44]；图 4），也可以被视为灌溉可行性的一个衡量标准。接近溪流的位置的优势比也是正的，但不是那么强（1.13；95% 置信区间：[1.11, 1.16]），这表明最近的新灌溉地点不一定依赖可用的地表水资源。图 4 在图查看器中打开。
3.2 产量影响
3.2.1 平均处理效应
灌溉使玉米产量平均增加了约 12.6%，平均处理效应（ATE）为 1.53 t/ha（95% 置信区间：[1.49, 1.56]）。条件处理效应存在显著异质性（p < 0.05），玉米产量在样本中的变化范围为 0.2 到 2.6 t/ha，或在样本中的最低和最高三分位数之间变化 1.7% 到 24.6%（图 5a）。对于大豆，灌溉使产量平均增加了 7.9%，平均处理效应（ATE）为 0.29 t/ha（95% 置信区间：[0.28, 0.30]）。同样，处理效应也存在显著异质性（p < 0.05），大豆产量在样本中的变化范围为 0.11 到 0.46 t/ha，或在样本中的最低和最高三分位数之间变化 3.0% 到 14.1%（图 5c）。
基于因果森林分析的灌溉产量效应：(a) 所有玉米观测的处理效应分布；(b) 对产量效应最低和最高三分位数的玉米观测进行主成分分析（PCA）。向量表示每个协变量对轴分离的贡献强度。每个主成分解释的方差显示在轴标题中；(c) 所有大豆观测的处理效应分布；(d) 对产量效应最低和最高三分位数的大豆观测进行 PCA，与面板 (b) 类似。生长季节 = 六月至八月。所有：“最高三分位数” 组（Turquoise）包括具有最强正条件处理效应的观测，而“最低三分位数” 组包括效应最小的观测。对于 (a) 和 (c)，黄线表示平均处理效应。在美国玉米带，这些灌溉所带来的产量效益小于其他灌溉更为普遍的地区。例如，在美国中部半干旱的高原地区，灌溉使产量大约翻倍，从约 6 t/ha 增加到 12 t/ha（Smidt 等人，2016）；而在西部干旱地区，灌溉可以使产量增加多达 10 t/ha（Partridge 等人，2023）。即使在像内布拉斯加州这样灌溉普遍的地区，干旱西部地区的灌溉产量差异也要明显高于湿润的东部地区（约 7.5 t/ha，Zhu & Burney，2022）。玉米带产量差异的减少既与气候有关——大部分生长季节的降雨量足够——也与该地区广泛存在的浅层地下水有关（Deines 等人，2024；Zipper 等人，2016）。尽管如此，通过灌溉控制水分输入的能力使种植者能够在敏感时期或微干旱期间更准确地满足作物的水分需求，从而提高产量，即使在总降雨量足够的年份也是如此（Grassini 等人，2009；Tack 等人，2017）。由于玉米的总水分需求较高（Dietzel 等人，2016；Suyker & Verma，2009），以及玉米的籽粒填充最佳温度较低，灌溉对玉米的处理效应可能高于大豆。此外，因为玉米的临界温度较低（Schlenker & Roberts，2009），灌溉的冷却效应可以减轻高温对玉米的热应激，甚至在某些情况下可以抵消高温的负面影响（Li 等人，2020；Luan 等人，2021）。从景观上看，我们在农民决策中看到了灌溉对玉米的更大影响，尽管两种作物的非灌溉农田面积相对相等，但玉米的灌溉面积占比较高（52% 对 24%；图 2a）。
3.2.2 环境条件下的灌溉效应
处理效应的显著异质性表明，灌溉的产量影响受到土壤和天气等环境条件的调节。我们发现调节灌溉产量效益强度的最强因素是土壤质量。这在因果森林的变量重要性排名中显而易见，其中与土壤相关的变量构成了决定每种作物处理效应的前四个变量（表 2），以及在主成分分析中也是如此。基于玉米和大豆的主成分分析，具有强正效应（最高三分位数）和效应较小的观测（最低三分位数）主要由土壤质量区分，这驱动了第一个主成分（图 5b 和 5d）。更高的产量效益与较低的土壤生产力和较高的土壤水力传导性相关，而产量效益最小的观测则与更富有生产力的土壤和高水分储存能力相关。换句话说，当灌溉应用于高生产力但水分保持能力较低的土壤时，其效益最低。当我们查看按土壤生产力四分位数的条件平均处理效应（CATEs）时，我们发现最低四分位数的玉米和大豆的 CATE 分别为 20.3% 和 11.1%，而最高四分位数的 CATE 分别仅为 6.4% 和 5.3%（图 6a）。Lobell 等人（2020）的研究表明，土壤的水分储存能力差异调节了该地区作物对干旱的敏感性，因为保持降雨期间水分的能力提供了对短期干旱条件的自然缓冲。结合我们的发现，较高的土壤传导性（或较低的水分保持能力）增加了灌溉的可能性，这表明灌溉可能是提高这种地区边际土壤产量表现和稳定性的关键机制，我们预计未来的灌溉扩展也会首先针对具有这些特征的田地，因为投资回报更高。
3.2.2 环境变量对处理效应的异质性影响
(a) 根据国家商品作物生产力指数（NRCS，2016）按土壤生产力四分位数划分的处理效应分布（区间范围和中位数）；(b) 按八月蒸气压差（VPD）划分的处理效应分布。两者均表示条件平均处理效应（CATEs），用 * 标示。与基于第一个主成分的这种总体划分相反，我们还观察到了一组具有强灌溉效益的观测，即使对于生产力较高的土壤也是如此（图 5b 和 5d）。作为大气水分需求的衡量标准，高 VPD 可以通过诱导气孔关闭来影响植物蒸腾作用，从而在水分供应不足时减少光合作用，最终降低作物产量（Anderson 等人，2011；Lobell 等人，2014；Monteith，1995）。实际上，美国玉米带玉米和大豆的总初级生产力变化中有 91% 可归因于 VPD 的变化（Kimm 等人，2020）。这一系列显著的灌溉效果表明，即使在具有较高水分保持能力的土壤上，灌溉也能提供相当大的益处。在大气中的水分需求持续较高的情况下，灌溉使植物能够继续以比自流灌溉的植物更高的速率进行蒸腾作用和光合作用。如果我们根据8月份的VPD（蒸气压差）来看收益效应，我们发现当8月份的VPD小于1千帕时，玉米的CATE（灌溉效益指数）为10.8%，大豆为7.4%（见图6b）。这占了我们研究期间观察结果的约62%。相比之下，当8月份的VPD在2到2.5千帕之间时，CATE分别达到了32%和10%（见图6b）。在我们的研究期间，这种情况只发生了约2%的观察案例，主要集中在2012年的干旱事件中。在美国传统的灌溉区域（例如中部平原），季节性天气也影响了灌溉对玉米和大豆的效益（参见Luan等人的研究，2021年）。最后，当我们按州分析不同的处理效应时，我们发现，在核心的高产“3-I”玉米带州，如爱荷华州、伊利诺伊州和印第安纳州，无论是玉米（CATE=9%）还是大豆（CATE=6.4%），灌溉效益通常都较低（见支持信息S1中的图S2a）。尽管这可能是由于各州管理方式的差异造成的，但这些模式与本节讨论的州级环境变化是一致的。例如，3-I州的土壤通常更好，生长季节的降水量更多，而且浅层地下水更容易被根系利用（参见支持信息S1中的图S2b）。
3.2.3 随时间变化的处理效应
我们发现，根据按年份划分的条件处理效应，玉米和大豆的产量效益在整个研究期间都有所增加（见图7a）。对于玉米来说，灌溉的平均产量效益从研究的前5年（1999-2003年）的5.8%增加到了后5年（2013-2017年）的13.5%。根据按年份划分的条件平均处理效应的线性回归斜率（r2=0.37，p=0.004），这相当于每年平均增加0.71%。大豆的产量效益增长幅度较小，从早期的平均效益5.5%（1999-2003年）增加到8.7%（2013-2017年），即每年约增加0.28%（基于线性回归，r2=0.63，p<0.0001）。图7显示了随时间的变化趋势：(a) 每年玉米（左）和大豆（右）的处理效应年度分布（四分位数范围和中位数）；(b) 年度观测中8月份蒸气压差的分布；虚线红线表示整个研究期间的平均处理效应；(c) 来自USDA农业调查（NASS，2025年）的研究区域各州的平均玉米种植密度。由于土壤性质相对稳定，因此可能导致这种变化的年度天气因素如8月份的VPD可能起了重要作用。然而，虽然我们发现灌溉的产量效益确实随着8月份的VPD的增加而增加（见第3.2.2节和图6b），但我们发现8月份的VPD在整个研究期间只表现出微弱的增长趋势（p<0.05，r2=0.01，斜率=0.0086千帕/年），这主要是由于2012-2013年干旱期间的异常高年份造成的（见图7b）。在我们研究的最后三年（2015-2017年），四分位数分布均低于研究期间的平均VPD值0.9千帕（见图7b）。因此，过去二十年中灌溉效益的增加可能更多是由于管理方式或品种选择的改变。例如，从1999年到2024年，农民采用抗害虫和除草剂的品种的比例从不到25%增加到了超过90%（NASS，2025年）。由于这些特性减少了作物因害虫和杂草造成的产量损失，作物产量可能对水分的依赖性增强了（Klümper & Qaim，2014；Lobell等人，2020）。另一个特定于玉米的因素可能是耐旱品种的增加导致了更高的种植密度，以便在条件不受限制时最大化产量（Assefa等人，2018；Gaffney等人，2015；Lobell等人，2014）。根据USDA的数据，我们观察到整个研究区域的种植密度平均增加了约20%（见图7c）。因此，矛盾的是，耐旱品种的广泛种植虽然增加了作物的水分需求（Assefa等人，2018），但可能反而提高了灌溉的产量回报。
3.3 未来灌溉扩展的压力
目前，在研究区域内，极端水分胁迫的情况相对较少见（例如见图7b），但如果这种频率在未来一个世纪内增加，将为继续或加速灌溉扩展提供强烈的动力。对该地区的预测主要表明降水变异性增加以及温度上升，这会导致VPD的相应增加（Prein等人，2017；Wilson等人，2022；Yang & Wang，2023）。基于我们根据VPD水平估计的平均处理效应，这表明到本世纪中叶，灌溉的产量效益将更大且更广泛，这与该地区的其他研究结果一致（Baule等人，2017；Partridge等人，2023）。这种产量差异的增加主要是由于非灌溉作物在这些条件下的表现下降。针对非灌溉作物的研究显示，玉米带的核心生产区可能会向北转移，或者非灌溉玉米和大豆的产量分别下降40%和22%（Burchfield，2022；Franke等人，2022；Yang & Wang，2023）。同样，其他人估计可能需要多出35%的水资源投入（Ort & Long，2014）或扩大3-6倍的灌溉面积（DeLucia等人，2019），以维持玉米带的产量表现，通常假设不通过品种育种或改进管理来大幅提高作物用水效率。然而，值得注意的是，尽管气候模型总体上捕捉到了（或低估了）全球农业区域的VPD增加，但美国这一地区的实际情况却是一个例外，过去几十年的VPD和温度趋势低于模型预测（Lobell & Di Tommaso，2025）。这种非变暖区域的现象被称为“变暖洞”，可能归因于集约农业的增强蒸发作用、自然天气波动或基于海洋升温的夏季大气环流变化（Alter等人，2018；Meehl等人，2012；Pan等人，2004）。据估计，这一现象使历史上的玉米产量每年增加了5%-10%（Partridge等人，2019）。这种变暖洞可能会持续存在，或者可能会消失，使农民面临更大的天气压力，这在理解和规划美国玉米带的未来影响时仍然是一个关键不确定性（Eischeid等人，2023；Lobell & Di Tommaso，2025；Partridge等人，2019），特别是与灌溉扩展的激励措施相关的方面。未来灌溉扩展的激励措施还将受到品种和管理变化的影响。不断发展的作物类型选择和品种开发可以适应变化的天气条件，正如在当前条件下降达相似总蒸发量时取得的广泛产量结果所示（Basso & Ritchie，2018；Basso等人，2021；Hamilton等人，2015）。由此导致的用水效率提高可能会降低灌溉的预期效益。另一方面，一些适合农业适应性的品种，如生长季节较长的品种，可能会增加水分需求（Lobell & Di Tommaso，2025；Minoli等人，2022），即使在类似的天气条件下也增加了灌溉的需求。该地区大规模灌溉扩展的水文可行性仍然是未来研究的一个未解问题。研究区域的大部分地区覆盖了中西部寒武纪-奥陶纪含水层系统，这些区域已经因非农业用途的过度使用而出现了水资源枯竭（Konikow，2015）。该地区有相当广泛的地表水网络，地下灌溉也被研究过，可以利用该地区的广泛排水系统在高湿度时期排水，并在需要时提供有针对性的补充灌溉水，特别是如果能够捕获和储存多余的水资源用于干旱时期（Baule等人，2017；Yu等人，2020）。总体而言，大规模灌溉是一种主要的消耗性用水方式（Martin等人，2025），将在水资源分配、水文流动和养分输送方面产生权衡，需要在区域规划中加以考虑。
4 结论
鉴于美国传统上依赖雨水的玉米带灌溉扩展的趋势，我们分析了1997年至2017年的灌溉活动模式和产量效应，以更好地预测其对作物生产和区域水文的未来影响。通过将基于机器学习的因果推断应用于遥感数据集，我们估计灌溉使玉米和大豆的产量平均分别增加了12.6%和7.9%，特别是在质量较差的土壤和不利天气条件下效益更大。这项工作为该地区提供了关键的数据，因为全国作物统计尚未分别报告灌溉和自流灌溉的产量。值得注意的是，我们发现灌溉带来的产量差异在整个研究期间有所增加，这可能是由于品种和管理实践的变化。考虑到这一趋势以及预计的未来升温，我们的研究结果表明，该地区可能会继续扩大灌溉。根据我们发现的与新灌溉地点相关的因素，未来灌溉可能会主要从现有的灌溉热点向外扩展，或者首先针对排水速度快的土壤，因为这些地方的投资回报更高。随着产量限制天气条件的频率增加、新品种的产量潜力以及需要更多水分的种植方式的变化，扩大灌溉到保水能力强的高产土壤上的成本效益比可能会受到影响。我们的研究结果表明，研究品种、管理、土壤和灌溉应用之间的相互作用将有助于指导玉米带的灌溉决策。虽然灌溉为提高产量和缓解不利天气提供了有效的机制，但其扩展引发了关于可行性、环境权衡、大气联系以及最终区域水资源可持续性的关键问题。截至2022年，该地区只有3%的耕地实施了灌溉，还有数百万公顷的土地可以用于潜在的扩展。未来的研究可以关注几个领域，以进一步了解灌溉动态并促进美国玉米带的农业可持续性，包括：(a) 灌溉的水文可行性和生物物理限制；(b) 与灌溉使用增加相关的养分输送；(c) 作物选择和品种开发，以及这些因素如何影响灌溉的需求和经济效益；(d) 天气趋势，包括“变暖洞”现象的持续或消失及其对地区农业生产力的影响；(e) 创新的灌溉系统和管理方法，例如与现有排水系统相结合的地下灌溉系统，以及在田间捕获和储存多余雨水的技巧；(f) 社会经济和政策层面，包括评估灌溉采纳的社会经济驱动因素、政府激励措施、基础设施建设和市场动态；(g) 研究灌溉扩展对全球粮食生产和安全的更广泛影响。这些研究领域将有助于制定可持续的灌溉实践、适应策略和农业政策，以在这些重要农业区域优化生产力，同时最小化环境影响。
资金由COMPASS Great Lakes Modeling项目提供，这是一个由美国能源部科学办公室地球与环境系统科学部门资助的多机构倡议。本材料中表达的任何观点、发现、结论或建议均为作者所持，并不一定反映我们赞助方的观点。
作者声明与本研究无关的利益冲突。
用于分析和生成图表及分析代码的数据可在Zenodo上获取：https://doi.org/10.5281/zenodo.17478972 (Deines等人，2026)。
