文献阅读 | 调整作物种植地区可以将美国因气候变化造成的农业损失减半

题目

Crop switching reduces agricultural losses from climate change in the United States by half under RCP 8.5

作者

James Rising & Naresh Devineni

期刊

Nature Communications

时间

05 October 2020

一作

单位

Grantham Research Institute, London School of Economics, London, WC2A 2AE, UK

链接

https://www.nature.com/articles/s41467-020-18725-w

研究内容

气候变化下的极端温度预计会降低美国几种主要作物的平均产量，不过但是这些影响可能存在空间异质性。一些地区会因温度小幅的上升和灌溉下蒸散量的增加而表现出作物产量的增加，而随着而气候的进一步变化，这些生产力的改变将促使农民改变作物结构并可能向新的地区迁移。所以气候变化下，了解地区的农业生产力变化程度及其如何影响未来的种植决策将会是研究气候变化对农业的影响的一个核心问题。作物转换可能能够减轻气候带来的影响，但收益仍取决于影响的分布、生产性土地的总可用性以及转换作物的成本。

本研究探讨了美国六种作物在适应气候变化方面重新分配的潜力。根据Polasky、Devineni和Perveen等人的观点，将作物转换作为以实现收益最大化为目标的空间优化问题处理。本研究提供一种新的经验方法：通过估计作物进入新地区的潜力，以更好地支持该作物的转换分析。

研究方法

经验性农业作物模型利用天气变化来解释作物产量的年度变化。科学家在大空间尺度无法获得当地的农业的管理决策。计量经济学模型使这些未被观察到的区域差异可以用当地基线加以说明，但会导致破坏模拟作物转移过程能力的两个后果：只可以对产量的变化进行建模，而不是产量水平；会降低每个地区内估计关系的精度，并可能导致过度拟合，因为存在一个分辨率-方差权衡，即允许天气和产量之间的关系随地区而变化的交互项。

本研究开发了一种贝叶斯方法以解决这两个困难。与计量经济学模型一样，贝叶斯模型使用对数线性模型预测产量，其中包括温度、作物水分亏缺的非线性影响和线性技术趋势。模型的参数允许随每个高分辨率区域而变化（此处以美国县域为例），每个区域系数的期望值和区域截距的期望值以分层贝叶斯模型建模为一组空间协变量的线性组合，从而约束参数的区域变化并预测新的区域的参数。该方法允许进行“partial pooling”，从而通过数据确定区域池化以估计单个国家参数集的程度：如果数据支持温度敏感性的特异区域差异，则区域之间的池化将非常少使用，每个区域的参数将分别估算。用来预测天气敏感性变化的协变量是年平均温度、等温性（日范围除以年温度范围）、温度季节性（月标准差）、年降水量、降水季节性（月变异系数）和按作物分类的灌溉系数，同时估计特定地区的天气系数以及这些系数如何随空间变化的模型。与最小二乘回归方法相比，分层贝叶斯方法比两阶段估计更为有效，并且比系数相互作用的回归模型允许更多的区域异质性。

本研究利用模型可以预测到在当前种植模式下全部六种作物的产量损失，以及利用历史种植区域以外的作物产量模型来估计作物转换以减轻这些损失的潜力。结果表示：通过调整作物种植地区，作物农业损失可以减少一半，但是有些地区变得不适合种植任何农作物。

研究结果

气候敏感性的空间变化

本文拟合贝叶斯产量模型以观察1949年至2009年美国各县六种作物的产量：大麦、玉米、棉花、大豆、水稻和小麦。协变量模型用于预测天气响应函数和每种作物在新地区的产量。极端气温日数是气候影响背后的关键驱动因素（图1）。

图1  极端恶劣天气对各县和农作物产量的影响

（所显示的系数是极端度日(EDDs)中1个标准差变化对对数产量的影响，可解释为对产量的分数效应）

极端温度影响的空间模式因作物而异。美国南部的玉米和棉花对极端温度的敏感性较低，这反映出种子品种和耕作方法的适应性。对于小麦和大麦，适应性取决于水的可用性，所以干旱地区的敏感性更高。由于采用了相当低的区域池化程度，因此针对特定县的模型的估计参数差异很大。系数的大部分变化可以用县平均温度解释，表明了对更高温度的适应。用平均温度来解释的作物产量对极端温度的敏感性变化部分是不同的：大豆为8%，棉花为63%。而且系数在空间上变化缓慢，显示出2000公里内的空间相关性。

作物建模方法的比较

本研究为验证作物模型，将每种作物的决定系数（未经调整的R2）与一系列面板计量经济学回归的结果进行比较，以得出Schlenker和Roberts使用的模型与研究中使用协变量交互作用的分析的基于回归的等效模型之间的范围。本研究使用交叉验证预测未来年份的作物产量，将模型与1949年至1994年的数据进行拟合，并对1995年至2009年的产量进行评估（表1）。

表1  OLS和贝叶斯产量模型预测的比较

应用于所有年份的数据时，贝叶斯模型的表现与系数线性变化的最灵活的普通最小二乘(OLS)模型相似。然而这些相同的OLS模型在交叉验证下容易过拟合，使得R²大幅下降。在交叉验证中，所有县的系数均恒定的OLS模型表现更好。虽然贝叶斯模型在交叉验证下也显示出预测能力的降低，但在三种作物上的表现仍优于所有OLS模型。在所有情况下，贝叶斯模型的R²都大于类似的灵活OLS模型，这是因为贝叶斯模型允许不同县间系数可以存在差异。

气候变化下的种植转移

本研究利用贝叶斯模型来确定当前和将来的最佳种植模式，使用具有恒定误差方差的产量模型（表 1，第6列）来限制未观测县的方差。由于美国各地的种植成本和价格各不相同，因此本研究使用单位英亩收益（当地价格乘以预测产量并减去管理成本）来确定最佳作物。其中成本和价格是美国农业部经济研究服务2010年的数据，必要时根据收益与最广泛种植的所观察到的作物相匹配，对当地最优作物进行调整。由于本研究没有考虑到土地的其他用途，所以限制未来必须在目前六种作物中种植至少一种。未来作物产量的变化也会对价格产生一般均衡效应，本研究通过限制每种作物使用的土地总面积不超过目前全国范围内的总面积来避免价格出现显著变化。

在当前气候条件下，作物生长在特定的温度范围内（图2上）。大麦和小麦主要生长在较冷的地区，而棉花则生长在较温暖的地区。但是这些适用范围并不是唯一的，有些大麦和(冬)小麦在较高的温度生长。虽然空间优化更为偏爱每个县目前种植最多的农作物，但是仍有16%[14–18%]的县经历了作物变化。被最优作物取代的次优作物转移到其他县，可以使总收益增加13%[8–37%]（图 3）。最大的变化是大豆和玉米的互换，但其中大部分是轮作种植（当不包括玉米-大豆互换时，大约5%[4-6%]的县会产生变化)，然后使用CMIP5模型预测RCP 8.5下最优作物的变化，包括2050年和2070年的结果及气候与统计的不确定性(图2)。结果表示：玉米保留了较大的种植面积，但在中西部地区的集中度下降了。大豆种植区域逐渐向北移动，取代了春小麦和大麦。大平原上的小麦地逐渐消失，而冬小麦则沿着密西西比上升扩大。棉花生长在高纬度地区，成为加利福尼亚南部的主要作物。同时，美国南部没有任何农作物获利的土地也在扩张，这些地区往往趋向于温度分布的高端，到2070年约占土地总面积的5%。由于气候的区域差异以及对农作物进入的限制，并不能观察到向高纬度地区的一致移动。

图2  不同时期作物模式的优化

适应的经济成果

图 3（上）展示了在作物之间为实现最大收益而变化的数量，可以看出：到2050年大部分玉米和大豆将继续互换，但从2050年至2070年的变化较小。到2070年， 53%[39–67%]的县会经历农作物转换；当不包括玉米与大豆的互换时，大约为36%[21–51%]。

优化对收益的影响的比较如图3（下）所示。当不进行优化时，预计2050年的总收益从457亿美元(440-520亿美元)下降到358亿美元(240-500亿美元)，2070年下降到314亿美元(190-480亿美元)，下降31%[59↓-5%↑]。通过优化，预计2010年的收益将增加到518亿美元[490-630亿美元]。但是到2050年和2070年仍会低于目前的收益，即使经过进一步优化，也会降至386亿美元[280-540亿美元]，仍然比观察水平低16%[38↓-18%↑]。相对于当前最优配置作物的收益，气候变化造成的百分比损失更大，比峰值低26%[45↓–4%↑]。

收益的背后是个体作物产量的增加或减少。在目前的条件和最佳种植下，预计大多数作物的产量将会增加，从大豆产量的小幅下降(2%[4-1%])到大麦产量的大幅增长(26%[11-44%])。然而，到2070年，相对于观测产量，大麦(9%[22↓-4%↑])、玉米(37%[74↓-10%↑])、水稻(2%[30↓-37%↑])和大豆(6%[16↓-5%↑])总产量有所下降，但这些可以被棉花(73%[20-192%])和小麦(2%[26↓-28%↑)的增长抵消。

图3  考虑作物转换的适应结果

在默认模型中，本研究假设作物转换没有其他阻碍或摩擦，但是也探讨了施加一定范围的作物转换成本所带来的影响。180美元/英亩的转换成本使得重新分配作物的变化减少了一半，而平均种植成本在123美元/英亩（大麦）和499美元/英亩（水稻）之间。随着转换成本的增加，最佳损失会收敛到无需重新分配作物的损失。由于2050年的最佳收益低于当前收益，因此在任何转换成本水平下，亏损都将持续存在。

编辑：张思露

排版：张思露 江琴

相关阅读

点击“阅读原文”浏览小组主页