英语原文共 8 页，剩余内容已隐藏，支付完成后下载完整资料

观察气候对印度阿萨姆邦茶叶产量的影响

J.M.A.Duncan^a,c,d,*,S.D.Saikia^b,e,N. Gupta^b,E.M.Biggs^c,d

^a CIERP, The Fletcher School, Tufts University,Medford,MA,USA
^b Tea Research Association, Tocklai Tea Research Institute,Jorhat,785008,India
^c School of Earth and Environment,The University of Western Australia,Crawley,Australia
^d Geography amp; Environment,University of Southampton,Southampton,UK
^e World Resources Institute,Jayanagar,Bangalore,India

文章信息

文章历史：

2016年5月20日发布

2016年10月12日修订

2016年10月30日接收

2016年11月9日可在线浏览

关键词：

气候变化；茶叶生产力；降水变异性；基于面板的模型；气候智能农业；阿萨姆邦。

摘要：

茶叶是印度东北部经济的重要经济作物。它支撑了当地一大部分人口的生计。同时，茶叶的生长对气候条件很敏感，使它容易受到气候变化和变化的影响。确定茶叶产量对气候变化的响应在经营种植园的变异性,并确定最重要的气候变量,茶叶产量的影响对于评估该行业的脆弱性和告知适应是至关重要的。在这里，我们开发了一个种植园级面板数据集和统计模型, 以确定月气温、月降水量、干旱强度和降水变异性对茶叶产量的影响。我们发现月平均气温上升则茶叶产量降低,当月平均气温高于26.6摄氏度时有一定负面影响。我们发现干旱强度并没有影响茶叶产量，而降水变异性，特别是降雨水强度茶叶产量有不利影响。随着全球变暖，平均气温的上升将使茶园的生产力降低，而其他影响则保持不变。此外，降低茶叶敏感性的干预措施对种植园的升温和降水变异性会产生立竿见影的效果，对适应气候变化也有一定的益处。

1. 引言

印度东北部生产的茶叶作物对区域经济具有重要意义。印度是世界茶叶第二大生产国和出口国(Tea Board of India, 2014)，在其东北部的阿萨姆邦是一个关键产区。在阿萨姆邦生产的主要茶叶品种是Assam-type var.Assamica（De Costa et al., 2007）。阿萨姆邦每年提供17%的世界茶叶产量和每年超过50% 的印度茶叶产量(Dikshit amp; Dikshit, 2014)。在阿萨姆邦，茶叶在支撑120万劳动者的生计方面也起着举足轻重的作用（Dikshit amp; Dikshit, 2014）。茶树生长在一个特定的气候利基, 从而使该行业容易受到气候变化影响。考虑到茶叶对印度东北部经济的重要性，以及作为雇主，了解其对气候变化的敏感性是至关重要的。在这里，我们估计的统计模型, 确定了各种气候变量的影响, 包括月平均气温、月平均降水量、干旱强度以及降水变异性对阿萨姆茶叶产量的影响。

茶叶产量是由收获的面积和茶叶采摘的重量决定的(De Costa et al., 2007)

。通常从靠近茶树顶部的新芽上摘下两三叶。树冠保持在最佳的水平,以便采摘, 通常称为“采摘表”；一个比自然生长的灌木低得多的高度。采摘茶树的次数往往取决于人工林的土地面积和茶树品种，而采摘茶叶的重量则取决于采摘周期的芽生长速率和新梢的生长速度。（De Costa et al.,2007)。通常情况下, 茶灌木采摘周期为七至十天。采摘周期内的环境和气候条件决定了短到中期内的射出率和茶叶产量(De Costa et al., 2007)。

习惯上，实验室或实验领域的研究被用来评估气候变化对茶叶生产率和生长的影响（Carr, 1972; Hadfield, 1975; De Costa et al., 2007）。最近的研究表明，增加的水的可用性可以促进茶树和枝叶的生长（Ahmed, Orians, Griffin et al (2013).These same authors also identify that climatic variation can influence the quality of tea production (Ahmed et al., 2013, 2014; Carr, 1972; Hadfield,1975; De Costa et al., 2007）。实验研究有助于识别气候变化对茶叶影响的特定机制。其他方面评估气候对作物生产率的影响利用作物模拟模型；然而，作物模拟模型可能不能识别极端气候的影响，这样就需要用大量的数据来校准。（White, Hoogenboom, Kimball, amp; Wall, 2011）。

为了解决这些缺点，climate-impacts literature已实现对作物产量的天气跳进进行了计量经济学分析。Lobell and Burke (2010)和Hsiang (2016) 提出用计量经济学的方法概述。通常以回归模型估计作物产量的使用小组数据集（Burkeamp;Emerick,2016;Lobell,Banziger,Magorokoshoamp;Vivek,2011;Schlenker amp; Lobell, 2010;Schlenker amp; Roberts,2009）。例如，Schlenker and Roberts (2009)和Burke and Emerick (2016)通过使用美国县级数据确定非线性热量对玉米和大豆产量的影响。Burke and Emerick (2016)也使用一个长差异模型来捕捉适应的潜在影响，并在过去50年中几乎没有显示出适应的证据。区级面板数据的干旱强度，水稻产量和印度的灌溉确定了干旱对水稻产量的影响，同时也降低了水稻产量对干旱的敏感性（Birthal, Negi, Khan, amp; Agarwal, 2015）。用面板数据训练的回归模型也被应用于玉米试验站（Lobell et al., 2011）和小麦遥感资料（Duncan, Dash, amp; Atkinson, 2014; Lobell, Sibley, amp; Ivan OrtizMonasterio, 2012）,确定气候对产量的影响。最近，有个用中国茶叶生产的面板数据确定季风动力学和天气对茶叶生产的影响的分析：茶叶产量减少与季风消退日推迟和季风降水增加有关（Boehm et al., 2016）。

尽管茶叶在阿萨姆具有区域重要性，茶叶对气候变化的潜在脆弱性和对气候变异性限制了种植园茶叶生产力的评估。因此，我们几乎不知道气候变异性对阿萨姆邦茶叶生产力的影响程度，或现实中茶叶生产系统对气候变化的韧性或敏感性程度。（based on the assumption that yield response to contemporary weather is a proxy for response to climate change (Hsiang, 2016)）另外，如果气候变异性影响茶叶产量，我们不知道哪些气候变量是重要的，应该主演于适应性措施。为了解决这个问题, 我们开发了一个独特的面板数据集，它涵盖了80多个茶叶园林10年的逐月数据。我们将该数据集与每日天气数据相结合，估计几种回归模型，以确定气候变异性对阿萨姆邦茶叶产量的影响。除了为在气候变化下管理阿萨姆茶叶生产的利益攸关者提供有用的结果之外，我们的分析还建立在气候影响茶叶生产力统计分析的新兴文献上。（Boehm et al., 2016）。

具体的进展包括利用园级数据，而不是管理单位内的汇总数据，应用到不同气候的茶叶种植区，并测试不同的气候变量，这谢理论建议将影响实际生产力。

1. 研究站点：Assam, northeast India

在阿萨姆邦有四个主要的茶叶种植区： Cachar, North Bank, South Bank and Upper Assam（图1）。我们从这些地区的种植园收集茶叶产量数据，在阿萨姆邦，大约65% 的茶叶种植在种植园，其余的35% 在小农地块。（John amp; Mansingh, 2013）。阿萨姆邦地处亚热带气候，雨热同期；1871年至2008在阿萨姆邦的平均年降水量报告为2346毫米（Jain, Kumar, amp; Saharia, 2013）。平均而言, 阿萨姆邦季风降水爆发于6月（Duncan,Dash,amp; Atkinson,2013;Moron amp; Robertson, 2014）。6、7、8、9月降水最多（图2）。这项研究所用茶园的长期月平均气温显示，1月开始变暖，气温在季风前几个月更暖, 最温暖的月份是6到9月(超过27摄氏度)，然后冬季变冷（图2）。1901年至2003年，气温数据趋势分析报告指出印度东北部的最高和最低气温呈逐年上升趋势（Kothawale amp; Rupa Kumar, 2005）。

1. 数据

3.1茶叶产量数据

搜集了从2004年到2013年,阿萨姆邦82个茶园逐月的茶叶产量数据。茶叶产量数据是每一次采摘周期产生的，七至十天循环。每个月从修剪和未修剪部分的劳动者采摘的绿叶被单独权衡和总结。每轮的数据记录在每天的基础上。由茶园经理记录, 茶叶产量为总绿叶重量 (千克) 除以种植面积(公顷)。

3.2气温和降水数据

本研究所用的温度数据取自印度气象部门 (IMD)网格化数据集（Paiet al., 2014;Srivastava,Rajeevan,amp; Kshirsagar,2009）。IMD网格化数据包括每日温度产品在1度的空间分辨率。这些数据集是利用改进版的牧羊人角距加权算法，从地面基站资料的插值中提取出来的（Pai et al.,2014;Srivastava et al., 2009）。利用远程降水估计，利用人工神经网络 (PERSIANN)数据集 (http://chrs.web.uci.edu/persiann/)测量降水的传感信息。PERSIANN 数据集提供1983年起0.25度网格化空间分辨率的每日降水估计。对于每个具有相应产量数据的茶园, 我们提取了从2004年到2013年逐日气温和降水值。

1. 研究方法

4.1回归模型

用每月的茶叶产量面板数据集确定气候变量对茶叶生产率的影响。面板数据结构控制的时间不变的非观测因素可能会影响我们对茶叶生产力的气候效应估计。这些变量包括土壤类型、茶树品种和种植园管理方式茶园固定效果是用来解释这种非观测因素的。因为茶树种植和采摘了几十年, 所以假设其品种在面板数据集10年期间内不变。这一点很重要, 因为不同的茶叶品种表明对环境的不同反应和气候压力源（De Costa et al.,2007）。从2004年到2013年每个生长季节的研究, 我们尽量减少非观测变量的影响。这种非观测因素可能包括气候变化、茶叶品种变化或更好的管理策略。其他研究使用较长的面板时序包括一个时间趋势的术语来捕捉这种影响，但依赖于假设的功能形式的时间趋势。我们在回归模型中使用了一年和一个月的固定效果来控制特定的影响或可能影响茶叶产量的事件，并使我们的估计偏差尽可能缩小。

虽然长期平均气候可能与茶园的时间不变特征相关，但天气的短期波动则假定为随机和外源（Burke amp; Emerick,2016;Hsiang,2016）。因此，利用每月茶叶产量和每月天气数据的面板数据集，可以控制未观测到的不变性茶园特征，并确定气候变化对茶叶产量的影响。利用此数据集回归模型, 确定了 (i) 月平均天气 (降水量和温度) 、 (ii) 干旱对茶叶产量的影响, (iii) 茶叶产量的降水变异性。

4.1.1平均气温和降水的影响

为了观察月平均天气对茶叶生产力的影响, 采用了以下回归模型（1）。以茶叶产量的自然对数为相关变量, 将回归系数解释为茶叶产量的百分比变化与独立变量的单位变化。在阿萨姆邦，茶叶从同一株树全年收获;因此，回归模型是研究了平均温度t、二次项t的影响;月总降水量P及其月茶叶产量的二次项。包括一个二次项，允许非线性温度和降水对茶叶产量影响。这里使用的月份对应于夏季的茶叶收获月(4月至10月)。随着茶叶在不断采摘, 平均温度和总降水量代表短期(一个月内)气候条件影响茶叶产量(De Costa etal.,2007)。月和年固定效果计入月份和年度特定冲击。

4.1.2非线性温度的影响

为了观察可能的非线性，或极端温度对茶叶产量的影响，我们估计了以下回归模型（2）。每天的温度暴露是用正弦插值的每日最小和最高温度的每小时曝光计算。温度箱对应于小于8摄氏度和大于35摄氏度的温度，每个箱增加3摄氏度。在可用于识别非线性温度影响的递增温度箱内的温度照射和茶叶生产力(Schlenker amp; Roberts,2009)。这与生长度日(GDD)的概念相似,但在确定植物生长的上限温度极限和观察在实际环境中是否出现阈值温度时是灵活的。对其他几种作物, 包括玉米、大豆、棉花 (Burke amp; Emerick,2016;Schlenker amp; Roberts,2009) 的非线性温度效应进行了观察;小麦((Duncanet al., 201

剩余内容已隐藏，支付完成后下载完整资料

资料编号：[22366]，资料为PDF文档或Word文档，PDF文档可免费转换为Word