因果分析方法评估干旱与寒潮事件对法国作物产量的影响：基于混合效应模型与机器学习的比较研究

为解决极端天气事件(EWEs)对作物产量影响的评估偏差问题，研究人员采用逆概率加权(IPW)、匹配(Match)、标准化(SDZ)和双重稳健(DR)等因果分析方法，结合线性混合效应模型(LME)和梯度提升机(GBM)，量化了法国23年玉米和向日葵对干旱(DE)与寒潮(CE)的敏感性。结果显示，DR和SDZ方法估计最准确，玉米受DE和CE影响分别减产11.6%和11.3%，向日葵减产7.3%和6.9%，为农业政策制定和保险设计提供了科学依据。

　　

气候变化背景下，极端天气事件(EWEs)的频率和强度持续增加，对全球农业生产力构成严峻挑战。干旱和寒潮作为典型的EWEs，常导致作物大幅减产，威胁粮食安全。然而，传统基于调查数据的统计方法因无法消除混杂因素(Confounding variables)，往往高估或低估实际影响。法国农业科学院(INRAE)等机构的研究团队在《European Journal of Agronomy》发表论文，首次系统比较了四种因果分析方法在农业领域的应用效果。

研究团队收集了法国2000-2023年23个产区的玉米和向日葵产量数据，结合气象观测定义了干旱(夏季降水不足)和寒潮(春季零下温度持续)。通过构建线性混合效应模型(LME)和梯度提升机(GBM)两种框架，分别实施逆概率加权(IPW)、匹配(Match)、标准化(SDZ)和双重稳健(DR)四种因果分析方法，量化了EWEs对两种作物的真实影响。

Yield data processing
利用法国农业部Agreste统计局的年度农业调查数据(SAA)，经空间插值处理获得省级尺度的产量序列，结合ERA5再分析数据提取气象指标，确保数据时空一致性。

Descriptive analysis of the relationship between yield and climate variables
箱线图分析显示，玉米在干旱条件下中位数产量从8.49 t/ha降至6.54 t/ha，寒潮条件下从8.30 t/ha降至6.89 t/ha；向日葵对干旱和寒潮的产量降幅较小，证实玉米对EWEs更敏感。

Effect of drought and cold wave
DR方法估计最为稳健：玉米受干旱影响减产11.6%(95%CI=[?15.4%,?9.3%])，寒潮减产11.3%[?14.6%,?8.9%]；向日葵对应损失为7.3%[?10.1%,?5.7%]和6.9%[?8.6%,?4.0%]。生理机制分析表明，玉米花期对水分胁迫更敏感，而向日葵深层根系赋予其更强抗旱性。

Conclusion
研究证实双重稳健(DR)和标准化(SDZ)方法能有效控制混杂偏差，相比传统方法估计更精确。成果为农业风险评估提供了方法论范式，其开源的GitHub代码库(https://github.com/davemakowski/Causal-Analysis-on-Crop-Yields)推动了因果分析在农学的应用。

这项由David Makowski领衔的研究，通过多方法比较揭示了因果分析在农业气象研究中的价值，为气候适应策略提供了量化工具。特别是发现玉米对EWEs的脆弱性显著高于向日葵，建议法国农业政策应优先关注玉米产区的减灾措施，同时启示保险产品需依据作物特异性调整精算模型。