【摘要】隨著全球變暖加劇，極端氣候頻發(fā)，區(qū)域糧食產量不確定性持續(xù)增多。今年3月以來，印度遭受百年未有之高溫襲擊，尤其北部和西北區(qū)域，創(chuàng)下近122年來同期最高溫度記錄，此時正值印度冬季作物灌漿收獲的關鍵時期，勢必會對作物單產產生一定影響，進而影響總體產量。各大機構從不同角度闡述分析了印度高溫對作物產量的影響，華泰期貨研究院農產品組，基于客觀的衛(wèi)星遙感大數據，并結合多種指標，從時空角度對印度高溫導致的作物產量的潛在變化進行了詳細的監(jiān)測和量化分析。

一、主要監(jiān)測方法及指標介紹

作物產量不僅關系到農民的生活，也決定著市場的波動和國家政策的制定。作物產量的形成是一個復雜的過程，中間涉及非常多的生理生化過程，氣象條件、土壤條件、田間管理、物候信息、農時信息等都可以對產量產生重大影響。氣候變化尤其溫度和降水異常由于發(fā)生相對突然，自古便是農業(yè)生產中的潛在風險。對于風險的管控可從多角度切入，但就市場而言，及時準確的量化風險的損益，便掌握了市場的主動權。

持續(xù)異常的印度氣溫到底會對作物的哪些方面產生影響？研究小組本著全面監(jiān)測的態(tài)度，對作物的生長發(fā)育過程和最后的產出做了詳細研究分析。首先，作物長勢的監(jiān)測通常采用歸一化植被指數（NDVI），增強型植被指數（EVI），植被狀態(tài)指數（VCI），葉面積指數（LAI）等指標，其中NDVI和EVI具有較高的可靠性，被廣泛應用于美國農業(yè)部（USDA）、聯(lián)合國糧農組織（FAO）等組織機構。

其次，作物產量的估測仍是學術界一大前沿課題，通常精度為68.1%到95.5%之間，平均精度為83.9%，目前作物估產模型達上百種之多，其理論基礎和側重點各不相同，粗分為經驗統(tǒng)計模型、作物生長模型、光能利用率模型和耦合模型四大類。

其中光能利用率的模型邏輯高效，數據可以通過衛(wèi)星遙感技術獲取，被廣泛應用于農業(yè)監(jiān)測。其機理為：太陽光經過大氣達到植被冠層表面后，經過反射和透射，最終有一部分被葉片光合作用利用，這部分光能是作物產生糖類的主要能量，而糖類又是作物產量的物質來源。通過對這個過程的監(jiān)測，可以從光能利用的角度對作物干物質的積累過程進行測算。

第一凈生產力（NPP）和總初級生產力（GPP）是兩個表征光能利用有機物積累情況的重要指標。GPP指單位時間、單位面積內植物把無機物合成為有機物的總量或固定的總能量。該指標是生態(tài)學中表征植被生物特征的重要指標，在國際上也有廣泛應用。

NASA的Modis中分辨率衛(wèi)星遙感數據具有重訪周期短、光譜范圍廣、時間序列長的特點，是農業(yè)衛(wèi)星遙感研究的重要數據源，而且Modis數據反演EVI和GPP有著成熟的研究基礎，因此華泰期貨研究院農產品組，以該遙感數據為主要數據，反演EVI和GPP指標，并結合衛(wèi)星數據分類解譯耕地范圍，對印度高溫截止2022年5月9日（可獲取最新影像數據）產生的影響進行全過程監(jiān)測。

二、受影響區(qū)域的耕地提取

印度異常高溫波及范圍廣、影響時間長，但要影響農作物必須同時滿足以下兩個條件：該區(qū)域有異常高溫且存在處于重要生長期的農作物。

圖 1: 印度作物生長峰值時空分布

圖 2: 印度作物生長末期時空分布

數據來源：FAO華泰期貨研究院

圖3: 印度8個重點研究邦域

圖 4: 印度8個邦域內的耕地提取

數據來源：Modis衛(wèi)星和Sentinel衛(wèi)星 華泰期貨研究院

因此，根據聯(lián)合國糧農組織（FAO）基于SPOT衛(wèi)星NDVI的長時間序列分析結果（圖1和圖2），印度在3月份處于生長中后期的冬季作物主要集中在北部和西北部的8個邦，該區(qū)域也是溫度異常的典型區(qū)域。

進而將旁遮普邦、哈里亞納邦、北方邦、拉賈斯坦邦、古吉拉特邦、中央邦、比哈爾邦和西孟加拉邦8個邦（圖3）劃定為重點監(jiān)測區(qū)域。結合GADM行政矢量范圍和歐空局（ESA）Sentinel系列衛(wèi)星數據的深度學習土地分類結果，精準的提取8個重點邦內部的耕地區(qū)域（圖4綠色區(qū)域），進而開展下一步研究。

三、基于EVI指數的作物長勢分析

首先針對作物生長發(fā)育的整個過程，將Modis反演的16天時間間隔的EVI指標，按照時間順序排列，便可直觀體現(xiàn)作物生長的動態(tài)過程，反應作物從播種、出苗、抽穗到成熟收割的EVI 變化過程。

圖 5: 2017-2022年印度研究區(qū)EVI每16天統(tǒng)計值

數據來源：Modis衛(wèi)星 華泰期貨研究院

縱觀2017年以來（圖5），就整個區(qū)域而言，嚴格的遵循了一年兩熟，夏季作物5-6月播種（EVI低值），9月達到生長峰值（EVI高值），10月收獲（EVI低值）。冬季作物10-11月播種（EVI低值），2月到達生長峰值（EVI高值），4-5月收獲（EVI低值）。此次印度高溫3月開始，所以直接作用的是該區(qū)域的冬季作物。就整個大規(guī)律而言，冬季作物EVI值沒有發(fā)生特殊變化，也沒有出現(xiàn)太大波動，因此進一步橫向對比2022年與2018-2021年冬季作物在整個生長周期（11月到次年5月）每16天的EVI值。

圖 6: 2017-2022年印度研究區(qū)冬季作物整個生長期同期EVI均值對比

數據來源：Modis衛(wèi)星 華泰期貨研究院

結果如圖6所示，在高溫作用下，2022年作物的長勢曲線的變化規(guī)律同往年一致，且具體數值與往年也只有小幅波動，處于合理震蕩范圍。換而言之，該區(qū)域農作物在該時間段遭受高溫時其株高、葉片、根莖等物理特征發(fā)育基本成型，受影響較小。

四、基于GPP的作物產量分析

相同長勢的作物并不意味著產量一致。因為在作物中后期，氣候指標的變化更多的是對作物的生化反應產生影響。即對灌漿以及光合作用強度產生不同程度的影響，這些生化反應直接影響作物的產量。因此研究從光能利用角度引入GPP指標對區(qū)域農作物進行監(jiān)測，具體反演了從2017年11月1日到2022年5月9日期間每8天間隔的GPP值，反應了作物在生長發(fā)育過程中每8天在單位時間內，單位面積上，通過光合作用途徑所固定有機物質總量或有機碳總量。

圖 7: 2017-2022年印度研究區(qū)每8天GPP統(tǒng)計值

數據來源：Modis衛(wèi)星 華泰期貨研究院

如圖7所示，過去4年GPP的值呈現(xiàn)一定的規(guī)律性波動，數值呈現(xiàn)大小年的特征，但在今年3月出現(xiàn)了劇烈的震蕩。

為更詳細的了解GPP值的波動，橫向對比5個冬季生長周期內同時間的GPP平均值（圖8），2022年GPP在3月份出現(xiàn)急劇上行后快速下降的特征，表明該時間段，光合作用先增強后快速減少，這一特征與光合作用中起催化作用的生物酶活性隨溫度升高而增強，但超過一定閾值后大幅下降的特征高度吻合。意味著，3月開始的高溫先促進了有機物的積累速度，然后又大幅的抑制了該過程。從另外一個角度，無論2017年到2021年產量如何，GPP在3-5月下降斜率基本保持一致，有機物的積累速度緩慢降低，但2022年該時期GPP曲線下降速率明顯高于其他年份。綜上，高溫對該區(qū)域光合作用強度產生一定影響。

圖 8: 2017-2022年印度研究區(qū)冬季生長期同期GPP均值對比

數據來源：Modis衛(wèi)星 華泰期貨研究院

但值得一提的是，2022年3月前的GPP值比往年同期均高，換而言之，如無高溫等極端氣候影響該區(qū)域今年產量可能增加，但高溫作用下，后期GPP值表現(xiàn)乏力。因此今年產量究竟如何？ 研究組采用積分的方法量化對比各年份的有機物積累狀況，將各年份整個生長期內每一塊耕地內的GPP值進行累積，得到2018-2022年度的GPP累積空間分布圖。

圖 9: 2022年印度研究區(qū)冬季生長期GPP累積值

圖 10: 據歷史年份研究區(qū)冬季生長期GPP累積預測值

數據來源：Modis衛(wèi)星 華泰期貨研究院

對于歷史穩(wěn)定的指標通常采用2018-2021年的均值作為參照與2022年（圖9）進行對比以確定變化量，但就GPP積累而言，2018-2021基本呈現(xiàn)波動上升趨勢，因此均值將在一定程度低估平均的有機物積累量，所以使用熵值法對2018-2021年賦予不同權重，以得到一個更為接近的往年預測值（圖10）。通過計算預測值與2022年真實GPP累積值之間的差異，得到每一塊耕地上的變化幅度。

圖 11: 印度研究區(qū)GPP累積量預測值與真實值變化情況

數據來源：Modis衛(wèi)星 華泰期貨研究院

如圖11，具體而言，占總面積4%的區(qū)域GPP積累量增加的區(qū)域，主要集中在拉賈斯坦邦（Rajasthan）東部區(qū)域、北方邦（Uttar Pradesh）西南區(qū)域。96%的下降區(qū)域中，降幅不超過1%的占總面積的69%，也就是這部分區(qū)域同往年產量基本持平，究其原因是該區(qū)域前期的有機物積累量已經超過往年同期，后期的降幅基本抵消前期的增量。

圖 12: 印度研究區(qū)GPP累積量預測值與真實值變化情況分邦域統(tǒng)計

數據來源：Modis衛(wèi)星 華泰期貨研究院

但有占總面積27%的區(qū)域下降顯著，這些區(qū)域受高溫影響較大，這些區(qū)域分布于8個邦域，但主要集中在旁遮普邦（Punjub）、哈里亞納邦（Haryana）、北方邦（Uttar Pradesh）以及古吉拉特邦（Gujarat）等。

量化下降值，總體8個邦大面積區(qū)域GPP積累量較預測值下降10.62%，按照相關研究GPP與產量在99%的置信水平存在較強的相關關系，對于產量而言整個區(qū)域大約有近一成的減產。具體分區(qū)域統(tǒng)計各個行政區(qū)劃范圍內的耕地產量，減產最嚴重的為北部的三個邦，旁遮普邦（Punjub）、哈里亞納邦（Haryana）、北方邦（Uttar Pradesh）幅度分別達到24.61%、18.32%和9.79%（如圖12）。

表 1: 印度糧食產量丨單位：千噸

資料來源：USDA 華泰期貨研究院

進一步量化各個邦主要作物的產量規(guī)模。據USDA數據，印度四大糧食作物中只有玉米和小麥出口處于全球前十位，其中小麥為冬季作物，研究區(qū)內的旁遮普邦、哈里亞納邦、北方邦、拉賈斯坦邦和中央邦貢獻全印度將近90%的小麥產量（如圖13所示），同時大麥也集中種植在拉賈斯坦邦和北方邦（如圖14所示）。因此結合USDA對于高溫前對于印度小麥和大麥的產量估測和研究的各個區(qū)域的減產幅度，對小麥和大麥兩個品類在各主產邦的產量進行進一步估算（表1可知USDA對于高溫影響前小麥2021/ 22年的產量估測為109586千噸。大麥估測為1656千噸）。

圖 13:印度小麥產量分布

圖 14: 印度大麥產量分布

數據來源：USDA 華泰期貨研究院

圖 15: 印度主要邦小麥產量預測分布

數據來源：Modis衛(wèi)星 華泰期貨研究院

圖 16: 印度主要邦大麥產量預測分布

數據來源：Modis衛(wèi)星 華泰期貨研究院

測算結果顯示：印度小麥各邦產量如圖15所示，5個邦總估測產量為：84395.47千噸，USDA高溫前估測產量為：96435.68千噸。依據區(qū)域小麥產量占比88%估算，假設其余區(qū)域保持穩(wěn)定，全國總產量為：95903.94千噸，小麥減產幅度為12.48%。但南部小麥產區(qū)如按照高溫前長勢，則會有一定比例增產，所以總體減產量大概率會小幅低于該比例。大麥兩個主產區(qū)總產量為：1321.71千噸，USDA高溫前預估區(qū)域產量為：1424.16千噸，按照產區(qū)所占比例86%預測全國產量為：1536.88千噸，總體減產幅度為7.19%。

印度高溫持續(xù)不僅對于作物產生很大影響，也勢必會對人類作息行為產生一定影響，因此，冬季作物能否像往年一樣完全收割也是值得關注的問題。隨著全球氣候變化的影響，極端天氣的出現(xiàn)將更加的隨機，華泰期貨研究院農產品組將持續(xù)實時追蹤極端氣候對農業(yè)基本面帶來的影響。