極端な気候に対する対照的な面積と収量の反応が気候に寄与する

Scientific Reports volume 13、記事番号: 6219 (2023) この記事を引用

659 アクセス

メトリクスの詳細

収量以外の作物生産要素、つまり面積や作付強度に対する気候の影響は、依然として十分に研究されていない。 ここでは、南アジアおよび東南アジアの 6 つの多作稲作国の地方国勢調査面積と収量データを分析することにより、気候と作付面積の関係を明らかにします。 極端な気候は、平均的な季節的気候よりも地域と収量の長期傾向からの逸脱に大きな影響を与えます。 雨季/雨季の播種期の降水量と気温は、生育期よりも年間総面積の変動に大きな影響を与えます。 面積および/または収量に重大な変化を示した国別シナリオのケースの 57% では、地域の方向性と気候に対する収量の反応が同期しておらず、予測される気候の下で重大ではない生産量の変化が生じています。 気候と地域の関係は、生産ショックを制限するだけでなく、面積が緩和の規模に顕著に影響を与える農地の気候緩和に関連する不確実性も明らかにします。

異常気象や気象現象はしばしば作物の生産量を減少させ、相互に接続されたグローバルサプライチェーンを通じて食料ショックを引き起こし、世界の脆弱な地域の食料安全保障と栄養を悪化させます1、2、3。 ここ数十年の生産増加に対する主な寄与は収量であるため、多くの研究が収量（単位収穫面積および季節あたりの生産量）に対する気候の影響に焦点を当ててきた。 しかし、以前の研究4、5、6で述べたように、気候は収量以外の生産要素、つまり作付面積（作付または収穫）と作付強度（年間の収穫数）にどのような影響を与えるのかという、十分に研究されていない疑問が残っている。

作付面積と作付強度の両方は、特に多作作5、6、7、8、9 および干ばつが発生しやすい地域10において、生産量に対する気候の影響を決定するために重要です。 生産の変動をより適切に把握するには、個々の生産コンポーネントに対する気候の影響を理解することが重要です。 これらの影響をより深く理解することで、最終的にはマイナスの食料価格カスケードの緩和と、脆弱な地域や消費者グループにおける食料不安の増大に焦点を当てた介入や政策につながります3,11,12。 極端な気候現象による実施（作付）面積に対する収穫面積の減少が考慮されていないため、農業に関連する土地ベースの気候緩和では、これらの影響を理解することが重要であると言えます。 実際、最近の土地利用変化モデリング研究（例 13 や、炭素回収と貯留によるバイオエネルギーの緩和可能性に関する最新の評価（BECCS、例 14）においてさえ、実施地域の範囲は都市計画の規模に影響を与える重要な要素である）緩和効果。

ここでは、気候と地域の関係を明らかにし、季節の気候が収量と同様に米の地域の特性に影響を与えることを示すことを試みます。 気候の変化に対する反応の方向は、面積と収量の間で同期していないことが多く、極端な気候は季節平均的な気候よりも面積と収量の長期傾向からの逸脱に大きな影響を与えます。 実際、複数の稲作地域は世界の稲作面積の 3 分の 1 を占めています15。 私たちは、世界の米生産量（25％）と米作面積のかなりの部分を占める、南および東南アジアの6つの多作稲作国（バングラデシュ、インドネシア、マレーシア、ミャンマー、フィリピン、タイ、補足表1）を調査した。栽培（27％）。 弾性ネット正則化回帰モデルは、年間面積と収量の異常を、雨季と乾季の播種期と生育期間の極端な平均降水量と気温指数に関連付けました（補足図1）。 長期的な降水量と気温の比較的大小の変化を示す気候予測が選択され（図1）、気候変動に対する地域と収量の反応、および生産への影響への相対的な寄与を特徴付けるために使用されました。

(a) 2005 年の米地帯の地理的分布。(b、c) 8 つの大循環からのアジアの米地帯 (南緯 10 度～北緯 52 度、東経 85 度～東経 85 度～135 度) の年間平均気温と総降水量の予測4 つの代表的な濃度経路 (RCP) に基づくモデル (GCM)。 (d) 1986 年から 2005 年の期間と比較した、21 世紀半ば（2041 年から 2060 年）と終わり（2081 年から 2100 年）の予測気温と降水量の変化の関係。 灰色の太線が最適な線です。 灰色の実線の円は、この研究のために選択された 4 つの気候シナリオを示し、2 つの RCP (RCP2.6 および RCP8.5) と 2 つの GCM (GFDL-ESM2M および HadGEM2-ES) で構成されます。 ここで示されているマップは、汎用マッピング ツール (GMT) バージョン 4.5.18 (https://www.generic-mapping-tools.org/) から作成されました。

1987 年から 2012 年までの国勢調査データから計算された分位範囲 (IQR) から、収量の変動と比較した場合でも作付面積の変動が無視できないことが明らかになりました。 バングラデシュ、ミャンマー、フィリピンでは、面積変動値 (IQL 4.8 ～ 5.8%) は収量変動 (4.7 ～ 5.2%) と同等でしたが、収量変動 (7.4 ～ 12.5%) は 2.0 ～ 2.5% でした。残りの 3 か国の地域変動 (3.3 ～ 5.9%) よりも 2 倍大きい (図 2、補足表 2)。 マレーシア (6.0%) を除く、ここで検討したすべての国において、生産量の変動 (6.0 ～ 15.1%) は面積または収量の変動よりも大きかった。 まとめると、結果は、地域と収量の兆候が年によっては同じ方向に変化するが、常にではないことを示しました。 実際、バングラデシュ (R = 0.530; p = 0.005) とミャンマー (R = 0.480; p = 0.013) を除き、面積と収量の異常は 4 か国で互いに有意な相関関係はありませんでした (補足表 2)。

米の面積、収量、生産量の異常が報告されました。 分位間範囲 (IQR) は、面積 (A)、収量 (Y)、および生産量 (P) について表示されます。

1987 年から 2012 年までの国勢調査データと、実際の気象条件を入力として使用したエラスティックネット回帰モデルを使用したサンプル外再現との比較では、モデルのパフォーマンスが面積と収量の両方で十分に高いことが示されました。 面積については、各国間の平均R値は0.990で、最小から最大まで（最小-最大）の範囲はマレーシアの0.970からミャンマーの0.997でした（補足図2）。 収量については、対応する平均値は 0.994 でした (タイの 0.989 からインドネシアの 0.999)。 これらの相関関係はすべて 0.1% レベルで有意でした。 二乗平均平方根誤差 (RMSE) は面積で 0.6 ～ 0.7% (平均 0.65%)、収量で 0.5 ～ 2.0% (平均 0.9%) の範囲であり、最小値と最大値はそれぞれタイとフィリピンに対応しました。 。 このような高いパフォーマンスは、サンプル外検証であっても、通常、エラスティックネット回帰モデルを使用した初期の研究で見られます (「方法」を参照)。

推定された回帰係数により、現在の面積と収量に対する気候の影響が明らかになりました。 フィリピンを代表例に挙げると、次の2つの特徴が見えてきます。 まず、平均的な気候指数が、マイナスまたはプラスのいずれかで面積と収量に影響を与える上位要因としてランク付けされることはほとんどありません（各記号に 3 つの気候指数。図 3 および補足図 S3 の赤い点線の有無のバー）。 。 これらの結果は、雨季、乾季に関係なく、極端な気候が平均的な季節気候よりも地域に大きな影響を与えることを示しています。 第二に、雨季の生育期間と比較して、より多くの降水量と気温の指標が、雨季の播種期に地域にプラスまたはマイナスの影響を最も与える要因として特定されました（茶色のバーが半分以上を占めています）。図 3 の上位貢献者)。 これらの調査結果は、雨季/雨季の播種期の気候が年間総作付面積の年ごとの変動に影響を与えることを示しています。 2020 年に報告されたフィリピンの雨季地域の面積は乾季地域の約 1.3 倍であったため、これは合理的であると考えられます。

フィリピンの気候に対する地域の対応。 値は、エラスティック ネット回帰モデルの標準化された平均回帰係数を示します。 赤い点線のある予測変数と赤い点線のない予測変数は、それぞれ平均気候指数と極端な気候指数を示します。 茶色は播種期を示します。 緑色は成長期の初期と後期のグループの平均を示します。 4 つのパネルには、さまざまな季節 (雨季/雨水、乾季/灌漑) と気候変数 (降水量と気温) が表示されます。

上記の特徴は、調査対象国の間で比較的共通でした。 極端な気候条件は、6 か国中 4 か国の地域に顕著な影響を及ぼしました。 季節平均降水量が上位にランクされたのはインドネシアとタイのみでした（補足図4、補足表3）。 4 か国の収量についても同様のパターンが観察されました。 しかし、バングラデシュとインドネシアでは季節平均降水量が収量の最大の要因となっている。 他の極端な気候指標の中でも、連続乾燥日数（CDD）は、地域に悪影響を与える最大の要因であることがよくありました（補足図5）。 さらに、非常に雨の日（R99pTOT）、非常に雨の日（R95pTOT）、連続した雨の日（CWD）、および大雨の日（R10mm）の寄与も頻繁に上位にランクされましたが、地域の反応の兆候はまちまちでした。 極端な温度指数に対する面積の反応もまちまちでしたが、最も寒い日 (TXn) と涼しい日 (TX10p) では面積が増加する傾向がありました。 収量に関しては、CWD と CDD はそれぞれ減少効果と増加効果があることが頻繁に確認されました。 TX10p と最も暑い日 (TXx) も頻繁に検出されましたが、収量反応の兆候はまちまちでした。

雨季の播種期の降水量と気温が面積に与える影響は、マレーシアとミャンマーを除く 4 か国に共通の特徴でした（補足図 4、補足表 3）。 降水量と気温の両方は、同じ季節の成長期よりも雨季の播種期の面積にプラスまたはマイナスの影響を与えました（補足図5）。 播種期の気候が地域に及ぼすこのような影響は、乾期にはほとんど観察されませんでした。 乾季の作付面積は灌漑施設と水の利用可能性によって主に決まるため、これは合理的であると考えられます。

私たちは、気候変動が面積と収量に与える影響、およびそれによる生産量の変化を 4 つの気候シナリオの下で予測し、予測の信頼性の尺度を付けました。 シナリオは、2 つの代表的な濃度経路 [RCP2.6 (r26) および RCP8 (r85)] と 2 つの大循環モデル (GCM) [GFDL-ESM2M (gG) および HadGEM2-ES (gH)] で構成されていました。 r26gG と r85gH は、それぞれ、気温と降水量の変化が小さいシナリオと大きいシナリオを表します。 残りのシナリオ、つまり r85gG と r26gH は、予想される気温と降水量の変化の振幅の点で 2 つのシナリオの中間に位置します (図 1d)。

マレーシアを代表例とする場合、3 つのシナリオ（r26gG、r26gH、r85gH）では生産量が大きく変わらないと予測され、そのうち 2 つのケース、予測面積と収量の変化が同期せず、生産が行われなかった。生産上の大幅な変更。 面積と収量の両方の減少により、r85gG の下でのみ生産量の減少が予測されました。 r26gG の予測の信頼性は、残りの 3 つのシナリオよりも高かった。 エラスティックネット回帰モデルを使用して、観測された最小値と最大値の範囲内に収まる気候予測因子の比率を推定し、読者に予測の信頼性を感じてもらいました（図 4 の各パネルに重ねられたヒートマップを参照）。 ヒートマップでは、緑色が明るいほど、その予測を導き出すために使用された気候予測変数がトレーニング データの範囲外にあり、予測の信頼性が低いことを示しています。 予想通り、近い将来、降水量や気温の変化が小さいシナリオ（r26gG）の予測の信頼性は高かった。

マレーシアの生産、面積、収量の予測変化。 各パネルに重ねられたヒート マップは、投影の信頼性を示します。 明るい緑と白の列は、予測を導き出すために使用された多くの気候予測変数が観測範囲外にあることを示します。 したがって、これらの投影は、濃い緑色の列の投影よりも信頼性が低くなります。 信頼性の低い投影サンプルは、傾向線を当てはめて傾きの重要性をテストするときに除外されます。 傾向線と対応する傾き値は、有意な傾きが得られた場合にのみ表示されます。

ここで検討した 6 か国と 4 つのシナリオからなる 24 のケースのうち、ほとんどのケース (21) では、予測された生産量の変化は有意ではありませんでした。これは主に、予測の信頼性が低く、結果として統計検定のサンプルが少なかったためです。 ただし、24 件中 7 件では、面積と収量のいずれかまたは両方が大幅な変化を示したことが示されました（補足図 6、7）。 10年あたりの変化率は、面積で-0.84〜+ 1.11％、収量で-0.34％〜+ 0.77％の範囲でした（図4、補足図6）。 興味深いことに、7 件中 4 件、つまり 57% では、予測される気候変動に対する面積と収量の反応が同期していないため、生産量に重大な変化は見られませんでした。 これらの結果は、生産量の変化が収量の変化に必ずしも比例しないこと、生産量に対する気候の影響を把握するには気候と地域の関係を考慮する必要があることを示しています。

文献との比較は、利用可能な研究は限られているものの、この研究で特定された気候に対する面積と収量の反応が妥当であることを示しています。 CWD のプラスの影響と CDD のマイナスの影響は、どちらも雨季の播種期において、インドネシアで明らかです (補足図 4、補足表 3)。 これらの発見は、通常よりも湿った条件に反応してインドネシアで過去数十年間雨季米の面積が増加したと報告したNaylor et al.7の発見と一致している。 Koide et al.8 は、フィリピンでは雨季の稲作面積が雨季前の降水量と正の相関があると報告しており、これらの発見は、R10mm、CWD、および雨日総降水量 (PRECIPOTT) を示したこの研究の結果によって裏付けられています。 ）雨季の播種期は水稲面積に最も大きな影響を及ぼした（図3）。 収量に関しては、極端な気候が季節平均気候より大きな影響を与えると報告されており16、これはこの研究の結果と一致している。 最後に、この研究で予測される収量の変化は、これらの予測がプロセスベースの作物モデルから導出された予測の範囲内に分布していることを考慮すると、合理的であると考えられます（補足テキスト）。 気候と地域の関係に関するこれまでの研究が不足しているため、水稲面積の予想される変化を比較することはできません。

南アジアおよび東南アジアの複数稲作国をケーススタディとして使用したこの研究の結果は、異常気象や気候が米作地帯の長期傾向からの逸脱を引き起こす可能性があることを示しています。 私たちは米のみを研究しましたが、この研究の結果は、世界の小麦とトウモロコシの面積のそれぞれ 13% と 10% を占める世界の多作地帯に関連性があります 15。 それにもかかわらず、「気候は地域にどのような影響を与えるのか?」という疑問は残ります。 最終的には脆弱な地域や生産者グループを守るための介入や政策を開発するために、よりプロセス解決可能な方法で取り組む必要がある。 私たちのモデルは、少なくとも 2 つの影響経路の存在を示唆しています。 1 つは、雨季に作付けされる面積の範囲は播種期間中の降水量の影響を受けるというもので、これはおそらく天水条件下での水の利用可能性に関係していると考えられます。 もう一つは、気象による干ばつや洪水など生育期の降水に関わる異常気象による被害により、雨季・乾季に関わらず作付面積が収穫時の面積と同程度に減少することである。 圃場での作業性や植栽方法も前者の経路に影響を与える可能性があります。 植え替えや種子の入手可能性などの農業慣行は、後者の経路に影響を与える可能性があります。

研究が不足しているにもかかわらず、上記の考えを裏付ける証拠がいくつかあります。 前者の経路に関連して、タイ東北部の天水低地における稲移植の進捗は、モンスーン開始後の降水量の蓄積率に影響されます。 したがって、平年より乾燥した年には植栽が遅れ、雨季には植栽面積が減少します。 したがって生産者は、十分な時間を残して降水量が蓄積するのを待ち、その後の乾季の始まりまでに作付け方法を移植から直播に変更するまでに米の収穫を完了します。 これにより収量は低下しますが、移植よりも時間と労力を節約できます17。 後者の経路に関連して、アジアでは干ばつが発生すると穀物栽培面積が減少します1。 イランの畑作物は、干ばつにより収穫面積の減少により生産量が減少することがよくあります10。 このような収穫面積の減少は、農業における災害による被害と損失の評価に焦点を当てた文献に詳しく記載されています18。 地域への降水量の影響と比較して、極端な気温と平均気温が作付面積にどのような影響を与えるかについては、現在ほとんど情報がありません。 Cohn et al.5 は、高温によりブラジルにおけるトウモロコシ大豆の作付面積が減少すると報告したが、関連するプロセスについては議論されていない。

この研究の結果は、適応だけでなく緩和にも関連しています。 アジアの米生産地域における将来の降水量予測は不確実ですが、世界の農地面積の 14% と 31% が 2040 年までにそれぞれ乾燥した気候と湿った気候に見舞われると予想されています19。 これらの発見は、気候変動が地域に及ぼす影響を緩和することで生産量の減少を制限するための適応の必要性を強調しているが、これはほとんど考慮されていない20。 気候緩和の場合、特定の土地ベースの緩和策が適用される農地面積の範囲は、気候緩和の成果の規模を決定するために重要です。これは、その措置が農地土壌への炭素隔離であっても、水田からのメタン排出量の削減であっても当てはまります21,22。 23、24。 気候によって引き起こされる面積の減少は、季節的および長期的なスケールでこれらの緩和策の成果を損なう可能性があります。 米の場合、この研究で示されているように、気候の季節変化に伴う作付面積の変動は長期傾向の 10% 以上になる可能性があり、これは無視できないものであると考えられます。 平均気候変動が地域に及ぼす影響は、ここで報告されている値よりも 2 桁小さい (10 年あたり - 0.85% ～ + 0.06%) が、大量の降水量と気温変化が地域に及ぼす影響は、この報告書では十分に考慮されていません。信頼できる予測が不足しているため、研究が進んでいません。 したがって、農地ベースの緩和策の成果を評価する際には、気候変動に対する地域の対応の影響の大きさを他の要因と比較するための今後の研究が必要である。

1961 年から 2012 年までのアジア 6 か国における米の収穫面積と収量に関する国勢調査データおよび準国勢調査データが使用されました（補足表 1）。 データは各国の政府機関が編纂した農業統計年鑑から収集した（データソースについては参考文献25、26を参照）。 行政単位は時代とともに変化することがあるため、分析には 2010 年の行政単位を使用しました。

私たちは、米の需要の変化、土地利用の変化、投入価格と産出価格の変化、技術進歩の影響を除去するために、面積と収量の年次時系列をトレンド除去し、主に気候要因の影響に焦点を当てました。 異なるトレンドパターンを可能にするために、トレンド除去は面積と収量に対して個別に実行されました（補足図8）。 このようなケースは、たとえば、都市化による面積の減少や集約化による収量の増加によって発生する可能性があります。 面積と収量に対する気候の影響と、生産への影響に対するそれらの相対的な寄与を比較できるように、長期的な傾向と比較して異常の割合を計算しました。 異常率の使用により、平均面積と収量レベルが絶対的に異なる国々の間で気候への寄与を比較することも可能になりました。

トレンド除去には、ダブル フィルター アプローチを採用しました。これには、まず 7 年間のウィンドウ (t − 3 から t + 3) で移動平均を実行し、次に局所的に重み付けされた散布図平滑化 (平滑化スパン (f R 統計パッケージに実装されている 0.5 の 28. 視覚的チェックにより、特定の時系列が高度に非線形である場合、移動平均のみまたは LOWESS のみを実行すると不十分な場合があることが示唆されたため、二重フィルター アプローチが使用されました。

気候変動の検出と指数に関する専門家チーム (ETCCDI29、および季節平均降水量と気温 (補足表 4)) によって定義された 10 の極端な降水指数と 15 の極端な気温指数を計算しました。これらの気候指数は、期間および季節ごとに計算されました。雨季/雨季と乾季/灌漑季の稲作二期作が 5 か国で行われている バングラデシュでは稲作三期作が行われており、2 期（アマン期とアウス期）が雨期に分類されているそれぞれの季節を播種期と生育期に分け、生育期についてはさらに前期と後期に分け、合計で 1 シーズンあたり 3 期を定義した（補足図 1）。 . 1): (1) 播種期間、植え付け期間の最初の月の 1 か月前から植え付け期間の最後の月まで、(2) 初期生育期グループ、植え付け期間の最初の月から最後の月まで。収穫期間の最初の月。 (3) 後期生育期グループ、植え付け期間の最後の月から収穫期間の最後の月まで。 播種期と初期生育期のグループはほぼ重なっていますが、植栽前の 1 か月に異常気象が発生したことが 2 つの期間の主な違いです。 植栽前の気候条件が収量に影響を与える可能性は低いですが、植栽の直前および植栽中の気候条件は、水の利用可能性、圃場での作業性に影響を与え、植栽の進行、ひいては植栽面積の遅延または加速に影響を与えます17,30,31。 私たちは主に、農業市場情報システム (AMIS) と世界情報早期警報システム (GIEWS) の 2 つのソースからの米カレンダーを使用しました (補足表 1)。 関心のある国の情報が両方の情報源で利用できる場合は、AMIS カレンダーを使用しました。

予測される気候の気候指数を計算する際には、米カレンダーを現在の条件と同じに保ちました。 米のカレンダーは、気候変動と適応に応じて変更される可能性があります。 しかし、過去 20 年間に観察された作物の植え付けと収穫の日付の変化が 2 週間未満 32 であり、1 °C の気温上昇あたり 5 日未満である 33 ことを考えると、カレンダーが月単位で使用された場合、この仮定に関連する誤差は小さいと考えられました。

私たちは、S14FD34 と呼ばれる 0.5° 全球遡及気象強制データセットから、1958 年から 2013 年までの毎日の最高気温と最低気温、および毎日の総降水量を取得しました。 日平均気温は、毎日の最高気温と最低気温を平均することによって得られます。 気候を予測するために、結合モデル相互比較プロジェクトのフェーズ 5 で使用された 8 つの GCM の 0.5° 統計的にダウンスケールされ、バイアス補正された日次出力を使用しました (2.6、4.5、6.0、および 8.5 W m の 4 つの RCP に基づく CMIP535) 236 (補足表 5)GCM 出力は、逆距離重み付け法を使用して 0.5° の規則的なグリッド座標に空間的に補間され、累積分布関数 (CDF) ベースのダウンスケーリング法を使用してバイアス補正されました 37,38。バイアス補正の参照34. つまり、気候変数の GCM データの誤差は、トレーニング期間の GCM および S14FD から導出された経験的 CDF のパーセンタイルごとに定義され、定義された GCM 誤差は経験的 CDF から削除されました。誤差とパーセンタイルの関係が時間の経過とともに変化しないと仮定した、バイアス補正期間の GCM データの計算。

8 つの GCM と 4 つの RCP で構成される 32 の気候シナリオのうち、面積、収量、生産量の変化を予測するために、RCP2.6 および RCP8.5 の下で GFDL-ESM2M および HadGEM2-ES を選択しました。 この選択は、21世紀の中期（2041～2060年の平均）と終わり（2081～2100年の平均）におけるアジアの米地帯における年間気温と降水量の変化の関係（図1a）に基づいています。 8 つの GCM と 4 つの RCP によって、1986 年から 2005 年と比較して予測されました (図 1b、c)。 予測される降水量と温度変化の間には正の相関関係が観察されました（図1d）。 RCP8.5 (r85gH) 下の HadGEM2-ES は、上記の関係 (気温 + 4.7 °C、降水量 + 11.1%) に沿ってより大きな変化を示した気候シナリオでしたが、RCP2.6 (r26gG) 下の GFDL-ESM2M ) より小さな変化 (+ 1.1 °C および + 0.7%) を示しました。 RCP2.6 (r26gH; + 1.8 °C および + 6.2%) での HadGEM2-ES および RCP8.5 (g85gG; 2.9 °C および + 7.5%) での GFDL-ESM2M は、中間の気温と降水量の変化に関連するシナリオでした。 重みとして使用された 2005 年の米面積地図 39 は、米面積の平均降水量と気温変化の計算において一定に保たれました。

我々は、エラスティックネット回帰技術 40 を使用して、地域の異常を極度および平均の降水量および気温指数と結び付ける経験的モデルを確立しました。 エラスティック ネット回帰は、Lasso と Ridge を含む正則化回帰モデルの一般的な形式です。 サンプル外検証でも良好なパフォーマンスがエラスティックネット回帰モデルで報告されているため、これらのモデルが使用されました。 さらに重要なことは、エラスティック ネット回帰モデルは、予測子の数がサンプルの数よりも大きい場合や、予測子が互いに相関している場合にも適用できることです。 これらの特徴により、このモデルは気候収量分析に使用されており 25、26、41、いくつかの気候指標 (または気候予測因子) が相互に相関しており、予測因子の数が相関しているため、この研究に非常に適しています。 162 ～ 243 (= 27 の気候指数 \(\times\) 季節ごとに 3 期間 \(\times\) 2 ～ 3 シーズン) は、応答作物変数のサンプル サイズである ~ 52 年よりも大きかった。

エリア異常のモデルは行政単位ごとに構築されました。 このモデル化方法は、品種選択など、地域の管理に影響される生育期の気候に対する行政単位レベルの米の対応の主な特徴を検討するのに役立ちます。 最大の水田面積を含む単一の 0.5 度グリッド セルが 200539 年の水田面積地図から特定され、各行政単位の代表位置として使用されました。 私たちは、ローリング予測オリジン42として知られるアプローチを使用して、モデル開発とサンプル外検証を体系的に実行できるようにしました。 t − 25 から t − 1 までの 25 サンプルを使用してモデルを構築し、t 年を予測し、検証のためにこの手順を 25 回繰り返しました。 国勢調査の面積と収量データは 52 年間利用できるため、この設定は、データの半分がトレーニング サブセットとして使用され、残りの半分が検証サブセットとして使用されたことを示します。 その結果、1986 年を予測する最初のモデル (1961 ～ 1985 年の期間に基づいて構築) から 2012 年を予測する最後のモデル (1987 ～ 2011 年の期間に基づいて構築) まで、27 のモデルが開発されました。 次に、27 件の予測の中央値の年次時系列を計算し、分析に使用しました。 収量異常のモデルは、面積異常のモデルと同様の方法で開発されました。

エラスティックネット回帰モデルの回帰係数を使用して、地域を特徴付け、気候に対する応答を生成しました。 各行政単位の回帰係数は、R のモデル フィッティング手順内で自動的に標準化され、国の行政単位とさまざまなトレーニング サブセットを使用したモデルにわたって平均され、国規模での平均的な気候の影響を特徴付けるために使用されました。 特性評価は、雨季と乾季、降水量と気温、播種と生育期間、極端な気候と平均的な気候の区別に焦点を当てて、面積と収量について個別に実行されました。

投影面積、収量、生産量の予測の信頼性を示す指標を表示しました。 この指標は、エラスティックネット回帰モデルから特定の年の予測を導出する際に、観測された最小値と最大値の範囲内に収まる気候予測子の比率です。 年間の比率を計算するために使用されるサンプルの総数は、気候予測子の数 (162 ～ 243) と同じです。 モデルに入力される気象予測子の観測範囲がトレーニング サブセット間でほぼ同一であるため、異なるトレーニング サブセットを使用して生成されたさまざまなモデルは比率の計算には考慮されませんでした。 比率が低いほど、気候予測変数が観測された最小値と最大値の範囲から外れることになるため、これらの弾性ネット回帰モデルから導出された予測の信頼性は低くなると解釈されます。 信頼性の低い予測を除外すると (比率 < 90%)、面積、収量、生産量のそれぞれについて計算された傾向線の傾きの有意性をテストするために使用されるサンプル サイズが減少します。 したがって、予測の信頼性はトレンド テストに組み込まれています。 私たちは、この処理は、前例のない気候予測変数の値を弾性ネット回帰モデルを含む経験的モデルに入力するときに発生する可能性のある面積、収量、生産量の非現実的な大きな変化を回避するために必要であると考えました。 さらに、そのようなアーチファクトは、季節平均気候指数を予測因子として使用するモデルと比較して、極端な気候指数を予測因子として使用する経験的モデルで発生する可能性が高くなります。

我々は、CMIP5 GCM によって強制されたプロセスベースのグローバルグリッド作物モデル (GGCM) を使用して導出された 2006 年から 2100 年の期間の米収量予測を取得し、それらを弾性純回帰モデルから導出された収量予測と比較しました。 このデータセットは、グローバル グリッド作物モデル相互比較イニシアチブ (GGCMI45) および部門間影響モデル相互比較プロジェクト (ISI-MIP46) の一部である農業モデル相互比較および改善プロジェクト (AgMIP) の成果物として知られています。その出力を使用しました。比較間の一貫性を確保するために RCP2.6 および RCP8.5 の下で HadGEM2-ES および GFDL-ESM2M によって強制された 4 つの GGCM (EPIC、GEPIC、IMAGE-AEZ、および LPJmL) からデータセットで利用可能な他の GGCM は米をシミュレートしていません44。予測収量は、天水と完全灌漑条件、および大気中の二酸化炭素濃度 [CO2] の上昇による施肥効果の有無に応じて個別に入手できました。r26gG/r26gH からなる 4 つの設定のそれぞれについて、4 つの GGCM のアンサンブル平均を計算しました。 /r85gG/r85gH、天水/灌漑、[CO2] 効果の有無を比較し、GGCM ベースの収量予測における既知の不確実性を考慮して、回帰ベースの収量予測が妥当であるかどうかを評価しました。

この研究で実行された分析を裏付けるすべてのデータは、オープンソースから公開されています。 米勢調査データは、各国の統計年鑑から入手できます。 S14FD 気象強制データセットは、https://doi.org/10.20783/DIAS.523 で入手できます。 バイアス補正された CMIP5 GCM 出力は、https://doi.org/10.20783/DIAS.524 から取得できます。

Lesk, C.、Rowhani, P.、Ramankutty, N. 世界の作物生産に対する異常気象災害の影響。 自然 529、84–87。 https://doi.org/10.1038/nature16467 (2016)。

論文 ADS CAS PubMed Google Scholar

Gaupp、F. et al. 世界的な穀倉地帯の同時破綻によるリスクの変化。 ナット。 登る。 変化。 10、54–57。 https://doi.org/10.1038/s41558-019-0600-z (2020)。

記事 ADS Google Scholar

Verschuur、J. et al. 2007 年のレソトと南アフリカの干ばつにおける食糧不安の原因としての気候変動。 科学。 議員 11、3852。https://doi.org/10.1038/s41598-021-83375-x (2021)。

論文 ADS CAS PubMed PubMed Central Google Scholar

飯泉 T. & Ramankutty N. 天候と気候は作付面積と作付強度にどのように影響しますか? グロブ。 食糧確保。 4、46–50。 https://doi.org/10.1016/j.gfs.2014.11.003 (2015)。

記事 Google Scholar

コーン、A.ら。 気候変動に対する作付頻度と面積の応答は、収量の応答を超える可能性があります。 ナット。 登る。 6、601 ～ 604 を変更します。 https://doi.org/10.1038/nclimate2934 (2016)。

記事 ADS Google Scholar

Zhu、P.ら。 温暖化は作付頻度と収量を減少させ、世界の農業生産を減少させます。 ナット。 登る。 変更 12、1016 ～ 1023。 https://doi.org/10.1038/s41558-022-01492-5 (2022)。

記事 ADS CAS Google Scholar

RL ネイラーら。 エルニーニョ/南方振動の気候データを使用してインドネシアの米生産を予測します。 登る。 50、255 ～ 265 を変更します。 https://doi.org/10.1023/A:1010662115348 (2001)。

記事 Google Scholar

小出直也 ほか季節気候予測を使用したフィリピンの米生産量の予測。 Ｊ．Ａｐｐｌ． メテオロール。 クリマトール。 52、552–569。 https://doi.org/10.1175/JAMC-D-11-0254.1 (2013)。

記事 ADS Google Scholar

小寺 昭 ほかベトナムのメ​​コンデルタにおける洪水、塩分侵入、モンスーン雨の影響を受ける稲作サイクルを評価するためのモデリングアプローチ。 田んぼの水環境。 12、343–354。 https://doi.org/10.1007/s10333-013-0386-y (2014)。

記事 Google Scholar

Rezaei, EE et al. イランにおける作物生産の変動は、収量ではなく作物の収穫面積によって決まります。 環境。 解像度レット。 16、064058。https://doi.org/10.1088/1748-9326/abfe29 (2021)。

記事 ADS Google Scholar

Ubilava, D. 小麦価格変動におけるENSO効果と非対称性。 世界開発 96、490–502。 https://doi.org/10.1016/j.worlddev.2017.03.031 (2017)。

記事 Google Scholar

長谷川、T.、若月、H.、ネルソン、GC 気候変動によって引き起こされる複数の穀倉地帯の破綻の証拠と予測。 カー。 意見。 環境。 持続する。 58、101217。https://doi.org/10.1016/j.cosust.2022.101217 (2022)。

記事 Google Scholar

長谷川 哲 ほか統合評価モデルにリンクされた世界的な土地利用配分モデル。 科学。 トータル環境。 580、787–796。 https://doi.org/10.1016/j.scitotenv.2016.12.025 (2017)。

論文 ADS CAS PubMed Google Scholar

Ai、Z.ら。 二酸化炭素の回収と貯留の可能性を備えた地球規模のバイオエネルギーは、持続可能な灌漑によって大きく制約されています。 ナット。 持続する。 4、884–891。 https://doi.org/10.1038/s41893-021-00740-4 (2021)。

記事 Google Scholar

Waha, K. et al. 世界には複数の作付システムがあり、作付強度が高まる可能性。 グロブ。 環境。 変化。 64、102131。https://doi.org/10.1016/j.gloenvcha.2020.102131 (2020)。

記事 PubMed PubMed Central Google Scholar

Vogel, E. et al. 極端な気候が世界の農作物収量に及ぼす影響。 環境。 解像度レット。 14、054010。https://doi.org/10.1088/1748-9326/ab154b (2019)。

記事 ADS Google Scholar

澤野 伸 ほかタイ東北部における天水米の収穫カレンダーの降水量への依存性をモデル化。 田んぼの水環境。 6、83–90。 https://doi.org/10.1007/s10333-007-0102-x (2008)。

記事 Google Scholar

Conforti, P.、Markova, G.、Tochkov, D. 農業における損害と損失の評価に関する FAO の方法論。 FAO 統計ワーキングペーパー 19–17 (ローマ、2020)。 https://doi.org/10.4060/ca6990en。

ロハス、M. et al. 21 世紀の作物生産地域全体で降水量の急激な変化が出現。 手順国立アカド。 科学。 USA 116、6673–6678。 https://doi.org/10.1073/pnas.1811463116 (2019)。

論文 ADS CAS PubMed PubMed Central Google Scholar

スロート、LLら。 作物の移動による気候適応。 ナット。 共通。 11、1243。https://doi.org/10.1038/s41467-020-15076-4 (2020)。

論文 ADS CAS PubMed PubMed Central Google Scholar

Zhang、G.ら。 モンスーンアジアにおける大気中のメタン濃度の時空間ダイナミクスにおける水田の指紋。 ナット。 共通。 11, 554。 https://doi.org/10.1038/s41467-019-14155-5 (2020)。

論文 ADS CAS PubMed PubMed Central Google Scholar

ロー、S.ら。 気候変動を緩和するための陸上での対策: 国別の可能性と実現可能性。 グロブ。 バイオルを変更します。 27、6025–6058。 https://doi.org/10.1111/gcb.15873 (2021)。

記事 CAS Google Scholar

南川和也 ほか異なる水管理慣行に基づくタイ中部の灌漑水田からの将来のメタン排出の予測。 科学。 トータル環境。 566–567、641–651。 https://doi.org/10.1016/j.scitotenv.2016.05.145 (2016)。

論文 ADS CAS PubMed Google Scholar

Searchinger, T.、Herrero, M.、Yan, X. 他世界の農業からのメタン排出を削減する機会。 (2021) https://scholar.princeton.edu/sites/default/files/methane_Discussion_paper_nov_2021.pdf。

飯泉 哲 ほか世界規模のグリッド作物モデルのシミュレーションにおける収穫年を国勢調査報告書の収穫年と一致させることは、コメの国レベルのモデル性能評価にとって極めて重要です。 ユーロ。 J.アグロン。 130、126367。https://doi.org/10.1016/j.eja.2021.126367 (2021)。

記事 Google Scholar

飯泉 哲 ほか大規模な気候指標と地域の気温と降水量の季節予測を使用して導き出された、主要作物の世界的な季節内収量異常予測。 天気予報。 36、285–299。 https://doi.org/10.1175/WAF-D-20-0097.1 (2021)。

記事 ADS Google Scholar

Lu, J.、Carbone, GJ & Gao, P. 米国における干ばつの影響を空間的に視覚化するための作物収量データのトレンド除去（1895 ～ 2014 年）。 農業。 のために。 メテオロール。 237–238、196–208。 https://doi.org/10.1016/j.agrformet.2017.02.001 (2017)。

記事 ADS Google Scholar

Rコアチーム。 R: 統計コンピューティングのための言語と環境 (ウィーン、2022)。

アレクサンダー、LV グローバルは、気温と降水量の極端な長期変化を観察しました: IPCC 評価およびそれ以降の進歩と限界のレビュー。 天気予報。 極値 11、4 ～ 16。 https://doi.org/10.1016/j.wace.2015.10.007 (2016)。

記事 Google Scholar

Mathison, C. et al. アジアの夏のモンスーンに基づいて播種日と収穫日を推定します。 地球システムディン。 9、563–592。 https://doi.org/10.5194/esd-9-563-2018 (2018)。

記事 ADS Google Scholar

チョイ、Y.-S. 他。 米国中西部におけるトウモロコシの播種日に対する気候の影響。 内部。 Ｊ．Ｃｌｉｍａｔｏｌ． 37、1595–1602。 https://doi.org/10.1002/joc.4799 (2017)。

記事 Google Scholar

クーチャリク、CJ 米国中部でのトウモロコシの早期植栽の数十年にわたる傾向。 アグロン。 J. 98、1544–1550。 https://doi.org/10.2134/agronj2006.0156 (2006)。

記事 Google Scholar

ヤン、Ｙら。 衛星画像と農業調査データを使用して、2000 年から 2016 年までの北米全域の作物季節学の時空間パターンを特徴付けます。 ISPRS J. フォトグラム。 リモートセンシティブ 170、156–173。 https://doi.org/10.1016/j.isprsjprs.2020.10.005 (2020)。

記事 ADS Google Scholar

飯泉 哲 ほか予測される気温と降水量の極値の不確実性に対する、さまざまなバイアス補正手法と参照気象強制データセットの寄与。 Ｊ．Ｇｅｏｐｈｙｓ． 解像度アトモス。 122、7800–7819。 https://doi.org/10.1002/2017JD026613 (2017)。

記事 ADS Google Scholar

Taylor, KE、Stouffer, RJ、Meehl, GA CMIP5 と実験計画の概要。 ブル。 午前。 メテオロール。 社会 93、485–498。 https://doi.org/10.1175/BAMS-D-11-00094.1 (2012)。

記事 ADS Google Scholar

ヴァン・ヴーレン、DP 他。 代表的な濃度経路: 概要。 登る。 変更 109、5. https://doi.org/10.1007/s10584-011-0148-z (2011)。

記事 ADS Google Scholar

飯泉 哲 ほか現在の気候における日本全国のダウンスケーリング日降水量指数の評価と相互比較: 動的およびバイアス補正型統計ダウンスケーリング手法の長所と短所。 Ｊ．Ｇｅｏｐｈｙｓ． 解像度アトモス。 116、D01111。 https://doi.org/10.1029/2010JD014513 (2011)。

記事 ADS Google Scholar

石崎、NN 他日本上空の格子状気候シナリオに対する 2 つのバイアス補正手法の評価。 ソラ 16、80–85。 https://doi.org/10.2151/sola.2020-014 (2020)。

記事 ADS Google Scholar

レイ、DK 他作物収量の増加と停滞の最近のパターン。 ナット。 共通。 3、1293。https://doi.org/10.1038/ncomms2296 (2012)。

論文 ADS CAS PubMed Google Scholar

Zou, H. & Hastie, T. 弾性ネットを介した正則化と変数選択。 JR駅社会 67B、301–320。 https://doi.org/10.1111/j.1467-9868.2005.00503.x (2005)。

記事 MathSciNet MATH Google Scholar

ダス、B.ら。 インド西海岸の気象パラメータに基づく米収量の予測のための、複数の線形ニューラル ネットワークおよびペナルティ付き回帰モデルの評価。 内部。 J.バイオメテオロール。 62、1809 ～ 1822 年。 https://doi.org/10.1007/s00484-018-1583-6 (2018)。

論文 ADS PubMed Google Scholar

Hyndman、RJ、Athanasopoulos、G. 予測: 原則と実践、第 2 版。 （メルボルン、2018年）。 OTexts.com/fpp2。

Rosenzweig, C. et al. 世界的なグリッド作物モデルの相互比較により、21 世紀の気候変動による農業リスクを評価します。 手順国立アカド。 科学。 USA 111、3268–3273。 https://doi.org/10.1073/pnas.1222463110 (2014)。

論文 ADS CAS PubMed Google Scholar

ビロリア、NBら。 グローバルなグリッド化された作物モデルの出力を迅速に集約し、農業における気候変動の影響の学際的な分析を促進します。 環境。 モデル。 ソフトウェア。 75、193–201。 https://doi.org/10.1016/j.envsoft.2015.10.016 (2016)。

記事 Google Scholar

エリオット、J. et al. グローバル グリッド作物モデルの相互比較: フェーズ 1 (v1.0) のデータとモデリング プロトコル。 地理学。 モデル開発 8、261–277。 https://doi.org/10.5194/gmd-8-261-2015 (2015)。

記事 ADS Google Scholar

ワルシャウスキー、L. 他部門間影響モデル相互比較プロジェクト (ISI-MIP): プロジェクトの枠組み。 手順国立アカド。 科学。 米国 111、3228–3232。 https://doi.org/10.1073/pnas.1312330110 (2014)。

論文 ADS CAS PubMed Google Scholar

リファレンスをダウンロードする

データ収集に協力していただいたTakumi Taro 氏と Singh Rajeev Kumar 氏に感謝します。 本研究は、環境省の環境再生保全機構環境研究開発費（JPMEERF20202002、JPMEERF23S21120）の助成を受けて行われました。 TI は、日本学術振興会からの科学研究費補助金 (22H00577 および 20K06267) の一部の支援を受けました。

独立行政法人農業・食品産業技術総合研究機構農業環境科学研究所、〒305-8604 茨城県つくば市

Nanae Hosokawa, Yasuhiro Doi, Wonsik Kim & Toshichika Iizumi

森林研究・管理機構 森林総合研究所 〒305-8687 茨城県つくば市

Nanae Hosokawa

CSJ Co. Ltd., Shibuya-Ku, Tokyo, 151-0053, Japan

Yasuhiro Doi

PubMed Google Scholar でこの著者を検索することもできます

PubMed Google Scholar でこの著者を検索することもできます

PubMed Google Scholar でこの著者を検索することもできます

PubMed Google Scholar でこの著者を検索することもできます

TI がこの研究を発案しました。 NH と YD が分析を実施。 TI、YD、NH、WK が原稿を執筆しました。

飯泉利親氏への通信。

著者らは競合する利害関係を宣言していません。

シュプリンガー ネイチャーは、発行された地図および所属機関における管轄権の主張に関して中立を保ちます。

オープン アクセス この記事はクリエイティブ コモンズ表示 4.0 国際ライセンスに基づいてライセンスされており、元の著者と情報源に適切なクレジットを表示する限り、あらゆる媒体または形式での使用、共有、翻案、配布、複製が許可されます。クリエイティブ コモンズ ライセンスへのリンクを提供し、変更が加えられたかどうかを示します。 この記事内の画像またはその他のサードパーティ素材は、素材のクレジットラインに別段の記載がない限り、記事のクリエイティブ コモンズ ライセンスに含まれています。 素材が記事のクリエイティブ コモンズ ライセンスに含まれておらず、意図した使用が法的規制で許可されていない場合、または許可されている使用を超えている場合は、著作権所有者から直接許可を得る必要があります。 このライセンスのコピーを表示するには、http://creativecommons.org/licenses/by/4.0/ にアクセスしてください。

転載と許可

細川直也、土井裕也、金W. 他極端な気候に対する対照的な面積と収量の反応は、アジアにおける気候変動に強い米生産に貢献します。 Sci Rep 13、6219 (2023)。 https://doi.org/10.1038/s41598-023-33413-7

引用をダウンロード

受信日: 2023 年 1 月 25 日

受理日: 2023 年 4 月 12 日

公開日: 2023 年 4 月 17 日

DOI: https://doi.org/10.1038/s41598-023-33413-7

次のリンクを共有すると、誰でもこのコンテンツを読むことができます。

申し訳ございませんが、現在この記事の共有リンクは利用できません。

Springer Nature SharedIt コンテンツ共有イニシアチブによって提供

コメントを送信すると、利用規約とコミュニティ ガイドラインに従うことに同意したことになります。 虐待的なもの、または当社の規約やガイドラインに準拠していないものを見つけた場合は、不適切としてフラグを立ててください。