[论文解读] The impact of abnormal temperatures on crop yields in Italy: a functional quantile regression approach

Giovanni Bocchi, Alessandra Micheletti+2 more|arXiv (Cornell University)|Jan 19, 2026

Climate change impacts on agriculture被引用 0

一句话总结

该论文将函数回归和函数分位数回归应用于意大利省级数据（1952–2023），以识别温度与降水异常何时对玉米与软小麦产量影响最大。

ABSTRACT

In this study, we apply functional regression analysis to identify the specific within-season periods during which temperature and precipitation anomalies most affect crop yields. Using provincial data for Italy from 1952 to 2023, we analyze two major cereals, maize and soft wheat, and quantify how abnormal weather conditions influence yields across the growing cycle. Unlike traditional statistical yield models, which assume additive temperature effects over the season, our approach is capable of capturing the timing and functional shape of weather impacts. In particular, the results show that above-average temperatures reduce maize yields primarily between June and August, while exerting a mild positive effect in April and October. For soft wheat, unusually high temperatures negatively affect yields from late March to early April. Precipitation also exerts season-dependent effects, improving wheat yields early in the season but reducing them later on. These findings highlight the importance of accounting for intra-seasonal weather patterns to provide insights for climate change adaptation strategies, including the timely adjustment of key crop management inputs.

研究动机与目标

• 识别在季内何时温度与降水异常显著影响意大利玉米与软小麦产量。
• 使用函数回归和 FDA 工具对天气影响的时序与形状进行建模。
• 量化产量分布尾部的差异效应，以为气候适应策略提供依据。
• 为作物管理调整（如灌溉时机）提供具有政策相关性的洞见。

提出的方法

• 使用带省固定效应和年趋势的标量对函数函数回归。
• 将天气协变量居中并通过 fPCA 投影到函数基，以获得标量分数。
• 通过最小二乘估计与函数分位数回归（τ ∈ (0,1)）估计；必要时包含 QA。
• 对省份进行自抽样以构建函数系数的置信带。
• 从截断的 fPCA 表达中重构函数系数 γ^k,e(t,τ)。

实验结果

研究问题

• RQ1 在生长季的何时段异常温度最显著降低意大利玉米产量？
• RQ2 异常温度如何影响软小麦产量，哪些时间窗效应最强？
• RQ3 降水模式如何影响软小麦产量及其随分位数的变化？
• RQ4 温度效应是否在产量分布尾部不同，是否存在对农业技术或适应性的异质影响？
• RQ5 是否可将函数温度和降水效应用于在气候变化下优化作物管理决策（如灌溉时机）？

主要发现

Estimator	ΔY	r(Yield)
OLS	-0.0577	0.9440
QR τ=0.1	-0.0594	0.9424
QR τ=0.9	-0.0326	0.9679

• 高于平均温度对玉米产量的负效应主要集中在6月至8月，4月和10月有温和的正向效应。
• 对玉米而言，0.1 与 0.9 分位数显示一致但尾部行为不同，表明对产量较低的农场更具脆弱性。
• 对软小麦，高温在3月下旬至4月初对产量有负面影响，降水在早季有利但对后期产量有害。
• 小麦对早季累积降水有正向响应，但晚季有不利影响，表明降水的季节性影响。
• 函数系数 γ(t) 可解释为在子区间温度变化下的产量变化，便于基于情景的预测（如 ΔT 在6–8月）。
• 在玉米中，0.9分位数的负面影响较0.1分位数小，表明更高产/更大农户群体的适应性更好。