估计天气对农业的影响

虽然各国之间存在一些异质性，但这四个国家在所有六个国家都表现出色。日降雨量中值和日降雨量偏斜的表现尤其差，仅在40%的回归中与结果显著相关。对于温度，拒绝假设2的证据同样有力，基于我们的启发法，温度指标之间存在实质性差异。然而，目前尚不清楚哪些温度指标表现最好。根据兰德p值，在许多不同的病例中，日平均温度和中位温度似乎是预后的最佳预测因子。然而，在与结果保持一致的正相关或负相关方面，两者都没有表现得特别好。这两个变量的系数与更好的结果和更差的结果一样可能相关。不同的迹象在一个国家与另一个国家之间似乎不太可能出现，这表明不一致的原因是测量误差，而不是区域、国家或作物的汇总。虽然在解释结果差异或与结果相关方面不如平均值或中位数强，但对每日温度变化的系数始终为负值，这使其成为我们首选的温度测量方法。有些令人惊讶的是，考虑到其在经济学文献中的使用频率，GDD和与GDD的偏差是我们的启发法测量温度的糟糕指标。虽然GDD可能适用于预测美国等温和气候下的作物产量，但在撒哈拉以南非洲的热带地区，它似乎是一个糟糕的选择。基于这些证据，我们继续分析遥感产品的测量误差，重点是四个降雨指标和三个温度指标。

它们是平均降雨量、总降雨量、雨天数、雨天份额、平均温度、中间温度和温度变化。在没有其他证据的情况下，这些似乎是测量降水量和温度的最佳指标。当研究人员考虑如何将降水量或温度纳入经济分析时（至少在撒哈拉以南非洲），我们建议他们使用上述七个指标中的一个或多个。选择不同的天气指标时，应同时进行理论或农艺论证，并可能进行稳健性检查，以确保结果不受任何特定天气指标选择的影响。4.3遥感产品通过缩小单一提取方法和与结果相关的天气指标子集的范围，我们可以更好地调查哪些遥感产品误测了降水量和温度。具体而言，我们希望检验假设3的证据（降水和温度的不同测量技术对农业生产力的估计有相同的影响）如前所述，传感器（如红外、微波、光学）、用于将传感器数据转换为降雨或温度的算法（如再分析、插值）或数据分辨率（如空间、时间）的不准确可能会导致降水和温度客观事实中的误测。我们的无效假设基于这样的假设：这些不准确要么不存在（所有遥感产品都准确地报告了客观事实），要么任何误判都是不真实的，不会影响分析。另一种假设是，如图1和图2所示，遥感天气数据中存在大量误判。

如果替代方案是正确的，则必须注意探索降雨和温度指标的线性组合，请参见附录F。在选择遥感产品时，需要对产品的选择进行合理性或稳健性检查，以确保不同产品之间的差异不会造成显著或实质性的结果差异。为了验证假设3，我们汇集了2376个回归的结果（这些结果来自我们的单一提取方法和七个天气指标），然后按遥感源进行划分。与我们之前的假设一样，我们试图确定遥感产品与其他产品的区别是弱还是强。为了做到这一点，我们使用调整后的兰德p值的启发法来确定一个遥感产品的天气指标是否能解释更多的结果差异，或者与结果的相关性是否更大。我们还通过天气指标和国家来检验系数和符号，以确定遥感产品是否对记录数据的地区或国家敏感。如果我们未能拒绝零，那么我们可以得出结论，遥感产品中的测量误差不是很大，所有产品要么准确报告客观事实，要么以同样的方式误报。如果我们拒绝零，并确定替代假设是真的，这意味着遥感产品对给定地点在给定日期的实际降水量和温度不一致。由于某一地点一天的降水量和温度是客观事实，因此任何不一致都必须是遥感产品中测量误差的结果。同样，由于我们缺乏有关客观事实的数据，我们无法确定哪些产品或产品存在测量误差。

相反，如果一个产品产生的结果与其他产品有显著差异，或者如果一个产品的天气指标系数缺乏一致性交叉回归，我们可以将其归类为可能包含测量误差的产品。我们充分理解和理解这种方法的弱点。如果没有客观事实的数据，我们就无法根据这些客观事实来衡量产品的准确性。然而，这样的数据并不存在，因此，鉴于数据缺失问题，我们的方法应该被视为第二好的方法。了解到我们无法将遥感产品中的测量误差与客观事实进行比较，这是数据分析小组对遥感产品的身份视而不见的一个原因。它有助于确保我们的发现的客观性，因为我们没有关于降水量和温度的客观事实的数据。4.3.1调整后的RWe首先查看四个首选降雨指标的遥感降水聚集的Rv值。这为我们提供了六种降水产物的1728次回归。如前所述，我们对单一模型规格的单一产品回归的调整后右值取平均值，然后计算平均值的95%置信区间。这导致每个降水产品、每个模型规格有48个回归。图27显示了降水产品平均调整RFR的规格图。西北面板显示模型规格（2a）和（3a）的结果，东北面板显示模型规格（2b）和（3b）的结果，西南面板显示模型规格（2c）和（3c）的结果。在西北面板中，对于仅包括天气的规范，CPC和MERRA-2的调整后右旋值与ERA5有强烈差异，与Chirp和TAMSAT有微弱差异。

没有其他成对比较有实质性差异。对于二次规格，CPC与CHIRPS、TAMSAT、andERA5的差别不大，但MERRA-2与任何其他产品的差别不再很大。这表明CPC和MERRA-2在使用这两种产品的数据计算的降雨指标中错误地测量了降水量。与其他四种产品相比，这两种产品的指标解释的结果差异要小得多。与之前的调整后R规格图一样，模型规格中只存在实质性差异，不包括房屋固定效应。当我们检查图27中的另外两个面板时，我们发现沉淀产物之间没有实质性差异。图28中的温度结果讲述了一个不同的故事。在这里，任何面板中的遥感产品之间都没有实质性差异。虽然CPC在所有六种型号规格中的调整值最小，但在强弱测试方面，这种差异并不显著。该定量证据支持图1和图2中的定性证据以及图4到图7中的描述性证据。不同降水产品的报告降雨量差异可能很大，而不同温度产品的温度差异似乎相对相似。迄今为止的证据表明，CPC和MERRA-2可能会相对于其他四种降水产品中报告的值，误测降水量。

对于温度，这三种产品都报告了类似的值，表明它们都不受测量误差的影响。4.3.2 p值根据我们的第二个启发，图29显示了遥感产品的重要p值份额。与调整后的R一样，我们对天气指标进行汇总，只关注遥感产品中具有显著p值的系数的总体份额。在这里，ERA5表现最好，在64%的回归中，系数p>0.95。MERRA-2的表现最差，53%的回归系数显著。ERA5在p>0.95时，与除ARC2以外的所有其他产品相比，差异很小。ERA5在p>0.99时与MERRA-2有显著差异（但在其他显著水平上没有差异）。对于温度，与之前的图表不同，我们看到附录E中的远程表E1到E12之间存在显著差异。按国家和遥感产品分类的所有22个天气指标的当前重要p值份额。这是基于提取方法的不同结果。在匿名版本中，ERA5与ARC2有微弱差异，但与CPC没有微弱差异。但是，使用家庭双线性，ERA5现在与CPC存在微弱差异，而不再与ARC2存在微弱差异。传感产品。ERA5与MERRA-2和CPC在所有显著水平上都存在微弱差异，65%的回归中，ERA5的显著系数p>0.95，而MERRA-2和CPC的显著系数为56%。我们在图28中看到，与其他两个相比，ERA5的调整右值略高，尽管这些差异不满足我们的弱标准。这些结果提出了这样一个问题：啁啾、CPC、MERRA-2、ARC2和TAMSAT在降水和ERA5中是否包含测量误差，或者反过来是否正确。同样，如果MERRA-2和CPC包含温度测量误差，ERA5是否准确，或者反过来是否正确，则存在问题。

基于我们一直坚持的天气指标与结果显著相关的假设，我们应该得出结论，ERA5在降雨量和温度方面比其他产品更准确，而所有其他遥感源产生的天气数据都包含测量误差。然而，asCHIRPS、CPC、MERRA-2、ARC2和TAMSAT报告的结果大致相同，这可能是因为它们是更准确的产品，ERA5是异常值。后一种解释引出了一个问题，即如果ERA5受到降雨和温度测量误差的影响，那么误差是经典的还是非经典的。根据描述证据，ERA5可能受到非经典测量误差的影响，因为它始终报告的降雨量高于大多数其他降水产品，这表明测量误差不是随机的，而是有偏差的。ERA5在降雨指标中产生的显著p值中所占份额最大，这也表明，如果产品中存在测量误差，其性质可能是非经典的。这是因为对经典测量误差影响的一般理解是引入噪声，而不是偏差，这意味着我们希望受到经典测量误差影响的产品产生的显著p值更少，而不是更多。对于ERA5温度测量来说，情况有些混乱。ERA5的温度描述性证据并未显示更大的差异，这是经典测量误差的常见指标。与ERA5的降雨量一样，ERA5的温度指标产生的大量重要p值与人们对经典测量误差的预期相反，在经典测量误差中，噪声引入了系数估计的不精确性。

然而，与其他产品相比，ERA5对温度的描述统计数据均未显示出低于或高于报告温度的趋势，就像ERA5对降雨的描述一样。这就给我们留下了两种选择之一：要么ERA5是准确的，另五种降水产品错误地测量了降水量，要么ERA5来自非经典测量，高估了降水量，从而使回归结果产生偏差，从而使降水看起来与结果的相关性比实际情况更大。类似地，ERA5是准确的，MERRA-2和CPC受测量误差的影响，或者MERRA-2和CPC准确报告温度的客观事实，而ERA5受非经典测量误差的影响，这会导致偏差系数，与结果的相关性比它们应该的强。如果后者适用于降雨或温度，那么我们无法确定这些产品是否受经典或非经典测量误差的影响。由于我们没有观察到实际的降水量和温度，我们无法确定两种测量中哪一种是由CPC、MERRA-2、ARC2和TAMSAT引起的，如果它们实际上是由测量误差引起的。为了进一步深入研究这些问题，我们根据天气指标对p值结果进行了分解。图30显示了重要p值在平均值、总值、雨天和百分比雨天中所占的份额。对于平均日降雨量和总季节降雨量，ERA5报告的结果与除CPC以外的所有其他产品的结果略有不同。这与我们之前看到的以及图4中降雨分布的长尾一致。但是，当我们考虑雨天的数量或雨天的百分比时，我们发现ERA5产生的显著p值所占的份额与任何其他产品都没有太大区别。

通过ERA5的啁啾基本上在这两个指标上是相同的，TAMSAT与MERRA-2略有不同。这表明ERA5确实受到了非经典测量误差的影响，因为它总是过度报告某一天的降雨量，而不是降雨天数。图31显示了每日温度的平均值、中值和方差所占的显著p值份额。这里的证据不那么清楚。ERA5报告，相对于CPC，在最显著水平下，温度的平均值和方差的p值略大。ERA5与MERRA-2在温度变化方面的差异很小，但在平均值方面没有差异。所有三款temperatureproducts报告的日平均温度结果基本相似。关于哪些温度产品可能被误测，这一切意味着什么尚不清楚。考虑到温度产品在描述和调整R方面的相似性，以及显著p值的差异未能遵循明确的模式，我们观察到的差异可能只是由于随机机会造成的。我们通过检查特定回归系数的标志和意义来探讨以下几点。4.3.3系数通过将我们的重点缩小到单一提取方法和四个降雨指标，现在可以查看单个回归的结果。与调整后R的规格图类似，规格图底部显示了识别结果特征的标签。与调整后的Rcharts不同，我们现在给出了单个回归的系数和置信区间——每个国家72个——而不是汇总结果的平均值和置信区间的平均值。

在下面的讨论中，术语“重要”定义了一个p>0.95的点估计值。图32显示了各国平均日降雨量的系数和置信区间的规格图。正如我们之前所看到的，每个国家的平均日降雨量的大部分重要系数均为正值，但坦桑尼亚除外，坦桑尼亚的大部分系数基于提取方法得出的结果存在差异。在匿名版本中，ERA5与CPC有微弱差异。但是，使用家庭双线性，ERA5与CPC之间不再存在微弱差异。这些都不重要。在各国，基于降水数据的遥感来源，日平均降雨量的表现有一个一致的模式。在埃塞俄比亚，平均降雨量的系数往往在显著和不显著之间平均分配，但ERA5除外，在ERA5中，12个系数中有10个是显著的。相比之下，MERRA-2的系数同样可能为负、正或不显著。对于那些在埃塞俄比亚具有重要意义的系数，大多数倾向于正值，尽管这里的MERRA-2是异常值，其显著系数在正值和负值之间平均分为正值和负值。在马拉维，除MERRA-2外，平均降雨量的大多数系数对每个遥感源都是重要的，12个系数中只有4个是重要的。在重要的条件下，所有遥感产品都报告了绝大多数正系数，45个系数中只有两个为负。与埃塞俄比亚、尼日尔和尼日利亚类似，平均降雨量的系数往往在显著和不显著之间平均分布，ERA5报告12个系数中有10个是显著的。然而，尼日尔和尼日利亚与埃塞俄比亚相比，一些遥感产品报告的系数更为微不足道，而非重要。