Differential Climate Sensitivity of Maize and Wheat in Nepal: Evidence from Panel Econometrics and Machine Learning

Resumo Técnico: Sensibilidade Climática Diferencial do Milho e do Trigo no Nepal

Definição do Problema
A variabilidade climática representa uma ameaça crescente à agricultura de cereais de pequenos produtores no Nepal, que sustenta 65% da força de trabalho e contribui com aproximadamente 27% do PIB. Embora a literatura global estabeleça que o aumento das temperaturas e as mudanças na precipitação reduzem os rendimentos dos cereais, há uma carência de quantificação rigorosa e comparativa de como esses impactos diferem entre os dois principais cereais do Nepal: o milho (Zea mays) e o trigo (Triticum aestivum). Os estudos existentes no Nepal frequentemente analisam culturas isoladas, dependem de regressões de séries temporais simplificadas carentes de efeitos fixos por distrito, ou utilizam modelos de simulação de culturas calibrados em dados escassos. Além disso, nenhuma pesquisa prévia integrou o aprendizado de máquina (machine learning) com a econometria de painel para comparar a sensibilidade climática diferencial dessas culturas através das diversas zonas agroecológicas do Nepal.

Metodologia
O estudo constrói um painel equilibrado de 30 anos a nível distrital (1993–2022) cobrindo 77 distritos, utilizando dados de rendimento do Ministério da Agricultura e Desenvolvimento da Pecuária (MoALD) e dados climáticos da NASA POWER (reanálise MERRA-2). A análise emprega uma abordagem de quadro duplo:

1. Econometria de Painel: Foram aplicadas regressões de Efeitos Fixos (FE) com erros padrão de agrupamento (cluster-robust) e Driscoll-Kraay para controlar a heterogeneidade invariante no tempo dos distritos (ex: qualidade do solo, infraestrutura) e a dependência transversal. O modelo estima os efeitos marginais da temperatura média da estação de crescimento, precipitação total, o Índice de Precipitação e Evapotranspiração Padronizado (SPEI), dias de estresse térmico e a variabilidade da precipitação intraestacional sobre os rendimentos em logaritmo. A robustez foi verificada através de variáveis climáticas defasadas, modelos de primeira diferença e estimativa de Variáveis Instrumentais (IV) utilizando anomalias defasadas do SPEI.
2. Aprendizado de Máquina (ML): Modelos XGBoost e Random Forest foram treinados para prever rendimentos, com hiperparâmetros ajustados via validação cruzada de 10 dobras (10-fold cross-validation). O desempenho do modelo foi avaliado em um conjunto de teste de retenção temporal (2018–2022) utilizando $R^2$, RMSE, MAE e MAPE. Valores SHAP (Shapley Additive Explanations) foram utilizados para determinar a importância global e local das variáveis e para identificar limiares não lineares nas relações clima-rendimento.

Principais Contribuições
Esta pesquisa representa a primeira aplicação integrada de econometria de painel e aprendizado de máquina para comparar a sensibilidade climática do milho e do trigo no Nepal. Suas contribuições específicas incluem:

• Quantificação Comparativa: Fornecer estimativas simultâneas, ao nível distrital, da elasticidade climática para ambas as culturas, revelando perfis de vulnerabilidade distintos.
• Estrutura Unificada: Integrar o índice de seca SPEI junto com métricas de temperatura e precipitação dentro de uma única especificação econométrica para capturar interações complexas entre umidade e temperatura.
• Benchmarking Não Linear: Utilizar análise de XGBoost e SHAP para capturar relações não lineares entre clima e rendimento e identificar limiares fisiológicos que modelos paramétricos poderiam omitir.
• Validação Fisiológica: Fundamentar os achados estatísticos na fisiologia fotossintética C3 (trigo) versus C4 (milho) para explicar as diferenciais sensibilidades.

Resultos
A análise produz três principais achados:

1. Sensibilidade Térmica Diferencial: O trigo é significativamente mais sensível ao aumento de temperatura do que o milho. Um aumento de 1°C na temperatura da estação de crescimento reduz os rendimentos do trigo em 8,7% ($p < 0,001$), comparado a uma redução de 4,2% para o milho. Esta diferença é estatisticamente significativa e consistente em todas as verificações de robustez.
2. Impactos de Seca e Variabilidade: Um declínio de uma unidade no SPEI reduz os rendimentos do trigo em 6,1% versus 3,8% para o milho. Da mesma forma, os dias de estresse térmico e a variabilidade da precipitação intraestacional exercem uma penalidade negativa maior sobre o trigo. Os rendimentos do trigo apresentam maior instabilidade interanual (CV = 0,23) em comparação ao milho (CV = 0,19).
3. Desempenho Preditivo e Direcionadores: Os modelos XGBoost alcançaram alta precisão preditiva ($R^2 = 0,84$ para o trigo; $R^2 = 0,79$ para o milho) no conjunto de teste de retenção. A análise SHAP confirma que a vulnerabilidade do trigo está concentrada em métricas de temperatura e seca, enquanto a vulnerabilidade do milho é mais distribuída entre o volume de chuva e o estresse térmico. Os limiares não lineares identificados via SHAP indicam que os rendimentos do trigo caem abruptamente acima de ~22°C, enquanto o milho beneficia-se da precipitação apenas acima de ~600 mm por estação.

Significância e Alegações
O artigo afirma que o trigo é significativamente mais sensível ao clima do que o milho, um achado fundamentado na fisiologia C3 do trigo, seus limiares de temperatura crítica mais baixos e sua concentração nas planícies do Terai de altas temperaturas. O estudo assegura que esta sensibilidade diferencial exige intervenções políticas direcionadas em vez de estratégias agrícolas uniformes.

Especificamente, os autores argumentam que:

• Priorização de Políticas: Os esforços de adaptação devem priorizar variedades de trigo resilientes ao clima (ex: linhagens tolerantes ao calor do CIMMYT) e investimentos direcionados em irrigação no Terai, onde as penalidades térmicas são mais severas.
• Previsão Operacional: A alta precisão preditiva dos modelos de ML demonstra a viabilidade técnica de previsões de rendimento operacionais ao nível distrital usando entradas climáticas sazonais, apoiando sistemas de alerta precoce.
• Gestão de Risco: As elasticidades clima-rendimento estimadas fornecem dados atuarialmente credíveis para o desenho de produtos de seguro agrícola baseados em índices, acionados por limiares de SPEI ou temperatura.
• Financiamento Climático: A concentração do risco de segurança alimentar no trigo justifica fluxos dedicados de financiamento para adaptação dentro das Contribuições Nacionalmente Determinadas (NDCs) do Nepal e das alocações do Fundo Verde para o Clima.

O estudo conclui que, embora ambas as culturas enfrentem riscos climáticos, o declínio não mitigado da produtividade do trigo no Terai constitui uma vulnerabilidade nacional crítica que requer intervenção imediata e baseada em evidências.