Seleccionar página

1748-9326/16/2/024016

Resumen

Los impactos negativos de la sequía en el rendimiento de los cultivos están bien reconocidos en la literatura, pero se evalúan principalmente de manera determinista. Teniendo en cuenta la característica de aleatoriedad de las sequías y los efectos combinados de otros factores, planteamos la hipótesis de que los efectos de las sequías en los rendimientos son probabilísticos, especialmente para la evaluación en grandes regiones geográficas. Tomando como ejemplo el rendimiento del maíz de EE. UU., encontramos que un evento de sequía moderado, severo, extremo y excepcional (basado en el índice de precipitación-evapotranspiración estandarizado) conduciría a un riesgo de pérdida de rendimiento (es decir, la probabilidad de reducción del rendimiento por debajo del valor esperado) de 64,3 %, 69,9 %, 73,6 % y 78,1 %, respectivamente, con puntos críticos identificados en el centro y sureste de EE. UU. El riego ha reducido el riesgo de pérdida de rendimiento entre un 10 % y un 27 %, y la magnitud del beneficio depende de la intensidad de la sequía. Las evaluaciones de ocho modelos de cultivos de proceso indican que pueden reproducir bien los riesgos de sequía observados para el país en su conjunto, pero muestran dificultades para capturar los patrones de distribución espacial. Los resultados destacan el patrón de riesgo diverso en respuesta a un evento de sequía de intensidad específica y enfatizan la necesidad de una mejor representación de los efectos de la sequía en los modelos de proceso a escala local. El marco de análisis desarrollado en este estudio es novedoso en el sentido de que permite una evaluación basada en eventos de los efectos de la sequía de manera riesgosa tanto en las observaciones como en los modelos de cultivo de procesos. Dicha información es valiosa no solo para la toma de decisiones sólidas, sino también para el sector de seguros, que generalmente requiere información sobre riesgos en lugar de un valor único de resultado, especialmente dada la incertidumbre de los efectos de la sequía.

Exportar cita y resumen BibTeX RIS

Artículo anterior en edición Artículo siguiente en edición

El contenido original de este trabajo puede usarse bajo los términos de la licencia Creative Commons Attribution 4.0. Cualquier distribución posterior de este trabajo debe mantener la atribución al autor(es) y el título del trabajo, la cita de la revista y el DOI.

Dato suplementario

1. Introducción

La sequía es un fenómeno climático extremo que tiene impactos destructivos en la producción agrícola a escala regional y global (Lobell et al 2014, Lesk et al 2016, Zipper et al 2016). A nivel mundial, las sequías durante 1964-2007 han causado una pérdida de cereales de 1820 millones de Mg equivalente a la producción mundial de maíz y trigo en 2013, y la pérdida durante sequías más recientes (1985-2007) fue dos veces mayor que la de sequías anteriores (1964-1984). ) (Lesk et al 2016). Evaluar los impactos de la sequía es fundamental para la adaptación y la mitigación y, por lo tanto, ha atraído una gran atención durante las últimas décadas (Hlavinka et al 2009, Lobell et al 2014, Shi and Tao 2014, Troy et al 2015, Araujo et al 2016, Potopová et al 2016 , Zipper et al 2016, Madadgar et al 2017).

En general, hay dos grupos de modelos para evaluar los impactos climáticos en el rendimiento de los cultivos: modelos de cultivo estadísticos y de proceso, y cada uno tiene sus propias fortalezas y debilidades (Lobell y Asseng 2017, Leng y Hall 2020). Los modelos basados ??en procesos representan la dinámica fisiológica y fenológica del crecimiento y rendimiento de los cultivos, y permiten la separación mecánica de los efectos climáticos a través de experimentos numéricos que son imposibles para los experimentos de campo a gran escala. Esta capacidad única ha dado lugar a muchas evaluaciones de impacto útiles con modelos de procesos, aunque la mayoría de ellos se centran en la variabilidad interanual y promedio de los rendimientos (Deryng et al 2011, Asseng et al 2013, Hawkins et al 2013, Iizumi et al 2013, Challinor et al 2014, Ray et al 2015, Zhao et al 2017, Schauberger et al 2017). Sin embargo, la falta de observaciones combinada con una comprensión incompleta del proceso a menudo genera incertidumbres sustanciales en las simulaciones del modelo de proceso (Bassu et al 2014; Leng et al 2016). La calibración se propone como un método eficaz para reducir la incertidumbre de las simulaciones de modelos de procesos. Por ejemplo, Ceglar et al (2019) demostraron que la calibración de los parámetros fenológicos conduce a una mejora sustancial de los rendimientos de cultivos simulados por el modelo de simulación de estudios alimentarios mundiales (WOFOST) en Europa. Debido a las limitaciones de datos, los modelos de proceso a menudo usan los parámetros calibrados en unas pocas ubicaciones para una región de estudio más grande, o mejorados a través de los esquemas de zonificación agroclimática (Van Wart et al 2013), lo que introduce incertidumbres, especialmente cuando se aplican fuera de las ubicaciones/regiones donde fueron desarrollados (Elliott et al 2015, Müller et al 2017). Las incertidumbres subyacentes de los modelos de cultivos de proceso desafían su aplicación para evaluar los efectos de los extremos climáticos, como las sequías, aunque la evaluación a gran escala de los modelos de proceso para simular los efectos de la sequía es rara.

Mediante el ajuste de una relación lineal o no lineal entre las variables climáticas observadas y los datos de rendimiento del censo, los modelos estadísticos se han utilizado ampliamente para la evaluación del impacto climático dada su simplicidad y menor costo de cálculo (Schlenker y Roberts 2009, Leng 2017a, 2017b). Troy et al (2015) investigaron las relaciones empíricas entre el rendimiento de los cultivos y varios índices climáticos extremos y revelaron una sensibilidad no lineal del maíz estadounidense a las sequías. Zipper et al (2016) mostró un patrón distinto de sensibilidad del rendimiento del maíz de EE. UU. a las sequías, al examinar la pendiente de una relación lineal entre el rendimiento y un índice de sequía. También se ha aplicado un análisis de correlación similar en otras regiones (Liu et al 2018, Zampieri et al 2017, Kim et al 2019). Dichos enfoques deterministas podrían proporcionar información valiosa sobre la sensibilidad general de la respuesta del rendimiento a las sequías, pero tienen algunos problemas para cuantificar los impactos de la sequía en los cultivos. Primero, la sequía por su definición es rara. Su aleatoriedad y su lento proceso de evolución dificultan la cuantificación de sus efectos directos. En segundo lugar, además de la sequía, el rendimiento de los cultivos está influenciado por varios otros factores que ocurren simultáneamente, como las altas temperaturas (Leng 2019), lo que dificulta separar el papel de la sequía en grandes áreas geográficas. Por lo tanto, es importante redefinir los efectos de la sequía de manera basada en el riesgo. De hecho, proporcionar una evaluación basada en el riesgo es valioso no solo para la toma de decisiones sólidas, sino también para el sector de seguros, que generalmente se basa en los muchos resultados posibles y las probabilidades correspondientes.

Recientemente, Leng y Hall (2019) investigaron los impactos futuros de la sequía en el rendimiento global de los cultivos, pero el desempeño de los modelos de proceso en la historia sigue sin examinarse. Antes de proyectar qué rendimiento futuro de cultivos puede cambiar bajo sequías utilizando una gran cantidad de modelos, es fundamental determinar cómo se comporta el modelo individual en comparación con las observaciones. Estudios previos han evaluado bien la habilidad de los modelos de cultivos cuadriculados globales (GGCM) en simulaciones de rendimiento en términos de la media y la variabilidad (Müller et al 2017, Leng y Hall 2020), pero se sabe poco sobre su desempeño en la simulación de impactos climáticos extremos. Lecerf et al (2019) validaron el modelo de proceso WOFOST en Europa y mostraron una habilidad prometedora de WOFOST para simular los efectos del estrés hídrico en el rendimiento de los cultivos. Sin embargo, que yo sepa, la evaluación de un conjunto de modelos de proceso no se ha realizado de manera probabilística. Especialmente, la sensibilidad de los rendimientos de los cultivos a las sequías de varias severidades no está bien informada.

Para llenar los vacíos, desarrollamos un marco para ayudar a evaluar el riesgo de sequías en el rendimiento de los cultivos, con un enfoque en la validación de modelos de cultivos basados ??en procesos contra observaciones. Aquí, el riesgo se define por el peligro (la probabilidad de un evento de sequía) y la susceptibilidad/vulnerabilidad (la probabilidad de pérdida de rendimiento bajo la intensidad de sequía dada), siguiendo (UN/ISDR 2004, Yin et al 2014). Se lleva a cabo un estudio de caso para el rendimiento del maíz en los Estados Unidos, que representa el 31 % y el 33 % del suministro y la exportación mundial de maíz en 2019, respectivamente (https://www.usda.gov/). Específicamente, este estudio contribuye a la literatura al abordar las siguientes preguntas científicas: (a) ¿cuánto riesgo de pérdida de rendimiento se esperaría al experimentar un evento de sequía de intensidad específica? (b) ¿Cómo se distribuye ese riesgo de pérdida de rendimiento en todo el país? (c) ¿Pueden los modelos de proceso reproducir los patrones de riesgo de pérdida de rendimiento bajo sequías? Aquí, los ocho modelos de procesos se evalúan de manera probabilística, con respecto a sus habilidades para simular la respuesta del rendimiento a cuatro categorías de intensidad de sequía (es decir, sequías moderadas, severas, extremas y excepcionales). El marco de análisis desarrollado en este estudio puede extenderse a otras regiones, considerando también diferentes tipos de cultivos e índices de sequía. La Sección 2 describe los materiales y métodos, con los resultados y discusiones presentados en la Sección 3. La Sección 4 resume las principales conclusiones obtenidas en este estudio.

2. Materiales y métodos

2.1. Rendimientos de cultivos y datos climáticos

Los rendimientos anuales de maíz a nivel de condado y las temporadas de cultivo a nivel estatal se obtienen de la base de datos Quick Stats de la Encuesta Nacional de Estadísticas Agrícolas (NASS) mantenida por el Departamento de Agricultura de EE. UU. (USDA) (www.nass.usda.gov/Quick_Stats). La capa de datos de tierras de cultivo de NASS se utiliza para enmascarar las áreas de cultivo de maíz. Los rendimientos de maíz simulados por ocho modelos de cultivos basados ??en procesos se obtienen del Proyecto de mejora e intercomparación de modelos agrícolas (AgMIP) (Rosenzweig et al 2013). Estos modelos de procesos muestran varias diferencias y similitudes en términos de entrada, procesos, calibración, gestión, etc. (tablas complementarias S1 y S2 (disponibles en línea en stacks.iop.org/ERL/16/024016/mmedia)). Por ejemplo, el modelo integrado de política ambiental-IIASA (EPIC-IIASA) utiliza cuatro variedades, mientras que el modelo EPIC basado en GIS (GEPC) adopta una variedad de alto rendimiento y una variedad de bajo rendimiento y el modelo integrado de política ambiental – BOKU (EPIC -BOKU) utilizó la variedad de alto rendimiento. En este estudio, los ocho modelos de cultivo están armonizados en términos de insumos climáticos, área de cultivo, calendario de siembra y cosecha de cultivos, y se ejecutan siguiendo los protocolos de simulación consistentes (Elliott et al 2015). Los datos climáticos cuadriculados se obtienen del conjunto de datos climáticos AgMERRA (Ruane et al 2015), ya que se utilizan para impulsar los modelos de cultivos AgMIP. Por lo tanto, la adopción de datos climáticos de AgMERRA puede permitir comparaciones razonables entre modelos de cultivos estadísticos y basados ??en procesos. Se obtienen patrones similares cuando se utiliza el clima observado de las relaciones de elevación de parámetros en el modelo de pendientes independientes (Schauberger et al 2017). Se seleccionó el período 1980-2010 porque tanto los datos del censo como los rendimientos simulados están disponibles durante este período.

2.2. Modelado de probabilidad y cuantificación de incertidumbre

Las cópulas son funciones que pueden describir dependencias entre variables y son valiosas para el análisis de riesgos (Nelsen 2007). Aquí, las funciones de cópula se utilizan en este estudio para ajustar la función de distribución de probabilidad conjunta (PDF) entre un índice de sequía ( x ) y los rendimientos de los cultivos ( y ).

donde C es la función de distribución acumulada (CDF) de la cópula, mientras que y son las distribuciones marginales de y , respectivamente. La PDF de los rendimientos de los cultivos condicionados en una condición de sequía determinada (es decir, ) se calcula de la siguiente manera:

dónde es el PDF de la cópula, es el PDF del rendimiento del cultivo. Con base en la distribución de probabilidad condicional, la probabilidad de pérdida de rendimiento se estima como el área bajo por rendimientos inferiores a su valor medio a largo plazo. Las características clave de las cópulas son sus estructuras flexibles para unir variables aleatorias con diferentes tipos de distribuciones marginales y su capacidad para medir la dependencia no lineal entre variables (Nelsen 2007). En este estudio, se adoptan cinco cópulas de uso común (tabla complementaria S3), y se selecciona como la mejor cópula la que muestra la máxima probabilidad estadísticamente significativa (con un intervalo de confianza del 95 %) (Sadegh et al 2017).

Para cuantificar las incertidumbres asociadas con el análisis de probabilidad, se adopta el algoritmo Monte Carlo de cadena de Markov de evolución híbrida (MCMC) dentro de un marco bayesiano para derivar la distribución posterior de la cópula (es decir, ) como sigue:

dónde es la distribución previa del parámetro de la cópula , representa la función de verosimilitud resuelta por la siguiente ecuación (4).

dónde denota la desviación estándar del error de medición. El 5 y el 95 de la distribución posterior se utilizan para representar los límites inferior y superior de nuestras estimaciones de probabilidad, respectivamente.

2.3. Evaluación del riesgo de pérdida de rendimiento en condiciones de sequía

A pesar de los efectos directos de la humedad del suelo, este estudio evalúa los impactos de la sequía desde la perspectiva climática, debido a la falta de observaciones continuas a largo plazo de la humedad del suelo en una gran región geográfica. El uso de indicadores de sequía basados ??en el clima permite una comparación consistente entre modelos estadísticos y de procesos, porque ambos modelos pueden usar el mismo conjunto de datos climáticos para los cálculos de sequía. Es bien sabido que la temperatura es un factor crítico que regula los efectos de la sequía en el crecimiento y el rendimiento de los cultivos (Lobell et al 2014, Zhao et al 2017, Leng 2017a). Recientemente, Mathieu y Aires (2018) compararon 50 índices agroclimáticos, incluida la humedad del suelo, para el pronóstico del rendimiento del maíz de EE. UU. y descubrieron que el índice estandarizado de precipitación y evapotranspiración (SPEI) es uno de los mejores índices agroclimáticos. De hecho, además de la precipitación. Por lo tanto, el SPEI (Vicente-Serrano et al 2010) que incluye los efectos de la precipitación y la temperatura se calcula para la temporada de crecimiento de nuestro análisis principal. El SPEI se calcula ajustando una PDF a la precipitación menos la evapotranspiración potencial (que es una función de la temperatura), con base en la cual se deriva la CDF y se transforma a una distribución normal (Vicente-Serrano et al 2010). El SPEI también se ha utilizado ampliamente en investigaciones anteriores sobre los impactos de la sequía en el rendimiento de los cultivos (Potop et al 2012, Zampieri et al 2017, Peña-Gallardo et al 2019, Solaraju-Murali et al 2019, Sharma et al 2020). El análisis de sensibilidad se realiza utilizando el índice de precipitación estandarizado (Mckee et al 1993), que incluye únicamente el efecto de la precipitación.

Un evento de sequía se identifica cuando el índice de sequía cae por debajo de -0,8, siguiendo la definición del Monitor de sequía de EE. UU. (http://droughtmonitor.unl.edu/). Aquí, se seleccionan cuatro categorías de sequías (es decir, sequías moderadas, severas, extremas y excepcionales) para el análisis (tabla complementaria S4). Para tener en cuenta los efectos de las mejoras tecnológicas, la tendencia lineal del rendimiento del maíz se elimina utilizando el método de mínimos cuadrados (Hlavinka et al 2009, Lobell et al 2011), antes de utilizarlo para ajustar el modelo de riesgo. Sobre la base de la función de distribución conjunta ajustada, se estima el riesgo de pérdida de rendimiento (es decir, rendimiento inferior a su valor esperado) en las cuatro categorías de sequías. Se lleva a cabo un análisis similar para los rendimientos tanto con riego como sin riego para explorar los beneficios potenciales del riego para mitigar el riesgo de pérdida de rendimiento bajo sequías de diversa gravedad. El análisis también se repite en función de los rendimientos simulados por ocho modelos de cultivos de proceso y se compara con los resultados basados ??en la observación para evaluar el rendimiento de los modelos de cultivos de última generación en la simulación del riesgo de pérdida de rendimiento bajo sequías.

3. Resultados y discusiones

Durante las últimas tres décadas, el rendimiento de maíz para el país en su conjunto ha exhibido variaciones interanuales sustanciales, lo que está significativamente ( P < 0.05) correlacionado con las condiciones de sequía medidas por el SPEI (figura 1(a)). Esta relación significativa observada entre la anomalía de rendimiento y el SPEI permite modelar su estructura de dependencia completa (ver sección 2), que se muestra en la figura 1(b). La comparación de las distribuciones de rendimiento modeladas con los rendimientos observados (puntos rojos) muestra que la mayoría de los rendimientos observados se encuentran dentro de la región de alta densidad de PDF, lo que sugiere que nuestro modelo es confiable para describir anomalías en el rendimiento del maíz bajo sequías. A pesar de la tendencia de altos rendimientos a medida que aumenta el SPEI, se observan bajos rendimientos en condiciones de humedad extrema (con SPEI cercano a +2). Teóricamente, esto es posible porque el exceso de agua de lluvia podría provocar un anegamiento que podría dañar el crecimiento y el rendimiento de los cultivos. Li et al (2019) revelaron el papel del exceso de lluvia en la pérdida de rendimiento en EE. UU. Nuestros resultados confirmaron esto pero tienen un valor agregado al cuantificar las probabilidades asociadas que tienden a ser relativamente pequeñas. El valor único de nuestro modelo radica en que permite el examen de todas las posibles respuestas de rendimiento a un evento de sequía individual, complementando estudios previos que miden la relación general entre la serie temporal anual de rendimiento de cultivos y un índice de sequía específico.

Figura 1. Las relaciones entre rendimiento de maíz y sequías: (a) muestra los cambios temporales en la anomalía de rendimiento de maíz y el índice de sequía SPEI; (b) muestra la estructura de dependencia modelada entre el rendimiento del maíz y el SPEI. Aquí, se prueban cinco modelos de cópula y la estadística de máxima verosimilitud es 113.05, 116.89, 110.48, 112.01 y 113.11 para la Gaussiana, t , Clayton, Frank y Gumbel, respectivamente. El modelo t se selecciona para el modelado probabilístico, porque muestra la máxima verosimilitud. Los puntos rojos (b) denotan los pares rendimiento-SPEI observados, mientras que el fondo de color muestra la probabilidad modelada. Es evidente que los pares rendimiento-SPEI observados se encuentran dentro de las áreas de alta probabilidad, lo que demuestra que nuestro modelo probabilístico es confiable para describir la relación rendimiento-sequía.

Descargar figura:

Imagen estándar Imagen de alta resolución

La Figura 2 muestra el riesgo estimado de pérdida de rendimiento (es decir, la probabilidad de reducción del rendimiento por debajo del valor esperado) bajo un evento de sequía moderado, extremo, severo y excepcional en observaciones y modelos de cultivos basados ??en procesos. Con base en el rendimiento del censo y los datos climáticos observados, se espera que la probabilidad de pérdida de rendimiento para el país en su conjunto sea del 64,3 %, 69,9 %, 73,6 % y 78,1 % bajo sequías moderadas, extremas, severas y excepcionales, respectivamente. La comparación de las estimaciones bajo los cuatro eventos de sequía también puede indicar la sensibilidad no lineal del riesgo de pérdida de rendimiento al aumento de la intensidad de la sequía. Por ejemplo, el riesgo de pérdida de rendimiento crece más rápido cuando se experimenta un cambio en la severidad de la sequía de moderada a severa que de extremo a excepcional, es decir, demostrando la respuesta no lineal del rendimiento al aumento en la severidad de la sequía. El aumento sustancial del riesgo de pérdida de rendimiento cuando la intensidad de la sequía cambia de puntos moderados a extremos, severos y excepcionales a la necesidad de medidas de adaptación efectivas para garantizar la resiliencia en la producción agrícola en un clima más cálido con mayor probabilidad de sequías más frecuentes y severas (Sheffield y Wood 2008, Dai 2013, Huang et al 2017).

Figura 2. Probabilidad de pérdida de rendimiento de maíz (%) en observaciones y modelos de cultivo basados ??en procesos bajo un evento de sequía moderado, severo, extremo y excepcional. El diagrama de caja muestra el rango de ocho estimaciones del modelo de cultivo basado en procesos con la línea horizontal roja que indica el valor medio. El incremento de la probabilidad de pérdida de rendimiento es estadísticamente significativo cuando el nivel de intensidad de la sequía cambia de moderado a severo, extremo y excepcional, de severo a excepcional y de extremo a excepcional, mientras que se encuentra un aumento no significativo entre la intensidad de sequía severa y extrema.

Descargar figura:

Imagen estándar Imagen de alta resolución

De manera similar, los modelos basados ??en procesos simularon una tendencia ascendente constante del riesgo de pérdida de rendimiento en respuesta al aumento de la intensidad de la sequía. Sin embargo, se observa una gran discrepancia entre los ocho modelos de procesos, y dicha dispersión aumenta con el aumento de la intensidad de la sequía. Por ejemplo, la estimación más alta del riesgo de pérdida de rendimiento es del 99,3 % en el modelo EPIC basado en GIS (GEPIC) en la categoría de sequía excepcional, mientras que la estimación más baja es del 57,9 % en EPIC-Boku. Los modelos de cultivos cuadriculados hacen una serie de simplificaciones, y la gran discrepancia entre modelos podría deberse a las diferencias considerables en la estructura del modelo, los parámetros, la representación de los efectos de manejo y sequía, etc. (Asseng et al 2011, Bassu et al 2014, Rosenzweig et al. al 2014, Elliott et al 2015, Folberth et al 2016). Por ejemplo, todos los modelos de cultivo calculan un coeficiente de estrés hídrico que oscila entre 0 y 1, lo que afectaría procesos como la senescencia del dosel, la conductancia estomática, la tasa de asimilación y el rendimiento de grano. Esto puede explicar que los modelos de cultivo generalmente concuerden en la dirección del cambio de rendimiento con el aumento de la severidad de la sequía. Sin embargo, la forma en que la sequía ejerce impactos en los modelos de procesos es diversa y depende del contenido de agua del suelo (p. ej., predicción de bienes y servicios ecosistémicos utilizando escenarios (PEGASUS)), relación entre el suministro y la demanda de agua del suelo (p. ej., simulador de sistemas de producción agrícola paralelos (pAPSIM)), o relación de transpiración real a potencial (p. ej., CGMS-WOFOST, que también depende de la humedad del suelo), lo que puede contribuir a la gran dispersión en las simulaciones de modelos de procesos. Al igual que los trabajos de evaluación de modelos anteriores (Müller et al 2017), examinar cuantitativamente las razones subyacentes detrás del desempeño diverso del modelo está más allá de las capacidades de este estudio, ya que requeriría los esfuerzos de coordinación de los grupos de modelado para el análisis de atribución.

¿Cómo se distribuyen espacialmente los riesgos de pérdida de rendimiento en todo el país? Estudios anteriores han examinado bien la sensibilidad general del rendimiento del maíz de EE. UU. a las sequías (Zipper et al 2016), pero no está claro cómo responden los rendimientos a un evento de sequía de gravedad específica. Aquí, implementamos el modelo de riesgo para cada condado productor de maíz (figura complementaria S1), con base en el cual se estiman los riesgos de pérdida de rendimiento bajo un evento de sequía moderado, extremo, severo y excepcional (figura 3). Espacialmente, al experimentar una sequía excepcional, la probabilidad de pérdida de rendimiento podría superar el 90% en la mayor parte del país. El mayor riesgo se observa en el centro y sureste de los EE. UU., mientras que el más bajo se encuentra en el oeste de los EE. UU. y en regiones de alta producción como el estado de Illinois. La comparación del riesgo de pérdida de rendimiento en las cuatro categorías de sequías indica que los rendimientos de maíz en el sudeste de EE. UU., Texas, High Plains son más vulnerables al aumento de la severidad de la sequía que en otras áreas. En particular, ningún condado muestra una pérdida de rendimiento del 100 % en un evento de sequía excepcional, lo que implica que otros factores, como la tecnología y la gestión, pueden haber reducido la sensibilidad del rendimiento a la sequía (Elliott et al 2018). Esto demuestra aún más el valor de evaluar los impactos de la sequía de manera riesgosa, en lugar de proporcionar una evaluación determinista. Se encuentra que los patrones espaciales revelados son sólidos cuando se examinan los límites superior e inferior de las estimaciones derivadas con la técnica MCMC, aunque las incertidumbres son considerables en algunas áreas (figura complementaria S2). Los patrones espaciales del riesgo de pérdida de rendimiento también son robustos a los efectos del rendimiento de los troncos (figura complementaria S3) y la elección del índice de sequía (figura complementaria S4), que son valiosos para informar las medidas específicas de adaptación y mitigación.

Figura 3. Patrón de distribución espacial de la probabilidad de pérdida de rendimiento (%) bajo un evento de sequía moderado, severo, extremo y excepcional. El panel de la izquierda muestra la estimación óptima basada en las observaciones, mientras que las columnas de la derecha representan la media del conjunto de los modelos de cultivo. Las estimaciones óptimas basadas en la observación son generadas por el algoritmo Monte Carlo de la cadena de Markov (consulte la sección de métodos).

Descargar figura:

Imagen estándar Imagen de alta resolución

Sin embargo, los modelos de cultivo basados ??en procesos no pudieron reproducir los distintos patrones de distribución espacial del riesgo de pérdida de rendimiento (figura 3), que simularon patrones más uniformes de riesgo de pérdida de rendimiento y su sensibilidad a la creciente severidad de las sequías. Esto puede atribuirse a la falta de una representación espacialmente variable de las capas del suelo, el crecimiento de las raíces y los umbrales para reducir la absorción de agua de los cultivos, que son cruciales para simular los efectos de la sequía. Por ejemplo, el umbral crítico de estrés hídrico es 0,25 en EPIC y 0,33 en el sistema de seguimiento del crecimiento de cultivos (CGMS-WOFOST), y se mantiene espacialmente constante. La falta de información de gestión de cultivos espacialmente explícita también podría contribuir a la deficiencia de los modelos de cultivos para reproducir la heterogeneidad espacial de la respuesta del rendimiento a las sequías (Deryng et al 2011, van Bussel et al 2015, Dobor et al 2016, Müller et al 2017, Elliott et al. al 2018). Usando el modelo de cultivo de tierra gestionada lund-potsdam-jena (LPJmL), Jägermeyr y Frieler (2018) demuestran que tener en cuenta las variaciones espaciales observadas en las fechas de siembra y cosecha puede mejorar en gran medida la reproducibilidad de la pérdida de rendimiento de maíz observada bajo sequías. Destacan que una implementación espacialmente explícita de la fenología de los cultivares podría conducir a una mejora del rendimiento del modelo, que es incluso mayor que la refinación de la representación del modelo del estrés hídrico.

Nuestra evaluación de los modelos de proceso de última generación tiene grandes implicaciones para comprender la fortaleza y debilidad del modelo geográficamente en todo el país, especialmente con respecto a la representación de los efectos climáticos extremos en los modelos de cultivos. De hecho, los estudios previos de evaluación de modelos de cultivos se centraron principalmente en los promedios de rendimiento y la variabilidad, mientras que solo se han realizado unos pocos estudios para evaluar el rendimiento de los modelos de procesos en la representación de los efectos de los extremos climáticos. Una evaluación de los modelos basados ??en procesos en nuestro estudio es valiosa para mejorar nuestra comprensión de la fortaleza y debilidad del modelo de proceso, a través de (a) la validación de un conjunto de modelos de proceso (en lugar de un solo modelo) de manera probabilística; (b) evaluar las respuestas del rendimiento a sequías de diversa gravedad (es decir, sequías moderadas, extremas, severas y excepcionales), en lugar de un evento de sequía genérico; (c) revelar los rendimientos contrastantes del modelo entre diferentes escalas. En general, los resultados de la validación sugieren que la proyección del riesgo de pérdida de rendimiento utilizando modelos de cultivos sería confiable a escala de país, pero tiene una gran incertidumbre a escalas finas.

Los mecanismos físicos detrás de los distintos patrones espaciales son una pregunta abierta ya que muchos factores podrían influir en la sensibilidad a la sequía en los campos de los agricultores. En el sureste de EE. UU., la sensibilidad relativamente mayor del rendimiento del maíz a las sequías puede deberse a la escasa capacidad de retención de agua de los suelos arenosos (Zipper et al 2015). En Iowa, donde el drenaje de tejas se usa ampliamente, la sensibilidad relativamente menor del rendimiento del maíz a las sequías puede relacionarse con el exceso de agua, el nivel freático alto y los suelos húmedos allí (Schilling y Libra 2003). Los rendimientos de maíz también se mantienen estables con el aumento de la severidad de la sequía en el riego en las áreas áridas del oeste y las Llanuras Altas Centrales, donde el riego se aplica extensivamente. De hecho, los resultados confirman que el riego ha mitigado bien los impactos de la sequía en los rendimientos de maíz en áreas donde existen datos separados de rendimientos con riego y sin riego (figura complementaria S5). En general, el riesgo de pérdida de rendimiento bajo una sequía moderada habría sido al menos un 10 % mayor sin riego, y tal diferencia entre los riesgos de pérdida de rendimiento con riego y sin riego es estadísticamente significativa según la prueba t no pareada.

A pesar de los grandes beneficios del riego, el riesgo de pérdida de rendimiento sigue creciendo con el aumento de la severidad de la sequía (figura 4(a)), lo que implica que el estrés hídrico puede no ser el único factor que afecta el rendimiento de los cultivos o que los agricultores no pueden acceder a suficiente agua de riego. El primero sugiere los efectos compuestos por otros factores importantes como la temperatura, la radiación, el déficit de presión de vapor y el CO 2 (Lobell et al 2014, Deryng et al 2016, Siebert et al 2017) y confirma el valor de nuestra evaluación probabilística de los efectos de la sequía. mientras que el segundo destaca la necesidad de considerar las limitaciones de la disponibilidad de agua de riego en la producción agrícola (Elliott et al 2014). Los modelos de cultivo de procesos han captado bien el papel del riego en la reducción del riesgo de pérdida de rendimiento en sequías, aunque los beneficios simulados tienden a disminuir con el aumento de la severidad de la sequía (figura 4(b)). El riesgo remanente bajo riego en los modelos de proceso puede sugerir que otros factores/estreses compuestos importantes han ejercido influencias en las relaciones rendimiento-SPEI (por ejemplo, temperaturas extremadamente altas), lo que a su vez confirma el valor de realizar una evaluación probabilística de los impactos de la sequía. Estos hallazgos basados ??en eventos tienen implicaciones importantes no solo para garantizar la seguridad alimentaria sino también para la gestión de los recursos hídricos. De hecho, las extracciones sustanciales de agua para riego conducirían a graves problemas ambientales (por ejemplo, el agotamiento de los flujos ambientales y los recursos de aguas subterráneas, la disminución de otros usos humanos del agua), y se espera que excedan el límite planetario del agua que define el espacio operativo seguro para la humanidad (Rockström et al. 2009, Steffen et al 2015, Gerten et al 2020). Por lo tanto, los beneficios marginales revelados del riego bajo un evento de sequía específico son importantes para guiar el uso sostenible del agua dentro del Límite Planetario del agua.

Figura 4. Comparación de la probabilidad de pérdida de rendimiento (%) en condiciones de riego y no riego, con base en (a) observaciones y (b) media de conjuntos de modelos de cultivo. Tenga en cuenta que solo los condados limitados informan estimaciones separadas de los rendimientos con riego y sin riego, y la distribución de estos condados se puede encontrar en la figura complementaria S5.

Descargar figura:

Imagen estándar Imagen de alta resolución

4. Conclusiones

Estudios anteriores han demostrado bien los impactos de la sequía en el rendimiento de los cultivos a escala regional y mundial. Pero los posibles resultados del rendimiento de los cultivos en respuesta a un evento de sequía específico y sus probabilidades correspondientes han sido relativamente subexaminados, y especialmente falta una intercomparación de modelos de cultivos estadísticos basados ??en observaciones y basados ??en procesos. En este estudio, desarrollamos un marco probabilístico para permitir la evaluación de riesgos de la respuesta del rendimiento del maíz de EE. UU. a un evento de sequía en observaciones y modelos de cultivo.

Los resultados muestran que un solo evento de sequía moderada (con el indicador de sequía SPEI entre ?0,8 y ?1,2) daría lugar a una probabilidad del 64,3 % de pérdida de rendimiento (es decir, un rendimiento inferior al valor esperado) para el país en su conjunto. Sin embargo, el riesgo aumentaría al 69,9 % cuando se experimente un evento de sequía extrema (es decir, el SPEI oscila entre ?1,6 y ?1,9). En condiciones de sequía excepcional (es decir, SPEI de <?2,0), el rendimiento del maíz de EE. UU. tendría una probabilidad de riesgo de pérdida del 78,1 %. El riesgo más alto se observa en el centro y sureste de EE. UU., mientras que el riesgo de pérdida de maíz es relativamente bajo en el oeste de EE. UU., donde el riego ha reducido el riesgo de pérdida de rendimiento en un 10 %, 17 %, 22 % y 27 % bajo sequías moderadas, extremas, severas y excepcionales , respectivamente. Un análisis más detallado mostró que los modelos de cultivos basados ??en procesos de última generación pueden capturar bien las magnitudes y la sensibilidad del riesgo de pérdida de rendimiento a las sequías para el país en su conjunto, pero tienen dificultades para reproducir los distintos patrones espaciales en todo el país. Esto sugiere que se requieren esfuerzos continuos para mejorar la habilidad de los modelos de procesos, especialmente a escala local, o realizar la corrección de sesgos antes de sus aplicaciones.

Information on how crop yield will change in response to an individual drought of specific severity is critical for targeted adaptation and mitigations. Moreover, a risk-based analysis of yield response to droughts is valuable not only for robust decision-makings but also for the insurance sector, which typically require the risk information rather than a single value of outcome especially given the randomness of droughts. The analysis framework developed in this study allows for estimation of possible yield changes under a drought event of specific severity, which has the potential to be combined with existing drought monitoring systems, thus facilitating integrated and event-based risk assessment of drought effects on crop yield.

Acknowledgments

I would like to thank the editor and three anonymous reviewers for their helpful comments and suggestions that led to substantial improvement of this manuscript. This research was funded by the National Natural Science Foundation of China (No. 42077420).

Data availability statement

The data that support the findings of this study are available upon reasonable request from the authors.

Show References Please wait… references are loading. Hide supplementary data

Supplementary data

How does drought affect the production of maize

Under drought stress, stomata in the leaves of maize plants close to reduce transpiration . This can have a negative effect on flowering, pollination and grain fill. A soil moisture deficit of just four days can reduce maize yield by up to 50%.

Is maize sensitive to drought

Maize is known to be susceptible to drought stress , which negatively affects vegetative growth and biomass production, as well as the formation of reproductive organs and yield parameters.

What causes low maize yield

Low soil pH significantly affects crop growth and therefore decreases yield. In maize for instance, soil acidity causes yield loss of up to 69% .

How does climate change affect maize production

Climate change may affect the production of maize (corn) and wheat as early as 2030 under a high greenhouse gas emissions scenario, according to a new NASA study published in the journal, Nature Food. Maize crop yields are projected to decline 24% , while wheat could potentially see growth of about 17%.

Video: changes in the drought sensitivity of us maize yields