Proxecto CLIM4CROP H2020: vixilancia do clima e previsións estacionais para a produción agrícola mundial

A información precisa e oportuna sobre a seca é esencial para pasar da xestión do risco de seca posterior á crise á xestión do risco de seca antes do impacto. Xa existen varios conxuntos de datos sobre secas. Estes abarcan as últimas tres décadas e proporcionan datos en tempo case real (usando diferentes fontes), pero todos son "deterministas" (é dicir, dunha única execución) e os resultados difiren algo entre eles. En CLIM4CROP, primeiro avaliamos a calidade dos datos climáticos continuos e a longo prazo para o seguimento oportuno das secas meteorolóxicas, tendo en conta o Índice de Precipitación Normalizado. Despois desenvolvemos un novo conxunto de datos terrestres en cuadrícula global, actualizado operativamente cada mes, para supervisar a seca mediante un enfoque probabilístico (DROP) inspirado no enfoque multimodelo na predición do tempo e do clima. Presentamos unha ferramenta de seguimento que utiliza un conxunto de conxuntos de datos baseados na observación para obter a mellor estimación en tempo case real coa súa incerteza asociada. Este enfoque aproveita ao máximo a información dispoñible e pona a disposición dos usuarios finais. A información probabilística de alta calidade proporcionada por DROP é útil para supervisar as aplicacións e pode axudar a informar as decisións políticas globais sobre as prioridades de adaptación para paliar os impactos da seca, especialmente nos países nos que o seguimento meteorolóxico segue sendo un desafío. O artigo que describe o conxunto de datos DROP está actualmente en revisión no Bulletin of the American Meteorological Society; é dicir, cumprindo coa tarefa de difusión do proxecto.

Analizáronse os vínculos entre os cultivos e os motores do estrés térmico/hídrico para comprender mellor as súas interaccións e desenvolver modelos estatísticos. Estes modelos empregaranse para explorar a previsibilidade estacional dos rendementos dos cultivos. Usamos datos históricos de rendemento dos catro cultivos principais do mundo (millo, arroz, soia e trigo) do Global Historical Yield Dataset (Iizumi 2017), un conxunto de datos cuadriculados recentemente desenvolvido nunca antes utilizado para este tipo de estudo. É importante ter en conta que establecemos unha colaboración co creador deste conxunto de datos, o doutor Iizumi, un agrometeorólogo recoñecido internacionalmente.

Os datos históricos de cultivos e os potenciais preditores climáticos utilizáronse para calibrar modelos de regresión parsimonioso, proporcionando unha alternativa computacionalmente rendible aos modelos baseados en procesos que normalmente requiren unha variedade de variables a escala fina como entradas, onde as previsións estacionais aínda non son efectivas. O investigador recibiu formación do persoal do JRC no desenvolvemento destes modelos, que seguen e amplían os modelos desenvolvidos por Zampieri et al. (2017, 2018, 2019a) e Ceglar et al. (2018).

As novidades do modelo empírico desenvolvido baséanse principalmente en (i) ter en conta o efecto potencial das condicións climáticas antecedentes (é dicir, dentro da estación de crecemento) sobre o rendemento dos cultivos e (ii) calibrar o modelo para lograr predicións de cultivos fóra da mostra en función do coñecemento dos datos preditores fóra do período empregado para adestrar o modelo, adoptando un método de validación cruzada excluída. É dicir, a calibración dos modelos de cultivo-clima e a súa avaliación realízase mediante validación cruzada para avaliar as predicións coma se se fixesen operativamente. En concreto, a fusión da información observacional (para os meses anteriores aos meses de colleita) coas previsións estacionais para o resto do calendario de crecemento dos cultivos (por exemplo, as fases de antes e de colleita) é unha característica especial do noso enfoque que pode contribuír a aumentar a previsibilidade dos cultivos, aproveitando ao máximo a mellor información dispoñible para os usuarios. Isto é especialmente útil en áreas onde o rendemento dos sistemas de predición dinámica aínda se ve afectado por erros significativos (por exemplo, Europa). Os resultados preliminares suxiren que as relacións atrasadas entre o clima e os cultivos contribúen substancialmente ao desenvolvemento dun sistema de predición estacional que permita unha xestión máis eficiente dos cultivos.

CLIM4CROP foi deseñado para ofrecer unha oportunidade única de fortalecer e ampliar a experiencia multisectorial do bolseiro, conectando a súa formación en estudos de meteoroloxía e cambio climático cos requisitos teóricos e prácticos para as aplicacións de predición do clima na agricultura. Por iso, este MSCA tamén abordou os obxectivos formativos sinalados na proposta de predición estacional, onde a orientación experta do supervisor do BSC (FJ Doblas-Reyes) foi fundamental para a posta en marcha exitosa do plan de traballo. Ademais, a formación impartida polos colaboradores do JRC sobre os impactos no rendemento dos cultivos permitiulle coñecer a produción agrícola e a seguridade alimentaria, así como ampliar as súas habilidades en aspectos estatísticos relacionados cos modelos de impacto climático. Ademais, os desafíos científicos no contexto de CLIM4CROP, como a investigación altamente cooperativa, aseguraron a transferencia bidireccional de coñecementos recentemente derivados, reforzando as habilidades de todos os participantes.