Proxecto H2020 CLIM4CROP: Monitorización climática e previsión estacional para a produción agrícola mundial

Dispoñer de 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 previa ao impacto. Xa existen varios conxuntos de datos sobre as secas. Estes abarcan as últimas tres décadas e proporcionan datos case en tempo real (usando diferentes fontes), pero todos son "deterministas" (é dicir, dunha soa execución) e os resultados difiren algo entre eles. En CLIM4CROP, primeiro avaliamos a calidade dos datos climáticos continuos a longo prazo para a monitorización oportuna das secas meteorolóxicas, considerando o Índice de Precipitación Estandarizado. Despois desenvolvemos un novo conxunto de datos terrestres en cuadrícula global, actualizado operativamente cada mes, para monitorizar a seca empregando unha abordaxe probabilística (DROP) inspirada na abordaxe multimodelo na predición meteorolóxica e climática. Presentamos unha ferramenta de monitorización que emprega un conxunto de datos baseados en observacións para obter a mellor estimación case en tempo real coa súa incerteza asociada. Esta estratexia aproveita ao máximo a información dispoñible e pona á disposición dos usuarios finais. A información probabilística de alta calidade proporcionada por DROP é útil para aplicacións de seguimento e pode axudar a fundamentar as decisións políticas globais sobre as prioridades de adaptación para aliviar os impactos da seca, especialmente en países onde a vixilancia meteorolóxica segue a ser un desafío. O artigo que describe o conxunto de datos DROP está a ser revisado actualmente no Boletín da Sociedade Meteorolóxica Americana; é dicir, cumprir coa tarefa de difundir o proxecto.

Analizáronse as relacións entre os cultivos e os factores que provocan estrés térmico/hídrico para comprender mellor as súas interaccións e desenvolver modelos estatísticos. Estes modelos empregaranse para explorar a predicibilidade estacional dos rendementos das colleitas. Empregamos datos de rendemento histórico para os catro principais cultivos do mundo (millo, arroz, soia e trigo) do conxunto de datos de rendemento histórico global (Iizumi 2017), un conxunto de datos en cuadrícula recentemente desenvolvido que nunca antes se empregara para este tipo de estudo. É importante sinalar que establecemos unha colaboración co desenvolvedor deste conxunto de datos, o doutor Iizumi, un agrometeorólogo recoñecido internacionalmente.

Os datos históricos de cultivos e os posibles preditores climáticos empregáronse para calibrar modelos de regresión parcimoniosos, o que proporciona 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) no rendemento dos cultivos e (ii) calibrar o modelo para lograr predicións de cultivos fóra da mostra baseadas no coñecemento dos datos do preditor fóra do período utilizado para adestrar o modelo, adoptando un método de validación cruzada de deixar un fóra. É dicir, a calibración dos modelos de clima-cultivo e a súa avaliación realízanse mediante validación cruzada para avaliar as predicións coma se se fixesen operativamente. En concreto, a fusión da información observacional (dos meses anteriores á colleita) coas previsións estacionais para o resto do calendario de crecemento dos cultivos (por exemplo, as etapas de antese e colleita) é unha característica especial da nosa estratexia que pode contribuír a aumentar a previsibilidade dos cultivos, aproveitando ao máximo a mellor información dispoñible para os usuarios. Isto é especialmente útil en zonas onde o rendemento dos sistemas de previsión dinámica aínda se ve afectado por erros significativos (por exemplo, Europa). Os resultados preliminares suxiren que as relacións desfasadas entre o clima e os cultivos contribúen substancialmente ao desenvolvemento dun sistema de previsión estacional que permite unha xestión máis eficiente dos cultivos.

CLIM4CROP foi deseñado para ofrecer unha oportunidade única para fortalecer e ampliar a experiencia multisectorial dos bolseiros, conectando a súa formación en estudos de meteoroloxía e cambio climático cos requisitos teóricos e prácticos para as aplicacións de predición climática na agricultura. Polo tanto, esta MSCA tamén abordou os obxectivos de formación descritos na proposta sobre predición estacional, onde a orientación experta do supervisor do BSC (FJ Doblas-Reyes) foi esencial para a implementación exitosa do plan de traballo. Ademais, a formación impartida polos colaboradores do JRC sobre o impacto no rendemento dos cultivos permitiulle aprender sobre a produción agrícola e a seguridade alimentaria, e 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 do coñecemento recentemente derivado, fortalecendo as habilidades de todos os participantes.