Proyecto H2020 CLIM4CROP: Monitoreo del clima y pronóstico estacional para la producción agrícola mundial

La información precisa y oportuna sobre sequías es esencial para pasar de la gestión del riesgo de sequía posterior a la crisis a la gestión del riesgo de sequía previa al impacto. Ya existen varios conjuntos de datos sobre sequías. Estos cubren las últimas tres décadas y proporcionan datos casi en tiempo real (utilizando diferentes fuentes), pero todos son "deterministas" (es decir, de una sola realización), y los resultados difieren parcialmente entre ellos. En CLIM4CROP, primero evaluamos la calidad de los datos climáticos continuos y a largo plazo para el monitoreo oportuno de sequías meteorológicas, considerando el Índice de Precipitación Estandarizado. Posteriormente, desarrollamos un nuevo conjunto global de datos terrestres en cuadrícula, actualizado operativamente cada mes, para monitorear la sequía mediante un enfoque probabilístico (DROP) inspirado en el enfoque multimodelo en la predicción meteorológica y climática. Presentamos una herramienta de monitoreo que utiliza un conjunto de conjuntos de datos basados ​​en observaciones para obtener la mejor estimación casi en tiempo real con su incertidumbre asociada. Este enfoque aprovecha al máximo la información disponible y la pone a disposición de los usuarios finales. La información probabilística y de alta calidad proporcionada por DROP es útil para aplicaciones de monitoreo y puede ayudar a desarrollar decisiones políticas globales sobre prioridades de adaptación para aliviar los impactos de la sequía, especialmente en países donde el monitoreo meteorológico aún es un desafío. Actualmente, el artículo que describe el conjunto de datos DROP está bajo revisión en el Boletín de la Sociedad Meteorológica Americana; es decir, cumpliendo con la tarea de difusión del proyecto.

Se han analizado los vínculos entre los cultivos y los impulsores del estrés térmico/hídrico para comprender mejor sus interacciones y desarrollar modelos estadísticos. Estos modelos se utilizarán para explorar la predictibilidad estacional de los rendimientos de los cultivos. Hemos utilizado datos históricos de rendimiento de los cuatro cultivos principales en todo el mundo (maíz, arroz, soja y trigo) del Conjunto de datos globales de rendimiento histórico (Iizumi 2017), un conjunto de datos en cuadrícula desarrollado recientemente nunca antes utilizado para este tipo de estudio. Es importante destacar que establecimos una colaboración con el desarrollador de este conjunto de datos, el Dr. Iizumi, un agrometeorólogo reconocido internacionalmente.

Los datos históricos sobre cultivos y posibles predictores climáticos se han utilizado para calibrar modelos de regresión parsimoniosa, lo que proporciona una alternativa computacionalmente económica a los modelos basados ​​en procesos que suelen requerir como entrada diversas variables a escala muy fina, donde los pronósticos estacionales aún no son eficaces. El investigador recibió capacitación del personal del JRC en el desarrollo de estos modelos, que siguen y amplían los modelos desarrollados por Zampieri et al. (2017, 2018, 2019a) y Ceglar et al. (2018).

Las novedades del modelo empírico desarrollado se basan principalmente en (i) tener en cuenta el efecto potencial de las condiciones climáticas antecedentes (es decir, dentro de la temporada de crecimiento) en el rendimiento del cultivo y (ii) calibrar el modelo para lograr predicciones de cultivos fuera de la muestra a partir del conocimiento de los datos predictores fuera del período utilizado para entrenar el modelo, adoptando un método de validación cruzada de tipo leave-one-out. Es decir, la calibración de los modelos de cultivo-clima y su evaluación se realizan mediante validación cruzada para evaluar las predicciones como si se hicieran operativamente. Específicamente, fusionar la información observacional (para los meses anteriores a los meses de cosecha) con los pronósticos estacionales para el resto del calendario de crecimiento del cultivo (por ejemplo, las etapas de antesis y cosecha) es una característica especial de nuestro enfoque que puede contribuir a aumentar la predictibilidad del cultivo, aprovechando al máximo la mejor información disponible para los usuarios. Esto es especialmente útil en áreas donde el rendimiento de los sistemas de pronóstico dinámico aún se ve afectado por errores significativos (por ejemplo, Europa). Los resultados preliminares sugieren que las relaciones rezagadas entre el clima y los cultivos contribuyen sustancialmente al desarrollo de un sistema de pronóstico estacional que permite una gestión más eficiente de los cultivos.

CLIM4CROP se concibió para ofrecer una oportunidad única para reforzar y ampliar la experiencia multisectorial del becario, conectando su formación en meteorología y estudios sobre cambio climático con los requisitos teóricos y prácticos para las aplicaciones de la predicción climática en la agricultura. Por lo tanto, esta MSCA también ha abordado los objetivos de formación descritos en la propuesta sobre predicción estacional, donde la experta guía del supervisor del BSC (FJ Doblas-Reyes) ha sido esencial para la implementación exitosa del plan de trabajo. Asimismo, la formación ofrecida por los colaboradores del JRC sobre los impactos en el rendimiento de los cultivos le ha permitido aprender sobre la producción agrícola y la seguridad alimentaria, y ampliar sus competencias en los aspectos estadísticos relacionados con los modelos de impacto climático. Asimismo, los desafíos científicos en el contexto de CLIM4CROP, como la investigación altamente cooperativa, han garantizado la transferencia bidireccional de nuevos conocimientos derivados, fortaleciendo las habilidades de todos los participantes.