Forskare fann att genom att lägga till data om när varje specifik region planterar och skördar sina grödor, de kunde mycket mer exakt förutsäga skördar globalt. Ovan:En bonde planterar grödor i Puerto Rico, 1942. Kredit:Library of Congress
Torka eller värmeböljor har konsekvenser som sprider sig bortom bönder som oroligt tittar på deras åkrar; dessa fluktuationer i skördar kan skicka chockvågor genom lokala och globala livsmedelsförsörjningar och priser.
I en ny studie, forskare med NASA, University of Chicago och Potsdam Institute for Climate Impact Research lade till data om när varje specifik region planterar och skördar sina grödor – och fann att det var det enskilt mest effektiva sättet att förbättra simuleringarna.
Publicerad 21 november in Vetenskapens framsteg , den innovativa anpassningen skulle kunna förbättra den information som är tillgänglig för beslutsfattare och marknader för att klara av effekterna av skördeförlust.
Nuvarande modeller kämpar för att förutsäga avkastning, inte bara med tanke på långsiktiga klimatförändringar, utan helt enkelt för följande års skördar. "Dagens modeller kan verkligen inte förklara variationer från ett år till ett annat. Även om vi bara försöker återskapa vad som hände i det förflutna, de är helt enkelt inte i nivå, sa Jägermeyr, en postdoktor vid UChicago-avdelningen för datavetenskap, Potsdam, och NASA, och motsvarande författare på studien. "Det visar sig att kortsiktig avkastningsvariation är extremt viktig för beslutsfattare och livsmedelsmarknaden - naturligtvis för prisnivåer, men också för utbudschockar, handelsembargon och reserver."
För det mesta, forskare har försökt förbättra skördeuppskattningarna genom att förbättra modellens väderrespons. Men istället, Jägermeyr och medförfattare Katja Frieler från Potsdam Institute försökte attackera problemet från en annan vinkel:Istället för att anta att bönder odlar en enda sort av en gröda över hela världen, de implementerade de genomsnittliga gångerna som varje region planterar och skördar sina grödor för att representera lokala sorter.
"Modellens prestanda bara fördubblas, "Att få växtsäsongen rätt är den enskilt mest effektiva åtgärden för att bättre matcha observerade majsskördar."
Till exempel, Jägermeyr sa, överväga en majsgröda i Österrike. Om forskare använder samma odlingstidslinje för en majssort som växer i Mexiko, de kan anta att grödan skulle dra nytta av en nederbörd i oktober. Men i det kallare Österrike skulle majsen redan ha skördats — så beräkningarna kastas av.
Med denna information, forskarnas modeller överensstämde mycket mer med faktiska, observerade skördar. "Vi är nu redo att simulera historiska effekter av torka och värmeböljor, som saknar motstycke, "Jägermeyr sa, "och vi har all anledning att förvänta oss att våra framtida simuleringar kommer att vara mer robusta än tidigare."
Detta är något som har förbisetts, och vi visar helt enkelt hur mycket timingen spelar roll. Det fina är att det är en lågt hängande frukt som vi enkelt kan implementera i våra modeller, " sa han. "Den enda svårigheten är att det är väldigt databeroende, och vi har inte observationer av hög kvalitet i alla länder ännu."
De planerar att använda det här förbättrade modellramverket för att testa skördeprognoser under nästa säsong i realtid.