16/4/14 08:57

Predicción del rendimiento

Los agricultores se beneficiarían de mejores previsiones meteorológicas a largo plazo. ¿Qué más puede ofrecer la ciencia para ayudar a decidir qué cultivar?

Nadie vio a la sequía que viene. "Todo el mundo pensaba que iba a ser un ano récord", dice Joshua Elliott, un científico computacional de la Universidad de Chicago. En los Estados Unidos, el invierno de 2011-12 fue cálido y seco, seguido por una primavera suave que permitió a los agricultores una siembra más temprana.
"La gente no empieza a hablar de la sequía hasta bien entrado junio", dice. En julio, los tallos de maíz eran sólo la mitad de alto de lo que deberían haber sido y sus hojas se marchitan. "Ahí es cuando la gente se dio cuenta de que se trataba de una sequía muy grave." Resultó ser un ano récord, pero por una razón diferente.

Según el Departamento de Agricultura de los Estados Unidos (USDA), las cosechas de maíz en 2012 se redujeron en un 13% respecto al ano anterior; el heno cayó un 9%; la alfalfa disminuyó un 20% y la producción de mijo cayó un 66%. La producción total de los cultivos de los Estados Unidos se redujo alrededor del 22% según Elliott, quien modela el efecto de la sequía en los cultivos para el Instituto Goddard de la NASA para Estudios Espaciales en Nueva York. Y debido a que el país es un importante proveedor de alimentos del mundo, la escasez hizo subir los precios en todo el mundo.

Si los agricultores tuvieran un aviso previo de lo que ocurrirá el próximo ano, o incluso la próxima temporada de siembra, será igual, podrían prepararse para ello mediante la plantación de diferentes cultivares o alterar los planes de riego, por ejemplo. "Ellos pueden cambiar su relación de, por ejemplo, la soja al maíz, o la siembra temprana de la siembra tardía", dice James W. Jones, un ingeniero agrónomo en la Universidad de Florida y director del Instituto del Clima de Florida, en Gainesville. Es posible modelar el crecimiento de cultivos para predecir los rendimientos, pero estos modelos necesitan ser alimentados con pronósticos precisos de cuándo y dónde la sequía golpeará para disponer de una predicción realmente potente.

 En busca de pistas…

Los controladores climáticos, como El Nino-Oscilación del Sur (ENSO), ofrecen algún poder predictivo. Durante El Nino, que puede durar 6-18 meses, las temperaturas medias de la superficie en el Océano Pacífico frente a la costa de América del Sur son más altas de lo normal. El agua más caliente afecta la temperatura y el contenido de humedad del aire por encima de ella, alterando los patrones de lluvia en tierra. En el suroeste de los Estados Unidos, donde la sequía de 2012 fue más severa, El Nino redujo la precipitación promedio. Otras partes del mundo resultaron más húmedas. La Nina, que es el contrapunto a El Nino, se produce cuando las temperaturas superficiales del mar en la misma zona están por debajo de lo normal, los efectos sobre las precipitaciones se invierten. 

Mediante el control de las temperaturas superficiales del mar, los científicos pueden anticipar el curso de El Nino. Pero ese conocimiento ayuda a predecir la sequía sólo en ciertas zonas y en determinados momentos; más lejos, por ejemplo en Europa, el efecto del ENSO es demasiado pequeno para ser útil. Incluso en el suroeste de los Estados Unidos, la capacidad de predecir algo útil más allá de los 5 a 10 días de la previsión meteorológica es más o menos limitado al invierno, dice Richard Seager, un modelador climático en el Observatorio Terrestre Lamont-Doherty de la Universidad de Columbia en Nueva York, como otros factores se vuelven más importantes en verano. "Lo que realmente queremos predecir son las graves sequías que dependen de una gran cantidad de variabilidad del clima", dice Seager.

Otro conductor climático, la Oscilación Decadal del Pacífico, se produce más lentamente, con la temperatura del agua que fluctúa en un período de 20 anos. La última fase de calentamiento se inició en 1998, dice Seager, lo que permite a los pronosticadores que las condiciones son propensas a ser más secas para los próximos cinco anos, pero que no puede ser más específico que eso. "Eso es más o agitando los brazos", dice Seager.

El problema es que los científicos no entienden realmente los mecanismos subyacentes al ENSO o cualquiera de las otras variaciones naturales a largo plazo, que afectan a los patrones climáticos del mundo. "Podemos hacer una especie de extrapolación estadística sobre la base de las oscilaciones del pasado, pero eso no es un método perfecto", dice Aiguo Dai, científico atmosférico de la Universidad Estatal de Nueva York, Albania. Los modelos mecanicistas que simulan los procesos físicos que conducen a la sequía podrían ser mejores, pero sólo si los mecanismos se pueden describir con precisión. "No sabemos si los modelos captan toda la física", dice Dai.

Se están realizando esfuerzos para hacerlo mejor. La Administración Nacional Oceánica de los Estados Unidos y la Atmósfera (NOAA) es parte del programa de Modelado, Análisis, Predicciones y Proyecciones (MAPP), que tiene como objetivo aumentar el conocimiento científico de la variación natural del clima y su relación con la sequía. Annarita Mariotti, una científica del clima de la NOAA que está actuando como directora del programa MAPP, dice que el equipo todavía tiene que averiguar qué procesos se pueden predecir. "Hay una gran cantidad de investigación tratando de diseccionar lo que es predecible a partir de lo que no es previsible."

Los científicos necesitan comprender procesos tales como la forma en la que la temperatura del aire y la precipitación interactúan con la humedad del suelo, si una primavera seca hace que existan más probabilidades de un verano más seco, y cómo la nieve y la cubierta vegetal afectan a las condiciones atmosféricas. Conocer tales interacciones debería conducir a mejores resultados. "La previsibilidad es realmente la cadena de procesos", dice Mariotti. "Cada elemento, y el acoplamiento de estos elementos, es importante."

Modelos de crecimiento de cultivos

Cada día, los modelos de la NOAA producen previsiones para un máximo de 9 meses. La precisión en los marcos de tiempo más largos es pobre, y la falta de detalle regional los hace inútiles para los agricultores. Elliott dice que la ejecución de estos modelos puede producir resultados más útiles, pero eso es difícil de hacer con los recursos informáticos existentes. "Básicamente, es sólo un desafío enorme de cálculo y datos en este momento", dice.

Los modelos de cultivos tienen algunas limitaciones debido a la escasez de mediciones o la falta de una buena descripción de un proceso físico, dice Jones. Los modelos actuales no funcionan bien si hay un exceso de agua, por ejemplo, debido a una falta de datos de drenaje. Y a pesar de que simulan la absorción de nitrógeno muy bien, son menos eficientes en la descripción de los efectos de otros nutrientes, como el fósforo y el potasio. Esta deficiencia es trivial en la agricultura de los Estados Unidos, donde hay mucho de ambos nutrientes. Pero los modelos son menos útiles en África y Asia, donde el suelo es a menudo pobre en estos nutrientes, dice Jones.

Jones está involucrado en el proyecto de comparación de modelos agrícolas y el proyecto de mejoramiento (AgMIP), que combina los modelos basados en diferentes parámetros y métodos. La idea es que los errores sistemáticos en un modelo determinado serán compensados por los demás. En un artículo reciente, el equipo combinó 27 modelos diferentes de trigo y mide lo bien que crece este cultivo con el aumento de la temperatura y el nivel de dióxido de carbono, y calcula la cantidad de modelos diferentes que tendrían que funcionar en conjunto para anular los errores. Para aumentos de temperatura de 3°C y un aumento de dióxido de carbono de 540 partes por millón, el equipo descubrió que se necesitarían por lo menos cinco modelos diferentes de trigo promediados, para llegar a una predicción fiable. El proyecto MAPP está haciendo lo mismo con los modelos de proyección climática. Estas comparaciones ayudan a los científicos a entender dónde se encuentran las incertidumbres en sus modelos, dice Jones.

Chequeando estrategias

Los modelos tienen otro propósito además de la predicción: permiten a los científicos estudiar las prácticas de manejo del cultivo. "Estoy interesado en la industria de maíz de los Estados Unidos como un caso de uso importante para los sistemas de producción en el resto del mundo", dice Elliott. "¿Qué puede ensenarnos sobre cómo hacer para que la sequía en África sea menos sensible?" Por ejemplo, los modelos podrían simular posibles resultados si los agricultores africanos adoptaran prácticas de los Estados Unidos, tales como la labranza para la incorporación de residuos agrícolas en el suelo para aumentar su capacidad de retención de humedad.

El manejo de cultivos en Estados Unidos ha cambiado considerablemente en los 25 anos transcurridos desde la grave sequía anterior. La siembra se realiza ahora, en promedio, unos 30 días antes de lo que se hizo en la década de 1970, principalmente debido a las mejoras en la tecnología de las maquinarias y a la genética de los cultivos.

Elliott utilizó estos modelos para comparar las prácticas agrícolas en las dos sequías. La pérdida de rendimiento en 1988 fue de alrededor del 25%, ligeramente peor que la pérdida de un 22% en 2012, a pesar de la sequía de 2012 fue más grave. Pero cuando se comparan las simulaciones con las condiciones de sequía intercambiadas, los resultados son notables. Simular la sequía de 1988 con la tecnología de 2012 produce una pérdida de sólo el 18%, pero si los agricultores han utilizado la tecnología de 1988 durante la sequía de 2012, las pérdidas superan el 29%.

La modelización también puede ayudar a los agricultores a enfrentar el cambio climático, haciendo sugerencias basadas en las condiciones futuras esperadas. Esto es más difícil, dice Jones, debido a la falta de datos del mundo real para alimentar los modelos. Por ejemplo, el aumento de dióxido de carbono atmosférico debería beneficiar el crecimiento de la planta, pero los experimentos de campo - donde el dióxido de carbono adicional se canaliza alrededor de ciertas plantas - son limitados. Los científicos también deben considerar cómo este aumento de crecimiento se correlaciona con una mayor temperatura del aire, que también estimulará la evaporación y reducirá la humedad.

A medida que se recogen más datos ambientales, los procesos físicos se entenderán mejor, la potencia de las computadoras crece, se refinan los modelos y debe mejorar la capacidad de los científicos para proyectar las sequías y dar sugerencias a los agricultores. Pero habrá un límite superior. "Debemos aceptar que hay un cierto nivel de actividad que siempre va a ser impredecible", dice Seager. "Parece que hay un límite fundamental para la previsibilidad. Puede que no hayamos alcanzado ese límite, pero está ahí".

 

Fuente: El presente texto es una traducción del artículo “PREDICTIVE YIELD”, escrito por Neil Savage en la Revista NATURE, 501: S10-S11 (2013).