Las políticas de seguridad alimentaria implementadas por gobiernos, empresas y organizaciones como la ONU se basan en parte en modelos globales que evalúan los rendimientos actuales y potenciales de los cultivos.
por la Universidad de Wageningen
Los científicos de la Universidad e Investigación de Wageningen (WUR) y la Universidad de Nebraska-Lincoln advierten que estos modelos globales de arriba hacia abajo tienen ciertas deficiencias.
Argumentan que los modelos se basan demasiado en datos burdos sobre el clima, los suelos y los cultivos, y que hay muy poca información y validación utilizando datos locales. En un artículo de Nature Food , piden que se mejoren estas estimaciones mediante la aplicación estructural de datos recopilados localmente y probando los modelos con mayor regularidad con experimentos locales.
En su artículo, los investigadores compararon el rendimiento de dos modelos descendentes de uso común (Zonas Agroecológicas Globales y el Proyecto de Intercomparación y Mejora del Modelo Agrícola) con el desempeño de su propio enfoque ascendente, el Atlas de la brecha de rendimiento global.
Estimaciones sistemáticamente bajas
«Las estimaciones proporcionadas por los modelos globales de arriba hacia abajo para un país grande como los Estados Unidos o todo un continente son a menudo, aunque ciertamente no siempre, razonablemente precisas, pero cuando se observan regiones específicas o países más pequeños, los resultados se vuelven poco confiables. De hecho, la producción agrícola potencial estimada para un país es a menudo más baja que la producción real lograda en años anteriores «, dice el coautor, el profesor Martin van Ittersum, del grupo de presidencia de Sistemas de producción de plantas de WUR.
A modo de ejemplo, señala los resultados de los modelos globales para el arroz en Asia y el maíz en el África subsahariana: «Para el arroz en Asia, las estimaciones de rendimiento potencial hechas por los modelos de arriba hacia abajo son sistemáticamente demasiado bajas, mientras que los modelos no distinguen suficientemente entre países con rendimientos potenciales demostrablemente altos y bajos de maíz en el África subsahariana «.
Datos toscos y falta de pruebas
Las deficiencias en los modelos descendentes se deben a la tendencia de las bases de datos a adoptar un enfoque amplio y al hecho de que se basan en datos meteorológicos generados o suposiciones sobre calendarios de cultivos. Por ejemplo, no siempre estiman correctamente cuándo se sembrará y cosechará un cultivo en una región en particular. Los estudios globales también utilizan un solo modelo para una amplia gama de cultivos y para todo el mundo, aunque los modelos no se han probado localmente con experimentos bien ejecutados.
«Por lo tanto, los rendimientos potenciales de los cultivos en un área en particular pueden ser docenas de puntos porcentuales más altos que las suposiciones hechas en los modelos de arriba hacia abajo», dice Van Ittersum. Los inversores, los productores de semillas y otras partes interesadas toman decisiones basadas en parte en estos modelos, por lo que puede haber consecuencias de gran alcance. «No podemos permitirnos tomar decisiones mal fundamentadas en nuestros esfuerzos por mejorar la seguridad alimentaria en África u otras partes del mundo, y en la forma en que usamos recursos escasos como la tierra y el agua como parte de esos esfuerzos».
Integrando datos locales
Según los autores, el problema podría resolverse haciendo un uso estructural de datos locales en estudios globales. Estos datos locales (con respecto al clima, suelos y manejo de cultivos) y simulaciones ya están disponibles, habiendo sido registrados sistemáticamente desde 2011 en el proyecto Global Yield Gap Atlas (GYGA) que es cogestionado por Van Ittersum.
«Comenzamos este proyecto junto con la Universidad de Nebraska-Lincoln porque descubrimos que los modelos globalesa menudo eran significativamente inexactos para países y regiones específicos. Ahora hemos podido recopilar datos de alta calidad y relevantes a nivel local para unos 70 países, con la ayuda de expertos locales. Debido a esto, ahora sabemos cuál es la brecha de rendimiento para algunos de los principales cultivos agrícolas en el 80% de la superficie mundial. Este enfoque de abajo hacia arriba es muy exigente, pero genera información muy valiosa para los formuladores de políticas y los investigadores que trabajan en el tema de cómo varios países y continentes podrán alimentarse en el futuro y dónde se pueden encontrar las mayores oportunidades «.
