Droogtes of hittegolven hebben gevolgen die zich verder verspreiden dan de boeren die angstig naar hun velden kijken; deze fluctuaties in gewasopbrengsten kunnen schokgolven veroorzaken via lokale en wereldwijde voedselvoorraden en prijzen.

In een nieuwe studie, onderzoekers bij NASA, de Universiteit van Chicago en het Potsdam Institute for Climate Impact Research hebben gegevens toegevoegd over wanneer elke specifieke regio zijn gewassen plant en oogst - en ontdekten dat dit de meest effectieve manier was om de simulaties te verbeteren.

Gepubliceerd op 21 november in wetenschappelijke vooruitgang , de innovatieve aanpassing zou de beschikbare informatie voor beleidsmakers en markten kunnen verbeteren om de gevolgen van oogstverlies op te vangen.

Huidige modellen hebben moeite om opbrengsten te voorspellen, niet alleen met het oog op de klimaatverandering op de lange termijn, maar gewoon voor de oogst van het volgende jaar. "De modellen van vandaag kunnen de variabiliteit van jaar tot jaar niet echt verklaren. Zelfs als we gewoon proberen na te bootsen wat er in het verleden is gebeurd, ze zijn gewoon niet in orde, " zei Jägermeyr, een postdoctoraal onderzoeker bij de afdeling computerwetenschappen van UChicago, Potsdam, en NASA, en de corresponderende auteur van het onderzoek. "Het blijkt dat de variabiliteit van de kortetermijnopbrengst extreem belangrijk is voor beleidsmakers en de voedselmarkt - natuurlijk voor prijsniveaus, maar ook voor aanbodschokken, handelsembargo's en reserves."

Voor het grootste gedeelte, wetenschappers hebben geprobeerd de schattingen van de oogstopbrengst te verbeteren door de weersreactie van het model te verbeteren. Maar in plaats daarvan, Jägermeyr en co-auteur Katja Frieler van het Potsdam Institute probeerden het probleem vanuit een andere hoek aan te pakken:in plaats van aan te nemen dat boeren een enkele variëteit van een gewas over de hele wereld verbouwen, ze implementeerden de gemiddelde tijden dat elke regio zijn gewassen plant en oogst om lokale variëteiten te vertegenwoordigen.

"De prestaties van het model verdubbelen gewoon, "Zei Jägermeyr. "Het juiste groeiseizoen kiezen is de meest effectieve maatregel om de waargenomen maïsopbrengsten beter af te stemmen."

Bijvoorbeeld, Jägermeyr zei, overweeg een maïsoogst in Oostenrijk. Als onderzoekers dezelfde groeitijdlijn gebruiken voor een maïsvariëteit die in Mexico groeit, ze zouden kunnen aannemen dat het gewas baat zou hebben bij een regenval in oktober. Maar in het koudere Oostenrijk zou de maïs al geoogst zijn - dus de berekeningen worden overboord gegooid.

Met deze informatie, modellen van onderzoekers kwamen veel beter overeen met werkelijke, waargenomen opbrengsten. "We zijn nu aan de taak om historische effecten van droogtes en hittegolven te simuleren, wat ongekend is, " Jägermeyr zei, "en we hebben alle reden om te verwachten dat onze toekomstige simulaties robuuster zullen zijn dan voorheen."

Dit is iets dat over het hoofd wordt gezien, en we laten gewoon zien hoe belangrijk de timing is. Het leuke is dat het een laaghangend fruit is dat we gemakkelijk in onze modellen kunnen implementeren, " zei hij. "De enige moeilijkheid is dat het erg gegevensafhankelijk is, en we hebben nog niet in alle landen hoogwaardige waarnemingen."

Ze zijn van plan om dit verbeterde modelraamwerk te gebruiken om de oogstprognoses voor het volgende seizoen in realtime te testen.