Usando milho e soja como campo de testes, pesquisadores do Pacific Northwest National Laboratory desenvolveram métodos para examinar os mecanismos que modulam a variabilidade da produção agrícola. Eles usaram modelos estatísticos para examinar como a variabilidade climática afeta os rendimentos dessas culturas populares de bioenergia em nível de condado. Entre os fatores climáticos, a equipe mostrou que a temperatura é predominante em condados de cultivo de milho, tanto em volume quanto em porcentagem da produção. A precipitação tem um impacto semelhante. A quantidade de energia do sol, ou radiação, tem um efeito muito menor nos EUA tanto na soja quanto no milho.

Para entender o impacto das práticas de gestão, a equipe de pesquisa projetou e conduziu modelagem numérica para revelar como a irrigação e a fertilização afetam a variabilidade do rendimento da cultura. Em média nos EUA, a fertilização tem um impacto maior do que a irrigação. O trabalho demonstrou que determinar dinamicamente o momento e as taxas de fertilização em seus modelos pode melhorar muito a capacidade de previsão para os rendimentos de ambas as culturas.

Os produtores agrícolas estão trabalhando para melhorar seu jogo para satisfazer uma demanda crescente por energia e produção de alimentos para populações mais ricas e em crescimento. Ainda, como qualquer fazendeiro irá atestar, até mesmo as melhores práticas agrícolas podem ser desfeitas por uma onda de calor ou outro evento climático devastador. Compreender o papel relativo da variabilidade climática e das práticas agrícolas, como irrigação e fertilização, é importante para garantir a sustentabilidade agrícola e energética.

"Nossa análise baseada em dados revelou os fatores climáticos dominantes na regulação da variabilidade dos rendimentos de milho e soja em escala de condado para os EUA, "disse o Dr. Maoyi Huang, autor correspondente e modelador climático no PNNL, "que nos ajudou a entender melhor as variabilidades históricas da safra."

"Com base em observações de várias fontes, melhoramos o desempenho do modelo baseado em processo e demonstramos a importância de incorporar aproximações de fertilização na simulação de safras, "disse Huang.

A equipe analisou a produção de milho e soja em nível municipal, duas culturas populares de bioenergia, usando dados de pesquisa do Departamento de Agricultura dos Estados Unidos (USDA) e clima observado. O objetivo era entender como a estação de cultivo (junho, Julho e agosto) temperatura média (T), precipitação (P), e a radiação (R) influenciam os rendimentos das colheitas em conjunto e individualmente na escala do condado. Em suas análises, eles removeram a covariabilidade entre T, P, e R para investigar os efeitos de cada fator climático único na produtividade das culturas. Com base nas contribuições relativas dessas diferentes variáveis ​​climáticas para a variabilidade dos rendimentos das culturas, eles construíram mapas espaciais sobre os fatores climáticos dominantes.

A equipe também usou modelos para entender o papel do manejo agrícola na produtividade das culturas. Usando o Modelo de Terras Comunitárias nos Estados Unidos, eles descobriram que a irrigação tem efeitos limitados sobre o rendimento das colheitas em comparação com a fertilização. A partir desta pesquisa, a equipe propôs um método de fertilização prognóstico determinando dinamicamente o momento e as taxas de fertilização no modelo. Eles mostraram que o novo método é mais eficaz do que a abordagem tradicional para melhorar o desempenho do modelo na escala do condado.

"Ao sintetizar informações observadas de fontes como o Departamento de Agricultura dos EUA e o US Geological Survey, nossos modelos baseados em observação e processos aprimorados podem nos ajudar a entender os mecanismos subjacentes às variabilidades da produção agrícola na escala de condado dos EUA, "disse o autor principal, Dr. Guyong Leng, um modelador estatístico e numérico no PNNL.

Os autores analisarão como os eventos climáticos, como secas / inundações e ondas de calor / períodos de frio, irão evoluir no futuro e preverão como os rendimentos das safras podem reagir. Eles irão integrar abordagens de modelagem com outras ferramentas analíticas e de modelo em uma estrutura de modelagem multissetorial em várias escalas para avaliar como os ecossistemas, hidrologia, e as decisões socioeconômicas coevoluirão em um clima em mudança.