Существующие модели сельскохозяйственных культур могут прогнозировать урожайность в условиях неопределённого климата
Исследование под руководством климатолога штата Индиана Дева Нийоги из Университета Пердью показало, что существующие модели сельскохозяйственных культур могут надёжно прогнозировать урожайность кукурузы в периоды климатической изменчивости, в частности, во время фаз Эль-Ниньо и Ла-Нинья, влияющих на температуру и осадки в определённые вегетационные сезоны.
Возможность предсказать урожай даже в нестабильных условиях поможет климатологам, фермерам, аграрным планировщикам и политикам более эффективно управлять глобальными продовольственными поставками.
«Мы говорим об изменении климата, которое происходит со временем, но все мы сталкиваемся с климатической изменчивостью, — отметил Нийоги. — Это исследование доказало, что модели, которые мы используем для изучения долгосрочных трендов, одинаково точны и для краткосрочных прогнозов». Он добавил, что проливные дожди, вызвавшие наводнения в этом сезоне на Среднем Западе, не были результатом Эль-Ниньо или Ла-Нинья, а следствием редкого сочетания погодных систем.
Исследование, часть климатической инициативы Useful to Useable в Пердью, было направлено на проверку точности существующих моделей в оценке влияния прошлых событий Эль-Ниньо и Ла-Нинья на урожай кукурузы на Среднем Западе. Ранее было установлено, что годы Эль-Ниньо, как правило, более прохладные и влажные в Кукурузном поясе, что ведёт к более высоким урожаям, а годы Ла-Нинья — более тёплые и сухие, с более низкой урожайностью.
На основе Индекса океанического Эль-Ниньо команда выделила семь вегетационных сезонов, на которые повлияло Эль-Ниньо, и шесть — Ла-Нинья в период с 1981 по 2010 год. Затем с помощью трёх моделей урожайности разной сложности были проведены симуляции, результаты которых сравнили с фактическими данными Министерства сельского хозяйства США. Исследование показало, что нет существенной разницы в результатах между локальными моделями (Hybrid-Maize и Decision Support System for Agrotechnology Transfer) и моделью Integrated Science Assessment Model, которая может работать в локальном, региональном или глобальном масштабе.
«Мы обнаружили, что нам не следует ограничиваться из-за отсутствия локальной информации. Мы можем уверенно использовать региональные наборы данных для разработки будущих прогнозов», — заключил Нийоги. Это открытие может привести к более точным краткосрочным прогнозам урожайности и предоставить полезную информацию для политиков и фермеров, помогая им принимать экономические решения, например, об инвестициях в орошение.