Machine Translated by Google

LETRAS
PUBLICADO EN LÍNEA: 9 DE JUNIO DE 2013 | DOI: 10.1038/NCLIMATE1916

Incertidumbre al simular los rendimientos del trigo bajo

el cambio climático
S. Asseng y otros †

Las proyecciones de los impactos del cambio climático en el rendimiento abordado por la comunidad científica del clima a través de proyecciones probabilísticas
de los cultivos son inherentemente inciertas1 . La incertidumbre suele basadas en múltiples modelos de circulación general (MCG) o conjuntos de modelos
cuantificarse al proyectar las futuras emisiones de gases de efecto climáticos regionales14. Sin embargo, la mayoría de las evaluaciones del impacto
invernadero y su influencia en el clima2 . Sin embargo, el análisis de agrícola del cambio climático han utilizado un modelo de cultivo único3 , lo que limita la
incertidumbre multimodelo de las respuestas de los cultivos al cambio cuantificación de la incertidumbre15. Como los modelos de cultivos difieren en la forma
climático es poco común porque las comparaciones sistemáticas y objetivas en que simulan procesos dinámicos, establecen parámetros y utilizan variables de
entre modelos de simulación de cultivos basados en procesos1,3 son entrada3 , se han informado grandes diferencias en los resultados de las simulaciones16.
difíciles4 . Aquí presentamos la mayor intercomparación de modelos Aunque la incertidumbre de las proyecciones de los modelos de cultivos a veces se
estandarizados para los impactos del cambio climático hasta el momento. evalúa utilizando más de un modelo de cultivo16 o alterando los parámetros del modelo
Descubrimos que los modelos de cultivos individuales pueden simular con de cultivo17, coordinar evaluaciones integrales ha resultado difícil4 .
precisión los rendimientos medidos del grano de trigo en una variedad de
entornos, particularmente si la información de entrada es suficiente. Sin Para estimar la incertidumbre asociada con los estudios de los impactos climáticos
embargo, los impactos simulados del cambio climático varían según los en el rendimiento de los cultivos, utilizamos 27 modelos diferentes de cultivos de trigo
modelos debido a diferencias en las estructuras del modelo y los valores de (Tablas complementarias S1 y S2) en cuatro sitios que representan entornos de
los parámetros. Una mayor proporción de la incertidumbre en las producción muy diferentes (Fig. 1a). Los rendimientos de granos simulados variaron
proyecciones de impacto del cambio climático se debió a variaciones entre ampliamente, aunque los valores medios estuvieron cerca de los rendimientos de
los modelos de cultivos que a variaciones entre modelos de circulación granos observados en experimentos de un solo año para cuatro entornos representativos
general reducidos. Las incertidumbres en los impactos simulados aumentaron con las complementaria
(Tabla concentraciones S3) de CO2
en los y el calentamiento
Países Bajos, Argentina,asociado.
India y Australia (Fig.1a, b).
Estas incertidumbres sobre el impacto pueden reducirse mejorando las Este fenómeno se informó anteriormente en otra comparación de múltiples modelos con
relaciones entre la temperatura y el CO2 en los modelos y cuantificarse menos modelos16, y es comparable a las simulaciones climáticas estacionales
mejor mediante el uso de conjuntos multimodelo. Una menor incertidumbre mejoradas producidas con múltiples GCM (ref. 18). El rango de rendimientos simulados
a la hora de describir cómo el cambio climático puede afectar la productividad se redujo significativamente después de la calibración completa, de modo que >50% de
agrícola ayudará a desarrollar estrategias de adaptación y a formular los rendimientos de los modelos calibrados estuvieron dentro del coeficiente de variación
políticas. medio (CV%) (±13,5%) de >300 experimentos de campo de trigo19 (Fig. 1c) . Se
Las incertidumbres en las proyecciones de los impactos del cambio climático en los encontraron patrones similares para otros aspectos simulados del crecimiento del trigo
rendimientos futuros de los cultivos se derivan de diferentes fuentes en la modelización. (Fig. 1d). Por lo tanto, los modelos de cultivos pueden simular con precisión el
Las trayectorias de las futuras emisiones de gases de efecto invernadero no pueden rendimiento de grano medido y otros componentes del cultivo en diversos entornos si la
proyectarse fácilmente, ya que están fuertemente influenciadas por el desarrollo político información de entrada es suficiente.
y socioeconómico. En su lugar, se utiliza una serie de proyecciones (escenarios)
plausibles de emisiones2 . La proyección de los efectos de las emisiones sobre el clima
y la reducción de escala de los datos climáticos en sí son intrínsecamente inciertas, Para ilustrar los posibles cambios en la incertidumbre de los impactos simulados,
porque diferentes conjuntos de modelos de circulación general5 y métodos de reducción analizamos la sensibilidad de los modelos a una combinación de cambios en la
de escala6 dan resultados diferentes. Finalmente, la incertidumbre en la simulación de precipitación y aumentos tanto en la temperatura como en la concentración de CO2
la respuesta de los cultivos al clima alterado puede atribuirse a diferencias en las atmosférico ( 734 ppm, en comparación con el valor inicial de 360 ppm) en función de
estructuras de los modelos de cultivos y a cómo se establecen los parámetros del una ubicación específica. escenario que mejor se aproximaba al conjunto de
modelo. proyecciones climáticas de altas emisiones de finales de siglo (Tabla complementaria
Los modelos de cultivos basados en procesos representan muchas de las interacciones S3). Las respuestas simuladas del rendimiento del cambio climático de todos los
entre el clima, los cultivos, el suelo y los efectos de la gestión y son las herramientas modelos de cultivos parcialmente calibrados tuvieron valores de CV entre 20 y 30%
más comunes para evaluar los impactos del cambio climático en la productividad de los (Fig. 2a); estos se redujeron entre un 2% y un 7% cuando los modelos se calibraron por
cultivos. Se han llevado a cabo muchas evaluaciones del impacto de los modelos de completo. Sin embargo, el CV de los impactos simulados utilizando el 50% de los
cultivos en ubicaciones específicas7 , regiones agrícolas8 y el mundo9 . También se modelos calibrados de mejor rendimiento (basado en errores cuadráticos medios (rmse)
han utilizado métodos estadísticos para analizar las tendencias en los rendimientos en todas las ubicaciones) fue aproximadamente un 2% más alto que el uso de todos los
impulsados por el clima10, pero las interacciones entre factores climáticos y no modelos, y esto disminuyó solo cuando el 50% de los modelos Se utilizaron los
climáticos confunden los resultados11. Esto dificulta la atribución de causalidad12 y el rendimientos más cercanos a los observados en cada ubicación (Fig. 2a). La
desarrollo de estrategias de adaptación apropiadas. incertidumbre en los impactos simulados del cambio climático difirió entre los entornos
(Fig. 2a).
La incertidumbre, cualquier desviación del ideal inalcanzable de un conocimiento Además, la incertidumbre en los impactos simulados varió según el suelo (Fig. 2b) y el
completamente determinista de un sistema13, ha sido manejo del cultivo (Fig. 2c, d). Por lo tanto, el total

†Al final del artículo aparece una lista completa de autores y afiliaciones.

NATURALEZA CAMBIO CLIMÁTICO | VOL 3 | SEPTIEMBRE 2013 | www.nature.com/natureclimatechange 827

© 2013 Macmillan Editores Limitados. Reservados todos los derechos.
Machine Translated by Google

LETRAS NATURALEZA CAMBIO CLIMÁTICO DOI: 10.1038/NCLIMATE1916

ME 11, Altas precipitaciones; templado frío, trigo de invierno

0 246 8 10
ME 2, precipitaciones elevadas; trigo templado de primavera
Rendimientos regionales promedio de trigo (t ha¬1)

ME 1, de regadío; trigo templado de primavera

ME 4, precipitaciones escasas; trigo templado de primavera

b cd Países Bajos
NL+AR+IN+AU
Países Bajos+AR+AU
Observado Países Bajos+IN+AU
Producción de grano
AR+IN+AU
NL+AR+IN
Parcialmente calibrado EN + AU
AR +AU numero de grano
AR + EN
Calibrado nóicacibU

Países Bajos+Australia

NL +IN
Arkansas NL+AR Proteína de grano
AU
EN
Observado Arkansas
Índice de cosecha
Países Bajos

Parcialmente calibrado Biomasa en antesis

25 20 15 10 5 0
Calibrado Número de modelos dentro
13,5% de observación Biomasa en madurez
EN

Observado IAF máximo

Parcialmente calibrado ET acumulada

Calibrado
Cultivo N en antesis
AU

Observado Cultivo de N en madurez

Parcialmente calibrado Grano norte

Calibrado
0 10 20 30 40
0 2 4 6 8 10 RME relativo (%)
Rendimiento de grano (t ha¬1)

Figura 1 | Comparaciones entre modelos de trigo y observaciones. a, Mapa global de producción de trigo30 que muestra sitios experimentales (estrellas) representativos de los megaambientes
del CIMMYT (ME, indicados en términos generales por óvalos, http://wheatatlas.cimmyt.org). b, Rendimientos de cereales observados (marcas cruzadas) y simulados (gráficos de caja) de
experimentos de un solo año para los Países Bajos (NL), Argentina (AR), India (IN) y Australia (AU). Los rendimientos simulados provienen de 27 modelos diferentes de cultivos de trigo.
Rendimientos simulados parcialmente calibrados (cuadros más grandes): los investigadores no tuvieron acceso a los rendimientos de granos ni a la dinámica de crecimiento observados (prueba ciega).
Rendimientos simulados calibrados (cuadros más pequeños): los investigadores tuvieron acceso a los rendimientos de granos y la dinámica de crecimiento observados. En cada diagrama
de caja, las líneas verticales representan, de izquierda a derecha, el percentil 10, el percentil 25, la mediana, el percentil 75 y el percentil 90 de las simulaciones. La desviación estándar
de los rendimientos observados (basada en mediciones de cuatro réplicas) se muestra como una barra de error, si se conoce. c, Número de modelos dentro de la variación experimental de
campo media (13,5%; ref. 19) para modelos parcialmente calibrados (barras abiertas) y completamente calibrados (barras grises) para ubicaciones únicas (NL, AR, IN y AU para cada país)
y combinaciones de ubicaciones. d, RMse relativo de las comparaciones de simulación­observación para modelos parcialmente calibrados (barra abierta) y completamente calibrados (barras
grises) de componentes del rendimiento de granos en las cuatro ubicaciones. LAI, índice de área foliar; ET: evapotranspiración.

828 NATURALEZA CAMBIO CLIMÁTICO | VOL 3 | SEPTIEMBRE 2013 | www.nature.com/natureclimatechange

© 2013 Macmillan Editores Limitados. Reservados todos los derechos.
Machine Translated by Google
NATURALEZA CAMBIO CLIMÁTICO DOI: 10.1038/NCLIMATE1916 LETRAS
CV% de respuesta del modelo La mayoría de las respuestas de rendimiento simuladas a un aumento de 180
a b ppm de CO2 a las temperaturas actuales (Fig. 3a­d) estuvieron dentro del
Clima Suelos

30
Países Bajos

rango de respuestas medidas, que van del 8% al 26% con concentraciones

Países Bajos

30
elevadas de CO2 atmosférico ( Fig. 3e) en los experimentos realizados en el
20 20 EE.UU., Alemania y China23,24 (Información complementaria, página 11
10 10
último párrafo).
ES 30 20 10 Arkansas
ES 303020201010 En contraste con la respuesta media de los rendimientos al CO2, la
Arkansas

10 20 30 10 20 30
incertidumbre en el rendimiento simulado mostró una fuerte dependencia de la
10 10 temperatura, particularmente cuando el aumento de temperatura excedió los 3
◦C con cambios asociados en el CO2 atmosférico. La respuesta mediana del
20 20
modelo a un aumento de temperatura de 3 ◦C (Fig. 3a­d y Fig. Suplementaria
30 30 S5) es consistente con las observaciones generales de campo (Fig. 3e); Los
EN EN rendimientos de granos de trigo observados disminuyeron entre un 3% y un −1
10% ◦C de aumento en la temperatura media10,24 (Información complementaria,
página 11, último párrafo). El mayor rango de impactos a altas temperaturas
C Siembra d fertilizante N
Países Bajos
Países Bajos
(el 50% de los modelos estaban entre el 20 y el 40% de la respuesta mediana
30 30
en cada lado) indicó una mayor incertidumbre del modelo con el aumento de
20 20 la temperatura. Esto está relacionado en parte con la fenología simulada
(Figura complementaria S3). Por ejemplo, la fenología a menudo mejora con
10 10
ES 30 20 10 el aumento de la temperatura, lo que resulta en menos tiempo para la
ES 30 20 10
Arkansas Arkansas

interceptación de la luz y la fotosíntesis y, en consecuencia, menos biomasa y

10 20 30 10 20 30
10 10 rendimiento. Además, la mayor incertidumbre del modelo también se debe en
parte a una mayor frecuencia de eventos de alta temperatura y su impacto
20 20
simulado en el crecimiento de los cultivos25 (Figura complementaria S4), y a
30 30 las interacciones de alta temperatura con CO2 elevado (Figura 3). Sin embargo,
EN
EN
tener en cuenta un proceso como el impacto del estrés por alta temperatura en
un modelo no necesariamente da como resultado una simulación correcta de
Figura 2 | Variabilidad en la incertidumbre del modelo de impacto. a, CV% para la respuesta ese efecto (Figura complementaria S4), ya que el proceso modelado en sí, por
de rendimiento simulada a un escenario específico de una ubicación que representa ejemplo, el área foliar o el crecimiento de la biomasa, interactúa con otros.
las proyecciones del GCM para el escenario de altas emisiones (A2) para finales de siglo procesos del modelo para determinar la respuesta de rendimiento final de un
(en relación con la línea de base 1981­2010, Tabla complementaria S3) con 27 modelos modelo. La precipitación afectó los rendimientos simulados, pero el cambio de
de cultivos. Los modelos fueron calibrados parcialmente (negro) o completamente calibrados (verde). precipitación tuvo poco impacto en el rango de respuestas simuladas (Figura
Además, se muestran el 50 % de los modelos con las simulaciones más cercanas a los complementaria S2).
rendimientos observados en todas las ubicaciones (azul) y el 50 % de los modelos con
las simulaciones más cercanas a los rendimientos observados por ubicación (rojo). b–d, CV% Si promediar simulaciones multimodelo es superior a la simulación de un
de respuesta de rendimiento simulada al escenario de cambio climático con 27 modelos de solo modelo de cultivo4 o clima26 porque la relación entre la señal (cambio
cultivos completamente calibrados con capacidad de retención de agua del suelo aumentada (rojo medio) y el ruido (variación) aumenta con el número de modelos y los errores
sólido) y reducida (rojo discontinuo) (b), temprana (rojo sólido) y retrasada (rojo discontinuo) . tienden a cancelarse entre sí, deberíamos poder: con cautela27, para estimar
cuántos modelos se necesitarían para realizar proyecciones sólidas. Evaluamos
rojo) fechas de siembra (c) y aplicaciones de fertilizantes de N aumentadas (rojo sólido) y
esto eligiendo aleatoriamente 260 subconjuntos de los modelos de cultivos y
reducidas (rojo discontinuo) (d; solo 20 modelos incluyeron dinámica de N); 20 modelos
completamente calibrados que incluían dinámica N (discontinuo verde). La simulación calculando la media y la dispersión de los resultados simulados (Figura
completamente calibrada (verde) de a se reproduce en b – d para comparación. complementaria S1). Como la variación en los rendimientos fue de alrededor
Países Bajos (NL), Argentina (AR), India (IN) y Australia (AU). del 13,5% alrededor de la media en los experimentos de campo19 ,
consideramos que las proyecciones eran sólidas si el rango de proyecciones
estaba dentro del 13,5% de la media. El número de modelos necesarios para
El entorno de cultivo, en particular el suelo y el manejo de los cultivos, afecta evaluaciones sólidas del cambio climático varió según la magnitud del cambio
el rango de rendimientos de granos simulados en todos los modelos, lo que de temperatura y las interacciones con el cambio en el CO2 atmosférico (Fig.
aumenta la incertidumbre en las respuestas provenientes de modelos individuales. 4a). Por ejemplo, se necesitan al menos cinco modelos para realizar
Por lo tanto, seleccionar un subconjunto de modelos que funcionen mejor en evaluaciones sólidas de los impactos en el rendimiento de aumentos de hasta
los entornos actuales no reduce la incertidumbre en los impactos simulados 3 ◦C y 540 ppm de CO2. Se necesitan menos modelos para cambios más
del cambio climático. pequeños y más modelos para cambios mayores de temperatura (Fig. 4a).
Los cambios en el CO2 atmosférico, la temperatura y las precipitaciones
son factores clave de las respuestas de los cultivos al cambio climático20 . Al simular los impactos asumiendo un escenario de emisiones A2 de
Los impactos simulados del CO2 elevado en los rendimientos variaron mediados de siglo (556 ppm de CO2) para proyecciones climáticas de 16 GCM
relativamente poco entre los modelos (el 50% de los resultados del modelo reducidos utilizando 26 modelos de trigo, una mayor proporción de la
estuvieron dentro de ±20% de la respuesta mediana; Fig. 3a­d y Fig. incertidumbre en los rendimientos se debió a variaciones entre los modelos de
Suplementaria S5), pero la variación en el 80% de los modelos de cultivo cultivos que a variaciones entre los modelos reducidos. GCM (Fig. 4b). Por el
aumentó bajo una concentración elevada de CO2 principalmente en el entorno contrario, la incertidumbre del GCM tiende a dominar en los estudios de
de bajo rendimiento de Australia (ver bigotes del diagrama de caja en la Fig. parámetros de modelos de cultivo único perturbados28. La variación de los
3d). La incertidumbre en los rendimientos simulados no aumentó con el rendimientos simulados para el conjunto de escenarios fue mayor para
aumento de CO2 en los otros entornos. Esto no es sorprendente ya que el ambientes de bajo rendimiento y los valores absolutos fueron similares a las
CO2 elevado afecta menos procesos que el aumento de la temperatura y observaciones en todos los niveles de rendimiento y dentro del rango de
porque varios de los modelos de trigo han utilizado observaciones de variación experimental de campo19. Los cambios climáticos proyectados más
experimentos de enriquecimiento de CO2 al aire libre para mejorar los procesos pequeños, por ejemplo, para períodos de bajas emisiones o de principios de
del modelo relacionados con el CO2 alto (refs 21, 22). Sin embargo, ninguno siglo, dan como resultado una menor variación en los impactos simulados;
de los modelos ha sido probado con niveles elevados de CO2 en combinación con cambios
altas temperaturas.
climáticos más grandes resultan en una mayor variación (Fig. 3).

NATURALEZA CAMBIO CLIMÁTICO | VOL 3 | SEPTIEMBRE 2013 | www.nature.com/natureclimatechange 829

© 2013 Macmillan Editores Limitados. Reservados todos los derechos.
Machine Translated by Google

LETRAS NATURALEZA CAMBIO CLIMÁTICO DOI: 10.1038/NCLIMATE1916

un ser Países Bajos Arkansas Observado

550 ppm

063
0
+3 °C
+3

+6 ¬80 ¬40 0 40 80

Cambio relativo observado

en el rendimiento (%)

0
045

+3
aee°C
C
)m
arutaoriebpm d(t

+6
ca
nóio poeptC
O
o2nm
cirrténfes)cm d(
a

0
0 27

+3

+6

C EN d AU

0
063

+3

+6
045

+3
C
)m
arutaoriebpm aee°C
d(t

+6
ca
nóio cirrténfes)cm O
o2nm tC
poepd(
a

0
027

+3

+6

¬120 ¬80 ¬40 0 40 80 ¬120 ¬80 ¬40 0 40 80 120

Cambio relativo simulado en el rendimiento (%)

Figura 3 | Sensibilidad del trigo simulado y observado a la temperatura y al cambio de CO2. a–d, Cambio medio relativo simulado (promedio de 30 años, 1981­2010) en el
rendimiento de granos para temperaturas elevadas (sin cambios, gris; +3 ◦C, rojo; +6 ◦C, amarillo) y concentraciones elevadas de CO2 atmosférico para el Países Bajos (NL;
a), Argentina (AR; b), India (IN; c) y Australia (AU; d). Para cada diagrama de caja, las líneas verticales representan, de izquierda a derecha, el percentil 10, el percentil
25, la mediana, el percentil 75 y el percentil 90 de simulaciones basadas en modelos múltiples. e, Rango observado de impactos en el rendimiento con CO2 elevado
(referencias 23,24). Rango observado de impactos en el rendimiento con el aumento de la temperatura10,24 (extrapolado, basado en experimentos separados con 40–345
ppm de CO2 elevado y un aumento de temperatura de 1,4–4,0 ◦C, Información complementaria).

Concluimos que las proyecciones de los modelos de cultivos individuales Métodos

no representan las importantes incertidumbres que se sabe existen en las Se probaron veintisiete modelos de simulación de cultivos de trigo (Tablas complementarias
respuestas de los cultivos al cambio climático. Por otro lado, los conjuntos de S1 y S2) dentro del Proyecto de mejora e intercomparación de modelos agrícolas29
modelos tienen el potencial de cuantificar el componente de incertidumbre de (www.agmip.org), con datos de experimentos de campo con evaluación de calidad (datos del
sitio centinela) de cuatro entornos contrastantes utilizando protocolos estandarizados,
los cultivos, significativo y hasta ahora no caracterizado. Es necesario mejorar
incluidos experimentos de calibración de modelos parciales y completos, para evaluar el papel
los modelos de cultivos para reflejar con mayor precisión cómo el estrés por
de las incertidumbres basadas en modelos de cultivos en las proyecciones de los impactos del
calor y las interacciones entre la alta temperatura y el CO2 afectan el crecimiento cambio climático (Fig. 1a e información complementaria). Las simulaciones de modelos fueron
de las plantas y la formación del rendimiento. ejecutadas por grupos de modelado individuales.

830 NATURALEZA CAMBIO CLIMÁTICO | VOL 3 | SEPTIEMBRE 2013 | www.nature.com/natureclimatechange

© 2013 Macmillan Editores Limitados. Reservados todos los derechos.
Machine Translated by Google
NATURALEZA CAMBIO CLIMÁTICO DOI: 10.1038/NCLIMATE1916 LETRAS

a dieciséis
8. Tao, F., Zhang, Z., Liu, J. y Yokozawa, M. Modelado de los impactos de
Variabilidad del tiempo y el clima sobre la productividad de los cultivos en un área grande: una
nueva proyección probabilística basada en superconjuntos. Agrícola. Meteorol forestal. 149,
14
1266­1278 (2009).
9. Rosenzweig, C. & Parry, ML Impacto potencial del cambio climático en el mundo
12
suministro de alimentos. Naturaleza 367, 133­138 (1994).
10. Lobell, DB, Schlenker, W. & Costa­Roberts, J. Tendencias climáticas y producción agrícola mundial
10
desde 1980. Science 333, 616–620 (2011).
11. Lobell, DB & Burke, MB Sobre el uso de modelos estadísticos para predecir las respuestas del
8 rendimiento de los cultivos al cambio climático. Agrícola. Meteorol forestal. 150, 1443­1452 (2010).
do
dao %
d im
u,3p
ilitabc5la )i­<
m
a
e
rl1 dsv(i
rvam
osdooirrolee a lúa
g
udirtrqo m
oN
euedcrl
p

12. Gifford, R. y otros. Cambio climático y rendimiento del trigo australiano. Naturaleza 391, 448–
6 449 (1998).
13. Harris, GR, Collins, M., Sexton, DMH, Murphy, JM y Booth, BBB
4 Proyecciones probabilísticas para el clima europeo del siglo XXI. Peligros de la naturaleza
Sistema de la Tierra. Ciencia. 10, 2009­2020 (2010).
2 14. Semenov, MA y Stratonovitch, P. Uso de conjuntos multimodelo de
Modelos climáticos globales para la evaluación de los impactos del cambio climático. Subir. Res.
41, 1­14 (2010).
0 ¬6 ¬3 0 3 6 9 12
15. Müller, C. Agricultura: Cosecha a partir de incertidumbres. Clima natural. Cambio 1, 253–254 (2011).
Cambios de temperatura (°C)
16. Palosuo, T. et al. Simulación del rendimiento del trigo de invierno y su variabilidad en diferentes
b climas de Europa: una comparación de ocho modelos de crecimiento de cultivos. EUR. J. Agrón.
14
4,2 t ha¬1 35, 103­114 (2011).
17. Challinor, AJ, Simelton, ES, Fraser, EDG, Hemming, D. y Collins, M.
12 Mayor pérdida de cosechas debido al cambio climático: evaluación de opciones de adaptación
2,5 t ha¬1
utilizando modelos y datos socioeconómicos para el trigo en China. Reinar. Res. Letón. 5 (2010).

10
18. Hagedorn, R., Doblas­Reyes, FJ & Palmer, TN La razón detrás del éxito de los conjuntos
multimodelo en el pronóstico estacional—I. Concepto basico.
8
eaC
dv(

Tellus A 57, 219–233 (2005).

fei)ro%
etnneóiiccia

5,9 t ha¬1 19. Taylor, SL, Payton, ME y Raun, WR Relación entre rendimiento medio, coeficiente de variación,
6 7,5 t ha¬1 error cuadrático medio y tamaño de parcela en experimentos de campo con trigo.
Comunitario. Ciencia del suelo. Planta Anal. 30, 1439­1447 (1999).
20. Hatfield, JL y otros. Impactos climáticos en la agricultura: implicaciones para los cultivos
4
producción. Agrón. J. 103, 351–370 (2011).
21. Long, SP, Ainsworth, EA, Leakey, ADB, Nosberger, J. y Ort, DR
2 Para reflexionar: estimulación del rendimiento de los cultivos menor de lo esperado con
concentraciones crecientes de CO2. Ciencia 312, 1918­1921 (2006).

0 22. Ewert, F., Porter, JR & Rounsevell, MDA Modelos de cultivos, CO2 y cambio climático. Ciencia 315,
Los países bajos
Figura 4 | Tamaño de los conjuntos de modelos e incertidumbre del modelo de
impacto. a, Número promedio de modelos de cultivo en todas las ubicaciones
necesarios para reducir la variación del impacto del rendimiento simulado dentro
del CV% experimental de campo medio del 13,5% (ref. 19). Los diferentes colores
indican concentraciones elevadas de CO2 atmosférico (negro, 360 ppm; rojo, 450
ppm; azul, 540 ppm; verde, 630 ppm; amarillo oscuro, 720 ppm) en combinación con
cambios de temperatura. Las barras de error muestran sd b, CV debido a la
incertidumbre del modelo de cultivo (usando el percentil 10 al percentil 90 de simulaciones
basadas en 26 modelos de cultivo) en el impacto promedio simulado del rendimiento
del cambio climático de 30 años (negro) y debido a la variación en 16 GCM
reducidos (rojo , Tablas complementarias S6 y S7) escenarios de emisiones A2 de
mediados de siglo (2040­2069). Los números indican los rendimientos
actuales en cada ubicación (Tabla complementaria S3).
Argentina India Australia 459–459 (2007).
23. Kimball, BA en Handbook of Climate Change and Agroecosystems—Impacts, Adaptation, and
Mitigation (eds Hillel, D. & Rosenzweig, C.) 87–107 (Imperial College Press, 2011).
24. Amthor, JS Efectos de la concentración de CO2 atmosférico en el rendimiento del trigo:
Revisión de resultados de experimentos que utilizan diversos enfoques para controlar la
concentración de CO2. Res. de cultivos extensivos. 73, 1–34 (2001).
25. Asseng, S., Foster, I. y Turner, NC El impacto de la variabilidad de la temperatura en
rendimientos del trigo. Globo. Cambiar Biol. 17, 997–1012 (2011).
26. Tebaldi, C. & Knutti, R. El uso del conjunto multimodelo en proyecciones climáticas probabilísticas.
Fil. Trans. R. Soc. A 365, 2053­2075 (2007).
27. Knutti, R. ¿El fin de la democracia modelo? Cambio climático 102, 395–404 (2010).
28. Challinor, AJ, Wheeler, T., Hemming, D. y Upadhyaya, HD
Conjunto de simulaciones de rendimiento: incertidumbres climáticas y de cultivos, sensibilidad
a la temperatura y adaptación genotípica al cambio climático. Subir. Res. 38, 117­127 (2009).
29. Rosenzweig, C. et al. La intercomparación de modelos agrícolas y
Proyecto de Mejora (AgMIP): Protocolos y estudios piloto. Agr. Meteorol forestal. 170, 166–
182 (2013).

Recibido el 14 de octubre de 2012; aceptado el 2 de mayo de 2013; Publicado en línea 30. Monfreda, C., Ramankutty, N. & Foley, JA Cultivando el planeta: 2. Distribución geográfica de áreas

9 de junio de 2013 de cultivo, rendimientos, tipos fisiológicos y producción primaria neta en el año 2000. Glob.
Biogeoquímica. Ciclos 22 (2008).

Referencias 1. Las contribuciones de los autores

Godfray, HCJ et al. Seguridad alimentaria: el desafío de alimentar a 9 mil millones de personas. SA, FE, CR, JWJ, KJB y JLH motivaron el estudio; SA y FE coordinaron el estudio; Datos
Ciencia 327, 812–818 (2010). analizados de SA, FE, DW, PM, DC y ACR; DC, ACR, KJB, PJT, RPR, NB, BB, DR, PB,
2. Moss, RH y cols. La próxima generación de escenarios para la investigación del cambio climático PS, LH, MAS, PS, CS, GOL, PKA, SNK, RCI, JWW, LAH, RG, KCK, TP, JH, TO, JW, IS, JEO,
y evaluación. Naturaleza 463, 747–756 (2010). JD, CN, SG, JI, EP, TS, FT, CM, KW, RG, CA, IS, CB, JRW y AJC llevaron a cabo
3. White, JW, Hoogenboom, G., Kimball, BA & Wall, GW Metodologías para simular los impactos del simulaciones de modelos de cultivos y discutieron los resultados; MT y SNK, proporcionaron
cambio climático en la producción de cultivos. Res. de cultivos extensivos. 124, 357–368 (2011). datos experimentales; SA, FE, CR y JWJ escribieron el artículo.

4. Rötter, RP, Carter, TR, Olesen, JE y Porter, JR Los modelos de clima agrícola necesitan una
revisión. Clima natural. Cambio 1, 175–177 (2011). Información adicional La información
5. Meehl, GA et al. El conjunto de datos multimodelo CMIP3 del WCRP: una nueva era en la
complementaria está disponible en la versión en línea del documento. La información sobre
investigación del cambio climático. Toro. Soy. Meteorol. Soc. 88, 1383­1394 (2007).
reimpresiones y permisos está disponible en línea en www.nature.com/reprints. La
6. Wilby, RL y cols. Una revisión de la información sobre riesgos climáticos para la planificación de
correspondencia y las solicitudes de materiales deben dirigirse a SA.
la adaptación y el desarrollo. En t. J. Clim. 29, 1193­1215 (2009).
7. Semenov, MA, Wolf, J., Evans, LG, Eckersten, H. & Iglesias, A. Comparación de modelos de
simulación de trigo bajo cambio climático. 2. Aplicación de escenarios de cambio climático. Intereses financieros en competencia El autor
Subir. Res. 7, 271–281 (1996). declara que no hay intereses financieros en competencia.

NATURALEZA CAMBIO CLIMÁTICO | VOL 3 | SEPTIEMBRE 2013 | www.nature.com/natureclimatechange 831

© 2013 Macmillan Editores Limitados. Reservados todos los derechos.
Machine Translated by Google

LETRAS NATURALEZA CAMBIO CLIMÁTICO DOI: 10.1038/NCLIMATE1916

S. Asseng1 *, F. Ewert2, C. Rosenzweig3 , JW Jones1 , JL Hatfield4 , AC Ruane3 , KJ Boote5 , PJ Thorburn6 , RP Rötter7 ,

D. Cammarano1 , N. Brisson8,9‡, B. Basso10, P. Martre11,12, PK Aggarwal13, C. Angulo2 , P. Bertuzzi14, C. ,
Biernath15 AJ Challinor16,17, J. Doltra18, S. Gayler19, R. Goldberg3 , R. Grant20, L. Heng21, J Hooker22, LA Hunt23, J.
Ingwersen24 , RC Izaurralde25, KC Kersebaum26, C. Müller27, S. Naresh Kumar28, C. Nendel26, G. O'Leary29, JE ,
,
Olesen30 TM Osborne31, T. Palosuo7 E. Priesack15, D. Ripoche14 , MA Semenov32, I. Shcherbak10, P. Steduto33, C. ,
Stöckle34 P. Stratonovitch32 , T. Streck24, I. Supit35, F. Tao36, M. Travasso37, K. Waha27, D. Wallach38, JW White39, JR
Williams40 y J Lobo35

1Departamento de Ingeniería Agrícola y Biológica, Universidad de Florida, Gainesville, Florida 32611, EE.UU., Instituto2 de Ciencias de los Cultivos y Conservación
de Recursos INRES, Universidad de Bonn, 53115, Alemania, 3Instituto Goddard de Estudios Espaciales de la NASA, Nueva York, Nueva York 10025, EE.UU.
4Laboratorio Nacional de Agricultura y Medio Ambiente, Ames, Iowa 50011, EE. UU., 5 Departamento de Agronomía, Universidad de Florida, Gainesville, Florida
32611­0500, EE. UU., 6 CSIRO Ecosystem Sciences, Dutton Park, Queensland 4102, Australia, 7 Investigación sobre producción vegetal, MTT Agrifood Research
Finlandia, 8 INRA, UMR0211 Agronomie, F­78 750 Thiverval­Grignon, Francia, 9AgroParisTech, UMR0211 Agronomie, F­78 750 Thiverval­Grignon,

FI­50100 Mikkeli, Finlandia, Francia, 10 Departamento de Ciencias Geológicas y Estación Biológica WK Kellogg, Universidad Estatal de Michigan East Lansing, Michigan
48823, EE. UU., 11INRA, UMR1095 Genética, diversidad y ecofisiología de los cereales (GDEC), F­63 100 Clermont­Ferrand, Francia, 12Blaise Pascal University,
UMR1095 GDEC, F­63 170 Aubière, Francia, 13CCAFS, IWMI, NASC Complex, DPS Marg, Nueva Delhi 12, India, 14INRA, US1116 AgroClim, F­84 914 Avignon, Francia,
15 Instituto de Ecología del Suelo, Helmholtz Zentrum München—Centro Alemán de Investigación para la Salud Ambiental, Neuherberg, D­85764, Alemania, 16
Instituto de Ciencias del Clima y la Atmósfera, Escuela de Tierra y Medio Ambiente, Universidad de Leeds, Leeds LS2 9JT, Reino Unido, 17 CGIAR­ESSP Programa de
Cambio Climático, Agricultura y Seguridad Alimentaria, Centro Internacional de Agricultura Tropical (CIAT), AA 6713, Cali, Colombia, 18Centro Cantábrico de
Investigación y Capacitación Agraria (CIFA), 39600 Muriedas, España, 19WESS­Clúster de Competencia Científica del Sistema Agua y Tierra , Universidad de Tübingen,
72074 Tübingen, Alemania, 20Departamento de Recursos Renovables, Universidad de Alberta, Edmonton, Alberta T6G 2E3, Canadá, 21OIEA, Viena, Austria,
22Departamento de Agricultura, Universidad de Reading, Reading RG6 6AR, Reino Unido, 23Departamento de Agricultura Vegetal , Universidad de Guelph, Guelph,
Ontario, N1G 2W1, Canadá, 24Instituto de Ciencia del Suelo y Evaluación de Tierras, Universität Hohenheim, 70593 Stuttgart, Alemania, 25Instituto Conjunto de
Investigación del Cambio Global, College Park, Maryland 20740, EE.UU., 26Instituto de Análisis de Sistemas Paisajísticos, Centro Leibniz para la Investigación del
Paisaje Agrícola, 15374 Müncheberg, Alemania, 27 Instituto de Potsdam para la Investigación del Impacto Climático, 14473 Potsdam, Alemania, 28 Centro de Ciencias
Ambientales y Agricultura Resiliente al Clima, Instituto Indio de Investigación Agrícola, IARI PUSA, Nueva Delhi 110 012, India, 29 Paisaje y Ciencias del Agua,
Departamento de Industrias Primarias, Horsham 3400, Australia, 30 Departamento de Agroecología, Universidad de Aarhus, 8830, Tjele, Dinamarca, 31 NCAS­Climate,
Instituto Walker, Universidad de Reading, RG6 6BB, Reino Unido, 32 Departamento de Biología Computacional y de Sistemas, Rothamsted Research , Harpenden AL5
2JQ, Reino Unido, 33FAO, Roma, Italia, 34Ingeniería de sistemas biológicos, Universidad Estatal de Washington, Pullman, Washington 99164­6120, EE.
UU., 35Sistemas de producción vegetal y ciencia del sistema terrestre­Cambio climático, Universidad de Wageningen, 6700AA Wageningen, Países Bajos, 36Instituto de
Ciencias Geográficas e Investigación de Recursos Naturales, Academia China de Ciencias, Beijing 100101, China, 37Instituto para el Clima y el Agua, INTA­
CIRN, 1712 Castelar, Argentina, 38INRA, UMR 1248 Agrosystèmes et développement territorial (AGIR), 31326 Castanet­Tolosan Cedex, Francia, 39Arid­Land
Agriculture Research Center, Maricopa, Arizona 85138, EE.UU., 40Texas A&M University, Temple, Texas 76502, EE.UU. ‡Falleció en 2011 mientras se realizaba este trabajo. *correo e

832 NATURALEZA CAMBIO CLIMÁTICO | VOL 3 | SEPTIEMBRE 2013 | www.nature.com/natureclimatechange

© 2013 Macmillan Editores Limitados. Reservados todos los derechos.