Wageningen, The Netherlands
October 6, 2021
Food security policies implemented by governments, businesses and organisations such as the UN rely partly on global models that assess current and potential crop yields. Scientists at Wageningen University & Research (WUR) and the University of Nebraska-Lincoln warn that these global top-down models have certain shortcomings.
They argue that the models rely too much on coarse data regarding weather, soils and crops, and that there is too little input and validation using local data. In an article in Nature Food, they call for these estimates to be improved through the structural application of locally collected data and by testing the models more regularly with local experiments.
In their article, the researchers compared the performance of two commonly used top-down models (Global Agro-ecological Zones and the Agricultural Model Intercomparison and Improvement Project) with the performance of their own bottom-up approach, the Global Yield Gap Atlas.
Systematically low estimates
“The estimates provided by global top-down models for a large country such as the United States or a whole continent are often – though certainly not always – reasonably accurate, but when you look at specific regions or smaller countries, the results become unreliable. In fact, the estimated potential agricultural production for a country is often lower than the actual production achieved in preceding years,” says co-author Professor Martin van Ittersum of WUR’s Plant Production Systems chair group.
By way of example, he points to the results from the global models for rice in Asia and maize in sub-Saharan Africa: “For rice in Asia, the potential yield estimates made by the top-down models are systematically much too low, while the models fail to sufficiently distinguish between countries with demonstrably high and low potential yields for maize in sub-Saharan Africa.”
Rough data and a lack of testing
Shortcomings in the top-down models are caused by the tendency of the databases to take a broad-brush approach, and the fact that they are based on generated weather data or assumptions about crop calendars. For example, they don’t always correctly estimate when a crop in a particularly region will be sown and harvested. Global studies also use a single model for a wide range of crops and for the entire world, even though the models have not been tested locally with well-executed experiments.
“Potential crop yields in a particular area can therefore actually be dozens of percentage points higher than the assumptions made in the top-down models,” says Van Ittersum. Investors, seed producers and other stakeholders make decisions based partly on these models, so there can be far-reaching consequences. “We cannot afford to make poorly substantiated decisions in our efforts to improve food security in Africa or other parts of the world, and in the way we use scarce resources such as land and water as part of those efforts.”
Integrating local data
According to the authors, the problem could be solved by making structural use of local data in global studies. This local data (with regard to weather, soils, and crop management) and simulations are already available, having been systematically recorded since 2011 in the Global Yield Gap Atlas project (GYGA) which is co-managed by Van Ittersum.
“We started this project jointly with the University of Nebraska-Lincoln because we had found that the global models were often significantly inaccurate for specific countries and regions. We’ve now been able to compile high-quality and locally relevant data for about 70 countries, with the help of local experts. Because of this, we now know what the yield gap is for some of the major agricultural crops on 80% of the world’s surface area. This bottom-up approach is very demanding, but it does generate highly valuable information for policymakers and researchers working on the issue of how various countries and continents will be able to feed themselves in the future, and where the greatest opportunities might be found.”
Potentiële gewasopbrengsten soms tientallen procenten hoger dan gedacht
Voedselzekerheidsbeleid van overheden, bedrijven en organisaties als de VN stoelt mede op mondiale modellen die wereldwijd huidige en potentiële gewasopbrengsten in kaart brengen. Wetenschappers van Wageningen University & Research (WUR) en de universiteit van Nebraska-Lincoln in de Verenigde Staten waarschuwen voor de tekortkomingen van deze mondiale ‘top down’ modellen.
De modellen gaan volgens hen teveel uit van grove gegevens over weer, bodem en gewas en zijn onvoldoende gevoed en gevalideerd met lokale data. In een artikel in Nature Food pleiten ze voor het verbeteren van de schattingen via het structureel benutten van lokaal verzamelde data en de modellen vaker te toetsen aan lokale experimenten.
Voor hun artikel hebben de onderzoekers de prestaties van twee veelgebruikte ‘top down’-modellen (Global Agro-ecological Zones en het Agricultural Model Intercomparison and Improvement Project) vergeleken met de prestaties van een eigen ‘bottom-up aanpak’, de Global Yield Gap Atlas.
Sytematisch te laag ingeschat
“De ramingen van mondiale top-down modellen geven gemiddeld genomen voor een groot land als de Verenigde Staten of een continent vaak, maar zeker niet altijd, nog wel een redelijk beeld, maar als je naar specifieke regio’s of kleinere landen kijkt zijn hun resultaten onwaarschijnlijk. Het komt zelfs geregeld voor dat de geschatte potentiële productie in een land lager is dan de daadwerkelijk gerealiseerde landbouwproductie in voorgaande jaren”, zegt co-auteur professor Martin van Ittersum van de leerstoelgroep Plantaardige Productiesystemen van WUR.
Als voorbeeld haalt hij resultaten in de mondiale modellen aan voor rijst in Azië en mais in Afrika ten zuiden van de Sahara: “Voor rijst in Azië zijn de potentiële opbrengsten systematisch flink te laag ingeschat door de top-down modellen, terwijl deze modellen voor mais in Sub-Sahara-Afrika veel te weinig verschillen laten zien tussen landen met aantoonbaar hoge en lagere mogelijke opbrengsten.”
Grove data en gebrek aan toetsing
Tekortkomingen in de ‘top down’-modellen worden veroorzaakt doordat de databases doorgaans grofmazig werken en gebaseerd zijn op gegenereerde weersgegevens of veronderstellingen over gewaskalenders. Zo worden bijvoorbeeld de momenten waarop in een regio een gewas gezaaid en geoogst wordt niet altijd goed ingeschat. Ook wordt in mondiale studies één en hetzelfde model gebruikt voor diverse gewassen en voor de hele wereld, terwijl de modellen niet lokaal getoetst zijn aan goed uitgevoerde experimenten.
“Potentiële opbrengsten van een gewas in een bepaald gebied kunnen daardoor soms tientallen procenten hoger liggen dan waar de ‘top down’-modellen vanuit gaan”, aldus Van Ittersum. Omdat investeerders, zaadproducenten en andere partijen hun beslissingen mede baseren op deze modellen kunnen de gevolgen verstrekkend zijn. “We kunnen het ons niet veroorloven dat er niet goed onderbouwde besluiten worden genomen over het versterken van de voedselzekerheid in Afrika of andere delen van de wereld en hoe we daarbij omgaan met schaarse hulpbronnen als land en water.”
Lokale gegevens integreren
Het probleem kan volgens de auteurs opgelost worden door lokale data structureel te benutten in mondiale studies. Deze lokale data (omtrent weer, bodem, gewasmanagement) en simulaties zijn al beschikbaar doordat ze sinds 2011 systematisch in kaart worden gebracht in het Global Yield Gap Atlas-project (GYGA) waar Van Ittersum mede leiding aan geeft.
“We zijn samen met de University of Nebraska-Lincoln met dit project gestart omdat we constateerden dat de mondiale modellen er in specifieke landen en gebieden regelmatig flink naast zaten. Inmiddels hebben we met de hulp van lokale experts hoogwaardige en lokaal relevante gegevens van ongeveer 70 landen in kaart gebracht. We kennen hierdoor nu de ‘yield gap’ van een aantal van de grootste landbouwgewassen op 80% van het aardoppervlak. Zo’n ‘bottom-up’-benadering is een hoop werk, maar het genereert wel heel waardevolle informatie voor beleidsmakers en onderzoekers die zich bezighouden met de vraag of en hoe de verschillende landen en continenten zich in de toekomst zelf kunnen voeden en waar meer of minder kansen liggen.”
Topics
Species
