13 minute read
Desarrollando un Atlas de Brechas de Rendimiento con relevancia local y global
Patricio Grassini, Universidad de Nebraska, Estados Unidos. (patricio.grassini@huskers.unl.edu) Juan Pablo Monzón, Fernando Aramburu & Fernando Andrade (Universidad de Mar del Plata/ INTA/CONICET) Jorge Luis Mercau & Esteban Jobbágy, Grupo de Estudios Ambientales (CONICET/UNSL) Miguel Ángel Taboada (INTA) Antonio Hall (Universidad de Buenos Aires)
Palabras Claves:
Alimentos, maíz, rendimiento, brecha, atlas, clima, Argentina.
¿Por qué un Atlas Mundial de Brechas de Rendimiento?
¿Cuanto más alimento puede producir el mundo con la disponibilidad actual de tierra cultivable y agua? El Atlas Mundial de Brechas de Rendimiento puede proveer la respuesta. Para el 2050 vamos a tener que producir alimentos para 9200 millones de habitantes en 2050, al mismo tiempo, preservando áreas ricas en biodiversidad y servicios ecosistémicos. Para cumplir con este objetivos necesitamos alcanzar altos rendimientos en cada hectárea de tierra que se encuentra actualmente cultivada (van Ittersum et al., 2013). Por eso, es necesario intensificar de forma sustentable los actuales sistemas de producción. Investigadores de la Universidad de Nebraska (Estados Unidos) y la Universidad de Wageningen (Países Bajos), liderados por los Drs. Kenneth Cassman y Martin van Ittersum, están llevando adelante un esfuerzo internacional para crear un Atlas Mundial de Brechas de Rendimiento: un avanzado sistema de modelación de cultivos y mapeo agro-climático esta siendo usado para cuantificar cuanto alimento adicional puede ser producido al reducir las brechas entre (i) el rendimiento promedio logrado por los productores y (ii) el rendimiento potencial que se define a partir del clima, genotipo y suelo (Figura 1).
Figura 01
Marco conceptual del Atlas de Brechas de Rendimiento en el cual hay dos niveles de producción: potencial (izquierda) y logrado por productores (derecha). La diferencia representa entre estos dos niveles representa la brecha de rendimiento. Adaptado de van Ittersum et al. (2013)
Figura 02
Portal de acceso al Atlas Mundial de Brechas de Rendimiento (www.yieldgap.org). El Atlas es de acceso público y tiene como objetivo proveer estimaciones de rendimiento potencial y brechas de rendimiento, a nivel local y global, para los principales cultivos extensivos. En la actualidad, los esfuerzos se focalizan en 19 países que se indican, en rojo, en el mapa. Las primeras estimaciones de rendimiento potencial y brechas van a estar disponibles a partir de Agosto 2013.
A través de su sitio web (www.yieldgap.org), el Atlas va a proveer el primer mapa global interactivo de rendimientos potenciales y brechas de rendimientos para los principales cultivos, basado en un protocolo transparente, replicable, y con un sólido cimiento de conocimiento agronómico (Figure 2). El Atlas será de acceso público y la información utilizada para estimar rendimientos potenciales y brechas va a estar disponible para poder replicar y, eventualmente, mejorar las estimaciones. Asimismo, todos los métodos y supuestos usados en la construcción del atlas van a estar detallados en el sitio web. El Atlas va a proveer una plataforma que puede ser usada como herramienta por parte de los productores, asesores, agencias de extensión y sectores privados y gubernamentales relacionados con la agro-industria para identificar regiones con mayores oportunidades para incrementar la producción de alimento a través de una intensificación sustentable.
Primeros pasos hacia la construcción de un atlas global de brechas de rendimientos
El Atlas es un proyecto global basado en conocimiento local y requiere de expertos para obtener datos locales confiables de clima, suelo y, especialmente, manejo de cultivo para la estimación de rendimientos potenciales. Los primeros esfuerzos se focalizan en doce países en África (Burkina Faso, Gana, Mali, Marruecos, Níger, Nigeria, Etiopia, Kenia, Tanzania, Uganda, Túnez y Zambia), tres en Asia (Bangladesh, India y Jordania), Estados Unidos, Australia, Brasil y Argentina (Figura 2). Desarrollar el Atlas requiere construir una sólida red de colaboración con expertos en cada uno de estos países. El proyecto se encuentra actualmente financiado por la Fundación Bill and Melinda Gates, el Instituto “Water for Food” de la Universidad de Nebraska y la Agencia de los Estados Unidos para el Desarrollo Internacional (USAID). En Argentina, el trabajo está siendo llevado adelante por investigadores del INTA Balcarce/Universidad de Mar del Plata/CONICET, del Grupo de Estudios Ambientales (CONICET/GEA), del INTA Castelar y de la Facultad de Agronomía de la UBA. La financiación para el proyecto en Argentina proviene del Instituto “Water for Food” de la Universidad de Nebraska (http://waterforfood.nebraska.edu/) y también de las instituciones donde trabajan los integrantes del grupo de trabajo.
¿Cómo estimar brechas de rendimientos con relevancia local y regional?
La aproximación usada en el proyecto consiste en la selección de un determinado número de localidades, situadas en zonas relevantes para la producción de cada cultivo, para las cuales se estima el rendimiento potencial utilizando modelos de simulación de cultivo (van Ittersum et al., 2013). Las simulaciones están basadas en datos locales de clima (radiación, temperatura y precipitación), suelo y manejo de cultivo (fecha de siembra, cultivar, distancia entre hileras, y densidad de plantas). La brecha de rendimiento se calcula como la diferencia entre el rendimiento potencial simulado y el rendimiento logrado por los productores. La estimación de rendimiento potencial y brecha se realiza primero a nivel localidad y luego se extrapola a nivel de región y país. ¿Como se hace esto último?
Figura 03
Mapa de zonas climáticas para (A) America del Sur y (B) Argentina. Cada color corresponde a una zona climática diferente. Condiciones climáticas relativamente similares pueden esperarse dentro de la región geográfica que se muestran con el mismo color. Adaptado de van Wart et al. (2013)
Los equipos de trabajo de la universidades de Nebraska y Wageningen han desarrollado un mapa global de zonas climáticas con relevancia agronómica y universal para todos los cultivos (van Wart et al., 2013). En resumen, el mundo fue divido en celdas de aproximadamente 10 x 10 km y las celdas se agruparon de acuerdo a tres índices climáticos: (1) longitud de la estación de crecimiento, (2) grado de limitación hídrica, y (2) estacionalidad (diferencia de temperatura entre estaciones). La Figura 3 muestra el mapa de zonas climáticas para América del Sur (A) y Argentina (B). Cada color corresponde a una zona climática específica, es decir, a una combinación de longitud de estación de crecimiento, limitación hídrica y estacionalidad. La zona climática define el espacio de extrapolación de una estimación de rendimiento potencial.
Una vez definidas las zonas climáticas, se seleccionan las localidades a simular basado en la distribución del área sembrada con cada cultivo y la ubicación de las estaciones meteorológicas, buscando maximizar el grado de cobertura del área sembrada con cada cultivo. El rendimiento potencial se estima usando modelos de simulación de cultivo que han sido satisfactoriamente evaluados en condiciones de producción que carecen de limitaciones nutricionales y sin incidencia de malezas, plagas y enfermedades. Para cada localidad, se simulan las secuencias de cultivo más frecuentes (en función de la información aportado por expertos locales) y series de suelos dominantes, luego se calcula un promedio ponderado por su representatividad en la zona. Las simulaciones utilizan un mínimo de 20 años de datos climáticos para obtener estimaciones robustas del promedio y su variabilidad. Como se mencionó anteriormente, la brecha de rendimiento se estima como la diferencia entre el rendimiento potencial simulado y el rendimiento logrado por productores. Finalmente, la extrapolación de localidad al nivel región y país se basa en el mapa de zonas climáticas descripto anteriormente.
Desarrollo del Atlas en Argentina
Los esfuerzos iniciales en Argentina se focalizan en estimar rendimientos potenciales (limitados por agua) y brechas para maíz, soja y trigo en condiciones de secano. Estos tres cultivos cubren más del 80% del área total sembrada con cultivos de grano en Argentina. Siguiendo el protocolo global de trabajo se seleccionaron 15 localidades para las simulaciones de rendimiento (Figura 4). Las zonas climáticas donde se encuentran estas localidades cubren más del 75% del área total sembrada con maíz, trigo y soja en Argentina. Los datos climáticos diarios de los últimos 28 años fueron obtenidos para cada localidad, incluyendo radiación solar, temperatura máxima y mínima y precipitación. Las fuentes de datos climáticos fueron provistas por el Instituto Nacional de Tecnología Agropecuaria (INTA Clima y Agua), el Servicio Meteorológico Nacional (SMN) y la base de datos agroclimáticos de NASA-POWER. Los datos climáticos de cada localidad fueron chequeados mediante un control de calidad basado en comparaciones con las tres estaciones meteorológicas adyacentes. Las series de suelos dominantes (2-3 por localidad) en el área cultivada fueron identificadas mediante el uso de bases de datos de suelo de INTA (www.geointa.gov.ar), asistida por
Figura 04
(A) Distribución del área sembrada con maíz en Argentina (en verde) y ubicación de estaciones meteorológicas (círculos rojos) que cuentan con datos climáticos diarios. (B) Localidades seleccionadas para la estimación de rendimiento potencial (limitado por agua) y brechas de rendimiento. Los polígonos con bordes rojos indican el espacio aproximado de extrapolación de las estimaciones de rendimiento potencial y brecha de rendimiento de cada localidad. Fuente de datos: Ministerio de Agricultura, Pesca y Alimentación de la República Argentina, Instituto Nacional de Tecnología Agropecuaria (INTA) y Servicio Meteorológico Nacional (SMN)
opinión experta del equipo de investigadores argentinos y consultas a expertos locales, quienes también fueron consultados para definir los manejos (fecha de siembra, densidad, cultivares) más frecuentes.
Se simularon 28 campañas bajo cada combinación de secuencia de cultivos y tipo de suelo dominantes determinada para cada localidad. Los modelos utilizados fueron CERES-Maize (maíz), CERES-Wheat (trigo) y CROPGRO (soja), incluidos en DSSAT 4.5, los cuales han sido satisfactoriamente evaluados en su capacidad para estimar los rendimientos de los cultivos en Argentina (Mercau et al., 2001, 2007 y Monzón et al., 2007, 2012). El rendimiento potencial promedio (limitado por agua), sin limitaciones de nutrientes ni reducciones por adversidades, para cada localidad se calculó ponderando las áreas sembradas en cada suelo bajo las diferentes secuencias de cultivo. La brecha fue estimada como la diferencia entre el rendimiento potencial simulado y el rendimiento logrado por productores. El último se calculó basado en estadísticas de producción de las ultimas 7 campañas (2005/2006-2011/2012), reportado por el Ministerio de Agricultura, Pesca y Alimentación de la República Argentina, para los departamentos donde se encuentran ubicadas las localidad seleccionadas.
¿Cuánto más maíz en secano puede producir Argentina sin expandir el área sembrada?
Los resultados finales del análisis de brechas de rendimiento en Argentina van a estar disponibles en el sitio web: www.yieldgap.org. Los resultados preliminares para maíz en condiciones de secano muestran que la magnitud y la variación del rendimiento potencial (limitado por agua) cambian sustancialmente entre localidades (Figura 5).
Para la región central, se estimaron rendimientos potenciales altos y estables (alrededor de 12.5 t/ha con coeficientes de variación del orden del 15-20%), mientras que los rendimientos potenciales más bajos y variables correspondieron al sudeste de la provincia de Buenos Aires (7.7 t/ha con coeficiente de variación de 36%). La magnitud de la brecha de rendimiento fue mayor en las regiones productoras del norte argentino donde el rendimiento logrado representa menos de la mitad del rendimiento potencial. A nivel país, el rendimiento potencial que se simuló para maíz en secano fue de 12 t/ha. Basado en el rendimiento logrado de 6.5 t/ha de las últimas 7 campañas, la brecha de rendimiento es de 5.5 t/ha. Esto equivale a decir que el rendimiento promedio de maíz logrado por productores argentinos equivale a 55% del valor potencial bajo condiciones de secano.
Figura 05
Mapa de Argentina indicando las zonas climáticas relevantes para la producción de maíz. En (A) los números indican el rendimiento potencial (limitado por agua) promedio de 28 campañas (en t/ha) y su variabilidad, expresada como coeficiente de variación (%, en paréntesis). En (B) los números indican el rendimiento logrado por productores (en t/ha) promedio de las ultimas 7 campañas y el porcentaje del rendimiento logrado con respecto al rendimiento potencial estimado (en paréntesis). Fuente de datos de rendimientos logrados: Ministerio de Agricultura, Pesca y Alimentación de la República Argentina (http://www.siia.gov.ar/index.php/series-por-tema/agricultura)
Utilizando esta información, y suponiendo que se lograse el 80% del rendimiento potencial en condiciones de secano, se puede inferir que Argentina podría aumentar su producción en 9 millones de toneladas, sin expandir el área sembrada con maíz. La meta de lograr el 80% del potencial es razonable aplicando buenas prácticas de manejo, al menos es lo que ha sido observado en sistemas productivos de maíz en Estados Unidos (Grassini et al., 2011). Teniendo en cuenta las proyecciones de demanda de maíz a nivel domestico, el anterior incremento en los rendimientos, resultaría en unas 6 millones de toneladas extras disponibles para exportación, valuadas, a los precios actuales, en 1200 millones de dólares. Estas estimaciones, aun cuando deben tomarse con cuidado ya que están basadas en resultados preliminares, destacan el impacto para la planificación que puede tener contar con estimaciones de rendimientos potenciales y brechas de rendimientos a nivel local y nacional. Estas estimaciones son también básicas para explorar nuevas preguntas que requieren de un trabajo adicional, entre ellas cuales son los factores que determinan la brecha de rendimiento, el potencial impacto en un cambio de uso de la tierra, los efectos esperables por distintos escenarios climáticos, y el impacto esperable derivado de la expansión del área regada en cada región, en cada país y en el mundo. Por otro lado, mediante el uso de modelos de simulación también podemos evaluar modificaciones en las prácticas de manejo (por ejemplo, fecha de siembra, densidad de plantas, riego, etc.) y su impacto sobre el rendimiento potencial y su variabilidad espacial y temporal.
Agradecimentos
Agrademos a Agustín Giorno (AACREA), Alberto Quiroga (INTA), Eduardo Martínez Quiroga (AACREA), Fernando Ross (INTA), Juan Martín Capelle (AACREA), Lía Olmedo Pico (INTA), Martín Sánchez (AACREA), Octavio Caviglia (INTA) y Pablo Calviño (AACREA) por su ayuda en la determinación de prácticas de manejo en las localidades seleccionadas.
Encuentre el presente trabajo en www.aapresid.org.ar - PUBLICACIONES
Referencias Mercau JL, Satorre EH, Otegui ME, Maddonni GA, Cárcova J, Ruiz, Uribelarrea M, Menendez FJ (2001) Evaluación a campo del comportamiento del modelo Ceres en cultivos de maíz del norte de la provincia de Buenos Aires. VII Congreso Nacional de Maíz. Mercau JL, Dardanelli J, Collino D, Andriani J, Irigoyen A, Satorre EH (2007) Using CROPGRO model to predict on-farm soybean yields in the Pampas. Field Crops Res. 100: 200-209. Monzón JP, Sadras VO, Abbate PA, Caviglia OP (2007) Modelling management strategies for wheat-soybean cropping systems in the Southern Pampas. Field Crops Res. 101:44-52. Monzón JP, Sadras VO, Andrade FH (2012) Modelled yield and water use efficiency of maize in response to crop management and Southern Oscillation Index in a soil-climate transect in Argentina. Field Crops Res. 130:8-18. Grassini P, Thorburn J, Burr C, Cassman KG (2011) High-yield irrigated maize in the Western U.S. Corn-Belt: I. On-farm yield, yield-potential, and impact of management practices. Field Crops Res. 120:142-150. Van Ittersum MK, Cassman KG, Grassini P, Wolf J, Tittonell P, Hochman Z (2013) Yield gap analysis with local to global relevance – a review. Field Crops Res. 143:4-17 Van Wart J, Van Bussel L, Wolf J, Licker R, Grassini P, Nelson A, Boogaard H, Gerber J, Mueller ND, Claessens L, Cassman KG, Van Ittersum MK (2013) Reviewing the use of agro-climatic zones to upscale simulated crop yield potential. Field Crops Res. 143:44-55.
