Las respuestas contrastantes de área y rendimiento al clima extremo contribuyen al cambio climático

Scientific Reports volumen 13, Número de artículo: 6219 (2023) Citar este artículo

668 Accesos

Detalles de métricas

Los impactos del clima en los componentes de la producción de cultivos distintos del rendimiento, es decir, la superficie y la intensidad de cultivo, siguen sin estar suficientemente estudiados. Aquí, aclaramos las relaciones clima-área de cultivo mediante el análisis del área del censo subnacional y los datos de rendimiento de seis países con múltiples cultivos de arroz en el sur y sudeste de Asia. El clima extremo tiene una mayor influencia en la desviación del área y el rendimiento de las tendencias a largo plazo que el clima estacional promedio; la precipitación y la temperatura en el período de siembra de la estación lluviosa/lluviosa tienen una mayor influencia en la variabilidad del área total anual que en el período de crecimiento. En el 57% de los casos de escenarios de países que muestran cambios significativos en el área y/o el rendimiento, las direcciones del área y las respuestas del rendimiento al clima no están sincronizadas, lo que deriva en cambios de producción no significativos bajo los climas proyectados. Las relaciones clima-área no solo limitan los impactos en la producción, sino que también aclaran las incertidumbres asociadas con la mitigación climática de las tierras agrícolas, donde el área afecta notablemente la escala de mitigación.

Los fenómenos meteorológicos y climáticos extremos a menudo reducen la producción de cultivos y provocan crisis alimentarias a través de cadenas de suministro mundiales interconectadas, lo que exacerba la seguridad alimentaria y la nutrición en regiones vulnerables del mundo1,2,3. Numerosos estudios se han centrado en los impactos del clima en los rendimientos (volumen de producción por unidad de área cosechada y temporada) debido a las principales contribuciones del rendimiento en los aumentos de producción en las últimas décadas. Sin embargo, como se mencionó en estudios previos4,5,6, queda una pregunta poco estudiada: ¿Cómo influye el clima en los componentes de la producción distintos del rendimiento: área de cultivo (sembrada o cosechada) e intensidad de cultivo (número de cosechas por año)?

Tanto el área de cultivo como la intensidad de cultivo son cruciales para determinar los impactos climáticos en el volumen de producción, particularmente en regiones de cultivos múltiples5,6,7,8,9 y propensas a la sequía10. Para capturar mejor la variabilidad de la producción, es importante comprender los impactos del clima en los componentes individuales de la producción. Una mejor comprensión de estos impactos conduce en última instancia a intervenciones y políticas que se centran en moderar las cascadas negativas de los precios de los alimentos y en una mayor inseguridad alimentaria en las regiones vulnerables y entre los grupos de consumidores3,11,12. Es posible decir que la comprensión de estos impactos es importante para la mitigación climática basada en la tierra relacionada con la agricultura, porque no se ha considerado una disminución en el área cosechada debido a eventos climáticos extremos, en relación con el área de implementación (plantada). De hecho, incluso en estudios recientes de modelos de cambio de uso de la tierra (ej. 13 y las últimas evaluaciones de los potenciales de mitigación para bioenergía con captura y almacenamiento de carbono (BECCS, ej. 14), la extensión del área de implementación es un factor crucial que afecta la escala de el efecto de mitigación.

Aquí intentamos aclarar las relaciones clima-área y mostrar que el clima estacional influye en las características de las áreas de arroz, tanto como en los rendimientos. La dirección de la respuesta al cambio en el clima a menudo no está sincronizada entre el área y el rendimiento, y el clima extremo tiene un mayor efecto en las desviaciones del área y el rendimiento de las tendencias a largo plazo que el clima promedio estacional. De hecho, las regiones de cultivo de arroz múltiple representan un tercio de la superficie mundial de arroz15. Estudiamos seis países con cultivos múltiples de arroz en el sur y sudeste de Asia (Bangladesh, Indonesia, Malasia, Myanmar, Filipinas y Tailandia; Tabla complementaria 1) que juntos representan una parte sustancial de la producción mundial de arroz (25%) y el área cultivada con arroz. cultivo (27%). Los modelos de regresión regularizados por red elástica asociaron el área anual y las anomalías de rendimiento con índices de precipitación y temperatura extremos y promedio para los períodos de siembra y crecimiento de las estaciones húmeda y seca (Figura 1 complementaria). Se seleccionaron proyecciones climáticas que muestran cambios relativamente grandes y pequeños en la precipitación y la temperatura a largo plazo (Fig. 1) y se usaron para caracterizar el área y generar respuestas al cambio climático y sus contribuciones relativas a los impactos en la producción.

(a) La distribución geográfica del área de arroz en 2005. (b,c) La temperatura media anual proyectada y la precipitación total sobre el área de arroz en Asia (10° S–52° N; 85–135° E) de ocho circulación general (GCM) bajo cuatro vías de concentración representativas (RCP). (d) La relación entre los cambios proyectados de temperatura y precipitación para mediados (2041-2060) y fines (2081-2100) del siglo XXI, en relación con el período 1986-2005. La línea gris en negrita es la línea de mejor ajuste. Los círculos grises sólidos indican los cuatro escenarios climáticos seleccionados para este estudio, que consisten en dos RCP (RCP2.6 y RCP8.5) y dos GCM (GFDL-ESM2M y HadGEM2-ES). El mapa que se presenta aquí se creó a partir de Generic Mapping Tools (GMT) versión 4.5.18 (https://www.generic-mapping-tools.org/).

El rango entre cuantiles (RIC) calculado a partir de los datos del censo para el período 1987-2012 reveló que la variabilidad en el área de cultivo no es despreciable, incluso cuando se compara con la variabilidad del rendimiento. En Bangladesh, Myanmar y Filipinas, los valores de variabilidad del área (IQL 4,8–5,8 %) fueron comparables a la variabilidad del rendimiento (4,7–5,2 %), mientras que la variabilidad del rendimiento (7,4–12,5 %) fue de 2,0 a 2,5 %. veces mayor que la variabilidad del área (3.3–5.9%) en los tres países restantes (Fig. 2, Tabla Suplementaria 2). La variabilidad de la producción (6,0–15,1 %) fue mayor que la variabilidad del área o del rendimiento en todos los países considerados aquí, excepto Malasia (6,0 %). En conjunto, los resultados mostraron que los signos del área y el rendimiento cambiaron en la misma dirección en algunos años, pero no siempre. De hecho, las anomalías de área y rendimiento no se correlacionaron significativamente entre sí en cuatro países, con Bangladesh (R = 0,530; p = 0,005) y Myanmar (R = 0,480; p = 0,013) como excepciones (Tabla complementaria 2).

Se informaron anomalías en el área, el rendimiento y la producción de arroz. Se presentan rangos entre cuantiles (RIC) para área (A), rendimiento (Y) y producción (P).

Las comparaciones entre los datos del censo para el período 1987–2012 y la reproducción fuera de la muestra utilizando los modelos de regresión neta elástica con condiciones climáticas reales como entrada mostraron que el desempeño del modelo fue satisfactoriamente alto tanto para el área como para el rendimiento. Para el área, el valor medio de R entre los países fue de 0,990, con un rango de mínimo a máximo (mín-máx) de 0,970 para Malasia a 0,997 para Myanmar (Fig. 2 complementaria). Para el rendimiento, el valor medio correspondiente fue 0,994 (0,989 para Tailandia a 0,999 para Indonesia). Todas estas correlaciones fueron significativas al nivel del 0,1%. Los errores cuadráticos medios (RMSE) variaron de 0,6 a 0,7 % para el área (media de 0,65 %) y de 0,5 a 2,0 % para el rendimiento (media de 0,9 %), con los mínimos y máximos correspondientes a Tailandia y Filipinas, respectivamente. . Este alto rendimiento, incluso para la validación fuera de la muestra, se encuentra típicamente en estudios anteriores que emplearon modelos de regresión neta elástica (ver "Métodos").

Los coeficientes de regresión estimados aclararon el efecto del clima en el área actual y el rendimiento. Si usamos Filipinas como un ejemplo representativo, entonces las siguientes dos características son evidentes. Primero, los índices climáticos promedio rara vez se clasifican entre los principales factores que afectan el área y el rendimiento, ya sea negativa o positivamente (tres índices climáticos para cada signo; las barras con y sin líneas de puntos rojos en la Fig. 3 y la Fig. S3 complementaria) . Estos hallazgos indican que el clima extremo, independientemente de las estaciones húmedas y secas, tiene una mayor influencia en el área que el clima estacional promedio. En segundo lugar, en comparación con el período de crecimiento de la estación lluviosa, se identificaron muchos más índices de precipitación y temperatura como factores que más afectaron el área, ya sea positiva o negativamente, durante el período de siembra de la estación lluviosa (las barras marrones representan más de la mitad de los principales contribuyentes en la Fig. 3). Estos hallazgos muestran la influencia del clima durante el período de siembra de la estación lluviosa/lluviosa en la variabilidad de año a año en el área total de cultivo anual; esto se considera razonable ya que la extensión informada del área de la estación húmeda en Filipinas en 2020 fue aproximadamente 1,3 veces mayor que la del área de la estación seca.

Respuesta del área al clima en Filipinas. Los valores indican los coeficientes de regresión promedio estandarizados de los modelos de regresión neta elástica. Los predictores con y sin líneas de puntos rojos denotan índices climáticos medios y extremos, respectivamente. Brown indica el período de siembra; El verde indica el promedio de los grupos de período de crecimiento temprano y tardío. Los cuatro paneles muestran las diferentes estaciones (húmedo/de secano y seco/de regadío) y variables climáticas (precipitación y temperatura).

Las características descritas anteriormente eran relativamente comunes entre los países estudiados. Las condiciones climáticas extremas tuvieron un efecto marcado en el área en cuatro de los seis países. La precipitación estacional promedio ocupó un lugar más alto solo en Indonesia y Tailandia (Figura complementaria 4, Tabla complementaria 3). Se observó un patrón similar para los rendimientos en los cuatro países. Sin embargo, la precipitación estacional promedio se clasificó como el principal contribuyente de los rendimientos en Bangladesh e Indonesia. Entre otros índices climáticos extremos, el número de días secos consecutivos (CDD) fue a menudo el principal factor que afectó negativamente al área (Figura 5 complementaria). Además, las contribuciones de los días extremadamente húmedos (R99pTOT), los días muy húmedos (R95pTOT), los días húmedos consecutivos (CWD) y los días de fuertes precipitaciones (R10mm) también se clasificaron con frecuencia como altos, pero el signo de la respuesta del área fue mixto. Si bien la respuesta del área hacia los índices de temperatura extrema también fue mixta, los días más fríos (TXn) y los días frescos (TX10p) tendieron a aumentar el área. Para el rendimiento, CWD y CDD se identificaron con frecuencia como efectos decrecientes y crecientes, respectivamente. También se detectaron con frecuencia TX10p y los días más calurosos (TXx), pero los signos de la respuesta del rendimiento fueron mixtos.

La influencia de la precipitación y la temperatura en el período de siembra de la temporada de lluvias en el área fue una característica común en los cuatro países, excepto en Malasia y Myanmar (Figura complementaria 4, Tabla complementaria 3). Tanto la precipitación como la temperatura tuvieron una influencia, ya sea positiva o negativa, en el área en el período de siembra de la temporada húmeda que en el período de crecimiento de la misma temporada (Figura 5 complementaria). Esta influencia del clima sobre el área en el período de siembra rara vez se observó en la estación seca. Esto se considera razonable ya que el área sembrada en la estación seca está determinada en gran medida por la disponibilidad de agua e instalaciones de riego.

Proyectamos los impactos del cambio climático en el área y el rendimiento, así como los cambios resultantes en la producción bajo cuatro escenarios climáticos, con medidas de la confiabilidad de la proyección. Los escenarios consistieron en dos rutas de concentración representativas [RCP2.6 (r26) y RCP8 (r85)] y dos modelos de circulación general (GCM) [GFDL-ESM2M (gG) y HadGEM2-ES (gH)]. r26gG y r85gH representan los escenarios con cambios menores y mayores de temperatura y precipitación, respectivamente. Los escenarios restantes, es decir, r85gG y r26gH, caen en el medio de los dos escenarios en términos de las amplitudes de los cambios proyectados en temperatura y precipitación (Fig. 1d).

Si se tomó Malasia como ejemplo representativo, se proyectó que la producción no cambiaría significativamente en tres escenarios (r26gG, r26gH y r85gH), de los cuales dos casos, a saber, los cambios en el área proyectada y el rendimiento, no estaban sincronizados y no produjeron cambios significativos en la producción. Debido a las disminuciones tanto en el área como en el rendimiento, se proyectó una disminución de la producción solo por debajo de r85gG. La confiabilidad de la proyección fue mayor para r26gG que para los tres escenarios restantes. Usando los modelos de regresión neta elástica, estimamos la proporción de predictores climáticos que caen dentro de los rangos mínimo-máximo observados para dar a los lectores una idea de la confiabilidad de la proyección (ver el mapa de calor superpuesto en cada panel de la Fig. 4). En los mapas de calor, cuanto más claro era el color verde, más predictores climáticos que se utilizaron para derivar esa proyección caían fuera de los rangos de los datos de entrenamiento, lo que indicaba que la proyección era menos confiable. Como era de esperar, la confiabilidad de la proyección fue alta para el futuro cercano y para el escenario que muestra cambios menores en precipitación y temperatura (r26gG).

Cambios proyectados en producción, área y rendimiento para Malasia. El mapa de calor superpuesto en cada panel indica la fiabilidad de la proyección. Las columnas verdes y blancas más claras indican que muchos predictores climáticos utilizados para derivar la proyección se encuentran fuera de los rangos observados; por lo tanto, estas proyecciones son menos confiables que las proyecciones en la columna verde más oscura. Las muestras de proyección menos confiables se eliminan al ajustar una línea de tendencia y probar la importancia de la pendiente. Las líneas de tendencia y los valores de pendiente correspondientes se muestran solo cuando se obtiene una pendiente significativa.

Entre los 24 casos que consisten en seis países y cuatro escenarios examinados aquí, los cambios de producción proyectados no fueron significativos en la mayoría de los casos (21), principalmente debido a la baja confiabilidad de la proyección y al resultado de menos muestras en la prueba estadística. Sin embargo, 7 de 24 casos mostraron que el área y el rendimiento, o ambos, exhibieron cambios significativos (Figuras complementarias 6, 7); la tasa de cambio por década osciló entre - 0,84 y + 1,11 % para el área y entre - 0,34 % y + 0,77 % para el rendimiento (Fig. 4, Fig. 6 complementaria). Curiosamente, 4 de 7 casos, o el 57%, mostraron cambios de producción no significativos como resultado de las respuestas no sincronizadas de área y rendimiento a los cambios proyectados en el clima. Estos resultados muestran que los cambios en la producción no son necesariamente proporcionales a los cambios en el rendimiento, y que se deben considerar las relaciones clima-área para capturar los impactos climáticos en la producción.

Las comparaciones con la literatura indican que el área y las respuestas de rendimiento al clima identificadas en este estudio son plausibles, aunque los estudios disponibles son limitados. Los impactos positivos de CWD y los impactos negativos de CDD, ambos en el período de siembra de la estación húmeda, son evidentes en Indonesia (Figura complementaria 4, Tabla complementaria 3). Estos hallazgos son consistentes con los de Naylor et al.7, quienes informaron que el área de arroz de estación húmeda durante las últimas décadas ha aumentado en Indonesia en respuesta a condiciones más húmedas de lo normal. Koide et al.8 informaron que, en Filipinas, el área de arroz de estación húmeda se correlaciona positivamente con la precipitación de pretemporada, estos hallazgos son corroborados por los de este estudio, que mostró que R10mm, CWD y la precipitación total de día húmedo (PRECIPTOT ) en el período de siembra de la estación húmeda tuvo el mayor efecto sobre el área de arroz (Fig. 3). Para el rendimiento, se informó que el clima extremo tiene una mayor influencia que el clima promedio estacional16, lo cual es consistente con los resultados de este estudio. Finalmente, los cambios de rendimiento proyectados en este estudio se consideran razonables dado que estas proyecciones se distribuyen dentro de la dispersión de las proyecciones derivadas de los modelos de cultivo basados ​​en procesos (Texto complementario). Debido a la falta de estudios previos sobre las relaciones clima-área, no es posible realizar comparaciones para el cambio proyectado en el área de arroz.

Usando países de cultivos múltiples de arroz en el sur y sureste de Asia como un estudio de caso, los hallazgos de este estudio muestran que el clima y el clima extremos pueden causar desviaciones de las tendencias a largo plazo en el área de arroz. Aunque estudiamos solo el arroz, los hallazgos de este estudio tienen relevancia para las regiones de cultivos múltiples del mundo, que representan el 13 % y el 10 % de las áreas mundiales de trigo y maíz, respectivamente15. Sin embargo, la pregunta de '¿cómo afecta el clima al área?' debe abordarse de manera más resoluble en el proceso para, en última instancia, desarrollar intervenciones y políticas para salvaguardar las regiones vulnerables y los grupos de productores. Nuestros modelos sugieren la existencia de al menos dos vías de impacto. Una es que la extensión del área sembrada en la estación húmeda está influenciada por la precipitación durante el período de siembra, lo que probablemente esté relacionado con la disponibilidad de agua en condiciones de secano. La otra es que el área sembrada disminuye en la medida del área de cosecha, independientemente de las estaciones húmeda y seca, debido al daño causado por eventos climáticos extremos relacionados con la precipitación en el período de crecimiento, como sequías meteorológicas e inundaciones. La trabajabilidad en el campo y los métodos de plantación también podrían influir en la ruta anterior. Las prácticas agronómicas, como la replantación y la disponibilidad de semillas, pueden influir en esta última vía.

A pesar de la falta de estudios, existe cierta evidencia que respalda las ideas mencionadas anteriormente. En relación con la ruta anterior, el progreso del trasplante de arroz en las tierras bajas de secano del noreste de Tailandia está influenciado por la tasa de acumulación de precipitaciones después del comienzo de los monzones; por lo tanto, la siembra retrasada ocurre en años más secos de lo normal y disminuye el área sembrada en la estación lluviosa. Por lo tanto, los productores esperan a que se acumulen las precipitaciones y les queda suficiente tiempo para completar su cosecha de arroz al comienzo de la siguiente estación seca cuando cambian su método de siembra de trasplante a siembra directa; aunque esto reduce los rendimientos, ahorra más tiempo y trabajo que trasplantar17. En relación con la última vía, el área de cultivo de cereales en Asia disminuye cuando ocurre la sequía1. Para los cultivos de campo en Irán, la producción a menudo se reduce debido a las sequías debido a la disminución del área cosechada10. Tales reducciones en las áreas cosechadas están bien documentadas en la literatura que se enfoca en la evaluación de daños y pérdidas por desastres en la agricultura18. En comparación con la influencia de la precipitación en un área, actualmente casi no hay información disponible sobre cómo las temperaturas extremas y promedio influyen en el área de cultivo. Cohn et al.5 informaron que las temperaturas más altas disminuyen el área de cultivo de maíz-soja en Brasil, sin embargo, no se discutieron los procesos relevantes.

Los hallazgos de este estudio son relevantes no solo para la adaptación, sino también para la mitigación. Si bien las proyecciones de precipitaciones futuras son inciertas en las regiones productoras de arroz de Asia, se espera que el 14 % y el 31 % de la superficie mundial de tierras de cultivo experimente climas más secos y húmedos para 2040, respectivamente19. Estos hallazgos enfatizan la necesidad de adaptaciones para limitar las reducciones de producción al moderar los impactos del cambio climático en el área, lo que rara vez se considera20. Para la mitigación del clima, la extensión del área de tierras de cultivo bajo una medida específica de mitigación basada en la tierra es crucial para determinar la escala de los resultados de la mitigación del clima, esto es cierto ya sea que la medida sea el secuestro de carbono en los suelos de las tierras de cultivo o la reducción de las emisiones de metano de los arrozales21,22, 23,24. Las reducciones de área inducidas por el clima podrían comprometer los resultados de estas medidas de mitigación en escalas de tiempo estacionales y más largas. Para el arroz, la variabilidad en el área de cultivo asociada con los cambios climáticos estacionales podría ser del orden del 10% o más de la tendencia a largo plazo, como se muestra en este estudio, que se considera no despreciable. Los impactos del cambio climático medio en el área son mucho menores que el valor informado aquí en dos órdenes de magnitud (−0,85 % a + 0,06 % por década), aunque los impactos de las grandes precipitaciones y los cambios de temperatura en el área no se consideran suficientemente en este documento. estudio debido a la falta de proyecciones confiables. Por lo tanto, se necesita investigación futura para comparar la escala del efecto de la respuesta del área a los cambios en el clima con otros factores al evaluar los resultados de las medidas de mitigación basadas en tierras agrícolas.

Se utilizaron datos de censos nacionales y subnacionales sobre el área cosechada de arroz y el rendimiento en los seis países asiáticos para el período 1961-2012 (Tabla complementaria 1). Los datos se recolectaron de anuarios estadísticos agrícolas compilados por agencias gubernamentales de los países individuales (ver Refs.25,26 para las fuentes de datos). Dado que las unidades administrativas cambiaron ocasionalmente con el tiempo, usamos las de 2010 para el análisis.

Eliminamos la tendencia de la serie temporal anual de área y rendimiento para eliminar las influencias de los cambios en la demanda de arroz, los cambios en el uso de la tierra, los cambios en los precios de insumos y productos y las mejoras tecnológicas, y nos enfocamos principalmente en los efectos de los factores climáticos. La eliminación de la tendencia se realizó por separado para el área y el rendimiento para permitir diferentes patrones de tendencia (Fig. 8 complementaria). Tal caso podría ocurrir, por ejemplo, debido a una disminución en el área inducida por la urbanización y un aumento en el rendimiento impulsado por la intensificación. Calculamos las anomalías porcentuales, en relación con las tendencias a largo plazo, para poder comparar las influencias climáticas en el área y el rendimiento y sus contribuciones relativas a los impactos en la producción. El uso de anomalías porcentuales también permitió comparar las contribuciones climáticas entre los países en los que el área promedio y los niveles de rendimiento diferían en términos absolutos.

Para eliminar la tendencia, adoptamos el enfoque de doble filtro, que implicó primero realizar el promedio móvil con una ventana de 7 años (t − 3 a t + 3) y luego aplicar un suavizado de diagrama de dispersión ponderado localmente (LOWESS27 con un intervalo de suavizado (f ) de 0,5 implementado en el paquete estadístico R. 28. Se utilizó el enfoque de doble filtro porque una verificación visual sugirió que realizar un promedio móvil solo o LOWESS solo a veces era insuficiente cuando la serie de tiempo dada era altamente no lineal.

Calculamos 10 índices de precipitación extrema y 15 índices de temperatura extrema definidos por el Equipo de Expertos en Detección e Índices del Cambio Climático (ETCCDI29), así como la precipitación y la temperatura promedio estacional (Tabla complementaria 4). Estos índices climáticos se calcularon para cada período y temporada. distinguió entre temporadas múltiples de arroz. La cosecha doble de arroz, es decir, la temporada húmeda/de secano y la temporada seca/de regadío, se lleva a cabo en cinco países. La cosecha triple de arroz se realiza en Bangladesh, y dos temporadas (Aman y Aus) se clasificaron como la temporada húmeda. /temporada de secano (Tabla complementaria 1). Cada temporada se dividió en el período de siembra y el período de crecimiento. En cuanto al período de crecimiento, lo dividimos en grupos tempranos y tardíos. En total, definimos tres períodos por temporada (Fig. .1): (1) el período de siembra, desde un mes antes del primer mes de la ventana de plantación hasta el último mes de la ventana de plantación; (2) el grupo del período de crecimiento temprano, desde el primer mes de la ventana de plantación hasta el primer mes de la ventana de cosecha; y (3) el grupo del período de crecimiento tardío, desde el último mes de la ventana de siembra hasta el último mes de la ventana de cosecha. Aunque el período de siembra y el grupo del período de crecimiento temprano casi se superponen, la presencia de eventos climáticos extremos en el mes anterior a la siembra es la principal diferencia entre los dos períodos. Es poco probable que las condiciones climáticas previas a la siembra afecten los rendimientos, pero las condiciones climáticas justo antes y durante la siembra influyen en la disponibilidad de agua, la trabajabilidad del campo y retrasan o aceleran el progreso de la siembra y, finalmente, el área sembrada17,30,31. Utilizamos principalmente calendarios de arroz de dos fuentes: el Sistema de Información del Mercado Agrícola (AMIS) y el Sistema Mundial de Información y Alerta Temprana (SMIA) (Tabla complementaria 1). En el caso de que la información de un país de interés esté disponible para ambas fuentes, se utilizó el calendario AMIS.

Al calcular los índices climáticos para el clima proyectado, mantuvimos los calendarios de arroz iguales a las condiciones actuales. Los calendarios de arroz pueden cambiar junto con el cambio climático y la adaptación. Sin embargo, los errores asociados con esta suposición se consideraron pequeños cuando los calendarios se usaron mensualmente, dado que el cambio observado en las fechas de siembra y cosecha de cultivos durante las últimas dos décadas es < 2 semanas32 y < 5 días por 1 °C de calentamiento33.

Obtuvimos las temperaturas del aire máximas y mínimas diarias y la precipitación total diaria para el período 1958–2013 a partir de un conjunto de datos de forzamiento meteorológico retrospectivo global de 0,5° llamado S14FD34. La temperatura media diaria se obtuvo promediando las temperaturas máximas y mínimas diarias. Para proyectar el clima, usamos las salidas diarias de 0,5° reducidas estadísticamente y con corrección de sesgo de ocho GCM que se usaron en la fase 5 del Proyecto de comparación de modelos acoplados (CMIP535 bajo los cuatro RCP de 2,6, 4,5, 6,0 y 8,5 W m− 236 (Tabla complementaria 5). Los resultados del GCM se interpolaron espacialmente en la coordenada de cuadrícula regular de 0,5° utilizando el método de ponderación de distancia inversa y luego se corrigieron mediante el método de reducción de escala basado en la función de distribución acumulativa (CDF)37,38. S14FD se utilizó como una referencia para la corrección del sesgo 34. En resumen, el error en los datos de GCM para una variable climática se definió para cada percentil de las CDF empíricas derivadas de GCM y S14FD para un período de entrenamiento. El error de GCM definido luego se eliminó de la CDF empírica. de los datos de GCM para un período de corrección de sesgo con el supuesto de que la relación error-percentil no cambia con el tiempo.

Entre 32 escenarios climáticos que constan de ocho GCM y cuatro RCP, seleccionamos GFDL-ESM2M y HadGEM2-ES en RCP2.6 y RCP8.5 para proyectar cambios en el área, el rendimiento y la producción. Esta selección se basó en la relación entre los cambios anuales de temperatura y precipitación en el área de arroz en Asia (Fig. 1a) para mediados (promedio de 2041–2060) y finales (promedio de 2081–2100) del siglo XXI. proyectado por ocho GCM y cuatro RCP, en relación con 1986-2005 (Fig. 1b, c). Se observó una correlación positiva entre la precipitación proyectada y los cambios de temperatura (Fig. 1d). HadGEM2-ES bajo RCP8.5 (r85gH) fue el escenario climático que exhibió un mayor cambio a lo largo de la relación descrita anteriormente (temperatura, + 4.7 °C; y precipitación, + 11.1%), mientras que GFDL-ESM2M bajo RCP2.6 (r26gG ) exhibió un cambio menor (+ 1.1 °C y + 0.7%). HadGEM2-ES bajo RCP2.6 (r26gH; + 1.8 °C y + 6.2%) y GFDL-ESM2M bajo RCP8.5 (g85gG; 2.9 °C y + 7.5%) fueron escenarios asociados con cambios intermedios de temperatura y precipitación. El mapa del área de arroz en 200539 utilizado como ponderación se mantuvo constante en el cálculo de la precipitación promedio y los cambios de temperatura en el área de arroz.

Establecimos modelos empíricos que relacionan anomalías de área con índices de precipitación y temperatura extremos y promedio utilizando la técnica de regresión neta elástica40. La regresión neta elástica es una forma general de un modelo de regresión regularizado que incluye Lasso y Ridge. Dado que se informó un buen desempeño incluso en la validación fuera de la muestra para los modelos de regresión neta elástica25,26,41, se utilizaron estos modelos. Más importante aún, los modelos de regresión de red elástica se pueden aplicar en casos en los que el número de predictores es mayor que el número de muestras, así como en casos en los que los predictores se correlacionaron entre sí. Debido a estas características, el modelo se ha utilizado para el análisis de rendimiento climático25,26,41 y es muy adecuado para este estudio, ya que algunos de los índices climáticos (o predictores climáticos) están correlacionados entre sí, y el número de predictores de 162–243 (= 27 índices climáticos \(\times\) 3 períodos por temporada \(\times\) 2–3 temporadas) fue más grande que el tamaño de muestra de la variable de cultivo de respuesta de ~ 52 años.

El modelo de anomalías de área se construyó para cada unidad administrativa. Esta forma de modelado ayuda a considerar las principales características de la respuesta del arroz a nivel de unidad administrativa al clima de la temporada de crecimiento influenciado por la gestión local, como la elección de cultivares. Se identificó una sola celda de cuadrícula de 0,5° que contenía el área de arroz más grande del mapa de área de arroz en 200539 y se usó como ubicación representativa para cada unidad administrativa. Usamos un enfoque conocido como origen de pronóstico continuo42 para permitirnos llevar a cabo de manera sistemática el desarrollo del modelo y la validación fuera de la muestra. Construimos un modelo usando 25 muestras de t − 25 a t − 1 para predecir el año t y repetimos este procedimiento 25 veces para la validación. Dado que el área del censo y los datos de rendimiento están disponibles para los 52 años, esta configuración indica que la mitad de los datos se usaron como subconjunto de capacitación y la otra mitad se usó como subconjunto de validación. Como resultado, se desarrollaron 27 modelos desde el modelo inicial que predice 1986 (construido en base al período 1961-1985) hasta el último modelo que predice 2012 (construido en base al período 1987-2011). Luego, se calculó y utilizó para el análisis la serie temporal anual de la mediana de 27 predicciones. Los modelos para las anomalías de rendimiento se desarrollaron de manera similar a los de las anomalías de área.

Los coeficientes de regresión de los modelos de regresión de red elástica se utilizaron para caracterizar el área y generar respuestas al clima. Los coeficientes de regresión para cada unidad administrativa se estandarizaron automáticamente dentro del procedimiento de ajuste del modelo en R y luego se promediaron sobre las unidades administrativas del país y los modelos con diferentes subconjuntos de capacitación y se usaron para caracterizar las influencias climáticas promedio a escala del país. La caracterización se realizó por separado para área y rendimiento con énfasis en la distinción entre épocas húmedas y secas, precipitación y temperatura, épocas de siembra y crecimiento, y climas extremos y medios.

Mostramos un indicador de la confiabilidad de la proyección para el área proyectada, el rendimiento y la producción. El indicador es la proporción de predictores climáticos que caen dentro de los rangos mínimo-máximo observados al derivar la proyección para un año determinado a partir de los modelos de regresión neta elástica. El número total de muestras utilizadas para calcular la relación de un año es igual al número de predictores climáticos (162–243). Los diferentes modelos producidos utilizando diferentes subconjuntos de entrenamiento no se consideraron para calcular la relación, ya que los rangos observados de entrada de predictores climáticos a los modelos son casi idénticos entre los subconjuntos de entrenamiento. Cuanto más baja es la relación, más caen los predictores climáticos fuera de los rangos mínimo-máximo observados y, por lo tanto, la proyección derivada de esos modelos de regresión neta elástica se interpreta como menos confiable. La exclusión de proyecciones no confiables (proporción < 90 %) disminuye el tamaño de la muestra utilizada para probar la importancia de la pendiente de una línea de tendencia calculada para cada área, rendimiento y producción. Como tal, la confiabilidad de las proyecciones está integrada en la prueba de tendencia. Consideramos que este tratamiento es necesario para evitar grandes cambios poco realistas en el área, el rendimiento y la producción, que podrían ocurrir al ingresar valores sin precedentes de predictores climáticos en modelos empíricos, incluidos los modelos de regresión neta elástica. Además, es más probable que dichos artefactos surjan en modelos empíricos que utilizan índices climáticos extremos como predictores, en comparación con modelos que utilizan índices climáticos promedio estacionales como predictores.

Obtuvimos proyecciones de rendimiento de arroz para el período 2006–2100, derivadas utilizando los modelos de cultivo reticulados globales (GGCM) basados ​​en procesos forzados por CMIP5 GCM43,44, y las comparamos con las proyecciones de rendimiento derivadas de los modelos de regresión neta elástica. Este conjunto de datos se conoce como el producto del Proyecto de Intercomparación y Mejora de Modelos Agrícolas (AgMIP), que fue parte de la Iniciativa de Intercomparación de Modelos de Cultivos Cuadriculados Globales (GGCMI45) y el Proyecto de Intercomparación de Modelos de Impactos Intersectoriales (ISI-MIP46). Utilizamos los resultados de cuatro GGCM (EPIC, GEPIC, IMAGE-AEZ y LPJmL) forzados por HadGEM2-ES y GFDL-ESM2M bajo RCP2.6 y RCP8.5 para garantizar la coherencia entre las comparaciones. Otros GGCM disponibles en el conjunto de datos no simularon arroz44. El los rendimientos proyectados estaban disponibles por separado para condiciones de secano y totalmente irrigadas, así como con y sin el efecto de fertilización de la concentración atmosférica elevada de dióxido de carbono [CO2] Calculamos la media del conjunto de los cuatro GGCM para cada una de las cuatro configuraciones que consisten en r26gG/r26gH /r85gG/r85gH, secano/riego, y con/sin el efecto [CO2] y evaluó si nuestras proyecciones de rendimiento basadas en regresión eran plausibles considerando la incertidumbre conocida en las proyecciones de rendimiento basadas en GGCM.

Todos los datos que respaldan el análisis realizado en este estudio están disponibles públicamente en fuentes abiertas. Los datos del censo de arroz son accesibles desde los anuarios estadísticos de cada país. El conjunto de datos de forzamiento meteorológico S14FD está disponible en https://doi.org/10.20783/DIAS.523. Los resultados del GCM de CMIP5 con corrección de sesgo se pueden obtener en https://doi.org/10.20783/DIAS.524.

Lesk, C., Rowhani, P. y Ramankutty, N. Influencia de los desastres meteorológicos extremos en la producción mundial de cultivos. Naturaleza 529, 84–87. https://doi.org/10.1038/nature16467 (2016).

Artículo ADS CAS PubMed Google Scholar

Gaupp, F. et al. Riesgos cambiantes de la falla simultánea del granero global. Nat. Clima Cambiar. 10, 54–57. https://doi.org/10.1038/s41558-019-0600-z (2020).

Artículo ANUNCIOS Google Académico

Verschuur, J. et al. El cambio climático como impulsor de la inseguridad alimentaria en la sequía de Lesotho-Sudáfrica de 2007. ciencia Rep. 11, 3852. https://doi.org/10.1038/s41598-021-83375-x (2021).

Artículo ADS CAS PubMed PubMed Central Google Scholar

Iizumi, T. & Ramankutty, N. ¿Cómo influyen el tiempo y el clima en el área y la intensidad de cultivo?. globo Seguridad Alimentaria 4, 46–50. https://doi.org/10.1016/j.gfs.2014.11.003 (2015).

Artículo Google Académico

Cohn, A. et al. La frecuencia de cultivo y la respuesta del área a la variabilidad climática pueden exceder la respuesta del rendimiento. Nat. Clima Cambio 6, 601–604. https://doi.org/10.1038/nclimate2934 (2016).

Artículo ANUNCIOS Google Académico

Zhu, P. et al. El calentamiento reduce la producción agrícola mundial al disminuir la frecuencia y el rendimiento de los cultivos. Nat. Clima Cambio 12, 1016–1023. https://doi.org/10.1038/s41558-022-01492-5 (2022).

Artículo ADS CAS Google Académico

Naylor, RL et al. Uso de datos climáticos de El Niño/Oscilación del Sur para predecir la producción de arroz en Indonesia. Clima Cambio 50, 255–265. https://doi.org/10.1023/A:1010662115348 (2001).

Artículo Google Académico

Koide, N. et al. Predicción de la producción de arroz en Filipinas utilizando pronósticos climáticos estacionales. Aplicación J. Meteorol. Climatol. 52, 552–569. https://doi.org/10.1175/JAMC-D-11-0254.1 (2013).

Artículo ANUNCIOS Google Académico

Kotera, A. et al. Un enfoque de modelado para evaluar el ciclo de cultivo de arroz afectado por inundaciones, intrusión de salinidad y lluvias monzónicas en el delta del Mekong, Vietnam. Entorno de agua de arroz. 12, 343–354. https://doi.org/10.1007/s10333-013-0386-y (2014).

Artículo Google Académico

Rezaei, EE et al. El área cosechada del cultivo, no el rendimiento, impulsa la variabilidad en la producción de cultivos en Irán. Reinar. Res. Letón. 16, 064058. https://doi.org/10.1088/1748-9326/abfe29 (2021).

Artículo ANUNCIOS Google Académico

Ubilava, D. El efecto ENSO y las asimetrías en la dinámica del precio del trigo. Desarrollo mundial 96, 490–502. https://doi.org/10.1016/j.worlddev.2017.03.031 (2017).

Artículo Google Académico

Hasegawa, T., Wakatsuki, H. & Nelson, GC Evidencia y proyección de fallas en múltiples canastas de pan causadas por el cambio climático. actual Opinión Reinar. Sostener. 58, 101217. https://doi.org/10.1016/j.cosust.2022.101217 (2022).

Artículo Google Académico

Hasegawa, T. et al. Modelo global de asignación de uso de la tierra vinculado a un modelo de evaluación integrado. ciencia Entorno Total. 580, 787–796. https://doi.org/10.1016/j.scitotenv.2016.12.025 (2017).

Artículo ADS CAS PubMed Google Scholar

Ai, Z. et al. La bioenergía global con potencial de captura y almacenamiento de carbono está limitada en gran medida por el riego sostenible. Nat. Sostener. 4, 884–891. https://doi.org/10.1038/s41893-021-00740-4 (2021).

Artículo Google Académico

Waha, K. et al. Múltiples sistemas de cultivo del mundo y el potencial para aumentar la intensidad de cultivo. globo Reinar. Cambiar. 64, 102131. https://doi.org/10.1016/j.gloenvcha.2020.102131 (2020).

Artículo PubMed PubMed Central Google Académico

Vogel, E. et al. Los efectos de los extremos climáticos en los rendimientos agrícolas mundiales. Reinar. Res. Letón. 14, 054010. https://doi.org/10.1088/1748-9326/ab154b (2019).

Artículo ANUNCIOS Google Académico

Sawano, S. et al. Modelado de la dependencia del calendario de cultivos para el arroz de secano en la precipitación en el noreste de Tailandia. Entorno de agua de arroz. 6, 83–90. https://doi.org/10.1007/s10333-007-0102-x (2008).

Artículo Google Académico

Conforti, P., Markova, G., Tochkov, D. Metodología de la FAO para la evaluación de daños y pérdidas en la agricultura. Documento de trabajo sobre estadísticas de la FAO 19-17 (Roma, 2020). https://doi.org/10.4060/ca6990es.

Rojas, M. et al. Aparición de fuertes cambios en las precipitaciones en las áreas de producción de cultivos en el siglo XXI. proc. nacional Academia ciencia EE. UU. 116, 6673–6678. https://doi.org/10.1073/pnas.1811463116 (2019).

Artículo ADS CAS PubMed PubMed Central Google Scholar

Sloat, LL et al. Adaptación climática por migración de cultivos. Nat. común 11, 1243. https://doi.org/10.1038/s41467-020-15076-4 (2020).

Artículo ADS CAS PubMed PubMed Central Google Scholar

Zhang, G. et al. Huella digital de los arrozales en la dinámica espacio-temporal de la concentración de metano atmosférico en el monzón de Asia. Nat. común 11, 554. https://doi.org/10.1038/s41467-019-14155-5 (2020).

Artículo ADS CAS PubMed PubMed Central Google Scholar

Roe, S. et al. Medidas terrestres para mitigar el cambio climático: Potencial y factibilidad por país. globo Cambio Biol. 27, 6025–6058. https://doi.org/10.1111/gcb.15873 (2021).

Artículo CAS Google Académico

Minamikawa, K. et al. Predicción de futuras emisiones de metano de arrozales de regadío en el centro de Tailandia bajo diferentes prácticas de gestión del agua. ciencia Entorno Total. 566–567, 641–651. https://doi.org/10.1016/j.scitotenv.2016.05.145 (2016).

Artículo ADS CAS PubMed Google Scholar

Searchinger, T., Herrero, M., Yan, X. et al. Oportunidades para reducir las emisiones de metano de la agricultura mundial. (2021) https://scholar.princeton.edu/sites/default/files/methane_discussion_paper_nov_2021.pdf.

Iizumi, T. et al. Alinear el año de cosecha en las simulaciones de modelos de cultivos cuadriculados globales con el de los informes del censo es fundamental para las evaluaciones del rendimiento del modelo a nivel nacional para el arroz. Euro. J. Agron. 130, 126367. https://doi.org/10.1016/j.eja.2021.126367 (2021).

Artículo Google Académico

Iizumi, T. et al. Predicción global de anomalías de rendimiento dentro de la temporada para los principales cultivos derivada del uso de pronósticos estacionales de índices climáticos a gran escala y temperatura y precipitación regionales. Pronóstico del tiempo. 36, 285–299. https://doi.org/10.1175/WAF-D-20-0097.1 (2021).

Artículo ANUNCIOS Google Académico

Lu, J., Carbone, GJ & Gao, P. Eliminación de tendencias de datos de rendimiento de cultivos para la visualización espacial de los impactos de la sequía en los Estados Unidos, 1895–2014. agricola Para. Meteorol. 237–238, 196–208. https://doi.org/10.1016/j.agrformet.2017.02.001 (2017).

Artículo ANUNCIOS Google Académico

Equipo central R. R: un lenguaje y un entorno para la computación estadística (Viena, 2022).

Alexander, LV Global observó cambios a largo plazo en los extremos de temperatura y precipitación: una revisión del progreso y las limitaciones en las evaluaciones del IPCC y más allá. Tiempo Clim. Extremos 11, 4–16. https://doi.org/10.1016/j.wace.2015.10.007 (2016).

Artículo Google Académico

Mathison, C. et al. Estimación de las fechas de siembra y cosecha en función del monzón de verano asiático. Sistema Tierra Din. 9, 563–592. https://doi.org/10.5194/esd-9-563-2018 (2018).

Artículo ANUNCIOS Google Académico

Choi, Y.-S. et al. Influencia climática en la fecha de siembra del maíz en el Medio Oeste de los Estados Unidos. En t. J. Climatol. 37, 1595–1602. https://doi.org/10.1002/joc.4799 (2017).

Artículo Google Académico

Kucharik, CJ Una tendencia multidecenal de siembra temprana de maíz en el centro de los EE. UU. Agron. J. 98, 1544–1550. https://doi.org/10.2134/agronj2006.0156 (2006).

Artículo Google Académico

Yang, Y. et al. Caracterización de los patrones espaciotemporales de la fenología de los cultivos en América del Norte durante 2000–2016 utilizando imágenes satelitales y datos de encuestas agrícolas. ISPRS J. Photogramm. Sensores remotos 170, 156–173. https://doi.org/10.1016/j.isprsjprs.2020.10.005 (2020).

Artículo ANUNCIOS Google Académico

Iizumi, T. et al. Contribuciones de diferentes métodos de corrección de sesgos y conjuntos de datos de forzamiento meteorológico de referencia a la incertidumbre en los extremos proyectados de temperatura y precipitación. J. Geophys. Res. atmósfera 122, 7800–7819. https://doi.org/10.1002/2017JD026613 (2017).

Artículo ANUNCIOS Google Académico

Taylor, KE, Stouffer, RJ y Meehl, GA Una descripción general de CMIP5 y el diseño del experimento. Toro. Soy. Meteorol. Soc. 93, 485–498. https://doi.org/10.1175/BAMS-D-11-00094.1 (2012).

Artículo ANUNCIOS Google Académico

van Vuuren, DP et al. Las vías de concentración representativas: una descripción general. Clima Cambio 109, 5. https://doi.org/10.1007/s10584-011-0148-z (2011).

Artículo ANUNCIOS Google Académico

Iizumi, T. et al. Evaluación e intercomparación de índices de precipitación diaria reducidos en Japón en el clima actual: fortalezas y debilidades de los métodos de reducción de escala estadísticos dinámicos y de corrección de sesgo. J. Geophys. Res. atmósfera 116, D01111. https://doi.org/10.1029/2010JD014513 (2011).

Artículo ANUNCIOS Google Académico

Ishizaki, NN et al. Evaluación de dos métodos de corrección de sesgos para escenarios climáticos cuadriculados en Japón. SOLA 16, 80–85. https://doi.org/10.2151/sola.2020-014 (2020).

Artículo ANUNCIOS Google Académico

Ray, DK et al. Patrones recientes de crecimiento y estancamiento del rendimiento de los cultivos. Nat. común 3, 1293. https://doi.org/10.1038/ncomms2296 (2012).

Artículo ADS CAS PubMed Google Scholar

Zou, H. & Hastie, T. Regularización y selección de variables a través de la red elástica. Estado JR. Soc. 67B, 301–320. https://doi.org/10.1111/j.1467-9868.2005.00503.x (2005).

Artículo MathSciNet MATEMÁTICAS Google Académico

Das, B. et al. Evaluación de modelos lineales múltiples, de redes neuronales y de regresión penalizada para la predicción del rendimiento del arroz en función de los parámetros meteorológicos para la costa oeste de la India. En t. J. Biometeorol. 62, 1809–1822. https://doi.org/10.1007/s00484-018-1583-6 (2018).

Artículo ADS PubMed Google Scholar

Hyndman, RJ, Athanasopoulos, G. Pronósticos: principios y práctica, 2ª ed. (Melbourne, 2018). OTexts.com/fpp2.

Rosenzweig, C. et al. Evaluación de los riesgos agrícolas del cambio climático en el siglo XXI en una intercomparación global de modelos de cultivos cuadriculados. proc. nacional Academia ciencia EE. UU. 111, 3268–3273. https://doi.org/10.1073/pnas.1222463110 (2014).

Artículo ADS CAS PubMed Google Scholar

Villoria, NB et al. Agregación rápida de resultados de modelos de cultivos cuadriculados globales para facilitar el análisis interdisciplinario de los impactos del cambio climático en la agricultura. Reinar. Modelo. suave 75, 193–201. https://doi.org/10.1016/j.envsoft.2015.10.016 (2016).

Artículo Google Académico

Elliott, J. et al. Intercomparación de modelos de cultivos cuadriculados globales: datos y protocolos de modelado para la fase 1 (v1.0). Geosci. Desarrollo del modelo 8, 261–277. https://doi.org/10.5194/gmd-8-261-2015 (2015).

Artículo ANUNCIOS Google Académico

Warszawski, L. et al. El proyecto de intercomparación de modelos de impacto intersectorial (ISI-MIP): Marco del proyecto. proc. nacional Academia ciencia USA 111, 3228–3232. https://doi.org/10.1073/pnas.1312330110 (2014).

Artículo ADS CAS PubMed Google Scholar

Descargar referencias

Agradecemos a Takumi Matsunobu y Singh Rajeev Kumar por la recopilación de datos. Esta investigación fue financiada por el Fondo de Desarrollo de Tecnología e Investigación Ambiental (JPMEERF20202002 y JPMEERF23S21120) de la Agencia de Conservación y Restauración Ambiental proporcionada por el Ministerio de Medio Ambiente de Japón. TI recibió el apoyo parcial de Grants-in-Aid for Scientific Research (22H00577 y 20K06267) de la Sociedad Japonesa para la Promoción de la Ciencia.

Instituto de Ciencias Agroambientales, Organización Nacional de Investigación Agrícola y Alimentaria, Tsukuba, Ibaraki, 305-8604, Japón

Nanae Hosokawa, Yasuhiro Doi, Wonsik Kim y Toshichika Iizumi

Instituto de Investigación Forestal y de Productos Forestales, Organización de Investigación y Gestión Forestal, Tsukuba, Ibaraki, 305-8687, Japón

Nanae Hosokawa

CSJ Co. Ltd., Shibuya-Ku, Tokio, 151-0053, Japón

Yasuhiro Doi

También puede buscar este autor en PubMed Google Scholar

También puede buscar este autor en PubMed Google Scholar

También puede buscar este autor en PubMed Google Scholar

También puede buscar este autor en PubMed Google Scholar

TI concibió el estudio; NH y YD realizaron análisis; TI, YD, NH y WK escribieron el manuscrito.

Correspondencia a Toshichika Iizumi.

Los autores declaran no tener conflictos de intereses.

Springer Nature se mantiene neutral con respecto a los reclamos jurisdiccionales en mapas publicados y afiliaciones institucionales.

Acceso abierto Este artículo tiene una licencia internacional Creative Commons Attribution 4.0, que permite el uso, el intercambio, la adaptación, la distribución y la reproducción en cualquier medio o formato, siempre que se otorgue el crédito correspondiente al autor o autores originales y a la fuente. proporcionar un enlace a la licencia Creative Commons e indicar si se realizaron cambios. Las imágenes u otro material de terceros en este artículo están incluidos en la licencia Creative Commons del artículo, a menos que se indique lo contrario en una línea de crédito al material. Si el material no está incluido en la licencia Creative Commons del artículo y su uso previsto no está permitido por la regulación legal o excede el uso permitido, deberá obtener el permiso directamente del titular de los derechos de autor. Para ver una copia de esta licencia, visite http://creativecommons.org/licenses/by/4.0/.

Reimpresiones y permisos

Hosokawa, N., Doi, Y., Kim, W. et al. Las respuestas contrastantes de área y rendimiento al clima extremo contribuyen a la producción de arroz resistente al clima en Asia. Informe científico 13, 6219 (2023). https://doi.org/10.1038/s41598-023-33413-7

Descargar cita

Recibido: 25 enero 2023

Aceptado: 12 abril 2023

Publicado: 17 abril 2023

DOI: https://doi.org/10.1038/s41598-023-33413-7

Cualquier persona con la que compartas el siguiente enlace podrá leer este contenido:

Lo sentimos, un enlace para compartir no está disponible actualmente para este artículo.

Proporcionado por la iniciativa de intercambio de contenido Springer Nature SharedIt

Al enviar un comentario, acepta cumplir con nuestros Términos y Pautas de la comunidad. Si encuentra algo abusivo o que no cumple con nuestros términos o pautas, márquelo como inapropiado.