Potencial de eventos sorprendentes de calor y sequía en el trigo

npj Clima y ciencia atmosférica volumen 6, Número de artículo: 56 (2023) Citar este artículo

1064 Accesos

399 Altmetric

Detalles de métricas

Los análisis previos de la posibilidad de fallas en el granero global han extrapolado los riesgos en función de las relaciones históricas entre el clima y los rendimientos. Sin embargo, el cambio climático está provocando eventos sin precedentes a nivel mundial, que podrían superar los umbrales críticos y reducir los rendimientos, aunque no exista un precedente histórico. Esto significa que probablemente estamos subestimando los riesgos climáticos para nuestro sistema alimentario. En el caso del trigo, partes de los EE. UU. y China muestran poca relación histórica entre los rendimientos y la temperatura, pero ahora es posible que las temperaturas extremas excedan los umbrales fisiológicos críticos en las plantas de trigo. Los enfoques de ENsemble extremo simulado sin precedentes (UNSEEN) utilizan conjuntos grandes para generar eventos plausibles sin precedentes, que pueden informar nuestra evaluación del riesgo para los cultivos. Usamos el enfoque INVISIBLE con un gran conjunto de pronósticos estacionales archivados para generar miles de eventos plausibles durante los últimos 40 años y comparar los resultados con las temperaturas y precipitaciones extremas históricamente observadas. En el medio oeste de EE. UU., las temperaturas extremas que habrían ocurrido aproximadamente 1 de cada 100 años en 1981 ahora tienen un período de retorno de 1 de cada 6 años, mientras que en China, el período de retorno actual es del orden de 1 de cada 6 años. -16 años. Esto significa que en el medio oeste de EE. UU., las temperaturas extremas que solían tener un 1 % de probabilidad de ocurrir en 1981 ahora tienen un 17 % de probabilidad de ocurrir en un año determinado, mientras que en China, la probabilidad aumentó del 1 % al 6 %. Los años récord que superan los umbrales críticos para las enzimas en la planta de trigo ahora son más probables que en el pasado, y estos años cálidos récord están asociados con condiciones extremadamente secas en ambos lugares. Utilizando la altura geopotencial y las anomalías del viento del conjunto INVISIBLE, demostramos que los fuertes vientos sobre la tierra atraen aire seco hacia estas regiones durante eventos invisibles extremadamente cálidos y secos. Caracterizamos extremos plausibles del conjunto INVISIBLE que se pueden usar para ayudar a imaginar eventos imprevistos, incluido un evento compuesto en el que ocurren grandes impactos en ambas regiones, informando la planificación de la adaptación en estas regiones. Es poco probable que las temperaturas extremas recientes, especialmente en el medio oeste de EE. UU., sean un buen indicador de lo que se espera en los próximos años del clima actual, y las partes interesadas locales podrían percibir que su riesgo es menor de lo que realmente es. Encontramos que existe un alto potencial de sorpresa en estas regiones si las personas basan los análisis de riesgo únicamente en conjuntos de datos históricos.

Dada la interconexión global del sistema alimentario mundial, los choques simultáneos en las principales áreas de producción de granos alimenticios (canastas de pan) pueden influir drásticamente en el precio y la disponibilidad de los alimentos básicos. Varios estudios han intentado cuantificar el riesgo de fallas múltiples del granero debido solo a los choques climáticos1,2,3. Estos estudios se han extrapolado principalmente a partir de patrones históricos, cuantificando el riesgo de que los choques climáticos del pasado puedan ocurrir simultáneamente en el futuro. Sin embargo, el cambio climático trae eventos nuevos y sin precedentes que pueden tener consecuencias diferentes a las experimentadas en el pasado y, por lo tanto, los análisis basados en la historia podrían subestimar nuestro riesgo actual. En este estudio, partimos de un enfoque en eventos históricos, en lugar de demostrar cómo visualizar el riesgo de eventos históricamente sin precedentes que podrían cruzar umbrales críticos en las principales regiones productoras de trigo de EE. UU. y China.

La mayoría de los estudios que cuantifican el riesgo de malas cosechas utilizan las relaciones históricas entre el clima y los rendimientos de los cultivos como base para evaluar cómo los estados climáticos futuros o sin precedentes podrían afectar los rendimientos. Por ejemplo,2 utilizan rendimientos históricos para definir un umbral de estrés hídrico severo en regiones productoras de maíz de EE. UU. y China, y luego examinan el cambio en el riesgo de este umbral utilizando grandes conjuntos para simular extremos sin precedentes. Las estimaciones del riesgo de múltiples fallas en el granero para diferentes cultivos también adoptan este enfoque, primero estimando las relaciones entre el clima y el rendimiento a partir de datos históricos y luego extrapolando los resultados del rendimiento en función de los cambios en las variables de temperatura y precipitación que históricamente se relacionaron con el rendimiento.4 En algunas regiones, más más del 50% de la variabilidad histórica del rendimiento se puede atribuir al clima5.

Sin embargo, en un clima cambiante, las relaciones clima-rendimiento cambiarán. Los estados climáticos nunca antes experimentados y los eventos sin precedentes pueden tener mayores efectos en los cultivos de lo que cabría esperar de una simple extrapolación de la asociación histórica. En particular para la temperatura, podríamos esperar que las altas temperaturas nunca antes experimentadas pudieran causar la pérdida de cultivos, incluso si no existe una relación histórica entre el rendimiento y la temperatura. Las no linealidades en la respuesta de los cultivos al estrés por calor pueden significar que el futuro se ve claramente diferente del pasado. Además, los factores de estrés climáticos pueden combinarse con otras presiones para amenazar la productividad agrícola; estos incluyen conflictos, plagas, enfermedades, salud del suelo, calidad de las semillas e irrigación, por ejemplo.

Los rendimientos de trigo (Triticum aestivum L.) en partes de los Estados Unidos y China no muestran una fuerte relación con la temperatura en conjuntos de datos observados o simulados para el pasado6 y, por lo tanto, las temperaturas extremas en estas regiones a menudo no se incluyen en los modelos de fallas potenciales del granero4 . Sin embargo, los modelos fisiológicos demuestran que las plantas de trigo son sensibles a la temperatura en varias fases críticas de crecimiento7. En general, los períodos prolongados de calor extremo dan como resultado una senescencia acelerada de las hojas y una reducción en la expansión de las hojas y la eficiencia del uso de la radiación. Los eventos de calor de corta duración son particularmente dañinos durante las fases sensibles del desarrollo, como el alargamiento del tallo. Los extremos de calor durante el llenado de granos pueden causar una reducción en la tasa de crecimiento y el número de granos8,9, mientras que el estrés por calor durante la antesis puede resultar en la esterilidad parcial o total de las flores10,11.

Las simulaciones para finales de siglo muestran que es probable que temperaturas sin precedentes afecten los rendimientos a medida que se cruzan umbrales más altos12. De hecho, los modelos estadísticos y basados en procesos tienden a estar de acuerdo en que el calentamiento debería afectar negativamente los rendimientos de trigo13,8, y una revisión de diferentes tipos de modelos encontró acuerdo en que es probable que el rendimiento global de trigo se vea afectado negativamente por el aumento de las temperaturas con el cambio climático14,15. Una solución para evaluar el impacto de esta no linealidad es usar simulaciones de modelos de cultivos que pueden incorporar umbrales críticos16,17. Sin embargo, muchos de estos modelos de cultivos se desarrollan en función de rendimientos históricos y muchos de ellos se centran en extremos anuales y rangos "probables". en lugar de eventos de baja probabilidad y alto impacto.

Los nuevos métodos para simular extremos sin precedentes pueden ampliar nuestra comprensión de lo que es posible, más allá de los eventos históricos. Grandes conjuntos de modelos climáticos basados en la física pueden proporcionar una muestra más grande de "realidades alternativas" para calcular estadísticas de valores extremos18,19,20 extremos21.

Hasta la fecha, la mayoría de los estudios de eventos INVISIBLES o historias climáticas han partido de un evento extremo histórico que ya ocurrió, evaluando cambios plausibles en frecuencia y magnitud (p. ej., la tormenta Desmond22). El enfoque también se ha utilizado para derivar impactos futuros análogos de eventos históricos, como una sequía de soja (Glycine max (L.) Merr.) en el futuro17.

El enfoque INVISIBLE también se puede utilizar para explorar eventos sintéticos (eventos sin un análogo histórico) si los modelos se han evaluado adecuadamente en cuanto a su capacidad para producir eventos realistas23. Las historias climáticas que ilustran cómo pueden ocurrir extremos sin precedentes pueden expandir nuestra imaginación para capturar eventos que son plausibles, pero nunca antes experimentados. Dado que la adaptación al cambio climático tiende a ser impulsada por la experiencia vivida por las personas de los eventos extremos24,25,26,27, visualizar tales eventos antes de que sucedan puede respaldar la preparación y la adaptación al cambio climático.

En este estudio, utilizamos el enfoque INVISIBLE para examinar historias de calor sin precedentes en dos regiones productoras de trigo de los graneros del mundo, EE. UU. y China. Primero, reunimos un gran conjunto de pronósticos archivados para cada región de temperatura y precipitación, estimando la frecuencia de las temperaturas por encima de los umbrales críticos de crecimiento. Estimamos los cambios en los periodos de retorno de las temperaturas extremas con el cambio climático y consideramos la probabilidad de un extremo compuesto de altas temperaturas y bajas precipitaciones en cada región. Si bien muchos otros estudios se han centrado en el cambio climático en un futuro lejano, exploramos el clima actual y cómo los riesgos ya han cambiado desde el pasado reciente, complementando el trabajo1.

En el medio oeste de EE. UU., el conjunto INVISIBLE muestra un aumento constante de las temperaturas máximas que son posibles con el tiempo; el rango intercuartílico de los resultados del conjunto solía caer por debajo de los 30 °C, y ahora el extremo superior del rango intercuartílico se acerca a los 35 °C (Fig. 1). Históricamente, las temperaturas máximas registradas durante los últimos 40 años han sido más bajas que los extremos producidos por el conjunto INVISIBLE. Los valores más altos en el gran conjunto de los últimos años alcanzan los 40 °C, mientras que los valores más altos en el conjunto de datos de observación rondan los 37 °C.

Observaciones históricas de temperatura y precipitación de marzo a mayo en la región productora de trigo de invierno del medio oeste de EE. UU. (cruces azules), superpuestas en diagramas de caja grises del conjunto grande INVISIBLE. Los diagramas de caja visualizan lo ilustrado como la mediana, el rango intercuartílico, el rango intercuartílico 1.5x y los valores atípicos. Los gráficos son para las siguientes variables: (a) temperatura máxima, (b) número de días por encima del umbral de "estrés" de 27,8 °C, c número de días por encima del umbral de "descomposición de enzimas" de 32,8 °C, y (d) Precipitaciones totales.

La cantidad de días que superan los umbrales críticos de calor también ha aumentado en los conjuntos de datos observados y modelados para el medio oeste de EE. UU. El conjunto UNSEEN contiene eventos discretos que están mucho más allá del registro observado, incluido un evento con más de 20 días que excedieron el umbral de "descomposición de la enzima".

No hay una tendencia clara en las precipitaciones en los conjuntos de datos observados o simulados de marzo a mayo en el medio oeste de EE. UU. (Fig. 1d). La sequía histórica de 2014 está cerca de los eventos más extremadamente secos simulados en el conjunto de datos INVISIBLE, aunque hay algunos eventos INVISIBLES que son más secos que este registro histórico. Dichos eventos podrían tener un impacto negativo en los rendimientos de trigo, como sucedió en 2014. En Kansas, en 2014, el monitor de trigo informó que "la condición del trigo declinó durante todo el mes y, a fines de mayo, se informó que el 62 % de la cosecha estaba en muy mal estado". malas condiciones, en comparación con el 47 % a principios de mes y el 45 % el año pasado"28 El rendimiento por acre cosechado fue el más bajo desde 199528 Los informes noticiosos de la radio pública local explicaron que "la sequía persistente, los fuertes vientos y las temperaturas invernales por debajo de lo normal, combinados con niveles de humedad del subsuelo ya bajos, han diezmado la cosecha de trigo de invierno en Kansas, Oklahoma y Texas Estos estados constituyen el corazón del cinturón de trigo, incluso con bajos rendimientos afectados por la sequía el año pasado, todavía produjeron uno- tercio de la cosecha nacional de trigo de invierno"29.

En China, los resultados son similares (Fig. 2). Las temperaturas máximas de marzo a mayo muestran un aumento con el tiempo, y el gran conjunto incluye muchos eventos sin precedentes. Esto incluye temperaturas en los altos 30 s, mientras que el récord histórico está más cerca de 35 °C. El número de días de "estrés" y días de "descomposición de enzimas" está aumentando, con posibilidades IMPREVISTAS de más de 10 días en los que se supere el umbral de "descomposición de enzimas" en una temporada.

Observaciones históricas de temperatura y precipitación en marzo y mayo (cruces azules), superpuestas en diagramas de caja grises del conjunto grande INVISIBLE. Los diagramas de caja visualizan lo ilustrado como la mediana, el rango intercuartílico, el rango intercuartílico 1.5x y los valores atípicos. Los gráficos son para las siguientes variables: (a) temperatura máxima, (b) número de días por encima del umbral de "estrés" de 27,8 °C, (c) número de días por encima del umbral de "descomposición enzimática" de 32,8 °C, y ( d) precipitación total. Tenga en cuenta que la gráfica (b) no pasó la prueba de fidelidad y, por lo tanto, debe interpretarse con precaución, ya que la curtosis de los datos observados está fuera del percentil 95 del conjunto INVISIBLE.

El conjunto INVISIBLE también contiene varios eventos de sequía sin precedentes que tienen menos precipitaciones que nunca antes observadas en la región. Estos son eventos físicamente plausibles que son más secos de lo que se ha observado históricamente. Los veranos más cálidos y secos pueden mejorar las condiciones de siembra y cosecha y reducir el riesgo de anegamiento. Sin embargo, si estos períodos coinciden con fases sensibles de desarrollo del cultivo, por ejemplo, floración y llenado de granos, esto puede resultar en resultados de rendimiento relativamente más bajos.

Con el tiempo, el conjunto INVISIBLE demuestra un cambio perceptible en la probabilidad de temperaturas extremadamente altas en las regiones de EE. UU. y China. La Figura 3 traza la distribución de valores extremos ajustada a las observaciones y el conjunto INVISIBLE para la temperatura máxima en la temporada de marzo a mayo. En ambos casos, las temperaturas máximas son más altas ahora que en la década de 1980, con un evento de 1 en 100 años en 1981 que ocurre en promedio con más frecuencia que cada 6 años en 2020 en el medio oeste de EE. UU. El cambio simulado es ligeramente menor en el noreste de China, con un evento de 1 en 100 años en 1981 que ocurre en promedio aproximadamente cada 16 años en 2020 (Fig. 3a, d). Esto se traduce en una probabilidad del 1 % de que el evento suceda en 1981, pasando a una probabilidad del 17 % (EE. UU.) y del 6 % (China) de que suceda en el año 2020.

Las temperaturas son de marzo a mayo para el medio oeste de EE. UU. (fila superior) y el noreste de China (fila inferior). a, d Período de retorno de las temperaturas máximas estacionales en 1981 y 2020. Los ajustes de GEV se trazan para las observaciones utilizando líneas de puntos y sombreado claro para indicar las estimaciones de incertidumbre. Los ajustes de GEV se trazan para el conjunto INVISIBLE utilizando líneas continuas y sombreado oscuro para las estimaciones de incertidumbre. Todos los ajustes de GEV son distribuciones no estacionarias con covariables para los años 1981 y 2020. La magnitud del evento de 100 años se indica con una línea horizontal negra. b, e conjunto INVISIBLE en gris superpuesto con observaciones en azul, con una estimación no estacionaria del período de retorno de 2 años para cada conjunto de datos. c, f Conjunto INVISIBLE en gris superpuesto con observaciones en azul, con una estimación no estacionaria del período de retorno de 100 años para cada conjunto de datos. El intervalo de confianza del percentil 95 se representa sombreando las observaciones en azul. La incertidumbre estadística se estima como intervalos de confianza del 95% basados en la aproximación normal.

Sin embargo, en ambas ubicaciones de estudio de caso, la distribución de valores extremos que mejor se ajusta para el conjunto de datos de observación es un ajuste GEV estacionario. Esto contrasta con un ajuste no estacionario para el conjunto INVISIBLE. Si uno simplemente extrapolara un ajuste GEV no estacionario a partir de datos de observación en la región de estudio de EE. UU. (Fig. 3a, línea punteada), por ejemplo, uno estimaría valores más bajos e incertidumbres mucho mayores en comparación con el conjunto INVISIBLE dinámicamente consistente, representando así la fuerza de este tipo de análisis.

Suponiendo que el modelo represente con precisión el rango del clima actual, esto podría indicar que ambas regiones han tenido "suerte" en los últimos años, y ambas regiones no han experimentado el rango completo de altas temperaturas que ahora son posibles en el clima actual. De hecho, estas regiones han sido seleccionadas para la producción de trigo en parte debido a las condiciones climáticas favorables en el pasado, y los umbrales críticos eran esencialmente límites. Ese ya no es el caso, y las temperaturas extremas son mucho más probables. La memoria reciente de temperaturas extremas se encuentra en el extremo inferior de la distribución de extremos plausibles para el clima actual, especialmente en el medio oeste de EE. UU., donde la diferencia entre la tendencia observada y la INVISIBLE es más alta. Según el conjunto UNSEEN, un evento que habría sido un evento de temperatura máxima de 1 en 100 años entre marzo y mayo en el medio oeste de EE. UU. en 1981 ahora es un evento de 1 en 6 años. Otros estudios han detectado de manera similar tendencias positivas a largo plazo en la temperatura en ambas regiones, con cierta atribución al cambio climático antropogénico30,31,32,33,34. Mientras que los estudios de atribución comparan el clima actual con un clima preindustrial, aquí podemos discernir tendencias en las últimas décadas que podrían ser valiosas para hacer referencia a las experiencias vividas recientemente por las personas.

Como era de esperar dada la naturaleza estocástica del tiempo, encontramos que las observaciones meteorológicas históricas tienen un rango limitado en comparación con un gran conjunto de resultados meteorológicos plausibles. El conjunto UNSEEN contiene una variedad de eventos de calor y sequía para cada lugar que romperían récords históricos.

El calor extremo y la sequedad extrema no son independientes el uno del otro, a menudo ocurren simultáneamente como resultado de patrones climáticos que bloquean. Por lo tanto, graficamos la relación entre el calor extremo y la sequedad en cada ubicación en la Fig. 4. En ambas regiones, el calor extremo está fuertemente asociado con la sequedad, y los eventos muy húmedos no ocurren simultáneamente con el calor extremo.

Precipitación acumulada representada frente al número de días que cruzan el umbral de "descomposición de enzimas" en marzo-mayo para (a) EE. UU. y (b) China. Los miembros del conjunto INVISIBLES se trazan en gris, superpuestos con observaciones en azul. El registro histórico del número de días de "degradación de enzimas" se representa como una línea horizontal azul; cualquier evento gris INVISIBLE por encima de esa línea es un récord.

Si hay una estación calurosa sin precedentes en la que el número de días por encima del umbral de descomposición de la enzima es más alto que en el pasado (más alto que la línea azul en la Fig. 4), es probable que también sea una estación seca. En el medio oeste de los EE. UU., el conjunto UNSEEN produce 161 temporadas récord con temperaturas altas y, aunque la mayoría de ellas son relativamente secas, el 14 % de ellas tiene precipitaciones extremadamente bajas, menos que la peor sequía registrada, la sequía de 2014. Esto también se aplica en la otra dirección, de los 31 eventos de sequía INVISIBLES que son peores que la peor sequía experimentada en los últimos 40 años, el 71% de estos eventos también tienen un calor récord.

En China, los resultados son similares; El 63 % de los eventos de sequía récord NO VISTOS también son eventos de calor récord en términos de la frecuencia de días por encima del umbral de descomposición de la enzima. Podemos imaginar historias basadas en eventos de calor extremo y precipitaciones extremadamente bajas que causarían impactos sin precedentes en la intersección de estos dos peligros. Las temperaturas más altas también producen tasas de evaporación más altas, lo que puede reducir aún más la disponibilidad de agua para la agricultura, más allá del récord de precipitaciones bajas.

Una de las principales ventajas de analizar un gran conjunto de eventos físicamente plausibles es que el conjunto permite a los usuarios examinar los impulsores y los factores contribuyentes físicos para extremos específicos que nunca han ocurrido en el registro observado. En la Fig. 5, trazamos compuestos de anomalías de altura geopotencial (GPH) y anomalías de viento en el nivel de presión de 500 mb, para analizar los eventos más extremos del conjunto más grande.

Compuestos de altura geopotencial y anomalías del viento a 500 mb asociados con los eventos más extremos en el conjunto INVISIBLE para la región de estudio. Cada parcela es una combinación de las 10 estaciones de (a) mayor precipitación, (b) menor precipitación y (c) mayor número de días de degradación de enzimas en cada área de estudio. La primera fila representa el área de estudio de EE. UU. y la segunda fila el área de estudio de China, ambas delineadas con un recuadro negro. Las parcelas individuales para cada uno de los 10 eventos utilizados para hacer estos compuestos están disponibles en la Información complementaria.

En la región de EE. UU., las 10 estaciones más secas de marzo a mayo en el conjunto SEAS5 (Fig. 5bi) están dominadas por anomalías de viento del norte y del oeste. Estas anomalías del viento atraen aire seco de los EE. UU. continentales a la región de estudio, lo que limita las precipitaciones. Estos son producidos por anomalías estacionales positivas de altura geopotencial al oeste y sur de la región de estudio. En la mayoría de estos 10 eventos NO VISTOS, las anomalías positivas se concentran en el suroeste de los EE. UU., pero hay eventos individuales en los que las anomalías positivas se extienden más ampliamente por los EE. .

Los patrones de anomalías del viento son similares para las estaciones más calurosas (Fig. 5ci); las estaciones con la mayor cantidad de días calurosos por encima del umbral de descomposición de la enzima se caracterizan por grandes regiones de alta presión sobre el área de estudio y hacia el suroeste (Fig. 5ci). Es probable que existan retroalimentaciones de la atmósfera terrestre que pueden fortalecer los efectos de calentamiento durante eventos anómalamente secos35. En contraste, los eventos más húmedos (Fig. 5ai) tienen anomalías de vientos estacionales del sur y el este, trayendo humedad del Golfo de México y el Atlántico (Fig. SI11).

En la región de estudio de China, las anomalías del viento también son críticas para generar los eventos extremadamente húmedos, secos y calientes en la Fig. 5, segunda fila. Las estaciones más secas (Fig. 5bii) modeladas en el conjunto SEAS5 tuvieron anomalías en los vientos del norte y el oeste, trayendo aire sobre la tierra hacia el área de estudio. Esto se asoció con una zona de baja presión al noreste del área de estudio. Las estaciones cálidas con la mayor cantidad de días por encima del umbral de descomposición de la enzima (Fig. 5cii) tuvieron anomalías de viento similares a los eventos de baja precipitación, y también muestran una región de baja presión al noreste del área de estudio.

En el este de China, las 10 estaciones más húmedas tienen anomalías de viento en la dirección opuesta, provenientes del sur y el este, lo que trae humedad a la región de estudio (Fig. 5aii). Estas estaciones muy húmedas están asociadas con fuertes regiones de alta presión al noreste del área de estudio, lo que genera vientos en el sentido de las agujas del reloj que extraen la humedad de los océanos hacia la región de trigo de invierno. En julio de 2021, hubo un evento de lluvia extrema en la provincia de Henan, una de las regiones dentro de nuestra área de estudio, y los análisis meteorológicos posteriores identificaron que esto fue causado por vientos provenientes del este, que trajeron humedad a la región36 similar a los eventos sintéticos. representado en la Fig. 5a.

En ambas regiones, las anomalías de los vientos provenientes de la tierra están asociadas con las estaciones cálidas/secas, y la dirección opuesta de las anomalías del viento sobre el agua están asociadas con las estaciones extremadamente húmedas, como era de esperar. Sin embargo, los patrones de anomalías de altura geopotencial que producen tales anomalías de viento tienen cierta variedad en su forma general, tamaño y ubicación. Las anomalías atmosféricas asociadas con eventos INVISIBLES individuales se representan en las figuras complementarias. 10–15. Por ejemplo, mientras que las anomalías del viento del noroeste en la región de trigo de invierno de China están asociadas con una zona de baja presión al noreste, esta zona es más grande en algunas realizaciones (p. ej., Fig. SI 14B) y se extiende más al sur en otras realizaciones (p. ej., Fig. SI 14B). SI 14A y SI 14F). Por lo tanto, los meteorólogos y los científicos del clima pueden estar alertas a varias variedades diferentes del mismo patrón, que pueden producir las anomalías del viento asociadas con condiciones extremadamente cálidas/secas en la región que produce trigo de invierno.

El enfoque INVISIBLE se puede utilizar para detectar si la probabilidad de extremos simultáneos en ambas regiones es mayor de lo que se esperaría de la casualidad. En los conjuntos de datos de observación, no hay correlaciones entre las dos regiones de estudio de EE. UU. y China para las temperaturas máximas o la precipitación total en la temporada de marzo a mayo. En el conjunto INVISIBLE, la precipitación total permanece sin correlación entre las dos regiones, pero existe una pequeña correlación para la temperatura máxima diaria. La correlación TXx es 0,06 con intervalos de confianza del 95 % de 0,03-0,09. Esto probablemente se deba a la influencia del cambio climático en las temperaturas extremas a nivel mundial, que afecta a ambas regiones. Consulte la Fig. 9 complementaria para ver un diagrama de dispersión de las temperaturas.

Si bien no existe una relación fuerte entre las dos regiones, hay eventos individuales INVISIBLES que producen extremos simultáneos en ambos lugares. Identificamos los 250 miembros principales del conjunto para cada región de estudio que produjeron la mayor cantidad de días de descomposición de enzimas, y hay 10 miembros del conjunto que se superponen en esas dos listas, produciendo calor extremo simultáneamente en ambos lugares. La Figura 6 ilustra un compuesto de las anomalías geopotenciales de altura y viento asociadas con estos 10 eventos, que son extremos en ambas regiones de estudio. Esto representa una historia basada en eventos dinámicamente consistente de un evento que ocurre simultáneamente en ambas ubicaciones. El compuesto parece estar asociado con una perturbación zonal número de onda 3 en la circulación de latitudes más altas, creando sistemas de alta presión en ambas áreas de estudio. Este evento compuesto crea simultáneamente las condiciones que se ven en la Fig. 5ci (EE. UU.) y 5cii (China) (Tabla 1).

Compuestos de altura geopotencial y anomalías del viento a 500 mb asociados con eventos extremos concurrentes en el conjunto INVISIBLE en ambas regiones de estudio. Cada parcela es un compuesto de las 10 estaciones que produjeron un número extremo de días de degradación de enzimas en ambas áreas de estudio. Las dos áreas de estudio están delimitadas por cuadros grises. Los gráficos individuales para cada uno de los 10 eventos utilizados para hacer estos compuestos están disponibles en la Fig. 16 complementaria.

Los gráficos de eventos compuestos individuales están disponibles en la Fig. 16 complementaria. El conjunto que generó el evento compuesto más extremo fue un miembro del conjunto INVISIBLE en 2018 (Fig. SI 16J), que muestra patrones atmosféricos similares a este compuesto. Simuló un evento que tuvo un promedio regional de 12,9 días de descomposición de enzimas en la región de estudio de EE. UU. (el registro observado es 8,5), y en China, este evento produjo un promedio regional de 5,2 días de descomposición de enzimas (registro observado de 2,9).

El cambio climático presenta un riesgo clave para los sistemas alimentarios a nivel mundial, pero muchos análisis de riesgos derivan estimaciones basadas en relaciones clima-rendimiento pasadas, sin tener en cuenta el hecho de que vivimos en un clima fundamentalmente cambiado. Las no linealidades en la respuesta de los cultivos a nuestro clima cambiante pueden presentar consecuencias inesperadas en términos de cosechas fallidas y rendimientos reducidos. Las técnicas novedosas para crear conjuntos INVISIBLES de estaciones alternativas plausibles pueden expandir nuestra imaginación sobre qué tipos de eventos nunca antes experimentados son posibles ahora, y esto puede permitir modelar y estimular la discusión sobre qué tipo de impactos podrían tener en la agricultura.

En el caso del trigo de invierno sin riego en EE. UU. y China, demostramos que varias regiones podrían haber tenido "suerte" en términos de su reciente experiencia de eventos extremos. Dada la naturaleza estocástica del clima, las temperaturas extremas recientes en el medio oeste de los EE. UU. resultaron ser más frías que el rango completo, según lo simula el conjunto climático INVISIBLE. Esto significa que es poco probable que los últimos años sean un buen indicador de lo que se espera en los próximos años del clima actual, y las partes interesadas locales podrían percibir que su riesgo es menor de lo que realmente es. Estudios previos que estimaron la vulnerabilidad de los graneros globales a los extremos climáticos podrían contribuir a esta menor percepción de riesgo, porque no tomaron en cuenta la temperatura debido a que las temperaturas históricas (más bajas) no afectaron los rendimientos de trigo en estas regiones.

En el gran conjunto analizado aquí, encontramos que las estaciones extremadamente cálidas y secas están asociadas con anomalías de circulación a gran escala, con vientos que traen aire seco sobre la tierra a ambas regiones productoras de trigo. Si bien los eventos de olas de calor de escala sinóptica pueden estar asociados con regiones localizadas de alta presión, encontramos que las estaciones más extremas tienen anomalías de circulación a gran escala, que a menudo forman gradientes de presión con fuertes anomalías de viento. Estas anomalías de circulación a gran escala se pueden monitorear para comprender y pronosticar mejor las condiciones que probablemente causen estrés en los cultivos de trigo en cada región.

Un enfoque INVISIBLE puede permitirnos imaginar algunos de estos eventos climáticos sin precedentes que pueden interactuar con otros impulsores del suministro de cultivos a nivel mundial, contando la historia de lo que podría suceder en dos regiones de los graneros del mundo que hasta ahora han tenido "suerte". El enfoque está limitado por la capacidad de los modelos para representar la gama completa de resultados plausibles en una ubicación, y aunque incluimos pruebas de fidelidad/estabilidad/independencia en los datos, es posible que nuestros modelos no representen completamente el espectro de riesgo23 Nuevas metodologías para perturbar modelos y simular extremos plausibles pueden respaldar estas exploraciones de historias climáticas y eventos sin precedentes para permitir la adaptación20.

Dada la posibilidad sustancial de un calor récord, probablemente en combinación con la sequía, tanto en las regiones productoras de trigo de invierno de EE. UU. como en China, se necesitarán adaptaciones al cambio climático para el calor y la sequía en muchos de los graneros del mundo. Los cambios en la gestión agrícola son generalizados para la mayoría de los cereales básicos, incluido el trigo. Las adaptaciones incluyen investigación para encontrar mejoras genéticas en variedades de trigo que preserven los rendimientos en condiciones más secas y cálidas37,38. Históricamente, las variedades de trigo de mayor rendimiento han sido más sensibles a las altas temperaturas por encima de los 34 grados39, por lo tanto, será importante realizar más investigaciones sobre cultivares híbridos que puedan soportar el calor extremo. Los agricultores también han experimentado con el cambio de las fechas de siembra y el cambio de las fechas de madurez de los cultivos40 y el movimiento de las zonas agrícolas41. Las estrategias para gestionar el riesgo de sequía incluyen oportunidades de riego y gestión agrícola para almacenar agua adicional en el suelo que pueda ser utilizada por el cultivo.

Las inversiones en adaptación tienden a ser impulsadas por la experiencia personal de eventos extremos. Los resultados de conjuntos INVISIBLES como este se pueden usar para generar historias de eventos climáticos sin precedentes, lo que puede ayudar a las personas a visualizar los impactos sin necesidad de experimentarlos directamente. Una mayor inversión en UNSEEN y el enfoque de la historia tiene el potencial de revelar brechas en nuestra percepción de los riesgos actuales para nuestros sistemas alimentarios y alimentarios, fomentando la acción de adaptación para prevenir impactos negativos en los próximos años.

Los choques climáticos no actúan de forma aislada, sino que interactúan con una variedad de otras presiones sobre la producción agrícola. Estos incluyen políticas domésticas, plagas y enfermedades, comercio global, áreas de siembra, riego y otros. Por ejemplo, en el momento de escribir este artículo, la guerra de 2022 en Ucrania ha reducido el suministro de trigo de los graneros en Rusia y Ucrania42 Las presiones han incluido daños o bloqueos a la infraestructura de exportación, sanciones y cambios en el control regional43 De todas estas presiones agrícolas, entendemos bien los eventos climáticos a través de modelos basados en la física. Por lo tanto, el uso de dichos modelos para fomentar la planificación para eventos extremos puede ayudar a reducir las presiones climáticas sobre la agricultura en el futuro.

Seguimos el protocolo para aplicar y garantizar la credibilidad de UNSEEN23 Primero, se definen los dominios, las variables y los índices que son más relevantes para el crecimiento del trigo. Luego, seleccionamos los conjuntos de datos apropiados para el análisis y evaluamos estadísticamente el realismo de las definiciones de eventos seleccionadas. Cuando se identifican problemas, estos se mencionan y/o resuelven reduciendo el tamaño de la muestra o corrigiendo los datos. Las estadísticas de interés se obtienen luego de los conjuntos de datos que se consideran realistas.

En este estudio, nos enfocamos en el trigo de invierno en los EE. UU. y China, específicamente en la principal región productora de cada país. En los EE. UU., este es el medio oeste de los EE. UU., incluido el oeste de Kansas (27 % de la producción nacional), el este de Colorado y el noroeste de Oklahoma (105–95,5 W, 35–40 N)44. La región de China es el noreste de China, incluidas las provincias de Hebei, Shandong, Henan, Jiangsu y Anhui (110–122,5E, 30,5–40 N), cada una de las cuales representa el 10 % o más de la producción de trigo de invierno de China45. los estados de Kansas, Oklahoma y Colorado produjeron en conjunto 15 229 953 toneladas métricas en 2017, lo que representó el 43,5 % de la cosecha de trigo de invierno del país46. En total, China produjo 134 334 000 toneladas métricas de trigo en 2017, incluido el trigo de invierno y otras variedades. La producción mundial total de trigo en 2017 fue de 772 millones de toneladas métricas (FAO).

El crecimiento del trigo de invierno comienza en otoño, seguido de un período de latencia durante el invierno47. El nuevo crecimiento comienza a principios de la primavera, y la floración y el desarrollo del grano completo ocurren a principios o finales de la primavera, lo que hace que este período sea crítico para el crecimiento del rendimiento antes de la cosecha en junio y julio47. En estudios previos, el rendimiento de trigo en cada localidad se correlacionó con la precipitación acumulada durante la temporada de crecimiento, con poca o ninguna relación con la temperatura3,6.

Sin embargo, las temperaturas superiores a 27,8 °C en mayo se han asociado con el estrés por calor en las plantas de trigo de invierno47 Las duraciones prolongadas a esta temperatura o por encima de ella son particularmente perjudiciales. Además, por encima de los 32,8 °C, las enzimas del trigo comienzan a descomponerse, lo que daña aún más el desarrollo de la planta48. Otros estudios han utilizado umbrales de 21 °C como óptimos y 34 °C como perjudiciales para demostrar cierta reducción en el rendimiento debido a condiciones extremadamente adversas. altas temperaturas en partes de Kansas49,39. Dado que la cosecha ocurre en junio y julio, las etapas del trigo que son sensibles al estrés por calor (incluida la antesis y el llenado del grano) tienden a ocurrir entre marzo y mayo. Si bien hay algo de riego en ambas regiones, el trigo de invierno depende de la lluvia para gran parte de sus necesidades de agua y, por lo tanto, la precipitación total también es crítica durante marzo y mayo.

En este estudio, seleccionamos tres valores de temperatura de interés: la temperatura máxima diaria en la temporada de marzo a mayo, así como la cantidad de días con una temperatura máxima superior a 27,8 °C (umbral de estrés) y la cantidad de días superiores a 32,8 °C. (umbral de descomposición de la enzima). También analizamos la precipitación total de marzo a mayo como una influencia crítica en los resultados del trigo. Cada variable se calcula con la resolución nativa del conjunto de datos y luego se promedia por área sobre puntos terrestres en la región seleccionada.

Para el gran conjunto de "realidades alternativas" del clima actual y del pasado reciente, utilizamos archivos de SEAS5, los pronósticos a largo plazo del Centro Europeo para la Previsión Meteorológica a Medio Plazo (ECMWF)50 Estos pronósticos se inicializan el primero de cada mes y ejecute un modelo basado en la física durante 7 meses en el futuro, generando datos meteorológicos diarios durante un período de 7 meses. Los pronósticos que incluyen la temporada completa de marzo a mayo son aquellos que se inicializan en marzo (1 mes de tiempo de anticipación), febrero (2 meses de tiempo de anticipación), enero (3 meses de tiempo de anticipación), diciembre (4 meses de tiempo de anticipación) , y noviembre (5 meses de tiempo de entrega).

Si bien SEAS5 se ejecuta como un pronóstico operativo, el gran conjunto archivado se puede usar para identificar eventos extremos que no se han experimentado antes, porque los pronósticos archivados contienen eventos plausibles que simplemente nunca sucedieron. El modelo consta de 25 miembros del conjunto de 1981 a 2016, y desde 2017 hasta el presente contiene 51 miembros del conjunto. Por lo tanto, incluyendo cada uno de los 5 plazos, el gran conjunto contiene 125 realizaciones alternativas de cada año hasta 2016 y 255 conjuntos por año a partir de 2017.

Para verificar el conjunto SEAS5, comparamos los resultados con las observaciones históricas. En EE. UU., usamos el conjunto de datos DayMet versión 4, un conjunto de datos meteorológicos diarios en superficie de 1 km por 1 km para América del Norte derivado principalmente de estaciones meteorológicas terrestres51 (en China, usamos el reanálisis terrestre ERA5 del clima diario en superficie, que es producido a una resolución de 9 km 52. Todos los conjuntos de datos se escalaron a una resolución de 1 grado para el análisis.

Para cada una de las cuatro variables de interés, evaluamos el conjunto SEAS5 UNSEEN para determinar qué conjuntos y tiempos de anticipación podrían usarse para caracterizar la gama completa de eventos plausibles. En primer lugar, evaluamos la estabilidad a lo largo de los plazos de entrega, para medir si había alguna desviación del modelo en los plazos de entrega más largos. No se encontró ninguno para ninguna de las variables y ubicaciones en este estudio (parcelas disponibles en las figuras complementarias 3, 4).

Luego estimamos la independencia entre los miembros del conjunto. Debido a que todos los miembros del conjunto se inicializaron en el mismo momento, a menudo existe una falta de independencia entre los miembros del conjunto en plazos de entrega más cortos. El primer tiempo de anticipación (un pronóstico inicializado el 1 de marzo para la temporada de marzo a mayo) se excluyó para todas las variables debido a la supuesta interdependencia de los miembros del conjunto. Más allá de ese primer tiempo de anticipación, eliminamos todos los tiempos de anticipación para los cuales las correlaciones de rango por pares entre los miembros del conjunto tenían un valor medio superior a 0,25, lo que demuestra una falta de independencia53. Esto solo ocurrió una vez, para TXx en la región de EE. eliminado (véanse las Figs. SI 1-2 para los gráficos de la independencia entre los tiempos de entrega).

Por último, estimamos la fidelidad del conjunto SEAS5 UNSEEN en comparación con el conjunto de datos observacionales históricos para TXx y para la precipitación total. Submuestreamos aleatoriamente la muestra INVISIBLE más grande en 10,000 series de la misma longitud que las observaciones, para crear "observaciones indirectas" para comparar con los datos observados. Comparamos la media, la desviación estándar, la asimetría y la curtosis del conjunto de datos observado con esos valores para cada una de las observaciones simuladas. En el caso de la Precipitación total en la región de China para MAM, la media de las observaciones históricas quedó fuera del rango del percentil 95 del conjunto INVISIBLE e implementamos una corrección de sesgo aditiva. La precipitación total INVISIBLE en marzo-mayo se ajustó restando 24 mm para que coincida con la media de las observaciones. Las otras variables no se ajustaron (consulte las figuras complementarias 5 a 8 para ver los gráficos de fidelidad para todas las variables). Sin embargo, en el caso de TXx para la región de EE. UU., la curtosis observada estuvo ligeramente por debajo del percentil 95 de todos los resultados de curtosis del conjunto UNSEEN. Por lo tanto, los resultados de esta variable deben interpretarse con cautela.

Para las variables extremas derivadas del número de días por encima de los umbrales de estrés/descomposición enzimática, llevamos a cabo las mismas pruebas de fidelidad. La desviación estándar, la asimetría y la curtosis de las observaciones históricas estuvieron dentro del rango del percentil 95 de los resultados INVISIBLES, con una excepción. El número observado de días por encima del umbral de "estrés" en la región de China está por debajo del percentil 5 del conjunto INVISIBLE y, por lo tanto, también debe interpretarse con precaución.

Si bien es posible que el enfoque INVISIBLE no capture la gama completa de todos los eventos plausibles, estas verificaciones de fidelidad nos permiten proceder con cierta confianza de que vale la pena explorar los extremos simulados para informar la planificación de la adaptación.

Usando estos conjuntos de datos validados, obtuvimos información sobre eventos de alto impacto de baja probabilidad utilizando tres enfoques. Primero inspeccionamos visualmente la serie temporal de eventos observados e INVISIBLES. Dado que el conjunto de datos UNSEEN contiene una gran cantidad de eventos por año, este conjunto de datos se representa mediante estadísticas de diagramas de caja, que muestran la mediana, el rango intercuartílico, el rango intercuartílico de 1,5 x y los miembros fuera del rango intercuartílico de 1,5 x. En segundo lugar, contamos el número de superaciones del umbral. La probabilidad de tales superaciones del umbral se puede expresar como el porcentaje del número de superaciones respecto al número total de eventos. Como tal, también se puede estimar la probabilidad de eventos compuestos. En tercer lugar, aplicamos estadísticas de valores extremos a las temperaturas máximas de marzo a mayo54 Ajustamos una distribución de Gumbel, valor extremo generalizado (GEV) y GEV no estacionario a los resultados históricos y al conjunto INVISIBLE. Ajustamos los parámetros de ubicación y escala linealmente al tiempo como una covariable19,23, como en Kelder et al. Probamos qué distribución se ajusta mejor a los datos usando una prueba de razón de verosimilitud y estimamos los parámetros de las distribuciones usando la estimación de máxima verosimilitud (MLE). Estas distribuciones se utilizaron para el cálculo de la probabilidad y magnitud de temperaturas excepcionalmente extremas en el clima histórico y actual. Para analizar los patrones de circulación relacionados con los eventos extremos NO VISTOS, trazamos las anomalías de altura geopotencial (GPH) y las anomalías del viento en el nivel de presión de 500 mb, para analizar eventos extremos específicos del conjunto más grande. Utilizando las derivaciones 1 a 4 (debido a la disponibilidad de datos mensuales de SEAS5), trazamos las 10 estaciones más secas, húmedas y calurosas en las regiones de estudio de EE. UU. y China.

Todos los datos utilizados en este estudio están disponibles públicamente y se puede acceder a ellos de la siguiente manera:

Los archivos SEAS5 y ERA5 aterrizan en el almacén de datos climáticos de Copernicus: https://cds.climate.copernicus.eu/cdsapp#!/dataset/seasonal-original-single-levels?tab=form. https://doi.org/10.24381/cds.181d637e. https://cds.climate.copernicus.eu/cdsapp#!/dataset/reanalysis-era5-land?tab=form. https://doi.org/10.24381/cds.e2161bac. Datos de Daymet en el sitio web de ONRL DAAC: https://daymet.ornl.gov/getdata. https://doi.org/10.3334/ORNLDAAC/2129.

La metodología UNSEEN está documentada aquí: https://unseen-open.readthedocs.io/en/latest/. Cualquier solicitud de código o datos puede dirigirse a los autores.

Kent, C. et al. Uso de simulaciones de modelos climáticos para evaluar el riesgo climático actual para la producción de maíz. Reinar. Res. Letón. 12, 054012 (2017).

Artículo Google Académico

Janetos, A., Justice, C., Jahn, M., Obersteiner, M., Glauber, J. & Mulhern, W. Los riesgos de múltiples fallas en el granero en el siglo XXI: una agenda de investigación científica. Centro Frederick S. Pardee de la Universidad de Boston para el Estudio del Futuro a Largo Plazo. https://www.bu.edu/pardee/files/2017/03/Multiple-Breadbasket-Failures-Pardee-Report.pdf (2017).

Gaupp, F., Hall, J., Hochrainer-Stigler, S. y Dadson, S. Riesgos cambiantes de la falla simultánea del granero global. Nat. Clima Cambio 10, 54–57 (2020).

Artículo Google Académico

Gaupp, F., Pflug, G., Hochrainer‐Stigler, S., Hall, J. & Dadson, S. Dependencia de la producción de cultivos entre los graneros globales: un enfoque de cópula para la evaluación de los grupos de riesgo globales y regionales. Análisis de riesgos 37, 2212–2228 (2017).

Artículo Google Académico

Frieler, K. et al. Comprender la señal meteorológica en la variabilidad nacional del rendimiento de los cultivos. El futuro de la Tierra 5, 605–616 (2017).

Artículo Google Académico

Ray, DK, Gerber, JS, MacDonald, GK & West, PC La variación del clima explica un tercio de la variabilidad global del rendimiento de los cultivos. Nat. común 6, 5989 (2015).

Artículo Google Académico

Lobell, DB & Field, CB Relaciones clima-rendimiento de cultivos a escala global y los impactos del calentamiento reciente. Reinar. Res. Letón. 2, 014002 (2007).

Artículo Google Académico

Zampieri, M., Ceglar, A., Dentener, F. & Toreti, A. Pérdida de rendimiento de trigo atribuible a olas de calor, sequía y exceso de agua a escala mundial, nacional y subnacional. Reinar. Res. Letón. 12, 064008 (2017).

Artículo Google Académico

Ma, J. et al. Los análisis de transcriptómica revelan las respuestas del trigo al estrés por sequía durante las etapas reproductivas en condiciones de campo. Frente. ciencia de las plantas 8, 592 (2017).

Artículo Google Académico

Porter, JR & Gawith, M. Las temperaturas y el crecimiento y desarrollo del trigo: una revisión. EUR. J. Agron. 10, 23–36 (1999).

Artículo Google Académico

Alghabari, F., Lukac, M., Jones, HE y Gooding, MJ Efecto de los alelos Rht sobre la tolerancia del grano de trigo expuesto a altas temperaturas y estrés por sequía durante el arranque y la antesis. J. Agron. Ciencia de cultivos 200, 36–45 (2013). páginas.

Artículo Google Académico

Schauberger, B. et al. Respuesta negativa constante de los cultivos de EE. UU. a las altas temperaturas en las observaciones y modelos de cultivos. Nat. común 8, 1–9 (2017).

Artículo Google Académico

Lobell, DB & Asseng, S. Comparación de estimaciones de los impactos del cambio climático a partir de modelos de cultivos estadísticos y basados en procesos. Reinar. Res. Letón. 12, 015001 (2017).

Artículo Google Académico

Liu, B. et al. Estimaciones similares de los impactos de la temperatura en el rendimiento mundial del trigo mediante tres métodos independientes. Nat. Clima Cambio 6, 1130–1136 (2016).

Artículo Google Académico

Zhao, C. et al. El aumento de la temperatura reduce los rendimientos globales de los principales cultivos en cuatro estimaciones independientes. proc. Academia Nacional. ciencia 114, 9326–9331 (2017).

Artículo Google Académico

Xie, W. et al. Disminución en el suministro mundial de cerveza debido a la sequía y el calor extremos. Nat. Plantas 4, 964–973 (2018).

Artículo Google Académico

Goulart, H., Van Der Wiel, K., Folberth, C., Balkovic, J. y Van Den Hurk, B. Historias de eventos de fallas de cultivos inducidos por el clima bajo el cambio climático. Sistema Tierra Din. 12, 1503-1527 (2021).

Artículo Google Académico

Diffenbaugh, NS et al. Cuantificación de la influencia del calentamiento global en eventos climáticos extremos sin precedentes. proc. Academia Nacional. ciencia 114, 4881–4886 (2017).

Artículo Google Académico

Kelder, T. et al. Uso de tendencias INVISIBLES para detectar cambios decadales en extremos de precipitación de 100 años. npj Clim. atmósfera ciencia 3, 1–13 (2020).

Artículo Google Académico

Gessner, C., Fischer, EM, Beyerle, U. & Knutti, R. Extremos de calor muy raros: cuantificación y comprensión mediante la reinicialización del conjunto. J. Clim. 34, 6619–6634 (2021).

Google Académico

Thompson, V. et al. Alto riesgo de lluvias sin precedentes en el Reino Unido en el clima actual. Nat. común 8, 107 (2017).

Artículo Google Académico

Sillmann, J. et al. Argumentos basados en eventos para abordar el riesgo climático. El futuro de la Tierra 9, e2020EF001783 (2021).

Artículo Google Académico

Kelder, T. et al. Un flujo de trabajo abierto para obtener información sobre eventos meteorológicos de alto impacto y baja probabilidad a partir de predicciones inicializadas. Meteorol. aplicación 29, e2065 (2022).

Artículo Google Académico

van Valkengoed, AM & Steg, L. Metanálisis de los factores que motivan el comportamiento de adaptación al cambio climático. Nat. Clima Cambio 9, 158–163 (2019).

Artículo Google Académico

Koerth, J., Vafeidis, AT & Hinkel, J. Adaptación costera a nivel doméstico y sus impulsores: una revisión sistemática de un estudio de caso. Análisis de riesgo. 37, 629–646 (2017).

Artículo Google Académico

Adger, WN, Quinn, T., Lorenzoni, I., Murphy, C. & Sweeney, J. Contratos sociales cambiantes en la adaptación al cambio climático. Nat. Clima Cambio 3, 330–333 (2013).

Artículo Google Académico

Spence, A., Poortinga, W., Butler, C. y Pidgeon, NF Percepciones del cambio climático y voluntad de ahorrar energía relacionadas con la experiencia de inundaciones. Nat. Clima Cambio 1, 46–49 (2011).

Artículo Google Académico

USDA. Comunicado de prensa sobre la historia del trigo de Kansas, Servicio Nacional de Estadísticas Agrícolas. https://www.nass.usda.gov/Statistics_by_State/Kansas/Publications/Cooperative_Projects/KS-wheat-history19.pdf (2019).

Brocious, A. La sequía azota el trigo de invierno en las llanuras. Radio pública de Iowa. https://www.iowapublicradio.org/agriculture/2014-06-10/drought-hammers-winter-wheat-across-the-plains (2014).

Qian, C. Desenredar el efecto de la urbanización, la variabilidad multidécada y la tendencia secular de la temperatura en el este de China durante 1909–2010. atmósfera ciencia Letón. 17, 177–182 (2016).

Artículo Google Académico

Qian, C. & Cao, LJ Tendencias lineales en la temperatura media y extrema en la Nueva Área de Xiongan, China. atmósfera Océano. ciencia Letón. 11, 246–254 (2018).

Artículo Google Académico

Wang, J., Tett, SF, Yan, Z. & Feng, J. ¿Han cambiado las actividades humanas las frecuencias de las temperaturas extremas absolutas en el este de China? Reinar. Res. Letón. 13, 014012 (2018).

Artículo Google Académico

Chen, Y. et al. El calentamiento antropogénico ha aumentado sustancialmente la probabilidad de olas de calor similares a las de julio de 2017 en el centro este de China. Toro. Soy. Meteorol. Soc. 100, S91–S95 (2019).

Artículo Google Académico

Wang, X., Lang, X. & Jiang, D. Influencia antropogénica detectable en eventos calurosos de verano en China desde 1965 hasta 2014. Medio ambiente. Res. Letón. 17, 034042 (2022).

Artículo Google Académico

Miralles, DG, Gentine, P., Seneviratne, SI & Teuling, AJ Retroalimentaciones terrestres y atmosféricas durante sequías y olas de calor: estado de la ciencia y desafíos actuales. Ana. Academia de Nueva York. ciencia 1436, 19–35 (2019).

Artículo Google Académico

Luo, Y. & Du, Y. Los roles de los chorros de bajo nivel en "21·7" henan evento de lluvia fuerte extremadamente persistente. Adv. atmósfera ciencia 40, 350–373 (2022).

Artículo Google Académico

Semenov, MA, Stratonovitch, P., Alghabari, F. & Gooding, MJ Adaptación del trigo en Europa al cambio climático. J. Ciencias de los cereales. 59, 245–256 (2014).

Artículo Google Académico

Lopes, MS et al. Explotación de la diversidad genética de las razas locales en el mejoramiento de trigo para la adaptación al cambio climático. Exp. J. Bot. 66, 3477–3486 (2015).

Artículo Google Académico

Tack, J., Barkley, A. & Nalley, LL Efecto del calentamiento de las temperaturas en los rendimientos de trigo de EE. UU. Proc Natl Acad Sci. 112, 6931–6936 (2015).

Artículo Google Académico

Aguada, D. et al. Evaluación de opciones de adaptación agronómica para aumentar el estrés por calor bajo el cambio climático durante el llenado de grano de trigo en Francia. EUR. J. Agron. 39, 62–70 (2012).

Artículo Google Académico

Yang, X. et al. Adaptación de la agricultura al calentamiento en el noreste de China. Clima Cambio 84, 45–58 (2007).

Artículo Google Académico

Graham, N., Pe'er, I. La invasión de Ucrania por parte de Putin amenaza con una crisis mundial del trigo. El Consejo Atlántico. https://www.atlanticcouncil.org/blogs/econographics/putins-invasion-of-ukraine-could-spark-a-global-food-crisis/ (2022).

Bearak, M. La cosecha de trigo de Ucrania, que alimenta al mundo, no puede salir del país. El Correo de Washington. https://www.washingtonpost.com/world/2022/04/07/ukraine-wheat-crop-global-shortage/ (2022).

USDA. Estados Unidos: Producción de trigo de invierno. https://ipad.fas.usda.gov/rssiws/al/crop_production_maps/US/USA_Winter_Wheat.png (2018).

USDA. China: Producción de trigo de invierno (2018) https://ipad.fas.usda.gov/rssiws/al/crop_production_maps/China/China_Winter_Wheat.jpg (2018).

Servicio Nacional de Estadísticas Agrícolas del USDA, Censo de Agricultura de 2017. Datos completos disponibles en www.nass.usda.gov/AgCensus.

Extensión de la Universidad Estatal de Kansas. Manual de producción de trigo. Investigación y extensión de K-State. (1997).

Lollato, R., DeWolf, E. y Knapp, M. Efectos de las altas temperaturas recientes en el trigo. Actualización electrónica sobre agricultura de investigación y extensión de K-State, 695 (2018).

Zhang, T., Lin, X. & Sassenrath, GF Las prácticas de riego actuales en el centro de los Estados Unidos reducen los efectos de la sequía y el calor extremo en el maíz y la soja, pero no en el trigo. ciencia Entorno Total. 508, 331–342 (2015).

Artículo Google Académico

Johnson, SJ y col. SEAS5: el nuevo sistema de pronóstico estacional del ECMWF. Desarrollo del modelo geocientífico 12, 1087–1117 (2019).

Artículo Google Académico

Thornton, MM et al. Daymet: datos meteorológicos diarios en la superficie en una cuadrícula de 1 km para América del Norte, versión 4. ORNL DAAC, Oak Ridge, Tennessee, EE. UU. https://doi.org/10.3334/ORNLDAAC/1840 (2020).

Hersbach, H. et al. El reanálisis global ERA5. Meteorol QJR. Soc. 146, 1999–2049 (2020).

Artículo Google Académico

Brunner, MI & Slater, LJ Inundaciones extremas en Europa: yendo más allá de las observaciones utilizando la agrupación de conjuntos de repronóstico. Hidrol. Sistema Tierra ciencia 26, 469–482 (2022).

Artículo Google Académico

Coles, S., Bawa, J., Trenner, L. y Dorazio, P. Introducción al modelado estadístico de valores extremos vol. 208, 208 (Springer, 2001).

Descargar referencias

Los autores agradecen el apoyo de la subvención cooperativa de la NASA Today's Risk of Extreme Events (acuerdo número 80NSSC22K1706). Los autores agradecen al clúster de computación de alto rendimiento de la Universidad de Tufts (https://it.tufts.edu/high-performance-computing) que se utilizó para la investigación que se informa en este documento.

Centro Internacional Feinstein, Escuela Friedman de Ciencias y Políticas de Nutrición, Universidad Tufts, Boston, EE. UU.

Erin Coughlan de Pérez

Centro del Clima de la Cruz Roja y de la Media Luna Roja, La Haya, Países Bajos

Erin Coughlan de Pérez

Agricultura, Alimentos y Medio Ambiente, Escuela Friedman de Ciencias y Políticas de Nutrición, Universidad Tufts, Boston, EE. UU.

Hamsa Ganapati y Timothy Griffin

Universidad de Sussex, Brighton, Reino Unido

Gibbon IT Buenos días

Departamento de Servicios Meteorológicos de Zimbabue, Harare, Zimbabue

Gibbon IT Buenos días

Servicios de Adaptación Climática (CAS), Bussum, Países Bajos

Tim Kelder

También puede buscar este autor en PubMed Google Scholar

ECdP, HG, GITM y TK codiseñaron el plan y los métodos de investigación. ECdP analizó los datos climáticos y redactó el artículo. GITM, HG y TK contribuyeron con análisis, métodos y datos. Todos los autores apoyaron el análisis, contribuyeron al artículo y aprobaron la versión enviada.

Correspondencia a Erin Coughlan de Pérez.

Los autores declaran no tener conflictos de intereses.

Nota del editor 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

Coughlan de Pérez, E., Ganapathi, H., Masukwedza, GIT et al. Potencial de eventos sorprendentes de calor y sequía en las regiones productoras de trigo de EE. UU. y China. npj Clima Atmos Sci 6, 56 (2023). https://doi.org/10.1038/s41612-023-00361-y

Descargar cita

Recibido: 24 agosto 2022

Aceptado: 03 mayo 2023

Publicado: 02 junio 2023

DOI: https://doi.org/10.1038/s41612-023-00361-y

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

Blog