Potentiële gewasopbrengsten soms tientallen procenten hoger of lager dan gedacht

De modellen gaan volgens hen teveel uit van grove gegevens over weer, bodem en gewas en zijn onvoldoende gevoed en gevalideerd met lokale data. In een artikel in Nature Food pleiten ze voor het verbeteren van de schattingen via het structureel benutten van lokaal verzamelde data en de modellen vaker te toetsen aan lokale experimenten.

Voor hun artikel hebben de onderzoekers de prestaties van twee veelgebruikte ‘top down’-modellen (Global Agro-ecological Zones en het Agricultural Model Intercomparison and Improvement Project) vergeleken met de prestaties van een eigen ‘bottom-up aanpak’, de Global Yield Gap Atlas.

Sytematisch te laag ingeschat

“De ramingen van mondiale top-down modellen geven gemiddeld genomen voor een groot land als de Verenigde Staten of een continent vaak, maar zeker niet altijd, nog wel een redelijk beeld, maar als je naar specifieke regio’s of kleinere landen kijkt zijn hun resultaten onwaarschijnlijk. Het komt zelfs geregeld voor dat de geschatte potentiële productie in een land lager is dan de daadwerkelijk gerealiseerde landbouwproductie in voorgaande jaren”, zegt co-auteur professor Martin van Ittersum van de leerstoelgroep Plantaardige Productiesystemen van WUR.

Als voorbeeld haalt hij resultaten in de mondiale modellen aan voor rijst in Azië en mais in Afrika ten zuiden van de Sahara: “Voor rijst in Azië zijn de potentiële opbrengsten systematisch flink te laag ingeschat door de top-down modellen, terwijl deze modellen voor mais in Sub-Sahara-Afrika veel te weinig verschillen laten zien tussen landen met aantoonbaar hoge en lagere mogelijke opbrengsten.”

Grove data en gebrek aan toetsing

Tekortkomingen in de ‘top down’-modellen worden veroorzaakt doordat de databases doorgaans grofmazig werken en gebaseerd zijn op gegenereerde weersgegevens of veronderstellingen over gewaskalenders. Zo worden bijvoorbeeld de momenten waarop in een regio een gewas gezaaid en geoogst wordt niet altijd goed ingeschat. Ook wordt in mondiale studies één en hetzelfde model gebruikt voor diverse gewassen en voor de hele wereld, terwijl de modellen niet lokaal getoetst zijn aan goed uitgevoerde experimenten.

“Potentiële opbrengsten van een gewas in een bepaald gebied kunnen daardoor soms tientallen procenten hoger liggen dan waar de ‘top down’-modellen vanuit gaan”, aldus Van Ittersum. Omdat investeerders, zaadproducenten en andere partijen hun beslissingen mede baseren op deze modellen kunnen de gevolgen verstrekkend zijn. “We kunnen het ons niet veroorloven dat er niet goed onderbouwde besluiten worden genomen over het versterken van de voedselzekerheid in Afrika of andere delen van de wereld en hoe we daarbij omgaan met schaarse hulpbronnen als land en water.” 

Lokale gegevens integreren

Het probleem kan volgens de auteurs opgelost worden door lokale data structureel te benutten in mondiale studies. Deze lokale data (omtrent weer, bodem, gewasmanagement) en simulaties zijn al beschikbaar doordat ze sinds 2011 systematisch in kaart worden gebracht in het Global Yield Gap Atlas-project (GYGA) waar Van Ittersum mede leiding aan geeft.

“We zijn samen met de University of Nebraska-Lincoln met dit project gestart omdat we constateerden dat de mondiale modellen er in specifieke landen en gebieden regelmatig flink naast zaten. Inmiddels hebben we met de hulp van lokale experts hoogwaardige en lokaal relevante gegevens van ongeveer 70 landen in kaart gebracht. We kennen hierdoor nu de ‘yield gap’ van een aantal van de grootste landbouwgewassen op 80% van het aardoppervlak. Zo’n ‘bottom-up’-benadering is een hoop werk, maar het genereert wel heel waardevolle informatie voor beleidsmakers en onderzoekers die zich bezighouden met de vraag of en hoe de verschillende landen en continenten zich in de toekomst zelf kunnen voeden en waar meer of minder kansen liggen.”