Avaliação de modelos de cultivo global em grade: benchmarking, habilidades, deficiências e implicações

Resumo. Modelos de cultivo são cada vez mais utilizados para simular rendimentos de culturas em escala global, mas até agora não existe uma estrutura geral sobre como avaliar o desempenho dos modelos. Aqui avaliamos os resultados de simulação de 14 grupos de modelagem de cultivo em grade global que contribuíram com simulações históricas de rendimento de culturas para milho, trigo, arroz e soja para a Comparação Intercontinental de Modelos de Cultivo em Grade Global (GGCMI) do Projeto de Comparação e Melhoria de Modelos Agrícolas (AgMIP). Os resultados de simulação são comparados com dados de referência em escalas global, nacional e de célula de grade, e avaliamos o desempenho do modelo em relação à correlação de séries temporais, correlação espacial e viés médio. Descobrimos que os modelos de cultivo em grade global (GGCMs) apresentam habilidades mistas em reproduzir correlações de séries temporais ou padrões espaciais nas diferentes escalas espaciais. Geralmente, as simulações de milho, trigo e soja de muitos GGCMs são capazes de reproduzir maiores partes da variabilidade temporal observada (coeficientes de correlação de séries temporais (r) de até 0,888 para milho, 0,673 para trigo e 0,643 para soja em escala global), mas a variabilidade do rendimento de arroz não pode ser bem reproduzida pela maioria dos modelos. A variabilidade do rendimento pode ser bem reproduzida para a maioria dos principais países produtores por muitos GGCMs e para todos os países por pelo menos alguns. Uma comparação com dados de rendimento em grade e uma análise estatística dos efeitos da variabilidade climática na variabilidade do rendimento mostra que o conjunto de GGCMs pode explicar mais da variabilidade do rendimento do que um conjunto de modelos de regressão para milho e soja, mas não para trigo e arroz. Identificamos necessidades futuras de pesquisa em modelagem de cultivo global em grade e para todos os grupos de modelagem de cultivo individuais. Na ausência de um benchmark puramente baseado em observação para avaliação de modelos, propomos que o modelo de cultivo com melhor desempenho por cultura e região estabeleça o benchmark para todos os outros, e os modeladores são incentivados a investigar como o desempenho do modelo de cultivo pode ser aumentado. Tornamos nosso sistema de avaliação acessível a todos os modeladores de cultivo para que outros grupos de modelagem também possam testar o desempenho de seus modelos em relação aos dados de referência e ao benchmark GGCMI.